Lekári bez plášťov

Umelá inteligencia bezpochyby zmení svet, ako ho poznáme. Predpokladá sa, že prínosy prevážia jej nežiaduce stránky. Už teraz je vidieť jej prínos v zdravotnej starostlivosti.

A merická Spoločnosť klinickej onkológie minulý rok uviedla výsledky prieskumu o tom, ako presne vie riešenie Watson for Oncology stanovovať diagnózy a určovať plán liečby pacientov s rakovinou. Watson sa zhodol so závermi reálnych lekárov v 96 % prípadov pri rakovine pľúc, 93 % pri rakovine konečníka a 81 % pri rakovine hrubého čreva. Iná štúdia, ktorá sa uskutočnila v Thajsku, ukázala, že sa systém umelej inteligencie (UI) nielen často zhoduje s doktormi, ale im výrazne konkuruje v rýchlosti stanovenia diagnózy či plánu liečby. To, čo trvá lekárovi priemerne 110 minút, zvláda UI za 24 minút. Je tiež schopná poukázať na spôsoby liečby, ktoré by u daného pacienta nemuseli byť účinné, alebo by boli dokonca celkom nevhodné. Tieto tvrdenia následne Watson podloží aj štúdiami. Z toho jasne vyplýva, že by bol systém použiteľný nielen v oblasti vzdialenej komunikácie s pacientom formou telemedicíny, ale aj pri priamej asistencii skutočným lekárom, čo sa v skutočnosti už aj deje.

Foto Flydragonfly@Fotky&Foto

Lepšie ako dermatológ

Nová štúdia vedcov z Heidelberskej univerzity (HU) zistila, že umelá inteligencia typu konvolučnej neurónovej siete (convolutional neural network – CNN) s hĺbkovým učením je schopná identifikovať malígne a benígne kožné útvary presnejšie ako dermatológovia. Neurónovú sieť vycvičili výskumní pracovníci z Francúzska a Nemecka na viac ako 100 000 fotografiách malígnych melanómov, ako aj benígnych lézií. Po ukončení výcviku sme vytvorili dve testovacie súpravy snímok, ktoré neboli použité pri trénovaní, a preto ich CNN nepoznala. Jedna súprava 300 obrázkov bola postavená tak, aby testovala iba výkonnosť CNN, predtým sme však vybrali 100 z najťažších lézií na testovanie reálnych dermatológov a porovnanie s výsledkami CNN, povedal profesor Holger Haenssle z Katedry dermatológie HU. Výskumníci prvý raz porovnali diagnostický výkon CNN s veľkou medzinárodnou skupinou 58 dermatológov vrátane 30 expertov. CNN prekonala väčšinu dermatológov, tvrdia výskumníci a ubezpečujú, že lekári bez ohľadu na svoje skúsenosti môžu mať prospech z asistencie CNN. Nemožno povedať, že kožní lekári boli slabí pri identifikovaní kožných lézií, ale neurónová sieť bola jednoducho lepšia. Zatiaľ čo lekári správne určili zhruba 86,6 % melanómov, CNN dosiahla úspešnosť 95 %. Po pridaní dodatočných klinických informácií dermatológovia dokázali zvýšiť presnosť na 88,9 %, no CNN zostala na 95 %. Výsledky štúdie naznačujú, že technológia umelej inteligencie sa priblížila k dôležitému míľniku, pokiaľ ide o rozpoznávanie vizuálnych vzorov. V súčasnosti síce neexistuje nijaká náhrada dôkladného klinického vyšetrenia, ale 2D a 3D fotografia celého tela môže zachytiť približne 90 až 95 % povrchu kože a pri exponenciálnom vývoji zobrazovacej technológie sa dá predpokladať, že skôr či neskôr automatická diagnóza zmení doterajšiu prax v dermatológii.

Optimalizácia dávok

Foto photographee.eu@Fotky&Foto

Výskumníci z Massachusettskej technickej univerzity (MIT) zasa používajú nové techniky strojového učenia na zlepšenie kvality života pacientov trpiacich glioblastómom, najagresívnejšou formou rakoviny mozgu. Učia umelú inteligenciu znižovať toxické účinky chemoterapie a dávkovať rádioterapiu. Glioblastóm je malígny nádor, ktorý sa objavuje v mozgu alebo mieche a po jeho diagnostikovaní ľudia zvyčajne nežijú dlhšie ako päť rokov. A v tom čase musia podstúpiť kombináciu rádioterapie a mesačné užívanie viacerých liekov. Lekári im spravidla podávajú maximálne bezpečné dávky liekov, aby čo najväčšmi zmenšili nádor. Tieto lieky však majú množstvo vedľajších účinkov. Model výskumníkov z MIT spôsobí, že dávkovanie liekov je menej toxické, ale ešte účinné. Používajú pri tom technológiu strojového učenia známu ako spätnoväzbové učenie. Tento model skúma aktuálne používané liečebné režimy a opakovane upravuje dávky liekov. Napokon nájde optimálny liečebný plán s najnižšou možnou frekvenciou dávok, ktoré by ešte vždy mali zmenšiť veľkosť nádorov. V simulovaných štúdiách s 50 pacientmi model strojového učenia navrhol liečebné cykly, ktoré znížili takmer všetky dávky na štvrtinu alebo polovicu pri zachovaní rovnakého potenciálu na zmenšenie nádoru.

Neortodoxný model

RL Vedci použili metódu reinforced learning (RL), inšpirovanú behaviorálnou psychológiou. Pri nej sa umelá inteligencia učí uprednostňovať určité správanie, ktoré vedie k požadovanému výsledku. Ak vykoná úlohu správne, t. j. predpíše účinnú dávku liekov, dostane odmenu, v opačnom prípade je to trest. Tento prístup sa používa aj pri trénovaní počítačových programov, ktoré majú zvíťaziť v nejakej hre. V tomto prípade však vedci opísali neortodoxný model RL. Tradičné modely RL smerujú k jedinému výsledku, napríklad k víťazstvu v hre. Tu však umelá inteligencia musela prejaviť flexibilitu pri hľadaní dávky, ktorá nemusí nevyhnutne maximalizovať zmenšenie nádoru, ale dosiahnuť dokonalú rovnováhu medzi zmenšením nádoru a minimalizovaním škodlivých ve- dľajších účinkov liekov. UI potom na vzorke 50 simulovaných pacientov vykonala 20 000 testov. Následne jej pridelili skupinu 50 ďalších simulovaných pacientov a ukázalo sa, že dokáže znižovať dávky liekov a frekvenciu ich podávania tak, aby naďalej dochádzalo k redukcii nádorov. Spýtali sme sa (umelej inteligencie), či musíme podať rovnakú dávku pre všetkých pacientov, vysvetlil Pratik Shah z MIT. A ona povedala: ,Nie. Tejto osobe dáme štvrtinu dávky, druhej polovicu dávky a tejto osobe môžeme dávku vynechať.“

Tento článok si môžete prečítať v časopise Quark 10/2018.

Ak chcete mať prístup aj k exkluzívnemu obsahu pre predplatiteľov alebo si objednať tlačenú verziu časopisu Quark, prihláste sa alebo zaregistrujte.

R
Foto Lenets_Tatsiana@Fotky&Foto

Komentáre