Jak Sieci Neuronowe Można Wykorzystać w Branży Medycznej: 10 Przypadków Użycia

Spis treści

#1. Chirurgia robotyczna
#2. Diagnostyka obrazowa
#3. Wirtualni asystenci opieki
#4. Workflow i zadania administracyjne
#5. Przewidywanie wybuchów chorób zakaźnych
#6. Tworzenie leków i nowych metod leczenia
#7. Medycyna spersonalizowana
#8. Walka z oszustwami
#9. Modyfikacja zachowania
#10. Zbieranie i analiza danych

Rynek sztucznej inteligencji w opiece zdrowotnej został wyceniony na 8,23 mld USD w 2020 r. i przewiduje się, że do 2030 r. osiągnie 194,4 mld USD, przy wzroście CAGR wynoszącym 38,1% w latach 2021–2030. Jednocześnie sztuczne sieci neuronowe staną się głównym motorem wzrostu rynku, ponieważ to dzięki nim cyfrowy „umysł” może się tak szybko i sprawnie uczyć. W tym artykule opiszemy dokładnie, w jaki sposób sztuczne sieci neuronowe są dziś wykorzystywane w medycynie.

Chirurgia robotyczna

Zabiegi chirurgiczne wymagają głębokiej wiedzy medycznej, dużej precyzji, umiejętności dostosowania się do zmieniających się okoliczności oraz stałej uwagi przez długi czas. Chociaż wyszkoleni chirurdzy mają wszystkie te cechy, są po prostu zwykłymi ludźmi i dlatego mogą popełniać błędy, zwłaszcza jeśli mają napięty harmonogram. Według badań przeprowadzonych przez Johns Hopkins University błędy chirurgiczne występują ponad 4000 razy w roku w samych Stanach Zjednoczonych . Na przykład co najmniej
39 razy w tygodniu chirurg pozostawia ciała obce wewnątrz pacjenta, ponad 20 razy w tygodniu chirurdzy wykonują złą operację lub operują niewłaściwy narząd.

Chirurgia robotyczna może złagodzić ten problem. W szczególności sztuczna inteligencja oparta na sieciach neuronowych może być wykorzystywana do symulacji i planowania operacji, oceny umiejętności chirurga i uproszczenia zadań chirurgicznych. Ponadto roboty z mechanicznymi ramionami mogą samodzielnie wykonywać zabiegi chirurgiczne, co przyspieszy i obniży koszty tego rodzaju usług, a także zwiększą popularność wysoce profesjonalnych operacji – chłodny chirurg raczej nie będzie chciał mieszkać w biednych rejonach Afryki lub Asia, podczas gdy robota-chirurga można umieścić w dowolnym pomieszczeniu z elektrycznością.

I to nie tylko słowa: branża chirurgii robotycznej jest już wyceniana na 40 miliardów dolarów i pokazuje doskonałe wyniki:

• Sztuczne sieci neuronowe analizują dane z przedoperacyjnej dokumentacji medycznej, aby kierować instrumentem chirurga podczas operacji, zmniejszając pobyt pacjentów w szpitalu o 21% lub więcej.
• Badanie z udziałem 379 pacjentów ortopedycznych wykazało, że procedura robotów oparta na sieci neuronowej powodowała pięciokrotnie mniej powikłań w porównaniu do chirurgów pracujących w pojedynkę.
• Kardiochirurgów wspomaga miniaturowy robot Heartlander . Wchodzi w małe nacięcie w klatce piersiowej, aby wykonać stabilne i zlokalizowane sondowanie, mapowanie i leczenie na całej powierzchni serca. Jego stosowanie zmniejsza szkody dla pacjenta, jeśli potrzebny jest dostęp do serca.
• Autonomiczny robot chirurgiczny Smart Tissue (STAR) niezależnie wykonał trudne zadanie na tkankach miękkich świni (ponowne połączenie dwóch końców jelita), wykazując znacznie lepsze wyniki niż chirurdzy-ludzie.

Diagnostyka obrazowa

Obrazowanie w medycynie odnosi się do procesu tworzenia wizualnych reprezentacji wewnętrznych struktur ciała do analizy klinicznej i interwencji medycznej, a także wizualnej reprezentacji funkcji określonych narządów lub tkanek. Obrazowanie poprawia diagnostykę podczas korzystania z promieni rentgenowskich, tomografii komputerowej, mammografii, MRI, PET, ultradźwięków i innych procedur.

Społeczność medyczna od dawna zdaje sobie sprawę, że obrazowanie może znacznie zwiększyć prawdopodobieństwo wykrycia choroby. Ale często nawet wprawne ludzkie oko lekarza nie jest w stanie rozpoznać drobnych szczegółów na obrazach. Ponadto nie powinniśmy zapominać również o problemie z „rozmytymi” oczami: badacze z Uniwersytetu Harvarda dodali obraz goryla do zdjęć rentgenowskich i pokazali je lekarzom – 83% radiologów nie zauważyło obrazu goryla na prześwietlenia .

Splotowe sieci neuronowe (CNN) doskonale nadają się do obrazowania medycznego . Według naukowców z Uniwersytetu Stanforda CNN są przeznaczone do przetwarzania obrazów, co oznacza, że mogą być wykorzystywane w medycynie, np. do analizy skanów MRI lub zdjęć rentgenowskich. Co więcej, CNN często przewyższają ludzką dokładność. Na przykład u profesjonalnych dermatologów dokładność wykrywania czerniaka wynosi od 65% do 85%. Natomiast rozwiązania takie jak TensorFlow, scikit-learn czy keras wykazują dokładność na poziomie 87% do 95% .

Jednocześnie pracują znacznie szybciej niż ludzie, bez przerw na lunch i dni wolnych: naukowcy z Mount Sinai Icahn School of Medicine opracowali sieć neuronową zdolną do diagnozowania ważnych schorzeń neurologicznych, takich jak udar i krwotok mózgowy, 150 razy szybciej niż radiolodzy.

Oto kilka przykładów obrazowania medycznego z wykorzystaniem sieci neuronowych:

• W 2019 roku naukowcy wykorzystali splotową sieć neuronową zbudowaną na architekturze ResNet50 i InceptionV3 do analizy zestawów obrazów medycznych i dermoskopii. To rozwiązanie zapewniało ten sam poziom dokładności, co profesjonalni diagnostycy.
• Jedno z narzędzi wczesnego wykrywania raka piersi, opracowane przez Houston Medical Research Institute, interpretuje mammogramy z 99% dokładnością i dostarcza informacje diagnostyczne 30 razy szybciej niż człowiek.
• Grupa chińskich naukowców opracowała system sieci neuronowych do analizy zdjęć rentgenowskich pod kątem wczesnych oznak zapalenia płuc wywołanego przez COVID-19. To narzędzie oszczędza lekarzom do 40% czasu diagnostycznego, pozwalając im szybciej identyfikować, izolować i leczyć pacjentów z chorobami zakaźnymi.
• naukowy z Hiszpanii opracował algorytm głębokiego uczenia oparty na sieci neuronowej w celu poprawy rozdzielczości MRI. Pomaga zidentyfikować złożone patologie związane z mózgiem, w tym nowotwory, zaburzenia mowy i urazy fizyczne.
• Facebook AI (obecnie Meta) i NYU Langone Health opracowały sztuczną inteligencję o nazwie Oferuje nowe podejście do tworzenia obrazów MRI, które przyspiesza proces skanowania czterokrotnie. Kiedy takie obrazy zostały dostarczone radiologom, nie mogli odróżnić tradycyjnego skanu od skanu wykonanego za pomocą szybkiego MRI.

Wirtualni asystenci opieki

Inną rzeczą, w której mogą pomóc sieci neuronowe, jest interakcja z pacjentami w kwestiach takich jak zapytania pacjentów, zarządzanie poufnymi informacjami o stanie zdrowia pacjenta, planowanie wizyt u lekarzy, wysyłanie raportów z badań, przypomnienia o wizytach lekarskich i nie tylko. Przeniesienie tych zadań na sztuczną inteligencję może zaoszczędzić 20 miliardów dolarów rocznie na samym tylko amerykańskim rynku opieki zdrowotnej.

Wirtualni Asystenci Pielęgniarstwa, tacy jak Care Angel, są w stanie przeprowadzić wstępną wizytę, umówić wizytę w szpitalu, częściowo prowadzić dokumentację medyczną, zgłosić wyniki badań, a nawet przeprowadzić kontrolę stanu zdrowia za pomocą głosu. Innym przykładem podobnego rozwiązania jest Sensely. Wirtualny asystent to interaktywna aplikacja zaprojektowana w celu usprawnienia pracy medycznej, automatyzacji rutynowych procesów i obniżenia kosztów monitorowania opieki nad pacjentem. Badania pokazują, że stosowanie Sensely może obniżyć koszty pracy związane z monitorowaniem pacjenta o 66% w porównaniu z konwencjonalną procedurą.

Workflow i zadania administracyjne

Ankieta New England Journal of Medicine (NEJM) przeprowadzona wśród brytyjskich lekarzy wykazała, że ponad 80% respondentów uważa wypalenie zawodowe lekarzy za problem w ich organizacji . Jednocześnie połowa tych respondentów stwierdziła, że „odciążenie zadań administracyjnych” może całkowicie lub częściowo rozwiązać ten problem, pozwalając lekarzom spędzać więcej czasu z pacjentami, a także poświęcać więcej czasu na rozwój zawodowy. A przede wszystkim skargi dotyczące konieczności prowadzenia elektronicznej dokumentacji medycznej (EHR) pacjentów korzystających z wielu szpitali na całym świecie.

Sztuczna inteligencja oparta na sieciach neuronowych może przejąć znaczną część rutynowej pracy biurowej polegającej na wypełnianiu dokumentów i raportów, co pozwoli zaoszczędzić nawet 18 miliardów dolarów w opiece zdrowotnej. Na przykład algorytm transkrypcji głosu na tekst może pomóc w wypełnieniu EHR, zleceniu testów, przepisaniu leków, robieniu notatek i innych rzeczach za pomocą głosu podczas badania pacjenta.

Jednym z przykładów takiego rozwiązania jest Olive, platforma oparta na sztucznej inteligencji, która automatyzuje kilka procesów administracyjnych, takich jak weryfikacja nieuzasadnionych roszczeń medycznych, przekazywanie niezbędnych danych medycznych odpowiednim pracownikom służby zdrowia itp. Olive łatwo integruje się z istniejącymi narzędziami oprogramowania opieki zdrowotnej.

Podobne usługi świadczy K2 Process Automation. Platforma ta wykorzystuje sztuczną inteligencję do optymalizacji zarządzania placówkami medycznymi i ich personelem. W szczególności AI K2 może automatycznie aktualizować dane w kartotece pacjenta, przetwarzać zgłoszenia pacjentów, wysyłając im powiadomienia o otrzymaniu wyników badań, rejestrować połączenia i odpowiednio zapisywać informacje.

Przewidywanie wybuchów chorób zakaźnych

Pod koniec grudnia 2021 r. platforma BlueDot przewidziała epidemię koronawirusa w Chinach . Sztuczna inteligencja BlueDot, po przestudiowaniu wiadomości w 65 językach, rozmów ludzi w sieciach społecznościowych i doniesień na temat choroby, zgłosiła wybuch nowej infekcji grypopodobnej tydzień wcześniej niż Światowa Organizacja Zdrowia (WHO). I to nie pierwszy taki przypadek. Wcześniej BlueDot przewidział epidemię wirusa Zika na Florydzie w 2016 roku, sześć miesięcy przed tym. Jeszcze wcześniej BlueDot przewidział wybuch epidemii eboli w 2014 roku i jej rozprzestrzenienie się poza Afrykę.

Kolejnym startupem, który wykazał swoją zdolność do przewidywania wybuchów chorób zakaźnych, jest Metabiota. Według TechCrunch platforma pomogła zatrzymać rozprzestrzenianie się wirusa Ebola w Sierra Leone.

Tworzenie leków i nowych metod leczenia

W 2015 roku, podczas wybuchu epidemii eboli w Afryce Zachodniej, amerykańska firma farmaceutyczna Atomwise, wykorzystując moc sztucznej inteligencji, nawiązała współpracę z IBM w celu zbadania związków, które mogą wiązać się z glikoproteiną, która zapobiega przedostawaniu się wirusa Ebola do komórek organizmu. Ta analiza została przeprowadzona przez sieć neuronową Atomwise w czasie krótszym niż jeden dzień, chociaż proces ten trwa zwykle miesiące, a nawet lata.

Po raz pierwszy sztuczna inteligencja tak bardzo przyspieszyła proces opracowywania leków. Za kolejne 5 lat Stany Zjednoczone zatwierdzą pierwszy lek, prawie w całości stworzony przez AI, lek DSP-1181 do leczenia zaburzeń obsesyjno-kompulsywnych. Lek ten został stworzony przez Exscientia i według jego kierownictwa zajęło mu to tylko 12 miesięcy.

Ale ten okres nie jest limitem. Insilico Medicin twierdzi, że ich sztuczna inteligencja, GENTRL, jest w stanie stworzyć nowe leki przeciwko niektórym patologiom w zaledwie 3 tygodnie. Wybór najlepszej opcji i jej przetestowanie zajmie jeszcze około 25 dni. Tak więc stworzenie leków za pomocą GENTRL zajmuje tylko 46 dni.

Jednak najbardziej ambitnym projektem w tym kierunku jest Deep Genomics. Ta firma opracowuje sztuczną inteligencję o nazwie Project Saturn, aby odkryć nowe metody eliminowania skutków mutacji genetycznych. Firma Deep Genomics oceniła już 69 miliardów cząsteczek oligonukleotydowych w porównaniu z 1 milionem celów in silico, aby stworzyć bibliotekę 1000 związków, które zostały poddane walidacji eksperymentalnej w celu manipulowania biologią komórki zgodnie z zamierzeniami.

Medycyna spersonalizowana

Innym obszarem wymagającym dużych zasobów w opiece zdrowotnej, w którym przydatne mogą być sztuczne sieci neuronowe, jest medycyna spersonalizowana. Faktem jest, że każdy przypadek leczenia jest wyjątkowy, ponieważ każda osoba ma wyjątkową odporność, historię medyczną i aktualny stan zdrowia. A wszystko to należy wziąć pod uwagę, aby uzyskać maksymalną skuteczność leczenia. Ale lekarz, po pierwsze, nie zawsze widzi wszystkie niuanse w stanie pacjenta, a po drugie, lekarz nie ma niezbędnych kompetencji, aby podjąć kompleksową decyzję o zbudowaniu najskuteczniejszego planu leczenia, biorąc pod uwagę wszystkie te niuanse - w tym celu trzeba mieć najgłębszą wiedzę we wszystkich dziedzinach medycyny, co jest nierealne.

Ale jest pod wpływem sztucznej inteligencji. Potrafi zbadać i przeanalizować ogromne ilości danych i podjąć decyzję, która uwzględni wszystkie dostępne dane zarówno na temat stanu pacjenta, jak i możliwości jego leczenia. Na razie takich projektów jest niewiele (są zbyt skomplikowane i wymagają ogromnych ilości wysokiej jakości danych medycznych). Ale pierwsze sukcesy w tym kierunku już są: AI Merative od IBM (dawniej Watson Oncology) jest zaprojektowany specjalnie do rozwiązywania takich problemów.

Walka z oszustwami

Innym poważnym problemem w opiece zdrowotnej są oszustwa. Podrabiane leki, oszustwa ubezpieczeniowe oraz niespełniające standardów, nielegalne i celowo nieskuteczne usługi medyczne są tak samo szkodliwe dla branży, jak fałszywe, niespełniające standardów badania kliniczne. W samych Stanach Zjednoczonych, według ostrożnych szacunków , oszustwa zdrowotne kosztują kraj około 68 miliardów dolarów rocznie, co stanowi 3% wydatków całego kraju na opiekę zdrowotną.

Sztuczna inteligencja oparta na sieciach neuronowych również może poradzić sobie z tym problemem. Na przykład firma medyczna Aetna ma około 350 modeli sieci neuronowych dla bezpieczeństwa i ochrony przed oszustwami. Highmark Inc ma również własną sieć NN przeciwdziałającą oszustwom, a według firmy, ich produkt sieci neuronowej pomógł już firmie zaoszczędzić 245 milionów dolarów .

Modyfikacja zachowania

Jak często nie brałeś leków, zapomniałeś lub zignorowałeś wizytę u lekarza? Ankiety pokazują, że jest to bardzo powszechny problem, a lekarze mają nad nim niewielką lub żadną kontrolę. Co więcej, instrukcje i krytyka zachowania pacjentów przez lekarzy tylko zaostrzają problem, ponieważ pacjenci wstydzą się swojej choroby i po prostu przestają chodzić do szpitala.

Ale różne gadżety i aplikacje, które korygują zachowanie ludzi, mogą w tym pomóc. Najbardziej oczywistym przykładem są bransoletki fitness i smartwatche, które pomagają wyznaczać cele (np. chodzić 4 kilometry dziennie) i śledzić ich osiągnięcia, a także przypominać o badaniach profilaktycznych i potrzebie aktywności fizycznej. Bardziej wyrafinowane aplikacje, takie jak Somatix, śledzą codzienną aktywność pacjenta i wskazują jego nawyki i rutyny, dzięki czemu mogą skupić się na pozbyciu się ich i leczeniu.

Nie zapomnij też o różnych aplikacjach, które eliminują złe i wyrabiają dobre nawyki. Tworzą „zewnętrzną kontrolę”, której pacjent potrzebuje, co często jest skuteczniejszym motywatorem niż porady lekarzy, prośby czy nawet groźby ze strony bliskich. Jednocześnie takie aplikacje są szczególnie skuteczne, jeśli wykorzystują elementy grywalizacji - wykorzystanie praktyk związanych z grami (nagrody, osiągnięcia, nagrody, poziomy, wzrost konta) w kontekście niegier.

Zbieranie i analiza danych

Ostatnim, ale nie mniej ważnym punktem na naszej liście jest gromadzenie i analiza wysokiej jakości danych medycznych. I to nie tylko zbieranie historii pacjenta, ale także różnych powiązanych danych, począwszy od tego, gdzie pacjent pracuje i jak często chodzi na siłownię, a skończywszy na tym, jakie filmy ogląda i jakie jedzenie spożywa - najlepiej wszystko to powinno należy również wziąć pod uwagę przy budowie planu leczenia.

Problem w tym, że zbieranie takich danych jest bardzo trudne i kosztowne. Ludzie nie chcą zgłaszać każdego zakupu, uruchomienia lub horroru, który oglądają. Ale mogą to zrobić platformy oparte na sztucznej inteligencji. Jeśli takie rozwiązanie zostanie zintegrowane ze smartfonem, smartwatchem, lodówką, bankowością internetową i innymi źródłami, to sztuczna inteligencja będzie zbierać takie statystyki dla każdego pacjenta automatycznie i z zachowaniem poufności.

Przykładów takich rozwiązań jest wiele. Na przykład gadżet firmy Current Health ze sztuczną inteligencją do medycznego monitorowania stanu danej osoby. To urządzenie do noszenia było jednym z pierwszych, które otrzymało aprobatę amerykańskiej Agencji ds. Żywności i Leków (FDA) do użytku domowego. Gadżet może mierzyć tętno, oddychanie, saturację, temperaturę i mobilność pacjentów, aby przekazać te dane lekarzowi, który udzieli pacjentowi zaleceń.

Bardziej popularnym przykładem jest Apple Watch, który oprócz możliwości Current Health, potrafi również wykonywać elektrokardiogramy (EKG) i wysyłać wiadomości do najbliższego szpitala, krewnych lub znajomych, jeśli zegarek wykryje upadek lub nieregularne tętno – te cechy uratowały życie więcej niż jednej osobie.