Uchunguzi wa hivi karibuni umeonyesha uwezo wa mifumo ya akili ya bandia katika kutambua magonjwa muhimu kiafya
Mifumo ya Artificial Intelligence (AI). wamekuwepo kwa muda mrefu na sasa wanazidi kuwa nadhifu na bora kadri muda unavyopita. AI ina maombi ni maeneo ya watu wengi na sasa ni sehemu muhimu ya nyanja nyingi. AI inaweza kuwa sehemu muhimu na muhimu ya matibabu sayansi na utafiti kwani ina uwezo mkubwa wa kuathiri tasnia ya huduma ya afya.
Akili ya Bandia katika utambuzi wa matibabu?
Muda ndio nyenzo muhimu zaidi katika utunzaji wa afya na utambuzi wa mapema unaofaa ni muhimu sana kwa matokeo ya mwisho ya ugonjwa. Huduma ya afya mara nyingi ni mchakato mrefu na unaotumia wakati na rasilimali, kuchelewesha utambuzi mzuri na kuchelewesha matibabu sahihi. AI inaweza kusaidia kujaza pengo kati ya upatikanaji na usimamizi wa wakati na madaktari kwa kuingiza kasi na usahihi katika uchunguzi wa wagonjwa. Inaweza kusaidia kuondokana na mapungufu ya rasilimali na wataalamu wa afya hasa katika nchi za kipato cha chini na cha kati. AI ni mchakato wa kujifunza na kufikiri kama wanadamu kupitia dhana inayoitwa kujifunza kwa kina. Kujifunza kwa kina hutumia seti pana za data za sampuli kuunda miti ya maamuzi peke yake. Kwa ujifunzaji huu wa kina, mfumo wa AI unaweza kufikiria kama wanadamu, ikiwa sio bora, na kwa hivyo AI inaweza kuonekana inafaa kutekeleza majukumu ya matibabu. Wakati wa kugundua wagonjwa, mifumo ya AI inaendelea kutafuta mifumo kati ya wagonjwa walio na magonjwa sawa. Baada ya muda, mifumo hii inaweza kujenga msingi wa kutabiri magonjwa kabla ya kudhihirishwa.
Katika utafiti wa hivi karibuni1 kuchapishwa katika Kiini, watafiti wametumia bandia akili na mbinu za kujifunza kwa mashine ili kuunda zana mpya ya kukokotoa ili kuchunguza wagonjwa walio na magonjwa ya kawaida lakini yanayopofusha ya retina, uchunguzi unaoweza kuharakisha na matibabu. Watafiti walitumia mtandao wa neva unaotegemea AI kukagua zaidi ya uchunguzi wa macho 200,000 uliofanywa kwa teknolojia isiyo vamizi ambayo huondoa mwangaza kwenye retina ili kuunda uwakilishi wa 2D na 3D wa tishu. Kisha wakatumia mbinu iitwayo 'transfer learning' ambapo ujuzi unaopatikana katika kutatua tatizo moja huhifadhiwa na kompyuta na kutumika kwa matatizo tofauti lakini yanayohusiana. Kwa mfano, mtandao wa neva wa AI ulioboreshwa ili kutambua miundo tofauti ya macho ya macho, kama vile retina, konea au neva ya macho, inaweza kuzitambua na kuzitathmini kwa haraka na kwa ufanisi zaidi inapochunguza picha za jicho zima. Utaratibu huu unaruhusu mfumo wa AI kujifunza hatua kwa hatua ukitumia mkusanyiko mdogo wa data kuliko mbinu za kitamaduni zinazohitaji hifadhidata kubwa kuzifanya kuwa ghali na zinazotumia muda mwingi.
The study focused on two common causes of irreversible blindness which are treatable when detected early. Machine-derived diagnoses were compared with diagnoses from five ophthalmologists who reviewed the same scans. In addition to making a medical diagnosis, the AI platform also generated a referral and treatment recommendation which has not been done in any previous study. This trained AI system acted just like a well-trained ophthalmologist and could generate a decision within 30 seconds on whether or not the patient should be referred for treatment, with more than 95 percent accuracy. They also tested the AI tool in diagnosing childhood pneumonia, a leading cause of death worldwide in children (under the age of 5) based on machine analyses of chest X-rays. Interestingly, the computer program was able to differentiate between viral and bacterial pneumonia with more than 90 percent accuracy. This is crucial because though viral pneumonia is naturally rid by the body after its course, bacterial pneumonia on the other hand tends to be a more serious health threat and requires immediate treatment with antibiotics.
Katika hatua nyingine kubwa2 katika mifumo ya akili bandia kwa ajili ya uchunguzi wa kimatibabu, wanasayansi waligundua kuwa picha zilizopigwa kwenye retina ya mtu binafsi zinaweza kuchanganuliwa kwa algoriti za kujifunza kwa mashine au programu ili kutabiri hatari ya moyo na mishipa kwa kutambua ishara zinazoonyesha ugonjwa wa moyo. Hali ya mishipa ya damu kwenye jicho ambayo imenaswa kwenye picha ilionyeshwa kutabiri kwa usahihi umri, jinsia, kabila, shinikizo la damu, mashambulizi yoyote ya awali ya moyo na tabia ya kuvuta sigara na mambo haya yote kwa pamoja hutabiri magonjwa yanayohusiana na moyo kwa mtu binafsi.
Jicho kama kizuizi cha habari
Wazo la kutazama picha za jicho ili kugundua afya limekuwepo kwa muda mrefu. Imethibitishwa kuwa ukuta wa nyuma wa macho ya mwanadamu una mishipa mingi ya damu ambayo inaonyesha afya ya jumla ya mwili. Kwa kusoma na kuchambua mwonekano wa mishipa hii ya damu kwa kamera na darubini, habari nyingi kuhusu shinikizo la damu la mtu, umri, mvutaji sigara au asiye vuta sigara n.k zinaweza kutabiriwa na hizi zote ni viashiria muhimu vya afya ya moyo wa mtu. . Ugonjwa wa moyo na mishipa (CVD) ndio sababu kuu ya vifo ulimwenguni na watu wengi hufa kwa CVDs ikilinganishwa na ugonjwa au hali nyingine yoyote. Hii imeenea zaidi katika nchi za kipato cha chini na cha kati na ni mzigo mkubwa kwa uchumi na wanadamu. Hatari ya moyo na mishipa inategemea mambo mengi kama vile jeni, umri, kabila, jinsia, pamoja na mazoezi na lishe. Magonjwa mengi ya moyo na mishipa yanaweza kuzuiwa kwa kushughulikia hatari za kitabia kama vile utumiaji wa tumbaku, kunenepa kupita kiasi, kutofanya mazoezi ya mwili na lishe isiyofaa kwa kufanya mabadiliko makubwa ya mtindo wa maisha ili kushughulikia hatari zinazowezekana.
Utambuzi wa afya kwa kutumia picha za retina
Utafiti huu uliofanywa na watafiti wa Google na kampuni yake ya teknolojia ya afya ya Verily Life Sciences, ulionyesha kuwa algoriti ya Artificial Intelligence ilitumika kwenye hifadhidata kubwa ya picha za retina za wagonjwa karibu 280,000 na kanuni hii iliweza kutabiri kwa mafanikio sababu za hatari ya moyo katika sehemu mbili kabisa. seti huru za data za karibu wagonjwa 12000 na 1000 zilizo na usahihi mzuri. Algorithm ilitumia picha nzima ya retina kutathmini uhusiano kati ya picha hiyo na hatari ya mshtuko wa moyo. Algorithm hii inaweza kutabiri tukio la moyo na mishipa kwa asilimia 70 ya wakati kwa mgonjwa na kwa kweli mvutaji sigara na asiyevuta pia waliweza kutofautishwa katika jaribio hili kwa asilimia 71 ya wakati huo. Algorithm inaweza pia kutabiri shinikizo la damu inayoonyesha hali ya moyo na kutabiri shinikizo la damu la systolic - shinikizo kwenye mishipa wakati moyo unapiga- ndani ya aina mbalimbali za wagonjwa walio na au bila shinikizo la damu. Usahihi wa utabiri huu, kulingana na waandishi ni sawa na uchunguzi wa moyo na mishipa katika maabara, ambapo damu hutolewa kutoka kwa mgonjwa ili kupima viwango vya cholesterol kuangalia sambamba na historia ya mgonjwa. Algorithm katika utafiti huu, iliyochapishwa katika Uhandisi wa Biomedical Nature, kwa uwezekano mkubwa pia inaweza kutabiri kutokea kwa tukio kubwa la moyo na mishipa -km mshtuko wa moyo.
Jambo la kufurahisha na muhimu sana la tafiti hizi lilikuwa kwamba kompyuta inaweza kujua inapotazama kwenye picha ili kufikia utambuzi, na kuturuhusu kuelewa mchakato wa utabiri. Kwa mfano, utafiti wa Google ulionyesha kwa hakika "sehemu zipi za retina" zilichangia kanuni za ubashiri, kwa maneno mengine jinsi algoriti ilikuwa ikifanya ubashiri. Uelewa huu ni muhimu sio tu kuelewa mbinu ya kujifunza kwa mashine katika hali hii mahususi, lakini pia kwa ajili ya kutoa imani na imani katika mbinu hii yote kwa kuifanya iwe wazi.
Changamoto
Picha kama hizo za kimatibabu huja na changamoto zake kwa sababu kutazama na kisha kukadiria uhusiano kulingana na picha kama hizo sio moja kwa moja haswa kwa sababu ya vipengele kadhaa, rangi, thamani, maumbo n.k katika picha hizi. Utafiti huu unatumia ujifunzaji wa kina ili kuteka uhusiano, mahusiano na uhusiano kati ya mabadiliko ya anatomia ya binadamu (mofolojia ya ndani ya mwili) na ugonjwa kwa njia sawa na vile mtaalamu wa afya angefanya wakati anaunganisha dalili za wagonjwa na ugonjwa. . Kanuni hizi zinahitaji majaribio zaidi kabla ya kutumika katika mazingira ya kimatibabu.
Licha ya majadiliano na changamoto, AI ina uwezo mkubwa wa kubadilisha utambuzi na udhibiti wa magonjwa kwa kufanya uchambuzi na uainishaji unaohusisha idadi kubwa ya data ambayo ni ngumu kwa wataalam wa kibinadamu. Inatoa zana za uchunguzi wa picha, za haraka, za gharama nafuu na zisizo vamizi. Mambo muhimu ya mafanikio ya mifumo ya AI itakuwa nguvu ya juu ya kukokotoa na uzoefu zaidi wa watu. Katika siku zijazo uwezekano wa maarifa mapya ya matibabu na utambuzi unaweza kufikiwa na AI bila mwelekeo wa kibinadamu au uangalizi.
***
{Unaweza kusoma karatasi asili ya utafiti kwa kubofya kiungo cha DOI kilichotolewa hapa chini katika orodha ya (vyanzo) vilivyotajwa}
Chanzo (s)
1. Kermany DS et al. 2018. Kutambua Uchunguzi wa Kimatibabu na Magonjwa Yanayotibika kwa Kujifunza kwa Kina kwa Picha. Kiini. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Utabiri wa mambo ya hatari ya moyo na mishipa kutoka kwa picha za fandasi ya retina kupitia mafunzo ya kina. Uhandisi wa Matibabu ya Asili. 2. https://doi.org/10.1038/s41551-018-0195-0
