沃森没有咬医生，而且很好
尽管与许多其他领域一样，在一系列诊断失败之后，用人工智能取代医生的热情有所减弱，但基于人工智能的医学的开发工作仍在进行中。 因为尽管如此，它们仍然提供了巨大的机会和机会来提高其许多领域的运营效率。
IBM 于 2015 年宣布，并于 2016 年获得了来自四家主要患者数据公司的数据 (1)。 最著名的，多亏了众多媒体报道，同时最雄心勃勃的使用 IBM 先进人工智能的项目与肿瘤学有关。 科学家们一直在尝试使用大量数据资源来处理它们，以便将它们转化为适应良好的抗癌疗法。 长期目标是让沃森担任裁判 临床试验 和医生一样的结果。
1. Watson Health 医疗系统的可视化之一
然而，事实证明 沃森 不能独立查阅医学文献，也不能从患者的电子病历中提取信息。 然而，对他最严重的指控是 未能有效地将新患者与其他老年癌症患者进行比较，也未能发现乍看之下不可见的症状.
诚然，一些肿瘤学家声称对他的判断有信心，尽管主要是根据 Watson 对标准治疗的建议，或者作为额外的额外医学意见。 许多人指出，该系统将成为医生的出色自动化图书馆员。
由于 IBM 的评论不是很讨人喜欢 沃森系统在美国医疗机构的销售问题. IBM 销售代表设法将其出售给印度、韩国、泰国和其他国家的一些医院。 在印度，医生 () 评估了沃森对 638 例乳腺癌的建议。 治疗建议的依从率为 73%。 更差 沃森 他在韩国嘉泉医疗中心辍学，他对 656 名结直肠癌患者的最佳建议仅在 49% 的情况下与专家建议相符。 医生评估说 沃森在老年患者方面做得不好没有为他们提供某些标准药物，并犯了对一些转移性疾病患者进行积极治疗监测的严重错误。
最终，尽管他作为诊断师和医生的工作被认为是不成功的，但事实证明他在某些领域非常有用。 产品 沃森基因组学是与北卡罗来纳大学、耶鲁大学等机构合作开发的，用于 为肿瘤学家准备报告的基因实验室. Watson 下载列表文件 基因突变 并且可以在几分钟内生成一份报告，其中包括对所有重要药物和临床试验的建议。 Watson 相对轻松地处理遗传信息因为它们出现在结构化文件中并且不包含歧义 - 要么有突变，要么没有突变。
北卡罗来纳大学的 IBM 合作伙伴于 2017 年发表了一篇关于效率的论文。 Watson 在其中的 32% 中发现了人类研究尚未发现的潜在重要突变。 患者进行了研究，使他们成为新药的良好候选者。 然而，仍然没有证据表明使用会带来更好的治疗结果。
蛋白质的驯化
这个和许多其他例子有助于人们越来越相信医疗保健中的所有缺陷都在得到解决，但我们需要寻找这可以真正帮助的领域，因为人们在那里做得不太好。 例如，这样的字段是 蛋白质研究. 去年，有信息表明它可以根据蛋白质序列准确预测蛋白质的形状 (2)。 这是一项传统任务，不仅超出了人的能力，甚至超出了强大的计算机的能力。 如果我们掌握了蛋白质分子扭曲的精确建模，基因治疗将有巨大的机会。 科学家们希望在 AlphaFold 的帮助下，我们将研究数千人的功能，而这反过来又能让我们了解许多疾病的原因。
图 2. 使用 DeepMind 的 AlphaFold 建模的蛋白质扭曲。
现在 我们知道两亿种蛋白质，但我们完全了解其中一小部分的结构和功能。 蛋白质 它是生物体的基本组成部分。 它们负责细胞中发生的大多数过程。 它们的工作方式和作用取决于它们的 50D 结构。 在物理定律的指导下，它们无需任何指示即可采用适当的形式。 几十年来，实验方法一直是确定蛋白质形状的主要方法。 XNUMX年代，使用 X 射线晶体学方法. 在过去的十年中，它已成为首选的研究工具。 晶体显微镜. 在 80 年代和 90 年代，人们开始使用计算机来确定蛋白质的形状。 然而，结果仍然没有让科学家们满意。 对某些蛋白质有效的方法对另一些蛋白质无效。
已经在 2018 年 AlphaFold 得到了专家的认可 蛋白质建模. 但是，当时它使用的方法与其他程序非常相似。 科学家们改变了策略并创造了另一种策略，它也使用了有关蛋白质分子折叠的物理和几何限制的信息。 AlphaFold 给出了不均匀的结果。 有时他做得更好，有时更糟。 但他几乎三分之二的预测与通过实验方法获得的结果相吻合。 在第 2 年年初，该算法描述了 SARS-CoV-3 病毒的几种蛋白质的结构。 后来发现Orf2020a蛋白的预测与实验得到的结果是一致的。
它不仅是关于研究折叠蛋白质的内部方式，而且是关于设计。 NIH BRAIN 计划的研究人员使用 机器学习 开发一种可以实时跟踪大脑血清素水平的蛋白质。 血清素是一种神经化学物质，在大脑如何控制我们的思想和感觉方面起着关键作用。 例如，许多抗抑郁药旨在改变神经元之间传递的血清素信号。 在《细胞》杂志的一篇文章中，科学家描述了他们如何使用先进的 基因工程方法 将一种细菌蛋白变成一种新的研究工具，可以帮助追踪血清素的传播，比目前的方法更准确。 主要在小鼠身上进行的临床前实验表明，该传感器可以立即检测睡眠、恐惧和社交互动期间大脑血清素水平的细微变化，并测试新的精神活性药物的有效性。
抗击疫情并不总是成功的
毕竟，这是我们在 MT 中写的第一个流行病。 但是，例如，如果我们谈论大流行的发展过程，那么在最初的阶段，人工智能似乎是失败的。 学者们抱怨说 人工智能 无法根据以往流行病的数据正确预测冠状病毒的传播程度。 “这些解决方案在某些领域效果很好，例如识别有一定数量的眼睛和耳朵的人脸。 SARS-CoV-2 流行病 这些是以前未知的事件和许多新变量，因此基于用于训练它的历史数据的人工智能不能很好地工作。 大流行表明我们需要寻找其他技术和方法，”Skoltech 的马克西姆·费多罗夫在 2020 年 XNUMX 月对俄罗斯媒体的声明中说。
随着时间的推移有 然而，算法似乎证明了人工智能在对抗 COVID-19 方面的巨大作用. 美国科学家在 2020 年秋季开发了一个系统，用于识别 COVID-19 患者的特征咳嗽模式，即使他们没有其他症状。
当疫苗出现时，这个想法就诞生了，以帮助人们接种疫苗。 例如，她可以 帮助模拟疫苗的运输和物流. 同样在确定哪些人群应该首先接种疫苗以更快地应对大流行。 它还将通过快速识别物流中的问题和瓶颈来帮助预测需求并优化疫苗接种的时间和速度。 算法与持续监测的结合还可以快速提供有关可能的副作用和健康事件的信息。
这些 使用人工智能的系统 在优化和改善医疗保健方面是众所周知的。 他们的实际优势受到赞赏； 例如，美国斯坦福大学 Macro-Eyes 开发的医疗保健系统。 与许多其他医疗机构的情况一样，问题在于缺乏没有出现预约的患者。 微距眼睛 建立了一个系统，可以可靠地预测哪些患者不太可能在那里。 在某些情况下，他还可以建议诊所的替代时间和地点，这将增加患者出现的机会。 后来，类似的技术在阿肯色州和尼日利亚的各个地方得到应用，得到了美国国际开发署 i 的支持。
在坦桑尼亚，Macro-Eyes 开展了一个项目，旨在 提高儿童免疫率. 该软件分析了需要将多少剂疫苗发送到给定的疫苗接种中心。 他还能够评估哪些家庭可能不愿意为他们的孩子接种疫苗，但可以通过适当的论据和在方便的位置设立疫苗接种中心来说服他们。 使用该软件，坦桑尼亚政府能够将其免疫计划的有效性提高 96%。 并将疫苗浪费减少到每 2,42 人 100 个。
在居民健康数据缺失的塞拉利昂，该公司试图将其与教育信息相匹配。 事实证明，仅教师和学生的数量就足以预测 70%。 当地诊所是否能够获得清洁水的准确性，这已经是关于居住在那里的人们健康的数据足迹（3）。
3. 非洲人工智能驱动的医疗保健项目的宏观眼睛说明。
机器医生的神话并没有消失
尽管失败 沃森 新的诊断方法仍在开发中，被认为越来越先进。 2020 年 XNUMX 月在瑞典进行的比较。 用于乳腺癌的影像诊断 表明他们中最好的人与放射科医生的工作方式相同。 这些算法已经使用在常规筛查期间获得的近九千张乳房 X 线摄影图像进行了测试。 三个系统，分别称为 AI-1、AI-2 和 AI-3，准确率分别为 81,9%、67%。 和 67,4%。 相比之下，对于将这些图像解释为第一个图像的放射科医生，这个数字是 77,4%，在 放射科医生谁是第二个描述它的人，它是80,1％。 最好的算法还能够检测放射科医生在筛查过程中遗漏的病例，女性在不到一年的时间内被诊断出患病。
据研究人员称，这些结果证明 人工智能算法 帮助纠正放射科医生做出的假阴性诊断。 将 AI-1 的能力与普通放射科医生相结合，检测到的乳腺癌数量增加了 8%。 进行这项研究的皇家研究所团队预计人工智能算法的质量将继续增长。 该实验的完整描述发表在 JAMA Oncology 上。
W XNUMX 分制。 目前，当系统独立自动处理接收到的数据并为专家提供预先分析的信息时，我们正在见证显着的技术加速并达到 IV 级（高度自动化）。 这可以节省时间、避免人为错误并提供更有效的患者护理。 这是他几个月前的判断 斯坦人工智能 在他身边的医学领域，教授。 亚努什·布拉齐维茨 波兰核医学学会在给波兰新闻社的一份声明中。
4. 医学影像的机器查看
算法，根据教授等专家的说法。 布拉齐耶维奇甚至在这个行业中不可或缺。 原因是诊断成像测试数量的迅速增加。 仅适用于 2000-2010 年期间。 核磁共振检查和检查的数量增加了十倍。 不幸的是，能够快速可靠地执行这些手术的专科医生数量并没有增加。 还缺乏合格的技术人员。 基于人工智能的算法的实施可以节省时间并实现程序的完全标准化，同时避免人为错误，并为患者提供更有效、更个性化的治疗。
事实证明，也 法医学 可以从中受益 人工智能的发展. 该领域的专家可以通过对以死亡组织为食的蠕虫和其他生物的分泌物进行化学分析来确定死者的确切死亡时间。 当分析中包含来自不同类型的死噬细胞的分泌物混合物时，就会出现问题。 这就是机器学习发挥作用的地方。 奥尔巴尼大学的科学家们开发了 一种人工智能方法，可以更快地识别蠕虫种类 基于他们的“化学指纹”。 该团队使用来自六种苍蝇的不同化学分泌物组合来训练他们的计算机程序。 他使用质谱法破译了昆虫幼虫的化学特征，质谱法通过准确测量离子的质荷比来识别化学物质。
所以，正如你所看到的，然而 人工智能作为调查侦探 不是很好，它在法医实验室中非常有用。 也许我们在这个阶段对她的期望太高了，预计算法会使医生失业（5）。 当我们看 人工智能 更现实地说，关注具体的实际利益而不是一般利益，她的医学事业看起来再次很有希望。
5. 医生车的视野
