왓슨은 의사를 물지 않았고 아주 잘

다른 많은 분야와 마찬가지로 의사를 AI로 대체하려는 열정은 일련의 진단 실패 이후 다소 약해졌지만 AI 기반 의학 개발 작업은 여전히 ​​진행 중입니다. 그럼에도 불구하고 여전히 많은 영역에서 운영 효율성을 향상시킬 수 있는 좋은 기회와 기회를 제공하고 있기 때문입니다.

IBM은 2015년에 발표되었으며 2016년에는 1개의 주요 환자 데이터 회사의 데이터에 대한 액세스 권한을 얻었습니다(XNUMX). 수많은 언론 보도 덕분에 가장 유명하고 동시에 IBM의 고급 인공 지능을 사용한 가장 야심찬 프로젝트는 종양학과 관련이 있었습니다. 과학자들은 방대한 데이터 자원을 활용하여 이를 처리하여 잘 맞춤화된 항암 치료법으로 전환하려고 노력해 왔습니다. 장기적인 목표는 Watson이 판단하도록 하는 것이었습니다. 임상 시험 의사가 하듯이 결과도 마찬가지입니다.

1. Watson Health 의료 시스템의 시각화 중 하나

그러나 그것은 밝혀졌다 왓슨 독립적으로 의학 문헌을 참조할 수 없으며 환자의 전자 의료 기록에서 정보를 검색할 수 없습니다. 그러나 그에 대한 가장 심각한 혐의는 다음과 같습니다. 새로운 환자를 다른 나이든 암 환자와 효과적으로 비교하고 처음에는 눈에 띄지 않는 증상을 감지할 수 없음.

물론, 그의 판단을 신뢰한다고 주장하는 일부 종양학자들이 있었지만, 대부분은 표준 치료법에 대한 Watson의 제안이나 추가적인 보완적인 의학적 의견의 관점에서였습니다. 많은 사람들은 이 시스템이 의사를 위한 탁월한 자동화 사서가 될 것이라고 지적했습니다.

그다지 좋은 리뷰가 아니었던 결과, IBM은 왓슨 시스템을 미국 의료기관에 판매하는 데 따른 문제. IBM 영업 담당자는 이를 인도, 한국, 태국 및 기타 국가의 일부 병원에 판매할 수 있었습니다. 인도에서는 의사들이 638건의 유방암 사례에 대한 Watson의 권장 사항을 평가했습니다. 치료 권장사항 준수율은 73%입니다. 더 나쁜 왓슨 그는 한국의 가천의료원을 중퇴했는데, 그곳에서 656명의 대장암 환자에 대한 그의 최선의 권고는 전문가의 권고와 단지 49% 일치했습니다. 의사들은 이렇게 평가했다. 왓슨은 나이든 환자들을 잘 치료하지 못했다특정 표준 약물을 제공하지 않음으로써, 전이성 질환을 앓고 있는 일부 환자에게 적극적인 치료를 감시하는 중대한 오류를 범했습니다.

궁극적으로 진단사 및 의사로서의 그의 작업은 실패한 것으로 판단되지만 그가 매우 유용하다고 입증된 영역이 있습니다. 제품 유전체학을 위한 Watson노스캐롤라이나대학교, 예일대학교 및 기타 기관과 협력하여 개발된 가 사용됩니다. 종양학자를 위한 보고서 준비를 위한 유전 실험실. Watson이 목록 파일을 다운로드합니다. 유전적 돌연변이 모든 중요한 약물 및 임상 시험에 대한 제안이 포함된 보고서를 몇 분 안에 생성할 수 있습니다. Watson은 상대적으로 쉽게 유전 정보를 처리합니다.구조화된 파일에 표시되고 모호성을 포함하지 않기 때문입니다. 돌연변이가 있거나 돌연변이가 없습니다.

노스캐롤라이나 대학의 IBM 파트너는 2017년 효율성에 관한 논문을 발표했습니다. Watson은 그 중 32%에서 인간 연구에서 확인되지 않은 잠재적으로 중요한 돌연변이를 발견했습니다. 환자를 연구하여 신약의 좋은 후보자로 만들었습니다. 그러나 사용이 더 나은 치료 결과를 가져온다는 증거는 아직 없습니다.

다람쥐 길들이기

이 사례와 다른 많은 사례는 의료 서비스의 모든 격차가 해결되고 있다는 믿음이 커지는 데 기여합니다. 그러나 우리는 이것이 실제로 도움이 될 수 있는 영역을 찾아야 합니다. 왜냐하면 그곳은 사람들이 그다지 잘 하지 못하고 있기 때문입니다. 그러한 분야는 예를 들어, 단백질 연구. 지난해에는 서열을 토대로 단백질의 모양을 정확하게 예측할 수 있다는 사실이 보고됐다(2). 이는 전통적으로 사람뿐만 아니라 강력한 컴퓨터의 힘을 넘어서는 작업입니다. 단백질 분자의 접힘을 정확하게 모델링할 수 있다면 유전자 치료의 잠재력은 엄청날 것입니다. 과학자들은 AlphaFold를 통해 수천 개의 기능을 연구하고 이를 통해 많은 질병의 원인을 이해할 수 있기를 바랍니다.

2. DeepMind의 AlphaFold를 사용하여 모델링된 단백질 접힘.

지금 우리는 XNUMX억 개의 단백질을 알고 있습니다, 그러나 우리는 그 중 작은 부분의 구조와 기능을 완전히 이해합니다. 단백질 그것은 살아있는 유기체의 기본 구성 요소입니다. 그들은 세포에서 일어나는 대부분의 과정을 담당합니다. 그들이 어떻게 일하고 무엇을 하는지는 50차원 구조에 따라 결정됩니다. 그들은 물리학 법칙에 따라 아무런 지시 없이도 적절한 형태를 취합니다. 수십 년 동안 단백질의 모양을 결정하는 주요 방법은 실험적 방법이었습니다. XNUMX년대에 사용 X선 결정학 방법. 지난 XNUMX년 동안 그것은 선택의 연구 도구가 되었습니다. 수정현미경. 80년대와 90년대에 컴퓨터를 사용하여 단백질의 모양을 결정하는 연구가 시작되었습니다. 그러나 결과는 여전히 과학자들을 만족시키지 못했습니다. 일부 단백질에는 효과가 있었던 방법이 다른 단백질에는 효과가 없었습니다.

이미 2018년에 알파 폴드 전문가들로부터 인정을 받았습니다. 단백질 모델링. 그러나 당시에는 다른 프로그램과 매우 유사한 방법을 사용했습니다. 과학자들은 전술을 바꾸고 단백질 접힘의 물리적, 기하학적 제약에 대한 정보를 사용하는 또 다른 전술을 만들었습니다. 알파 폴드 고르지 못한 결과를 냈습니다. 그에게는 상황이 좋아질 때도 있었고, 나빠질 때도 있었습니다. 그러나 그의 예측 중 거의 2분의 3가 실험적 방법으로 얻은 결과와 일치했습니다. 2020년 초에 알고리즘은 SARS-CoV-XNUMX 바이러스의 여러 단백질 구조를 설명했습니다. OrfXNUMXa 단백질에 대한 예측은 나중에 실험 결과와 일치하는 것으로 밝혀졌습니다.

단백질이 내부적으로 어떻게 접히는지 배우는 것뿐만 아니라 디자인에 관한 것이기도 합니다. NIH BRAIN Initiative의 연구원들은 다음을 사용했습니다. 기계 학습 뇌의 세로토닌 수치를 실시간으로 모니터링할 수 있는 단백질을 개발합니다. 세로토닌은 뇌가 우리의 생각과 감정을 제어하는 ​​방식에 핵심적인 역할을 하는 신경화학물질입니다. 예를 들어, 많은 항우울제는 뉴런 사이에 전달되는 세로토닌 신호를 변경하도록 설계되었습니다. Cell 저널의 기사에서 과학자들은 고급 기술을 어떻게 사용하는지 설명했습니다. 유전 공학 방법 박테리아 단백질을 현재 방법보다 더 정확하게 세로토닌 전달을 추적하는 데 도움이 될 수 있는 새로운 연구 도구로 전환합니다. 주로 쥐를 대상으로 한 전임상 실험에서는 센서가 수면, 두려움, 사회적 상호 작용 중에 뇌의 세로토닌 수준의 미묘한 변화를 즉시 감지할 수 있을 뿐만 아니라 새로운 향정신성 약물의 효과를 테스트할 수 있음을 보여주었습니다.

전염병과의 싸움이 항상 성공적인 것은 아닙니다

결국 이것은 우리가 MT에서 쓴 첫 번째 전염병이었습니다. 그러나 예를 들어 팬데믹 자체의 발전에 대해 이야기하면 초기 단계에서 AI는 실패한 것처럼 보였습니다. 과학자들은 이렇게 불평했다. 인공 지능 이전 전염병 데이터를 기반으로 코로나바이러스 확산 정도를 정확하게 예측할 수 없습니다. “이러한 솔루션은 특정 수의 눈과 귀로 얼굴을 인식하는 등 일부 영역에서 잘 작동합니다. SARS-CoV-2 전염병 이는 이전에 알려지지 않은 사건이고 새로운 변수가 많기 때문에 이를 훈련하는 데 사용된 과거 데이터를 기반으로 한 인공지능은 제대로 작동하지 않습니다. 전염병은 우리가 다른 기술과 접근 방식을 찾아야 한다는 것을 보여주었습니다.”라고 Skoltech의 Maxim Fedorov는 2020년 XNUMX월 러시아 언론에 보낸 성명에서 말했습니다.

시간이 지나서 나타났어요 그러나 COVD-19와의 싸움에서 AI의 더 큰 유용성을 입증하는 알고리즘. 2020년 가을 미국의 과학자들은 코로나19에 걸린 사람들에게 다른 증상이 없더라도 그들의 특징적인 기침 패턴을 인식하는 시스템을 개발했습니다.

백신이 출시되자 인구의 예방접종 캠페인을 돕기 위한 아이디어가 탄생했습니다. 예를 들어 그녀는 할 수 있습니다 백신 운송 및 물류 모델을 도와주세요.. 또한 팬데믹에 신속하게 대처하기 위해 어떤 인구 집단에 먼저 백신을 접종해야 하는지 결정하는 데에도 도움이 됩니다. 또한 수요를 예측하고 백신 접종 시기와 속도를 최적화하여 문제와 물류 병목 현상을 신속하게 식별하는 데 도움이 됩니다. 알고리즘을 지속적인 모니터링과 결합하면 가능한 부작용 및 건강 문제에 대한 정보를 신속하게 제공할 수도 있습니다.

이들 AI를 활용한 시스템 의료 최적화 및 개선에 대한 정보는 이미 알려져 있습니다. 그들의 실질적인 이점은 높이 평가되었습니다. 예를 들어 미국 스탠포드 대학의 Macro-Eyes가 개발한 의료 시스템이 있습니다. 다른 많은 의료기관이 그렇듯이, 문제는 예약시간에 내원하지 않는 환자가 부족하다는 점이었습니다. 매크로 눈 어떤 환자가 그곳에 없을지 확실하게 예측할 수 있는 시스템을 구축했습니다. 특정 상황에서는 대체 진료 시간과 장소를 제안하여 환자가 방문할 가능성을 높일 수도 있습니다. 나중에 유사한 기술이 미국 국제개발처(US Agency for International Development)의 지원을 받아 아칸소에서 나이지리아까지 여러 지역에 적용되었습니다.

탄자니아에서 Macro-Eyes는 다음을 목표로 하는 프로젝트를 진행했습니다. 어린이 예방접종률 증가. 소프트웨어는 특정 예방접종 센터에 얼마나 많은 백신 용량을 보내야 하는지 분석했습니다. 그는 또한 어떤 가족이 자녀의 예방접종을 꺼리지만 적절한 주장과 편리한 위치에 있는 예방접종 센터를 확인함으로써 설득될 수 있는지 평가할 수 있었습니다. 탄자니아 정부는 이 소프트웨어를 사용하여 예방접종 프로그램의 효율성을 96%까지 높일 수 있었습니다. 백신 폐기물을 2,42명당 100개로 줄입니다.

주민 건강에 대한 데이터가 누락된 시에라리온에서는 이를 교육 정보와 연결시키려고 노력했습니다. 교사와 학생 수만으로도 70%를 예측할 수 있는 것으로 나타났습니다. 지역 진료소가 깨끗한 물에 접근할 수 있는지 여부에 대한 정확성, 이는 이미 그곳에 사는 사람들의 건강 데이터의 흔적입니다(3).

3. 아프리카의 AI 기반 의료 프로그램에 대한 Macro-Eyes 예시.

머신닥터의 신화는 계속된다

실패에도 불구하고 왓슨 새로운 진단 접근법은 여전히 ​​개발 중이며 점점 더 발전되는 것으로 간주됩니다. 2020년 XNUMX월 스웨덴에서 비교한 내용입니다. 유방암의 영상 진단에 사용 그들 중 최고가 방사선 전문의와 마찬가지로 수행되었음을 보여주었습니다. 알고리즘은 일상적인 검사 중에 얻은 거의 1개의 유방 조영술 이미지를 사용하여 테스트되었습니다. AI-2, AI-3, AI-81,9으로 지정된 67개 시스템은 67,4%, 77,4%의 정확도를 달성했습니다. 그리고 XNUMX%. 비교를 위해 이 영상을 처음으로 해석하는 방사선과 전문의 중 이 수치는 XNUMX%였으며, 방사선 전문의두 번째로 설명한 사람은 80,1%였습니다. 최고의 알고리즘은 방사선 전문의가 검사 중에 놓친 사례도 감지할 수 있었고, 여성은 XNUMX년도 채 안 되어 질병에 걸린 것으로 진단되었습니다.

연구진에 따르면, 이 결과는 다음과 같은 사실을 입증합니다. 인공 지능 알고리즘 방사선 전문의의 위음성 진단을 수정하는 데 도움이 됩니다. AI-1의 기능을 일반 방사선 전문의와 결합하면 발견된 유방암 수가 8% 증가했습니다. 이번 연구를 수행하는 왕립연구소 팀은 AI 알고리즘의 품질이 지속적으로 향상될 것으로 기대하고 있다. 실험에 대한 전체 설명은 JAMA Oncology에 게재되었습니다.

W를 XNUMX점 척도로 평가합니다. 현재 우리는 시스템이 수신된 데이터를 독립적으로 자동 처리하고 사전 분석된 정보를 전문가에게 제공하는 상당한 기술 가속화와 레벨 IV(고도 자동화)에 도달하고 있습니다. 이를 통해 시간을 절약하고 인적 오류를 방지하며 보다 효율적인 환자 치료를 제공합니다. 몇 달 전 그가 이렇게 판단했다. 스탠 A.I. 그와 가까운 의학 분야에서 교수. 야누스 브라지에비츠 폴란드 핵의학협회가 폴란드 언론국에 보낸 성명에서.

4. 의료영상의 기계검토

교수와 같은 전문가에 따르면 알고리즘. 브라지예비치이 업계에서도 대체 불가능합니다. 그 이유는 영상진단검사 건수가 급증하고 있기 때문이다. 2000~2010년 기간에만 해당됩니다. MRI 연구 및 검사 횟수가 XNUMX배 증가했습니다. 불행하게도 이를 신속하고 안정적으로 수행할 수 있는 의료 전문가의 수는 증가하지 않았습니다. 자격을 갖춘 기술자도 부족합니다. 인공지능 기반 알고리즘을 도입하면 시간이 절약되고 절차가 완벽하게 표준화될 뿐만 아니라 인적 오류를 방지하고 환자에게 더욱 효과적이고 개인화된 치료가 가능해집니다.

밝혀진 바와 같이, 또한 법의학 혜택을 볼 수 있습니다 인공지능의 발달. 이 분야의 전문가들은 죽은 조직을 먹고 사는 벌레와 기타 생물의 분비물에 대한 화학적 분석을 통해 사망자의 정확한 사망 시간을 결정할 수 있습니다. 다양한 유형의 네크로파지의 분비물이 혼합되어 분석에 포함되면 문제가 발생합니다. 이것이 머신러닝이 작동하는 곳입니다. Albany 대학의 과학자들이 개발한 벌레 종을 더 빠르게 식별할 수 있는 인공지능 방법 "화학적 지문"을 기반으로 합니다. 연구팀은 XNUMX종의 파리에서 분비되는 다양한 화학 분비물의 혼합물을 사용하여 컴퓨터 프로그램을 훈련시켰습니다. 그는 이온의 질량 대 전하 비율을 정확하게 측정하여 화학 물질을 식별하는 질량 분석 기술을 사용하여 곤충 유충의 화학적 특징을 해독했습니다.

그런데 보시다시피 수사탐정으로서의 AI 별로 좋지는 않지만 범죄 연구실에서는 매우 유용할 수 있습니다. 우리는 이 단계에서 의사를 실직시킬 알고리즘을 기대하면서 너무 많은 것을 기대했을 수도 있습니다(5). 우리가 볼 때 인공 지능 보다 현실적으로, 전체가 아닌 특정한 실질적인 이익에 초점을 맞춤으로써 그녀의 의학 경력은 다시 매우 유망해 보입니다.

5. 의사의 차의 비전