Автор Боби Галиќ
Вовед
Вештачката интелигенција (ВИ) е брзо развивачко поле на компјутерските науки, а има за цел да создаде машини што можат да извршуваат задачи што обично бараат човечка интелигенција. ВИ вклучува различни техники како машинско учење (Machine Learning – ML), длабоко учење (Deep Learning – DL) и обработка на природен јазик (Natural Language Processing – NLP). Големите јазични модели (Large Language Models – LLMs) се тип на алгоритам за ВИ што користи техники на DL и масивно големи сетови на податоци за разбирање, сумирање, генерирање и предвидување на нови текстуални содржини. LLMs се дизајнирани да генерираат текстуални содржини и имаат широк спектар на примена во различни задачи од областа на NLP, вклучувајќи генерирање на текст, превод, сумирање на содржина, препишување, класификација, категоризација и анализа. NLP е подполе на ВИ кое се фокусира на интеракцијата меѓу компјутерите и луѓето преку природен јазик, вклучувајќи разбирање, толкување и генерирање на човечки јазик. NLP користи различни техники како текстуално истражување, анализа, препознавање на говор и машински превод. Низ годините, ВИ претрпува значајни трансформации, од раните денови на системите базирани на правила до сегашната ера на алгоритми за машинско учење ML и длабоко учење DL.
Слика 1. Врска помеѓу AI, ML, DL и NLP.
Денес, ВИ го трансформира здравството, финансите, транспортот и други области, а нејзиното влијание само ќе се зголемува. Во академската сфера, ВИ се користи за развој на интелигентни системи за учење, кои претставуваат компјутерски програми што можат да се прилагодат на потребите на индивидуалните ученици. Овие системи ја подобриле ефикасноста на учењето во различни предмети, вклучувајќи ја математиката и другите научни дисциплини. Во научните истражувања, ВИ се користи за анализа на големи сетови на податоци и идентификација на образци што би биле тешки за човечките аналитичари да ги детектираат. Оваа технологија доведе до
значајни пробиви во области како што се генетиката, геномика и откривањето на лекови. Вештачката интелигенција се користи во здравствените установи за развој на дијагностички алатки и персонализирани планови за лекување. Како што ВИ продолжува да се развива, од суштинска важност е да се гарантира дека се развива одговорно.
Брзиот напредок на технологијата за ВИ претставува можност за нејзина примена во клиничката практика, со потенцијал да ги револуционизира и оптимизира здравствените услуга. Многу е важно да се документираат и дистрибуираат информации за улогата на ВИ во клиничната практика, за да се опремат здравствените работници со знаења и алатки што се потребни за ефикасна примена во грижата за пациентите. Во овој труд ќе биде прегледана моменталната состојба на ВИ во медицинската дијагниостика, нејзините потенцијални придобивки, ограничувањата и предизвиците и ќе се дискутира нејзиниот иден развој во насока на полесна интеграција на ВИ во клиничката пракса.
Интегрирање на вештачка интелигенција во медицинската дијагностика
Точност на дијагнозата
Покрај сите напредоци во медицината, ефикасната дијагностика на болести сеуште се смета за предизвик на глобално ниво. Развивањето на рани дијагностички алатки е постојан предизвик поради комплексноста на различните механизми на болести и симптомите што ги придружуваат. Вештачката интелигенција ВИ може да ги револуционизира различните аспекти на здравствената заштита, вклучувајќи ја и дијагностиката. Машинското учење (ML) е област на ВИ која користи податоци како ресурс за влез, а точноста е зависна од количината и квалитетот на податоците што се внесуваат, што помага во справувањето со предизвиците и сложеноста на дијагностиката. ML, кратко кажано, може да помогне во донесувањето одлуки, управувањето со текот на работата и автоматизацијата на задачите, навремено и по економична цена. Исто така, длабокото учење (DL), преку слоеви што ги користат конволуцијските невронски мрежи (Convolutional Neural Networks – CNL) и техники за истражување на податоците, помага во идентификација на образци во големите бази на податоци. Овие алатки се особено применливи во здравствените системи за дијагностицирање, предвидување или класификација на болести.
ВИ сеуште е во раните фази на целосна примена во медицинската дијагностика. Сепак, се појавуваат се повеќе податоци за нејзината примена во дијагностицирање на различни болести, како на пример, ракот. Истражување спроведено во Обединетото Кралство корисетло голема база на податоци со мамографи за дијагностика на рак на дојка. Истражувањето покажало дека употребата на систем на ВИ за толкување на мамографи го намалува бројот на лажни позитивни и лажни негативни резултати за 5.7% и 9.4%, соодветно. Друго истражување во Јужна Кореја направило споредба меѓу дијагнози за рак на дојка преку ВИ со оние на радиолозите. ВИ овозможила поголема сензитивност при откривање на ракот со маса, со чувствителност од 90% во споредба со 78% кај радиолозите, а покрај тоа била и подобра при рано откривање на ракот (91% спротивно на 74%).
Исто така, DL било користено за откривање на рак на кожа, при што ВИ со CNN точно дијагностицирала случаи на меланом во споредба со дерматолозите, а дополнително препорачала и соодветни терапии. Истражувачите ја користат технологијата ВИ и за други болести, како што е откривањето на дијабетична ретинопатија, абнормалности на ЕКГ и предвидување на ризик фактори за кардиоваскуларни болести. Дополнително, алгоритмите за DL се користат за откривање на пнеумонија од радиографски снимки од пределот на градите со чувствителност од 96% и специфичност од 64%, во споредба со 50% и 73% кај радиолозите. Спроведено истражување од податоци за 625 пациенти покажало дека ML, особено алгоритмот random forest algorithm, успешно предвидел акутен апендицит со точност од 83.75%, прецизност од 84.11%, чувствителност од 81.08% и специфичност од 81.01%. Оваа метода им помага на здравствените работници да донесуваат точни и сигурни одлуки за дијагностика и терапија на апендицит. Авторите сугерираат дека слични техники можат да се користат и за анализа на слики од пациенти со апендицит или за откривање на инфекции како што е COVID-19 преку примероци од крв или слики.
Алатките со вештачка интелигенција можат да ја подобрат прецизноста, да ги намалат трошоците и да заштедат време во споредба со традиционалните методи за дијагностика. Дополнително, вештачката интелигенција има потенцијал значително да ја подобри здравствената заштита преку намалување на човечките грешки и обезбедување на резултати со поголема точност за пократко време. Во иднина, технологиите базирани на вештачка интелигенција можат да служат како важни алатки за поткрепа на донесените медицинкси одлуки, нудејќи им на докторите сеопфатна помош и увид во реално време. Истражувачите активно работат на пронаоѓање на нови начини за интегрирање на ВИ во дијагностиката и третманите, вклучувајќи анализа на медицински слики како што се X-зраци, ЦT скенирања и МРИ. Со користење на техники на ML, ВИ може да помогне во идентификација на абнормалности како што се скршеници, тумори или други состојби. Исто така, ВИ може да обезбеди квантитативни мерења што овозможуваат побрза и по прецизна дијагноза, со што се подобрува исходот на пациентите и се олеснува работата во клиниките.
Клиничките лабораториски тестови обезбедуваат важни информации за дијагностицирање, лекување и следење на болести. Тие се суштински дел од модерната здравствена заштита која постојано ги интегрира новите технологии за поддршка на клиничките одлуки и безбедноста на пациентите. Вештачката интелигенција има потенцијал да ја трансформира лабораториската работа подобрувајќи ја точноста, брзината и ефикасноста на процесите во лабораторијата. Улогата на ВИ во клиничката микробиологија моментално напредува и се проширува. Неколку системи базирани на ML се развиени за откривање, идентификација и квантитативно мерење на микроорганизмите, дијагностицирање и класифицирање на болести, како и за предвидување на клиничките исходи. Овие системи користат податоци од различни извори за креирање на AI дијагнозата, вклучувајќи геномски податоци на микроорганизмите, секвенционирање на гените, метагеномски резултати од оригиналниот примерок и микроскопска слика. Исто така, класификацијата на грам позитивни, грам негативни и топчести и стапчести бактерии е уште една важна апликација на CNN, покажувајќи висока чувствителност и специфичност. Објавен систематски преглед покажа дека бројни ML модели биле оценувани за идентификација на микроорганизми и тестирање на чувствителност кон антибиотици; сепак, постојат одредени ограничувања со сегашните модели што треба да се совладаат пред нивно интегрирање во клиничката пракса. За маларија, Таесик и соработници открија дека комбинирањето на ML алгоритмите со дигитална линиска холографска микроскопија (DIHM) е ефективно за откривање на црвени крвни клетки инфицирани со маларија без да биде потребно обојување. Оваа технологија на ВИ е брза, чувствителна и економична за дијагностицирање на маларија.
Очекуваните придобивки од користењето на вештачката интелигенција во клиничките лаборатории вклучуваат, меѓу другото, зголемена ефикасност и прецизност. Автоматизираните техники во микробните културите во крвта, тестирањето на чувствителност и молекуларните платформи се стандард во многу лаборатории ширум светот, значително допринесувајќи за ефективноста на лабораториските процеси. Автоматизацијата и ВИ значително ја подобрува ефикасноста во области како микробни култури во крвта, тестирање на чувствителност и молекуларни платформи. Ова овозможува добивање на резултати во првите 24 до 48 часа, што го олеснува изборот на соодветна терапија со антибиотици за пациенти со позитивни микробни култури во крвта. Со тоа, интегрирањето на ВИ во клиничките микробиолошки лаборатории може да помогне во одбирањето на соодветни режими на антибиотска терапија, што е клучен фактор за постигнување високи стапки на оздравување кај различни заразни болести.
Истражувањата во областа на ML во медицината брзо се развиваат, што може значително да им помогне на здравствените работници во итната медицина при справување со предизвиците предизвикани од раст на квантиетот на болестите, поголемата побарувачка на здравствени услуги, поголемите очекувања од страна на општеството и растечките здравствени трошоци. Екипите во итната медицинска служба разбираат дека интеграцијата на вештачката интелигенција во нивните работни
процеси е неопходна за решавање на овие проблеми преку подобрување на ефикасноста, прецизноста и исходите за пациентите. Исто така, постои можност алгоритмите да поддржат автоматизирано донесување одлуки и да оптимизираат мерења поврзани текот на работата во итната медицина. AI алгоритмите можат да анализираат податоци од пациентите за да помогнат при рангирање според итноста на случаите; ова помага да се стави приоритет на високоризичните случаи, што го намалува времето на чекање и го подобрува протокот на пациентите. Воведувањето на сигурен инструмент за проценка на симптоми може да ги исклучи другите причини за болеста и да ги намали непотребните посети на пациентите во одделот за итна медицина. Низа машини опремени со ВИ можат директно да поставуваат прашања до пациентот, а на крај се дава задоволително објаснување за да се обезбеди правилна проценка и план за лекување.
Покрај тоа, системите за поддршка на одлуките засновани на ВИ можат да обезбедат предлози до здравствените работници во реално време, помагајќи при дијагностицирање и носење одлуки во врска со начинот на лекување. Пациентите во итната медицина се проценуваат со малку информации, и лекарите често мора да шпекулираат помеѓу различни можности при оценување на ризикот и донесување на конечни одлуки. Побрзата интерпретација на клиничките податоци е од клучно значење во итната медицина за класифицирање на сериозноста на состојбата на пациентот, како и потребата од итна интервенција. Еден од најкомплицираните проблеми е ризикот од погрешна дијагноза, што може да биде скапо и опасно по живот. Истражувањата покажале дека дијагностичките грешки, особено кај пациентите кои го посетуваат одделот за итна медицина, директно придонесуваат за поголема смртна стапка и подолги болнички престои. Благодарение на можностите што ги нуди ВИ, раното откривање на пациенти со опасни болести е олеснето и докторите можат да бидат навремено запознаени за да им се овозможи на пациентите да добијат итна грижа. Исто така, ВИ може да помогне во оптимизација на здравствените ресурси во итната медицина преку предвидување на побарувачката, подобрување на изборот на терапија (медикаменти, доза, начин на примена и итност на интервенцијата) и предлог за времетраење на престојот во одделот за итна медицина. Анализирајќи податоци специфични за пациентот, системите засновани на ВИ можат да понудат увид и преглед за најдобриот избор на терапија, што ќе ја зголеми ефикасноста и ќе ја намали гужвата.
Вештачката интелигенција (AI) во медицинската генетика и геномика
Иновацијата на вештачката интелигенција во медицинската генетика и геномика нуди огромен потенцијал во областите на надгледување на болести, предвидување и персонализирана медицина. Кога се применува на големи популации, ВИ може ефективно да следи ја појавата на нови заканувачки болести, како што е COVID-19,
додека геномските податоци можат да пружат суштински увид во генетските маркери поврзани со зголемена подложност на одредени болести. Обуката на машинските алгоритми за идентификација на овие маркери во реално време овозможува рано откривање на потенцијални епидемии. Покрај тоа, употребата на генотипски податоци може да помогне во подобрување на предвидувањата за ризик од болести, бидејќи ML алгоритмите можат да препознаат сложени модели на генетски варијации поврзани со подложност кон болести, што можат да се превидат и пропуштат со традиционалните статистички методи, како што е сумирано во сликата 2. Оваа комбинација исто така овозможува предвидување на фенотипите, односно видливите карактеристики кои се обликувани од гени и фактори од средината.
Слика 2. Шематски приказ на процесот кој започнува со екстракција на
ДНК/РНК, проследен со секвенционирање.
Машинските алгоритми (ML) го прават возможно предвидувањето на широк спектар на фенотипи, од едноставни карактеристики како бојата на очите до посложени карактеристики како одговорот на одредени лекови или подложноста кон болести. Една од конкретните области каде што ВИ и ML покажаа значајна ефикасност е идентификацијата на генетски варијанти поврзани со специфични карактеристики или патологии. Прегледувањето на големи геномски сетови на податоци овозможува овие техники да детектираат сложени модели кои често се недостапни за мануална анализа. На пример, голема студија користела длабока невронска мрежа за идентификација на генетски варијанти поврзани со болести од спектарот на аутизам (Autistic Spectrum Disorders – ASD), успешно предвидувајќи го статусот на ASD само врз основа на геномски податоци. Во областа на онкологијата, категоризацијата на ракот во клинички релевантни молекуларни подтипови може да се постигне преку профилирање на транскриптом. Таквите молекуларни класификации, првично развиени за ракот на дојка, а подоцна прифатени за други видови како колоректален, оваријален и саркоми, имаат значајни импликации за дијагнозата, прогнозата и изборот на терапија. Традиционалните компјутерски методи за групирање на ракот во подтипови, како што се поддржаните векторски машини (Supoort Vector Machines – SVM), се подложни на грешки поради ефектите од различни серии на податоци и можат да се фокусираат само на мала група од сигурносни гени, пропуштајќи важни биолошки информации.
Со развојот на високопродуктивните технологии за геномско секвенционирање и напредоците во областите на ВИ и ML, се поставува силна основа за забрзување на персонализираната медицина и откривањето на лекови. И покрај тоа што геномските податоци претставуваат богат извор на вредни информации, нивната комплексна природа создава значителни предизвици поврзани со нивната интерпретација. Областа на откривање на лекови драстично се подобрува со примена на ВИ и ML. Анализирањето на голем обем на геномски податоци во исто време, а и други клинички параметри, како што се ефикасноста на лековите или несаканите ефекти, овозможува идентификација на нови терапии или повторна употреба на постоечки лекови за нови апликации. Еден од најчестите предизвици во развојот на лекови е токсичностa, што значително влијае врз високата стапка на неуспех во клиничките испитувања. Меѓутоа, растот на компјутерското моделирање ја отвора можноста за предвидување на токсичноста на лековите, што може значително да го подобри процесот на развој на лекови. Оваа способност е особено важна за решавање на честите видови на токсичност, како што се кардиотоксичноста и хепатотоксичноста, кои често доведуваат до повлекување на лековите од пазарот поради непредвидени несакани ефекти.
Заклучок
Интеграцијата на ВИ во здравството носи одличен потенцијал за подобрување на дијагнозата на болести, изборот на терапија и клинички лабораториски тестови. Алатките со ВИ можат да искористат големи сетови на податоци и да идентификуваат образци што ги надминуваат човечките можности во повеќе аспекти на здравствената заштита. ВИ нуди зголемета прецизност, намалени трошоци и заштеда на време, при што се минимизираат човечките грешки. Може да револуционизира персонализираната медицина, да оптимизира дозирањето на лековите, да подобри управувањето со здравјето на населението, да воспостави водичи, да обезбеди виртуелни здравствени асистенти, да поддржува грижа за менталното здравје, да ја подобри едукацијата на пациентите и позитивно да влијае врз довербата меѓу пациентите и лекарите.
ВИ може да се користи за дијагностицирање на болести, развој на персонализирани планови за лекување и помагање на клиничарите во донесувањето одлуки. Наместо само на автоматизација на задачи, ВИ се однесува и на развој на технологии кои можат да ја подобрат грижата за пациентите во различни здравствени сегменти. Сепак, предизвиците поврзани со приватноста на податоците, пристрасноста и потребата од човечко знаење мора да се решат за одговорна и ефикасна имплементација на ВИ во здравството.
Референци
1. Peiffer-Smadja N, Dellière S, Rodriguez C, Birgand G, Lescure FX, Fourati S, et al. Machine learning in the clinical microbiology laboratory: has the time come for routine practice? Clin Microbiol Infect. 2020;26(10):1300–9.
https://www.clinicalmicrobiologyandinfection.com/article/S1198-743X(20)30085-9/fulltext 2. Vandenberg O, Durand G, Hallin M, Diefenbach A, Gant V, Murray P, et al. Consolidation of clinical Microbiology Laboratories and introduction of Transformative Technologies. Clin Microbiol Rev. 2020;33(2). https://journals.asm.org/doi/10.1128/cmr.00057-19 3. Future Healthc J. 2019;6(2):94–8. https://pubmed.ncbi.nlm.nih.gov/31363513/ 4. Topol EJ. High-performance medicine: the convergence of human and
5. Artificial Intelligence. Nat Med. 2019;25(1):44–56. https://www.nature.com/articles/s41591- 018-0300-7
6. Shuroug A. Alowais1,2,3*, Sahar S. Alghamdi2,3,4, Nada Alsuhebany1,2,3, Tariq Alqahtani2,3,4, Abdulrahman I. Alshaya1,2,3, Sumaya N. Almohareb1,2,3, Atheer Aldairem1,2,3, Mohammed Alrashed1,2,3, Khalid Bin Saleh1,2,3, Hisham A. Badreldin1,2,3, Majed S. Al Yami1,2,3, Shmeylan Al Harbi1,2,3 and Abdulkareem M. Albekairy1,2,3 et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. Alowais et al. BMC Medical Education.
https://bmcmededuc.biomedcentral.com/articles/10.1186/s12909-023-04698-z 7. Singh DP, Kaushik B. A systematic literature review for the prediction of anticancer drug response using various machine-learning and deeplearning techniques. Chem Biol Drug Des. 2023;101(1):175–94. https://onlinelibrary.wiley.com/doi/10.1111/cbdd.14164 8. Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017;2(4):230–43.