Watson n'a pas mordu le docteur, et très bien

Bien que, comme dans de nombreux autres domaines, l'enthousiasme pour remplacer les médecins par l'IA ait quelque peu diminué après une série d'échecs de diagnostic, les travaux sur le développement de la médecine basée sur l'IA sont toujours en cours. Car, néanmoins, ils offrent encore de grandes opportunités et une chance d'améliorer l'efficacité des opérations dans bon nombre de ses domaines.

IBM a été annoncé en 2015 et en 2016, il a obtenu l'accès aux données de quatre grandes sociétés de données sur les patients (1). Le plus célèbre, grâce à de nombreux reportages dans les médias, et en même temps le projet le plus ambitieux utilisant l'intelligence artificielle avancée d'IBM était lié à l'oncologie. Les scientifiques ont essayé d'utiliser les vastes ressources de données pour les traiter afin de les transformer en thérapies anticancéreuses bien adaptées. L'objectif à long terme était d'amener Watson à arbitrer essais cliniques et des résultats comme le ferait un médecin.

1. Une des visualisations du système médical Watson Health

Cependant, il s'est avéré que Watson ne peut pas se référer indépendamment à la littérature médicale et ne peut pas non plus extraire des informations des dossiers médicaux électroniques des patients. Cependant, l'accusation la plus grave contre lui était que incapacité à comparer efficacement un nouveau patient avec d'autres patients plus âgés atteints de cancer et à détecter des symptômes invisibles au premier coup d'œil.

Certes, certains oncologues ont affirmé avoir confiance en son jugement, bien que principalement en termes de suggestions de traitements standard de Watson, ou en tant qu'avis médical supplémentaire. Beaucoup ont souligné que ce système sera un excellent bibliothécaire automatisé pour les médecins.

À la suite de critiques peu flatteuses d'IBM problèmes avec la vente du système Watson dans les institutions médicales américaines. Les représentants commerciaux d'IBM ont réussi à le vendre à certains hôpitaux en Inde, en Corée du Sud, en Thaïlande et dans d'autres pays. En Inde, des médecins () ont évalué les recommandations de Watson pour 638 cas de cancer du sein. Le taux d'observance des recommandations thérapeutiques est de 73 %. Pire Watson a abandonné au Gachon Medical Center en Corée du Sud, où ses meilleures recommandations pour 656 patients atteints de cancer colorectal ne correspondaient aux recommandations d'experts que dans 49% des cas. Les médecins ont évalué que Watson n'a pas bien réussi avec les patients plus âgésen ne leur offrant pas certains médicaments standard, et a commis l'erreur critique d'entreprendre une surveillance agressive du traitement de certains patients atteints d'une maladie métastatique.

En fin de compte, bien que son travail de diagnosticien et de médecin soit considéré comme infructueux, il existe des domaines dans lesquels il s'est avéré extrêmement utile. Produit Watson pour la génomique, qui a été développé en collaboration avec l'Université de Caroline du Nord, l'Université de Yale et d'autres institutions, est utilisé laboratoires de génétique pour la préparation de rapports pour les oncologues. Watson télécharge le fichier de liste mutations génétiques chez un patient et peut générer un rapport en quelques minutes qui comprend des suggestions pour tous les médicaments et essais cliniques importants. Watson gère les informations génétiques avec une relative facilitécar ils sont présentés dans des fichiers structurés et ne contiennent pas d'ambiguïtés - soit il y a une mutation, soit il n'y a pas de mutation.

Les partenaires IBM de l'Université de Caroline du Nord ont publié un article sur l'efficacité en 2017. Watson a trouvé des mutations potentiellement importantes qui n'ont pas été identifiées par des études humaines dans 32% d'entre eux. patients étudiés, ce qui en fait de bons candidats pour le nouveau médicament. Cependant, il n'existe toujours aucune preuve que l'utilisation conduit à de meilleurs résultats de traitement.

Domestication des protéines

Cet exemple et bien d'autres contribuent à la croyance croissante que toutes les lacunes des soins de santé sont comblées, mais nous devons chercher des domaines où cela peut vraiment aider, car les gens ne s'en sortent pas très bien là-bas. Un tel champ est, par exemple, recherche sur les protéines. L'année dernière, des informations ont révélé qu'il pouvait prédire avec précision la forme des protéines en fonction de leur séquence (2). Il s'agit d'une tâche traditionnelle, au-delà du pouvoir non seulement des personnes, mais même des ordinateurs puissants. Si nous maîtrisons la modélisation précise de la torsion des molécules protéiques, il y aura d'énormes opportunités pour la thérapie génique. Les scientifiques espèrent qu'avec l'aide d'AlphaFold, nous étudierons les fonctions de milliers de personnes, ce qui nous permettra de comprendre les causes de nombreuses maladies.

Figure 2. Torsion des protéines modélisée avec AlphaFold de DeepMind.

tout de suite nous connaissons deux cents millions de protéines, mais nous comprenons parfaitement la structure et la fonction d'une petite partie d'entre eux. Protéines c'est la pierre angulaire des organismes vivants. Ils sont responsables de la plupart des processus se produisant dans les cellules. Leur fonctionnement et ce qu'ils font sont déterminés par leur structure 50D. Ils prennent la forme appropriée sans aucune instruction, guidés par les lois de la physique. Pendant des décennies, les méthodes expérimentales ont été la principale méthode pour déterminer la forme des protéines. Dans les années XNUMX, l'utilisation Méthodes cristallographiques aux rayons X. Au cours de la dernière décennie, il est devenu l'outil de recherche de choix. microscopie à cristaux. Dans les années 80 et 90, des travaux ont commencé sur l'utilisation d'ordinateurs pour déterminer la forme des protéines. Cependant, les résultats n'ont toujours pas satisfait les scientifiques. Les méthodes qui fonctionnaient pour certaines protéines ne fonctionnaient pas pour d'autres.

Déjà en 2018 AlphaFold a reçu la reconnaissance d'experts en modélisation des protéines. Cependant, à l'époque, il utilisait des méthodes très similaires à d'autres programmes. Les scientifiques ont changé de tactique et en ont créé une autre, qui utilisait également des informations sur les restrictions physiques et géométriques dans le repliement des molécules de protéines. AlphaFold donné des résultats inégaux. Parfois, il faisait mieux, parfois moins bien. Mais près des deux tiers de ses prédictions coïncidaient avec les résultats obtenus par des méthodes expérimentales. Au début de l'année 2, l'algorithme décrivait la structure de plusieurs protéines du virus SARS-CoV-3. Plus tard, il a été constaté que les prédictions pour la protéine Orf2020a sont cohérentes avec les résultats obtenus expérimentalement.

Il ne s'agit pas seulement d'étudier les voies internes de repliement des protéines, mais aussi de conception. Des chercheurs de l'initiative NIH BRAIN ont utilisé apprentissage automatique développer une protéine capable de suivre en temps réel les niveaux de sérotonine dans le cerveau. La sérotonine est un neurochimique qui joue un rôle clé dans la façon dont le cerveau contrôle nos pensées et nos sentiments. Par exemple, de nombreux antidépresseurs sont conçus pour modifier les signaux de sérotonine qui sont transmis entre les neurones. Dans un article de la revue Cell, des scientifiques ont décrit comment ils utilisent des méthodes de génie génétique transformer une protéine bactérienne en un nouvel outil de recherche qui pourrait aider à suivre la transmission de la sérotonine avec une plus grande précision que les méthodes actuelles. Des expériences précliniques, principalement sur des souris, ont montré que le capteur peut détecter instantanément des changements subtils dans les niveaux de sérotonine cérébrale pendant le sommeil, la peur et les interactions sociales, et tester l'efficacité de nouveaux médicaments psychoactifs.

La lutte contre la pandémie n'a pas toujours été couronnée de succès

Après tout, c'était la première épidémie dont nous avons parlé dans MT. Cependant, par exemple, si nous parlons du processus même de développement de la pandémie, alors au stade initial, l'IA semblait être en quelque sorte un échec. Les érudits se sont plaints que intelligence artificielle ne peut pas prédire correctement l'étendue de la propagation du coronavirus sur la base des données des épidémies précédentes. « Ces solutions fonctionnent bien dans certains domaines, comme la reconnaissance des visages qui ont un certain nombre d'yeux et d'oreilles. Épidémie de SRAS-CoV-2 Ce sont des événements auparavant inconnus et de nombreuses nouvelles variables, donc l'intelligence artificielle basée sur les données historiques qui ont été utilisées pour l'entraîner ne fonctionne pas bien. La pandémie a montré que nous devons rechercher d'autres technologies et approches », a déclaré Maxim Fedorov de Skoltech en avril 2020 dans une déclaration aux médias russes.

Au fil du temps, il y avait cependant des algorithmes qui semblent prouver la grande utilité de l'IA dans la lutte contre le COVID-19. Des scientifiques américains ont développé un système à l'automne 2020 pour reconnaître les schémas de toux caractéristiques chez les personnes atteintes de COVID-19, même si elles ne présentaient aucun autre symptôme.

Lorsque les vaccins sont apparus, l'idée est née d'aider à vacciner la population. Elle pourrait, par exemple aider à modéliser le transport et la logistique des vaccins. Également pour déterminer quelles populations devraient être vaccinées en premier pour faire face à la pandémie plus rapidement. Cela aiderait également à prévoir la demande et à optimiser le calendrier et la vitesse de la vaccination en identifiant rapidement les problèmes et les goulots d'étranglement de la logistique. La combinaison d'algorithmes avec une surveillance constante peut également fournir rapidement des informations sur les effets secondaires et les événements de santé possibles.

ces systèmes utilisant l'IA dans l'optimisation et l'amélioration des soins de santé sont déjà connues. Leurs avantages pratiques ont été appréciés ; par exemple, le système de soins de santé développé par Macro-Eyes à l'Université de Stanford aux États-Unis. Comme c'est le cas dans de nombreuses autres institutions médicales, le problème était le manque de patients qui ne se présentaient pas aux rendez-vous. Macro-yeux construit un système capable de prédire de manière fiable quels patients n'étaient pas susceptibles d'être là. Dans certaines situations, il pourrait également suggérer des horaires et des lieux alternatifs pour les cliniques, ce qui augmenterait les chances qu'un patient se présente. Plus tard, une technologie similaire a été appliquée dans divers endroits de l'Arkansas au Nigeria avec le soutien, en particulier, de l'Agence américaine pour le développement international i.

En Tanzanie, Macro-Eyes a travaillé sur un projet visant à augmenter les taux de vaccination des enfants. Le logiciel analysait combien de doses de vaccins devaient être envoyées à un centre de vaccination donné. Il a également été en mesure d'évaluer quelles familles pourraient être réticentes à faire vacciner leurs enfants, mais elles ont pu être persuadées avec des arguments appropriés et l'emplacement d'un centre de vaccination dans un endroit pratique. Grâce à ce logiciel, le gouvernement tanzanien a pu augmenter l'efficacité de son programme de vaccination de 96 %. et réduire les déchets de vaccins à 2,42 pour 100 personnes.

En Sierra Leone, où les données sur la santé des résidents manquaient, l'entreprise a essayé de faire correspondre ces informations avec des informations sur l'éducation. Il s'est avéré que le nombre d'enseignants et de leurs élèves était suffisant pour prédire 70 %. la précision de savoir si la clinique locale a accès à de l'eau potable, qui est déjà une empreinte de données sur la santé des personnes qui y vivent (3).

3. Illustration Macro-Eyes des programmes de soins de santé basés sur l'IA en Afrique.

Le mythe du médecin machine ne disparaît pas

Malgré les échecs Watson de nouvelles approches diagnostiques sont encore en cours de développement et sont considérées comme de plus en plus avancées. Comparaison faite en Suède en septembre 2020. utilisé dans le diagnostic par imagerie du cancer du sein ont montré que le meilleur d'entre eux travaille de la même manière qu'un radiologue. Les algorithmes ont été testés à l'aide de près de neuf mille images mammographiques obtenues lors d'un dépistage de routine. Trois systèmes, désignés AI-1, AI-2 et AI-3, ont atteint une précision de 81,9 %, 67 %. et 67,4 %. A titre de comparaison, pour les radiologues qui interprètent ces images comme les premières, ce chiffre était de 77,4 %, et dans le cas de radiologuesqui était le deuxième à le décrire, c'était 80,1 pour cent. Le meilleur des algorithmes a également été en mesure de détecter les cas manqués par les radiologues lors du dépistage, et les femmes ont été diagnostiquées malades en moins d'un an.

Selon les chercheurs, ces résultats prouvent que algorithmes d'intelligence artificielle aider à corriger les diagnostics faux négatifs posés par les radiologues. La combinaison des capacités d'AI-1 avec un radiologue moyen a augmenté le nombre de cancers du sein détectés de 8 %. L'équipe du Royal Institute qui mène cette étude s'attend à ce que la qualité des algorithmes d'IA continue de croître. Une description complète de l'expérience a été publiée dans JAMA Oncology.

W sur une échelle de cinq points. Actuellement, nous assistons à une accélération technologique significative et atteignons le niveau IV (haute automatisation), lorsque le système traite automatiquement et indépendamment les données reçues et fournit au spécialiste des informations pré-analysées. Cela permet de gagner du temps, d'éviter les erreurs humaines et d'offrir des soins plus efficaces aux patients. C'est ce qu'il a jugé il y a quelques mois Stan A.I. dans le domaine de la médecine qui lui est proche, le prof. Janusz Braziewicz de la Société polonaise de médecine nucléaire dans une déclaration à l'agence de presse polonaise.

4. Visualisation automatique d'images médicales

Les algorithmes, selon des experts tels que le prof. Brazievitchvoire indispensable dans cette industrie. La raison en est l'augmentation rapide du nombre de tests d'imagerie diagnostique. Uniquement pour la période 2000-2010. le nombre d'examens et d'examens IRM a décuplé. Malheureusement, le nombre de médecins spécialistes disponibles qui pourraient les effectuer rapidement et de manière fiable n'a pas augmenté. Il y a aussi une pénurie de techniciens qualifiés. La mise en œuvre d'algorithmes basés sur l'IA fait gagner du temps et permet une standardisation complète des procédures, tout en évitant les erreurs humaines et des traitements plus efficaces et personnalisés pour les patients.

Comme il s'est avéré, aussi médecine légale peut bénéficier de développement de l'intelligence artificielle. Les spécialistes dans ce domaine peuvent déterminer l'heure exacte de la mort du défunt par analyse chimique des sécrétions de vers et d'autres créatures qui se nourrissent de tissus morts. Un problème se pose lorsque des mélanges de sécrétions de différents types de nécrophages sont inclus dans l'analyse. C'est là que l'apprentissage automatique entre en jeu. Des scientifiques de l'Université d'Albany ont développé une méthode d'intelligence artificielle qui permet une identification plus rapide des espèces de vers sur la base de leurs "empreintes chimiques". L'équipe a formé son programme informatique en utilisant des mélanges de différentes combinaisons de sécrétions chimiques de six espèces de mouches. Il a déchiffré les signatures chimiques des larves d'insectes à l'aide de la spectrométrie de masse, qui identifie les produits chimiques en mesurant avec précision le rapport masse/charge électrique d'un ion.

Donc, comme vous pouvez le voir, cependant L'IA en tant que détective enquêteur pas très bon, il peut être très utile dans un laboratoire médico-légal. Peut-être attendions-nous trop d'elle à ce stade, anticipant des algorithmes qui mettraient les médecins au chômage (5). Quand on regarde intelligence artificielle de manière plus réaliste, se concentrant sur des avantages pratiques spécifiques plutôt que sur le général, sa carrière en médecine semble à nouveau très prometteuse.

5. Vision de la voiture du docteur