ADVERTENTIE

Kunstmatige-intelligentiesystemen: snelle en efficiënte medische diagnose mogelijk maken?

ENGINEERING & TECHNOLOGIEKunstmatige-intelligentiesystemen: snelle en efficiënte medische diagnose mogelijk maken?

Recente onderzoeken hebben het vermogen van kunstmatige-intelligentiesystemen aangetoond bij het medisch diagnosticeren van belangrijke ziekten

Artificial Intelligence (AI) -systemen bestaan ​​al geruime tijd en worden nu met de tijd slimmer en beter. AI heeft toepassingen op veel gebieden en is nu een integraal onderdeel van de meeste velden. AI kan een essentieel en nuttig onderdeel zijn van medisch wetenschap en onderzoek, aangezien het een enorm potentieel heeft om invloed uit te oefenen op de gezondheidszorg.

Kunstmatige intelligentie in medische diagnose?

Tijd is de meest waardevolle hulpbron in de gezondheidszorg en een vroege juiste diagnose is erg belangrijk voor het uiteindelijke resultaat van een ziekte. Gezondheidszorg is vaak een langdurig proces dat veel tijd en middelen kost, waardoor een effectieve diagnose wordt vertraagd en daarmee de juiste behandeling wordt vertraagd. AI kan helpen om de kloof tussen beschikbaarheid en tijdbeheer door artsen te dichten door snelheid en nauwkeurigheid op te nemen in de diagnose van patiënten. Het zou kunnen helpen om de beperkingen van middelen en beroepsbeoefenaren in de gezondheidszorg te overwinnen, vooral in landen met lage en middeninkomens. AI is een proces van leren en denken, net als mensen, door middel van een concept dat deep-learning wordt genoemd. Deep learning maakt gebruik van brede reeksen voorbeeldgegevens om zelf beslissingsbomen te maken. Met dit diepgaande leren kan een AI-systeem eigenlijk net als mensen denken, zo niet beter, en daarom kan AI geschikt worden geacht om medische taken uit te voeren. Bij het diagnosticeren van patiënten blijven AI-systemen zoeken naar patronen bij patiënten met dezelfde ziekten. Na verloop van tijd kunnen deze patronen een basis vormen voor het voorspellen van ziekten voordat ze zich manifesteren.

In een recente studie1 gepubliceerd Cel, hebben onderzoekers gebruikt kunstmatig intelligentie en machine learning-technieken om een ​​nieuwe computertool te ontwikkelen om patiënten met veelvoorkomende maar verblindende netvliesaandoeningen te screenen, waardoor diagnoses en behandelingen mogelijk sneller worden vastgesteld. Onderzoekers gebruikten een op AI gebaseerd neuraal netwerk om meer dan 200,000 oogscans te beoordelen die zijn uitgevoerd met een niet-invasieve technologie die licht van het netvlies weerkaatst om 2D- en 3D-representaties van weefsel te creëren. Vervolgens gebruikten ze een techniek die 'transfer learning' wordt genoemd, waarbij kennis die is opgedaan bij het oplossen van een probleem wordt opgeslagen door een computer en wordt toegepast op verschillende, maar gerelateerde problemen. Een neuraal AI-netwerk dat is geoptimaliseerd om de afzonderlijke anatomische structuren van het oog te herkennen, zoals het netvlies, het hoornvlies of de oogzenuw, kan ze bijvoorbeeld sneller en efficiënter identificeren en evalueren wanneer het beelden van een heel oog onderzoekt. Door dit proces kan het AI-systeem geleidelijk leren met een veel kleinere dataset dan traditionele methoden waarvoor grote datasets nodig zijn, waardoor ze duur en tijdrovend zijn.

De studie richtte zich op twee veelvoorkomende oorzaken van onomkeerbare blindheid die behandelbaar zijn als ze vroeg worden ontdekt. Machine-afgeleide diagnoses werden vergeleken met diagnoses van vijf oogartsen die dezelfde scans beoordeelden. Naast het stellen van een medische diagnose, genereerde het AI-platform ook een verwijzings- en behandeladvies dat in geen enkele eerdere studie is gedaan. Dit getrainde AI-systeem werkte net als een goed opgeleide oogarts en kon binnen 30 seconden een beslissing genereren over het al dan niet doorverwijzen van de patiënt voor behandeling, met een nauwkeurigheid van meer dan 95 procent. Ze testten ook de AI-tool bij het diagnosticeren van longontsteking bij kinderen, een belangrijke doodsoorzaak wereldwijd bij kinderen (jonger dan 5 jaar) op basis van machinale analyses van thoraxfoto's. Interessant is dat het computerprogramma met meer dan 90 procent nauwkeurigheid onderscheid kon maken tussen virale en bacteriële longontsteking. Dit is van cruciaal belang, want hoewel virale longontsteking van nature door het lichaam wordt verwijderd na zijn beloop, vormt bacteriële longontsteking aan de andere kant een ernstiger gevaar voor de gezondheid en vereist onmiddellijke behandeling met antibiotica.

In een andere grote sprong2 in kunstmatige-intelligentiesystemen voor medische diagnose, ontdekten wetenschappers dat foto's die van het netvlies van een persoon zijn gemaakt, kunnen worden geanalyseerd door machine learning-algoritmen of software om het cardiovasculaire hartrisico te voorspellen door signalen te identificeren die wijzen op hartaandoeningen. De status van bloedvaten in het oog die op de foto's is vastgelegd, bleek nauwkeurig leeftijd, geslacht, etniciteit, bloeddruk, eerdere hartaanvallen en rookgewoonten te voorspellen en al deze factoren voorspellen samen hartgerelateerde ziekten bij een persoon.

Het oog als informatieblok

Het idee om naar de foto's van het oog te kijken om de gezondheid te diagnosticeren, bestaat al een tijdje. Het is algemeen bekend dat de achterste binnenwand van het menselijk oog veel bloedvaten heeft die de algehele gezondheid van het lichaam weerspiegelen. Door het uiterlijk van deze bloedvaten te bestuderen en te analyseren met een camera en een microscoop, kan veel informatie over iemands bloeddruk, leeftijd, roker of niet-roker enz. worden voorspeld en dit zijn allemaal belangrijke indicatoren voor de gezondheid van het hart van een persoon . Hart- en vaatziekten (HVZ) zijn wereldwijd doodsoorzaak nummer één en meer mensen sterven aan hart- en vaatziekten in vergelijking met enige andere ziekte of aandoening. Dit komt vaker voor in lage- en middeninkomenslanden en is een enorme belasting voor de economie en de mensheid. Het cardiovasculaire risico hangt af van een veelheid aan factoren zoals genen, leeftijd, etniciteit, geslacht, in combinatie met lichaamsbeweging en voeding. De meeste hart- en vaatziekten kunnen worden voorkomen door gedragsrisico's zoals tabaksgebruik, zwaarlijvigheid, lichamelijke inactiviteit en ongezonde voeding aan te pakken door aanzienlijke veranderingen in levensstijl aan te brengen om de mogelijke risico's aan te pakken.

Gezondheidsdiagnose met behulp van beelden van het netvlies

Deze studie, uitgevoerd door onderzoekers van Google en het eigen gezondheidstechnologiebedrijf Verily Life Sciences, toonde aan dat een Artificial Intelligence-algoritme werd gebruikt op een grote dataset van netvliesfoto's van ongeveer 280,000 patiënten en dat dit algoritme in staat was om met succes hartrisicofactoren te voorspellen in twee volledig onafhankelijke datasets van ongeveer 12000 en 1000 patiënten met een redelijk goede nauwkeurigheid. Het algoritme gebruikte een volledige foto van het netvlies om de associatie tussen het beeld en het risico op een hartaanval te kwantificeren. Dit algoritme kon 70 procent van de tijd een cardiovasculaire gebeurtenis bij een patiënt voorspellen en in feite waren ook in deze test 71 procent van de tijd een roker en een niet-roker te onderscheiden. Het algoritme kan ook hoge bloeddruk voorspellen die wijst op een hartaandoening en de systolische bloeddruk voorspellen - de druk in de bloedvaten wanneer het hart klopt - binnen een bereik van de meeste patiënten met of zonder hoge bloeddruk. De nauwkeurigheid van deze voorspelling lijkt volgens de auteurs erg op een cardiovasculaire controle in het laboratorium, waarbij bloed van de patiënt wordt afgenomen om het cholesterolgehalte te meten, parallel aan de geschiedenis van de patiënt. Het algoritme in deze studie, gepubliceerd in Natuur Biomedische Technologie, zou naar alle waarschijnlijkheid ook het optreden van een ernstige cardiovasculaire gebeurtenis kunnen voorspellen, bijvoorbeeld een hartaanval.

Een uiterst interessant en cruciaal aspect van deze onderzoeken was dat de computer in een beeld kan zien waar hij naar kijkt om tot een diagnose te komen, waardoor we het voorspellingsproces kunnen begrijpen. Uit het onderzoek van Google bleek bijvoorbeeld precies “welke delen van het netvlies” bijdroegen aan het voorspellingsalgoritme, oftewel hoe het algoritme de voorspelling deed. Dit begrip is niet alleen belangrijk om de machine learning-methode in dit specifieke geval te begrijpen, maar ook om vertrouwen en vertrouwen in deze hele methodologie te genereren door deze transparant te maken.

Uitdagingen

Dergelijke medische afbeeldingen brengen uitdagingen met zich mee, omdat het observeren en kwantificeren van associaties op basis van dergelijke afbeeldingen niet eenvoudig is, voornamelijk vanwege de verschillende kenmerken, kleuren, waarden, vormen enz. in deze afbeeldingen. Deze studie maakt gebruik van deep learning om de verbanden, associaties en relaties tussen veranderingen in de menselijke anatomie (interne morfologie van het lichaam) en ziekte te ontdekken op dezelfde manier als een beroepsbeoefenaar in de gezondheidszorg zou doen wanneer hij of zij de symptomen van een patiënt correleert met een ziekte. . Deze algoritmen vereisen meer testen voordat ze in een klinische setting kunnen worden gebruikt.

Ondanks discussies en uitdagingen heeft AI een enorm potentieel om de diagnose en het beheer van ziekten te revolutioneren door analyses en classificaties uit te voeren met enorme hoeveelheden gegevens die moeilijk zijn voor menselijke experts. Het biedt snelle, kosteneffectieve, niet-invasieve alternatieve diagnostische hulpmiddelen op basis van beelden. De belangrijkste succesfactoren van AI-systemen zijn een hogere rekenkracht en meer ervaring van de mensen. In een waarschijnlijke toekomst kunnen nieuwe medische inzichten en diagnoses worden bereikt met AI zonder menselijke leiding of toezicht.

***

{U kunt de originele onderzoekspaper lezen door op de DOI-link hieronder in de lijst met geciteerde bron(nen) te klikken}

Bron (nen)

1. Kermany DS et al. 2018. Medische diagnoses en behandelbare ziekten identificeren door op afbeeldingen gebaseerd diep leren. Cel. 172 (5). https://doi.org/10.1016/j.cell.2018.02.010

2. Poplin R et al. 2018. Voorspelling van cardiovasculaire risicofactoren van retinale fundusfoto's via deep learning. Natuur Biomedische Technologie. 2. https://doi.org/10.1038/s41551-018-0195-0

SCIEU-team
SCIEU-teamhttps://www.ScientificEuropean.co.uk
Wetenschappelijk Europees® | SCIEU.com | Aanzienlijke vooruitgang in de wetenschap. Impact op de mensheid. Inspirerende geesten.

Schrijf je in voor onze Nieuwsbrief!

Om op de hoogte te blijven van het laatste nieuws, aanbiedingen en speciale aankondigingen.

- Advertentie -

Meest populaire artikelen

Heetste temperatuur van 130°F (54.4C) geregistreerd in Californië, VS

Death Valley, Californië registreerde een hoge temperatuur van 130 ° F (54.4 ° C)) ...

Een virtuele grote bibliotheek om snelle ontdekking en ontwerp van geneesmiddelen te ondersteunen

Onderzoekers hebben een grote virtuele dockingbibliotheek gebouwd die...

Securenergy Solutions AG levert economische en milieuvriendelijke zonne-energie

De drie bedrijven SecurEnergy GmbH uit Berlijn, Photon Energy...
- Advertentie -
99,738FansLike
69,696volgersVolg
6,319volgersVolg
31abonneesAanmelden