沃森沒有咬醫生，而且很好

儘管與許多其他領域一樣，在一系列診斷失敗後，用人工智慧取代醫生的熱情有所減弱，但開發基於人工智慧的醫學的工作仍在進行中。 因為，儘管如此，它們仍然提供了巨大的機會和提高許多領域營運效率的機會。

IBM 於 2015 年宣布，並於 2016 年獲得了四家主要患者資料公司的資料存取權 (1)。 最著名的計畫與腫瘤學有關，這要歸功於眾多媒體的報道，同時也是使用 IBM 先進人工智慧的最雄心勃勃的計畫。 科學家試圖利用大量的數據資源來處理它們，將它們轉化為量身定制的抗癌療法。 長期目標是讓沃森做出判斷 臨床試驗 和結果，就像醫生所做的那樣。

1. Watson Health醫療系統的可視化之一

然而，事實證明 沃森 無法獨立查閱醫學文獻，也無法從病患的電子病歷中檢索資訊。 然而，對他最嚴重的指控是 無法有效地將新患者與其他老年癌症患者進行比較，並發現乍看之下的症狀.

誠然，有些腫瘤學家聲稱相信他的判斷，儘管主要是沃森對標準治療的建議或作為額外的補充醫學意見。 許多人表示，該系統對醫生來說將是個優秀的自動化圖書館員。

由於評價不太好，IBM 向美國醫療機構出售Watson系統的問題。 IBM銷售代表能夠將其出售給印度、韓國、泰國等國家的一些醫院。 在印度，醫生對 638 例乳癌病例評估了沃森的建議。 治療建議的遵守率為 73%。 更差 沃森 他從韓國嘉泉醫療中心退學，在那裡他為 656 名結腸直腸癌患者提供的最佳建議與專家的建議相符，只有 49% 的情況。 醫生評估認為 沃森在治療老年患者方面表現不佳未能向他們提供某些標準藥物，並讓一些患有轉移性疾病的患者接受積極治療，從而犯了一個嚴重錯誤。

最終，儘管他作為診斷學家和醫生的工作被認為是不成功的，但事實證明他在某些領域非常有用。 產品 華生基因組學與北卡羅萊納大學、耶魯大學等機構合作開發，採用 為腫瘤學家準備報告的基因實驗室。 Watson 下載清單文件 基因突變 患者可以在幾分鐘內產生一份報告，其中包括所有重要藥物和臨床試驗的建議。 沃森相對輕鬆地處理遺傳訊息因為它們出現在結構化文件中並且不包含歧義 - 要么有突變，要么沒有突變。

北卡羅來納大學的 IBM 合作夥伴於 2017 年發表了一篇關於效率的論文。 Watson 在其中 32% 的基因中發現了人類研究尚未發現的潛在重要突變。 研究了患者，使他們成為新藥的良好候選者。 然而，仍然沒有證據表明使用可以帶來更好的治療效果。

馴服松鼠

這個例子和許多其他例子使人們越來越相信，醫療保健方面的所有差距都正在解決，但我們需要尋找它能夠真正提供幫助的領域，因為那是人們做得不太好的領域。 這樣的欄位例如是 蛋白質研究。 去年，有報告指出它可以根據蛋白質的序列準確預測蛋白質的形狀 (2)。 傳統上，這不僅超出了人類的能力，甚至超出了強大的電腦的能力。 如果我們能夠準確地模擬蛋白質分子的摺疊，基因療法將具有巨大的潛力。 科學家希望透過 AlphaFold，我們能夠研究數千種功能，使我們能夠了解許多疾病的原因。

2. 使用 DeepMind 的 AlphaFold 建模蛋白質折疊。

現在 我們知道兩億個蛋白質，但我們完全了解其中一小部分的結構和功能。 蛋白質 它是生物體的基本組成部分。 它們負責細胞中發生的大部分過程。 它們如何運作以及做什麼是由它們的三維結構決定的。 它們在沒有任何指示的情況下，在物理定律的指導下採取適當的形式。 幾十年來，確定蛋白質形狀的主要方法一直是實驗方法。 50年代使用 X射線晶體學方法。 在過去十年中，它已成為首選的研究工具 晶體顯微鏡。 在八十年代和九十年代，人們開始使用計算機來確定蛋白質的形狀。 然而，結果仍然沒有讓科學家滿意。 對某些蛋白質有效的方法對其他蛋白質無效。

已經是2018年了 折疊 獲得了專家的認可 蛋白質建模。 然而，當時它使用的方法與其他程序非常相似。 科學家改變了他們的策略，創造了另一種策略，該策略也使用了有關蛋白質折疊的物理和幾何約束的資訊。 折疊 結果不均勻。 有時事情對他來說會更好，有時會更糟。 但他的預測幾乎有三分之二與實驗方法所得的結果相符。 2年初，該演算法描述了SARS-CoV-3病毒的幾種蛋白質的結構。 後來發現Orf2020a蛋白的預測與實驗結果一致。

這不僅涉及了解蛋白質如何內部折疊，還涉及設計。 NIH BRAIN Initiative 的研究人員使用 機器學習 開發一種可以即時監測大腦中血清素水平的蛋白質。 血清素是一種神經化學物質，在大腦控制我們的思想和感受方面發揮關鍵作用。 例如，許多抗憂鬱藥物旨在改變神經元之間傳遞的血清素訊號。 在《細胞》雜誌上的一篇文章中，科學家描述了他們如何使用先進的 基因工程方法 將細菌蛋白轉變為一種新的研究工具，可以比現有方法更精確地追蹤血清素的傳輸。 主要在小鼠身上進行的臨床前實驗表明，該感測器可以立即檢測到睡眠、恐懼和社交互動期間大腦中血清素水平的細微變化，並測試新型精神活性藥物的有效性。

對抗疫情的鬥爭並不總是成功

畢竟，這是我們在 MT 中寫的第一個流行病。 但比如說，如果我們談論疫情本身的發展，那麼在最初階段，人工智慧似乎是失敗的。 科學家抱怨說 人工智能 無法根據以往流行病的數據正確預測冠狀病毒的傳播程度。 「這些解決方案在某些領域效果很好，例如用一定數量的眼睛和耳朵識別臉。 SARS-CoV-2 流行病 這些都是以前未知的事件和許多新的變量，因此基於歷史資料來訓練的人工智慧效果不佳。 這場大流行表明我們需要尋找其他技術和方法，」Skoltech 的 Maxim Fedorov 於 2020 年 XNUMX 月在給俄羅斯媒體的聲明中表示。

隨著時間的推移出現了 然而，演算法似乎證明了人工智慧在對抗 COVD-19 方面具有更大的用處。 美國科學家在 2020 年秋季開發了一種系統，可以識別 COVID-19 患者的典型咳嗽模式，即使他們沒有其他症狀。

當疫苗問世後，幫助人們進行疫苗接種運動的想法就誕生了。 例如，她可以 幫助建立疫苗運輸和物流模型。 也要確定哪些人群應該先接種疫苗，以便快速應對大流行。 它還將有助於預測需求並優化疫苗接種的時間和速度，快速發現問題和物流瓶頸。 將演算法與持續監控相結合還可以快速提供有關可能的副作用和健康事件的資訊。

這些 使用人工智慧的系統 在優化和改善醫療保健方面的作用已經眾所周知。 他們的實際優勢受到讚賞； 例如，美國史丹佛大學Macro-Eyes開發的醫療保健系統。 與許多其他醫療機構的情況一樣，問題是缺乏未到診的患者。 微距眼睛 建立了一個系統，可以可靠地預測哪些患者可能不會在那裡。 在某些情況下，他還可以建議替代的診所時間和地點，這將增加患者出現的機會。 後來，在美國國際開發署等機構的支持下，類似的技術在從阿肯色州到奈及利亞的多個地區得到應用。

在坦尚尼亞，Macro-Eyes 開展了一個項目，旨在 提高兒童免疫接種率。 該軟體分析了需要發送到給定疫苗接種中心的疫苗劑量。 他還能夠評估哪些家庭可能不願意為孩子接種疫苗，但可以透過適當的論點和在方便的地點確定疫苗接種中心來說服哪些家庭。 使用該軟體，坦尚尼亞政府能夠將其免疫計劃的效率提高 96%。 將疫苗浪費減少到每2,42人100個。

在塞拉利昂，缺乏居民健康數據，該公司試圖將其與教育資訊相匹配。 事實證明，僅教師和學生的數量就足以預測 70%。 當地診所是否可以獲得清潔水的準確性，這已經是居住在那裡的人們的健康數據的痕跡（3）。

3. 非洲人工智慧醫療保健計畫的宏觀圖解。

機器醫生的神話依然存在

儘管失敗了 沃森 新的診斷方法仍在開發中，並被認為越來越先進。 2020 年 XNUMX 月在瑞典進行的比較。 用於乳癌影像診斷 結果表明，他們中最優秀的人表現得和放射科醫生一樣好。 該演算法使用在常規篩檢過程中獲得的近九千張乳房X光檢查影像進行了測試。 三個系統分別為 AI-1、AI-2 和 AI-3，準確率分別為 81,9% 和 67%。 和 67,4%。 相較之下，在將這些影像解釋為第一張影像的放射科醫生中，這一數字為 77,4%，在本例中 放射科醫生第二個描述的人是80,1%。 最好的演算法還能夠發現放射科醫生在篩檢過程中遺漏的病例，並且女性在不到一年的時間內就被診斷出患有這種疾病。

研究人員表示，這些結果證明 人工智慧演算法 幫助糾正放射科醫師所做的假陰性診斷。 將 AI-1 的功能與放射科醫生的平均水平相結合，可將檢測到的乳癌數量增加 8%。 進行這項研究的皇家研究所團隊預計人工智慧演算法的品質將繼續提高。 實驗的完整描述發表在《JAMA Oncology》雜誌上。

W 採五分制。 目前，我們看到技術顯著加速並達到 IV 級（高度自動化），系統獨立自動處理接收到的數據並向專家提供預分析資訊。 這可以節省時間、避免人為錯誤並提供更有效率的患者護理。 這是他幾個月前的判斷 史丹·A.I. 在與他密切相關的醫學領域，教授。 雅努斯·布拉齊維奇 波蘭核子醫學會在給波蘭通訊社的聲明中表示。

4. 醫學影像的機器審查

根據教授等專家的說法，演算法。 布拉齊耶維奇甚至在這個行業中是不可取代的。 原因是診斷影像檢查的數量迅速增加。 僅適用於 2000 年至 2010 年期間。 MRI 研究和檢查的數量增加了十倍。 不幸的是，能夠快速可靠地進行這些治療的醫療專家的數量並沒有增加。 合格的技術人員也很短缺。 基於人工智慧的演算法的引入可以節省時間，實現程式的完全標準化，並避免人為錯誤，為患者提供更有效、個人化的治療。

事實證明，也 法醫學 可以受益於 人工智慧的發展。 該領域的專家可以透過對蠕蟲和其他以死亡組織為食的生物的分泌物進行化學分析來確定死者的確切死亡時間。 當分析中包含不同類型壞死噬菌體的分泌物混合物時，就會出現問題。 這就是機器學習發揮作用的地方。 奧爾巴尼大學的科學家們開發了 人工智慧方法可以更快地識別蠕蟲物種 基於他們的“化學指紋”。 研究小組使用六種果蠅的化學分泌物的不同組合來訓練他們的電腦程式。 他使用質譜技術破解了昆蟲幼蟲的化學特徵，該技術透過精確測量離子的質量與電荷之比來識別化學物質。

所以，正如你所看到的，然而 人工智慧作為一名調查偵探 不太好，但它在犯罪實驗室中可能非常有用。 在現階段，我們可能對此期望過高，預計演算法會讓醫生失業 (5)。 當我們看 人工智能 更現實的是，透過專注於具體的實際利益而不是整體，她的醫學事業看起來再次充滿希望。

5.醫生車視野