Портфоліо до проекту "Штучний інтелект", Резнік Марія

Тема статті

Штучний інтелект в медицині

Опис проблеми

Штучний інтелект (Машинне навчання) досяг значних успіхів у фармако- та біотехнологічній промисловості.

4 способи застосування штучного інтелекту в медицині:

• діагностика,
• розробка ліків,
• персоналізація лікування
• редагування генів

1. Діагностувати захворювання та штучний інтелект. Для правильної діагностики захворювань потрібні роки медичної підготовки. Діагностика часто є важким, трудомістким процесом. У багатьох сферах попит на експертів значно перевищує наявну пропозицію. Це створює навантаження на лікарів і часто затримує життєво-важливу діагностику пацієнтів.

Машинне навчання – особливо алгоритми глибокого навчання – останнім часом досягло величезного прогресу в автоматичному діагностуванні захворювань, зробивши діагностику більш дешевою та доступною.

Як машини вчаться діагностувати Алгоритми машинного навчання можуть навчитися бачити закономірності аналогічно тому, як їх бачать лікарі. Ключова відмінність полягає в тому, що алгоритмам потрібно багато конкретних прикладів – багато тисяч – для того, щоб навчитися. І ці приклади мають бути акуратно оцифровані – машини не можуть читати між рядків у підручниках.

Тому машинне навчання особливо корисне в тих областях, де діагностична інформація, яку вивчає лікар, уже оцифрована.

Як от:

• Виявлення раку легенів або інсультів на основі компютерної томографії (КТ)
• Оцінка ризику раптової серцевої смерті або інших серцевих захворювань на основі електрокардіограм та МРТ серця
• Класифікація уражень шкіри на зображеннях шкіри
• Знаходження показників діабетичної ретинопатії на очних зображеннях

Оскільки в цих випадках є багато даних, алгоритми стають настільки ж хорошими в діагностиці, як і експерти. Різниця полягає в тому, що алгоритм може робити висновки за долі секунди, і його можна недорого використовувати у всьому світі. Незабаром усі та скрізь зможуть отримати доступ до однакової якості провідного фахівця з радіологічної діагностики та за низьку ціну, яким буде штучний інтелект.

Незабаром з’явиться більш просунута діагностика штучного інтелекту (ШІ) Застосування машинного навчання в діагностиці тільки починається – більш амбітні системи передбачають поєднання декількох джерел даних (КТ, МРТ, геноміка та протеоміка, дані про пацієнтів і навіть рукописні файли) при оцінці захворювання або його прогресування.

ШІ не скоро замінить лікарів Навряд чи штучний інтелект замінить лікарів одразу. Натомість системи ШІ застосовуватимуться для показу потенційно злоякісних уражень або небезпечних серцевих ознак для експерта – дозволяючи лікарю зосередитись на інтерпретації цих сигналів.

2. Швидка розробка ліків та штучний інтелект.

Розробка ліків – горезвісно дорогий процес. Багато аналітичних процесів, що беруть участь у розробці ліків, можна зробити ефективнішими за допомогою машинного навчання. Це має потенціал позбавити років роботи та вивільнити сотні мільйонів інвестицій.

процес розробки ліків ШІ вже успішно застосовується на всіх 4 основних етапах розробки ліків:

Етап 1: Визначення цілей для втручання 2 етап: виявлення ефективних ліків 3 етап: прискорення клінічних випробувань Етап 4: Пошук біомаркерів для діагностики захворювання

Етап 1: Визначення цілей для втручання Першим кроком у розробці ліків є розуміння біологічного походження захворювання (шляхів), а також механізмів його резистентності. Тоді вам доведеться визначити хороші мішені (як правило, білки) для лікування захворювання.

Алгоритми машинного навчання дозволяють легше проаналізувати всі наявні дані та, навіть, навчитись автоматично визначати хороші цільові білки.

Етап 2: Знайти ефективні ліки Далі потрібно знайти з’єднання, яке може взаємодіяти з ідентифікованою цільовою молекулою бажаним чином. Це передбачає перевірку великої кількості – часто багато тисяч чи навіть мільйонів – потенційних сполук на їх вплив на ціль (спорідненість), не кажучи вже про їхні цільові побічні ефекти (токсичність). Ці сполуки можуть бути природними, синтетичними або біоінженеріями.

Однак нинішнє програмне забезпечення часто є неточним і призводить до багато поганих пропозицій (помилкових позитивних результатів) – тому потрібно дуже багато часу, щоб звузити його до найкращих варіантів на роль ліків.

Тут також можуть допомогти алгоритми машинного навчання.

Етап 3: Прискорення клінічних випробувань Важко знайти відповідних кандидатів для клінічних випробувань. Якщо ви виберете неправильних кандидатів, це продовжить випробування – це затратить чимало часу та ресурсів.

застосування штучного інтелекту в медицині Машинне навчання може прискорити розробку клінічних випробувань шляхом автоматичного визначення відповідних кандидатів, а також забезпечення правильного розподілу для груп учасників випробувань. Алгоритми можуть допомогти визначити закономірності, які відокремлюють хороших кандидатів від поганих. Вони також можуть слугувати системою раннього попередження для клінічного випробування, яке не дає переконливих результатів – дозволяючи дослідникам втручатися раніше і потенційно економити розробку препарату.

Етап 4: Знайти біомарки для діагностики захворювання Ви можете лікувати пацієнтів від захворювання лише після того, як ви впевнені у своєму діагнозі. Деякі методи дуже дорогі і включають складне лабораторне обладнання, а також експертні знання – наприклад, послідовність цілих геномів.

Біомаркери– це молекули, які знаходяться в тілесних рідинах (як правило, крові людини), які забезпечують абсолютну впевненість у тому, чи є у пацієнта захворювання чи ні. Вони роблять процес діагностики захворювання безпечним і дешевим.

Ви також можете використовувати їх для точного визначення прогресування хвороби – полегшуючи лікарям вибрати правильне лікування та контролювати, чи діє препарат.

Але виявити підходящі біомарки для певного захворювання важко. Це ще один дорогий, трудомісткий процес, який включає скринінг десятків тисяч потенційних кандидатів на молекули.

Штучний інтелект може автоматизувати значну частину ручної роботи та прискорити процес. Алгоритми класифікують молекули на добрих і поганих кандидатів, що допомагає клініцистам зосередитися на аналізі найкращих перспектив.

Біомаркери можна використовувати для ідентифікації:

• Наявності захворювання якомога раніше – діагностичний біомаркер
• Ризику розвитку захворювання – біомаркер ризику
• Ймовірного прогресу захворювання – прогностичний біомаркер
• Чи позитивно вплине на пацієнта препарат, що передбачає біомаркер

ЧИ МОЖУТЬ ТЕХНОЛОГІЇ ВИЛІКУВАТИ ПСИХІЧНІ ХВОРОБИ?

3. Персоналізувати лікування Різні пацієнти реагують на лікарські засоби та схеми лікування по-різному. Тож персональне лікування має величезний потенціал для збільшення тривалості життя пацієнтів. Але визначити, які фактори повинні впливати на вибір лікування, дуже важко.

Машинне навчання може автоматизувати цю складну статистичну роботу – і допоможе виявити, які характеристики свідчать про те, що пацієнт матиме певну позитивну реакцію на певне лікування . Тож алгоритм може передбачити ймовірну реакцію пацієнта на певне лікування.

Система ШІ вчиться цьому шляхом перехресного посилання на подібних пацієнтів та порівняння їх лікування та результатів. Отримані результати прогнозування лікарів значно спрощують розробити правильного плану лікування. 

4. Поліпшити редагування генів Поліпшити редагування генів. Штучний інтелект і медицина Кластеризовані регулярно переміщені короткі паліндромні повтори (CRISPR), зокрема система CRISPR-Cas9 для редагування генів, – це великий стрибок у нашій здатності ефективно редагувати ДНК.

Ця методика спирається на короткі направляючі РНК (sgRNA) для націлювання та редагування конкретного місця на ДНК. Але РНК може відповідати декільком місцем розташування ДНК – і це може призвести до непередбачуваних побічних ефектів (побічних ефектів). Ретельний підбір керівної РНК з найменш небезпечними побічними ефектами є головним вузьким місцем у застосуванні системи CRISPR.

Застосування штучного інтелекту може значно прискорити розробку направляючої РНК для кожної області людської ДНК.

Підсумок. Штучний інтелект в медицині ШІ вже допомагає нам ефективніше діагностувати захворювання, розробляти ліки, персоналізувати лікування та навіть редагувати гени.

Але це лише початок. Чим більше ми оцифровуємо та уніфікуємо свої медичні дані, тим більше ми можемо використовувати штучний інтелект, щоб допомогти нам знайти цінні патерни – моделі, які ми можемо використовувати для прийняття точних, економічно ефективних рішень у складних аналітичних процесах.

Блог до проекту

[1]

Мультимедійна презентація

Презентація

Опитування до проекту

[2]

Спілкування між учасниками проекту

• Спільнота на базі соціальних мереж
• Skype
• Telegram
• Viber
• Wiki-сторінка
• Сайт
• .....

Інформаційні ресурси

Відеоматеріали

Штучний інтелект - друг чи ворог людині? Искусственный интеллект, который нас спасет: как автоматизация может улучшить жизнь человека?

Електронні ресурси

1. https://aiconference.com.ua/uk/news/primenenie-iskusstvennogo-intellekta-v-meditsine-effektivnaya-diagnostika-i-sozdanie-novih-lekarstv-92604
2. https://www.dw.com/uk/%D1%88%D1%82%D1%83%D1%87%D0%BD%D0%B8%D0%B9-%D1%96%D0%BD%D1%82%D0%B5%D0%BB%D0%B5%D0%BA%D1%82-%D1%83-%D0%BC%D0%B5%D0%B4%D0%B8%D1%86%D0%B8%D0%BD%D1%96-%D0%BA%D0%BE%D0%BC%D0%BF%D1%8E%D1%82%D0%B5%D1%80-%D0%B7%D0%BD%D0%B0%D1%94-%D1%89%D0%BE-%D0%B7-%D0%B2%D0%B0%D0%BC%D0%B8-%D0%BD%D0%B5-%D1%82%D0%B0%D0%BA/a-46263476

Центральноукраїнський державний педагогічний університет імені Володимира Винниченка