كيف يغير التعلم العميق الرعاية الصحية الجزء الأول: التشخيص

يستعد الذكاء الاصطناعي لإحداث تأثير عميق ودائم على الرعاية الصحية ، مدفوعًا بثلاثة اتجاهات قوية:

1. أصبحت وحدات معالجة الرسومات (GPU) أسرع وأكثر كفاءة في استخدام الطاقة.

حتى وقت قريب ، نادراً ما كان تشغيل خوارزميات الذكاء الاصطناعي فعالاً من حيث التكلفة.

2. أصبحت الخوارزميات أكثر تعقيدًا.

نظرًا لأنه يمكننا الآن استخدام نماذج التعلم العميق بجزء بسيط من التكاليف السابقة ، فإن الابتكار ينفجر.

3. كثرة بيانات الرعاية الصحية.

بفضل السجلات الصحية الإلكترونية وجهود الرقمنة الأخرى ، لدينا المزيد من بيانات الرعاية الصحية لاستخدامها في تدريب الخوارزميات أكثر من أي وقت مضى.

قبل بضع سنوات ، كان أقل من عشرين شركة ناشئة في مجال الذكاء الاصطناعي تركز على الرعاية الصحية ، وفقًا لـ CB Insights. يوجد اليوم أكثر من 100 شركة ناشئة في مجال الذكاء الاصطناعي مرتبطة بالرعاية الصحية.

ترك هذا العديد من الأطباء في حيرة من أمرهم حول كيفية الاستعداد لما سيأتي غدًا ، اليوم. إليك الطرق التي يعمل بها التعلم العميق على تغيير الرعاية الصحية في الوقت الحالي ، وإرشادات حول شراء الأجهزة المناسبة للاستعداد لثورة الذكاء الاصطناعي القادمة.

نظرة عامة على المصطلحات

مسرد مصطلحات الذكاء الاصطناعي (عبر Fortune)

تشخيصات أسرع وأكثر دقة من خلال التعلم العميق

عندما تفكر في الأمر ، فإن تشخيص الأمراض هو المهمة المثالية للذكاء الاصطناعي. التعلم العميق هو كل شيء عن تحديد الأنماط من خلال ربط النقاط.

ضع في اعتبارك كلبًا. المكونات: شعر ، عينان ، أربع أرجل ، ذيل. أصغر من الإنسان وأكبر من القطة. "تتعلم" خوارزمية التعلم العميق - على مدى العديد من دورات إدخال البيانات وتحليلها واختبارها - ما هي كل منها ، ويمكنها بعد ذلك تحديد الكلب من أجزائه المكونة.

في حالة المرض ، النقاط هي الأعراض والاضطرابات ذات الصلة. السعال والعطس والتهاب الحلق: يجب أن يكون نزلة برد.

تتحسن خوارزميات التعلم العميق في التشخيص بنفس الطريقة التي يقوم بها الأطباء: بالممارسة. مثل الطبيب ، تقوم الخوارزمية بالتخمين وتعرف ما إذا كانت صحيحة أم لا بناءً على ما إذا كان المريض يستجيب للعلاج أو تظهر عليه أعراض جديدة تشير إلى أن التشخيص الأولي قد توقف. يتم إدخال هذه المعلومات في الخوارزمية عبر بيانات السجلات الصحية الإلكترونية.

كيف تتعلم الشبكة العصبية العميقة (عبر Fortune)

أحد الاختلافات المهمة بين الطبيب وخوارزمية التعلم العميق هو أن الطبيب يجب أن ينام. بمجرد تدريب خوارزمية ، يمكن أن تعمل (وتتحسن) باستمرار.

سيرى الطبيب ويتعلم من آلاف صور التصوير بالرنين المغناطيسي في حياته. يمكن أن ترى الخوارزمية تريليونات. مثل كل البشر ، الأطباء عرضة للخطأ. مع الذكاء الاصطناعي ، لا يوجد خطر الإصابة بالمرض أو التعب أو الانشغال. لن تمارس الطب الدفاعي ولن تتعثر في طرقها.

كيف يبدو هذا في الممارسة؟

يمكن أن يحدد التعلم الآلي بالفعل ما إذا كانت الآفات الجلدية سرطانية بنفس دقة طبيب الأمراض الجلدية المعتمد ، كما أوضح العلماء في جامعة ستانفورد في وقت سابق من هذا العام.

عندما تم تشخيص رفيق حسام حايك في السكن بسرطان الدم ، كان مصدر إلهامه لابتكار جهاز استشعار لعلاج السرطان. قال هايك لصحيفة نيويورك تايمز: "لكن بعد ذلك أدركت أن التشخيص المبكر يمكن أن يكون بنفس أهمية العلاج نفسه". لذلك قام ببناء آلة تستخدم الذكاء الاصطناعي لمعرفة ماهية رائحة الأمراض المختلفة. مع كل شم ، تصبح الخوارزمية أكثر دقة. اعتبارًا من ديسمبر الماضي ، تمكنت من تحديد 17 مرضًا مختلفًا بدقة تصل إلى 86 ٪.

يستخدم Enlitic التعلم العميق للكشف عن عقيدات الرئة في الصور الشعاعية والتصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي وتحديد ما إذا كانت حميدة أو خبيثة. يدعي الرئيس التنفيذي إيغور باراني ، الأستاذ السابق في علم الأورام بالإشعاع في جامعة كاليفورنيا في سان فرانسيسكو ، أن خوارزميات Enlitic تفوقت في الأداء على أربعة من علماء الأشعة في الاختبار. قال الباراني لـ Medical Futurist:

"حتى وقت قريب ، كانت برامج الكمبيوتر التشخيصية تُكتب باستخدام سلسلة من الافتراضات المحددة مسبقًا حول السمات الخاصة بمرض معين. كان لابد من تصميم برنامج متخصص لكل جزء من أجزاء الجسم ويمكن فقط تحديد مجموعة محدودة من الأمراض ، مما يمنع مرونتها وقابليتها للتوسع. غالبًا ما تبالغ البرامج في تبسيط الواقع ، مما أدى إلى ضعف الأداء التشخيصي ، وبالتالي لم تصل أبدًا إلى اعتماد سريري واسع النطاق. في المقابل ، يمكن للتعلم العميق أن يتعامل بسهولة مع مجموعة واسعة من الأمراض في الجسم بأكمله ، وجميع طرق التصوير (الأشعة السينية ، والأشعة المقطعية ، وما إلى ذلك). "

يستخدم Freenome التعلم العميق للعثور على السرطان في عينات الدم ، أو بشكل أكثر تحديدًا ، شظايا الحمض النووي التي تنبعث منها خلايا الدم عند موتها. أرسلت شركة رأس المال الاستثماري Andreessen Horowitz للشركة خمس عينات دم لتحليلها كاختبار مسبق للاستثمار. مضت الشركة قدما في استثمارها بعد أن حددت Freenome الخمسة - اثنان عادي وثلاثة سرطانية - بشكل صحيح. قال المؤسس غابرييل أوتي لـ Fortune أن خوارزمية التعلم العميق الخاصة به تكتشف توقيعات السرطان التي لم يصفها علماء بيولوجيا السرطان بعد.

في مايو ، أخبر علي بارسا ، المؤسس والرئيس التنفيذي لشركة Babylon Health ، البرنامج التكنولوجي "Hot Topics" أن فريقه قد قدم مؤخرًا أول نظام فرز سريري في العالم يعمل بالذكاء الاصطناعي للاختبار الأكاديمي ، حيث أثبت نظامه أنه أكثر دقة بنسبة 13٪ من الطبيب. و 17٪ أكثر دقة من الممرضة.

ما مدى واقعية التنفيذ؟

بينما أصبح التعلم الآلي سريعًا وسيلة أفضل لتشخيص الأمراض ، إلا أنه أصبح أكثر جدوى للاستخدام العام مؤخرًا. قبل الآن ، كان الأمر مكلفًا للغاية ليتم تنفيذه بأي طريقة منتشرة.

بفضل المعالجات الأحدث التي تعمل بشكل أسرع من أي وقت مضى بينما تتطلب طاقة أقل ، يتقدم التعلم الآلي بوتيرة سريعة وبأسعار معقولة.

كما يلاحظ بارا في الفيديو أعلاه ، قبل عشر سنوات ، كان النظر إلى كل جزء من جسمك للعثور على المرض وتشخيصه يكلف مليون دولار. اليوم ، انخفضت هذه التكلفة إلى 10000 دولار وتشمل التسلسل الجيني.

حصلت إحدى شركات التصوير الطبي على موافقة إدارة الغذاء والدواء الأمريكية لبيع برامج مدعومة بالذكاء الاصطناعي للأطباء. في كانون الثاني (يناير) ، حصلت Arterys على الضوء الأخضر لـ "DeepVentricle" ، وهي خوارزمية التعلم العميق التي يمكنها حساب سعة قلب المريض بدقة مثل الطبيب في أقل من 30 ثانية. على النقيض من ذلك ، يستغرق تحليل صور التصوير بالرنين المغناطيسي لإكمال العمليات الحسابية يدويًا حوالي ساعة.

تتوقع مهندسة الطب الحيوي والأستاذة كريستينا ديفيس أنه في غضون ثلاث إلى خمس سنوات ، سيتمكن الأطباء من الوصول إلى خوارزميات التعلم العميق للمساعدة في التشخيص.

استعد للتعلم العميق باستخدام الأجهزة المناسبة

يرجع جزء كبير من الزيادة في القوة الحسابية منذ أواخر العقد الأول من القرن الحادي والعشرين إلى الرقائق التي صممتها Nvidia لزيادة الواقعية المرئية لألعاب الفيديو. تبين أن استخدام وحدات معالجة الرسومات (GPU) للتعلم العميق أكثر كفاءة من 20 إلى 50 مرة من استخدام وحدات المعالجة المركزية (وحدات المعالجة المركزية).

في أغسطس 2016 ، أعلنت Nvidia أن إيراداتها الفصلية قد تضاعفت على أساس سنوي لقطاع مركز البيانات الخاص بها ، لتصل إلى 151 مليون دولار. أخبر المدير المالي كوليت كريس المستثمرين أن "الغالبية العظمى من النمو يأتي من التعلم العميق إلى حد بعيد".

في عام 2016 ، اشترت إنتل شركتين ناشئتين للتعلم العميق Nervana Systems و Movidius بينما كشفت Google النقاب عن وحدات معالجة الموتر (TPUs) المصممة خصيصًا لتسهيل التعلم العميق.

اليوم ، تستهدف Nvidia الصناعة الطبية. يريد مدير تطوير الأعمال في الشركة Kimberley Powell رؤية معالجات Nvidia المستخدمة لتلبية الحاجة إلى تحليل التعلم العميق للتصوير الطبي.

ذكرت فيوتشرزم أن "أجهزة Nvidia أثبتت دورها الصامت ولكن البارز في زواج التعلم العميق بالطب." تقوم الشركة ببناء أجهزة كمبيوتر قوية مصممة لتشغيل الحسابات بسرعة وكفاءة والتي يمكن أن تجعل التشخيص أسرع وأكثر دقة. يأمل باول في تثبيت Nvidia's DGX-1 في المستشفيات ومراكز البحوث الطبية في جميع أنحاء العالم.

بعض المستشفيات - مثل مركز علوم البيانات السريرية الجديد بمستشفى ماساتشوستس العام - تستخدم بالفعل هذه الأجهزة الجديدة لصحة السكان ، وتقارن نتائج اختبارات المرضى والتاريخ الطبي لتحديد الارتباطات في البيانات.

استنتاج

تعمل الشبكات العصبية العميقة على تغيير طريقة تشخيص الأطباء للأمراض ، مما يجعل التشخيص أسرع وأرخص وأكثر دقة من أي وقت مضى. تتطلب الاستفادة من هذه التطورات خطوات تحضيرية معينة ، مثل ترقية أجهزتك.

عندما تكون مستعدًا للترقية ، تأكد من الاستثمار في الأنظمة التي يمكنها التعامل مع المتطلبات الحسابية للتعلم العميق وصحة السكان.

في الأسبوع المقبل ، سنناقش طريقة أخرى يغير بها التعلم العميق الرعاية الصحية: الوقاية من الأمراض. سنتحدث أيضًا عن إدارة الممارسات الطبية وبرامج السجلات الصحية الإلكترونية التي ستحتاج إليها لبدء استخدام التعلم العميق في ممارستك.

لمعرفة المزيد حول الذكاء الاصطناعي والرعاية الصحية ، راجع هذه المنشورات:

• ما هو الطب الدقيق؟ مقدمة بسيطة للأطباء المرتبكين
• 5 شركات ناشئة في مجال الرعاية الصحية بالذكاء الاصطناعي يجب أن تعرفها الشركات الصغيرة والمتوسطة
• 5 طرق للذكاء الاصطناعي تؤثر على الخدمات الصحية عن بعد