最近の研究は、重要な病気を医学的に診断する際の人工知能システムの能力を示しています
人工知能（AI）システム have been around for quite some time and are now getting smarter and better with time. AI has applications is multitude areas and is now an integral of most fields. AI can be an essential and useful component of 医療の 科学と研究は、ヘルスケア業界に影響を与える大きな可能性を秘めています。
医療診断における人工知能？
Time is the most valuable resource in healthcare and early appropriate diagnosis is very important for the final outcome of a disease. Healthcare is often a lengthy and a time and resource consuming process, delaying effective diagnosis and in turn delaying the correct treatment. AI can help to fill the gap between availability and time management by doctors by incorporating speed and accuracy in the diagnosis of patients. It could help to overcome limitations of resources and healthcare professionals specially in low- and middle-income countries. AI is a process of learning and thinking just like 人間 through a concept called deep-learning. Deep learning utilizes broad sets of sample data to create decision trees by itself. With this deep learning, an AI system can actually think just like humans, if not better, and therefore AI could be deemed fit to carry out medical tasks. When diagnosing patients, AI systems keep looking for patterns among patients with same illnesses. Over time, these patterns can construct a foundation for predicting diseases before they are manifested.
最近の研究で1 に発表され セル、研究者は使用しています 人工の 一般的であるが目がくらむ網膜疾患の患者をスクリーニングするための新しい計算ツールを開発するためのインテリジェンスと機械学習の技術。診断と治療をスピードアップする可能性があります。 研究者は、AIベースのニューラルネットワークを使用して、網膜に光を反射させて組織の200,000Dおよび2D表現を作成する非侵襲的技術で実施された3を超える眼のスキャンをレビューしました。 次に、「転移学習」と呼ばれる手法を採用しました。この手法では、XNUMXつの問題を解決することで得られた知識がコンピューターに保存され、異なるが関連する問題に適用されます。 たとえば、網膜、角膜、視神経などの眼の個別の解剖学的構造を認識するように最適化されたAIニューラルネットワークは、眼全体の画像を検査するときに、それらをより迅速かつ効率的に識別および評価できます。 このプロセスにより、AIシステムは、大きなデータセットを必要とする従来の方法よりもはるかに小さなデータセットで徐々に学習できるようになり、費用と時間がかかります。
The study focused on two common causes of irreversible blindness which are treatable when detected early. Machine-derived diagnoses were compared with diagnoses from five ophthalmologists who reviewed the same scans. In addition to making a medical diagnosis, the AI platform also generated a referral and treatment recommendation which has not been done in any previous study. This trained AI system acted just like a well-trained ophthalmologist and could generate a decision within 30 seconds on whether or not the patient should be referred for treatment, with more than 95 percent accuracy. They also tested the AI tool in diagnosing childhood pneumonia, a leading cause of death worldwide in children (under the age of 5) based on machine analyses of chest X-rays. Interestingly, the computer program was able to differentiate between viral and 細菌性の pneumonia with more than 90 percent accuracy. This is crucial because though viral pneumonia is naturally rid by the body after its course, bacterial pneumonia on the other hand tends to be a more serious health threat and requires immediate treatment with antibiotics.
別の大きな飛躍で2 医療診断用の人工知能システムでは、科学者は、個人の網膜を撮影した写真を機械学習アルゴリズムまたはソフトウェアで分析して、心臓病を示す信号を特定することで心血管系の心臓リスクを予測できることを発見しました。 写真に写っている目の血管の状態は、年齢、性別、民族性、血圧、以前の心臓発作、喫煙習慣を正確に予測することが示され、これらすべての要因が集合的に個人の心臓関連疾患を予測します。
情報ブロックとしての目
目の写真を見て健康を診断するというアイデアは、しばらく前からありました。 人間の目の後部内壁には、体の全体的な健康状態を反映する血管がたくさんあることはよく知られています。 これらの血管の外観をカメラと顕微鏡で調べて分析することで、個人の血圧、年齢、喫煙者、非喫煙者などに関する多くの情報を予測することができ、これらはすべて個人の心臓の健康の重要な指標です。 。 心血管疾患（CVD）は、世界で最も多い死因であり、他の疾患や状態と比較して、CVDで死亡する人の数が多くなっています。 これは低中所得国でより一般的であり、経済と人類に大きな負担をかけています。 心血管リスクは、運動や食事と組み合わせて、遺伝子、年齢、民族性、性別などの多数の要因に依存します。 ほとんどの心血管疾患は、タバコの使用、肥満、運動不足、不健康な食事などの行動上のリスクに対処することで、起こりうるリスクに対処するために大幅なライフスタイルの変更を行うことで予防できます。
網膜画像を用いた健康診断
Googleと自社の医療技術会社であるVerilyLife Sciencesの研究者が実施したこの調査では、人工知能アルゴリズムが約280,000万人の患者の網膜写真の大規模なデータセットに使用され、このアルゴリズムが12000つの心臓のリスク要因を完全に予測できたことが示されました。約1000人と70人の患者の独立したデータセットで、かなり正確です。 アルゴリズムは、網膜の写真全体を使用して、画像と心臓発作のリスクとの関連を定量化しました。 このアルゴリズムは、患者の心血管イベントを71％の確率で予測でき、実際、このテストでは喫煙者と非喫煙者もXNUMX％の確率で区別できました。 このアルゴリズムは、心臓の状態を示す高血圧を予測し、高血圧の有無にかかわらずほとんどの患者の範囲内で収縮期血圧（心臓が鼓動するときの血管内の圧力）を予測することもできます。 著者によると、この予測の精度は、患者の病歴と並行してコレステロール値を測定するために患者から血液を採取する検査室での心臓血管検査と非常に似ています。 この研究のアルゴリズムは、 ネイチャーバイオメディカルエンジニアリング、おそらく心臓発作などの主要な心血管イベントの発生も予測できます。
これらの研究の非常に興味深く重要な側面は、コンピューターが画像のどこを見ているかを判断して診断に到達できることであり、予測プロセスを理解することができます。 たとえば、Googleによる調査では、「網膜のどの部分」が予測アルゴリズムに貢献したか、つまりアルゴリズムがどのように予測を行っているかが正確に示されました。 この理解は、この特定のケースでの機械学習方法を理解するためだけでなく、それを透明にすることによってこの方法論全体に対する信頼と信頼を生み出すためにも重要です。
課題
このような医用画像は、主にこれらの画像のいくつかの特徴、色、値、形状などのために、そのような画像に基づいて関連を観察して定量化することは簡単ではないため、課題が伴います。 この研究では、ディープラーニングを使用して、医療専門家が患者の症状を病気と相関させている場合と同じように、人体の変化（体の内部形態）と病気の間の関係、関連性、関係を引き出します。 。 これらのアルゴリズムは、臨床現場で使用する前に、さらにテストが必要です。
議論や課題にもかかわらず、AIは、人間の専門家にとって困難な膨大な量のデータを含む分析と分類を行うことにより、病気の診断と管理に革命を起こす大きな可能性を秘めています。 これは、高速で費用効果が高く、非侵襲的な代替画像ベースの診断ツールを提供します。 AIシステムを成功させるための重要な要素は、より高い計算能力と人々のより多くの経験です。 将来的には、人間の指示や監視なしにAIを使用して新しい医学的洞察と診断を実現できる可能性があります。
***
{引用元のリストにある以下のDOIリンクをクリックすると、元の研究論文を読むことができます}
ソース
1. Kermany DS etal。 2018.画像ベースのディープラーニングによる医学的診断と治療可能な病気の特定。 細胞。 172（5）。 https://doi.org/10.1016/j.cell.2018.02.010
2.ポプリンRら。 2018.ディープラーニングによる網膜眼底写真からの心血管リスク因子の予測。 ネイチャーバイオメディカルエンジニアリング。 2。 https://doi.org/10.1038/s41551-018-0195-0
