Sztuczna inteligencja w BigTechu

Koncepcja sztucznej inteligencji i rozwój algorytmów o nią się opierających nieustannie ewoluuje od 1956 roku. Prekursorem AI w naukach medycznych był Marvin Minsky, który przyczynił się do wdrożenia pierwowzoru sztucznej inteligencji. Dynamika postępu jej rozwoju zaowocowała Nagrodą Nobla w 2024 roku w dziedzinie fizyki, a otrzymali ją John J. Hopfield oraz Geoffrey E. Hinton za wkład w rozwój uczenia maszynowego, dzięki sieciom neuronowym bazującym na klasyfikacji obrazu. Posiada cały wachlarz zastosowań i w zależności od dedykowanych technologii mniej lub bardziej wyrafinowane algorytmy. Opiera się o trzy podstawowe filary, na które dzieli się AI – w kontekście od spektrum specjalizacji i złożoności, od wąskiej, poprzez ogólną po superinteligentną sztuczną inteligencję.

AI w medycynie

Bogactwo zastosowań sztucznej inteligencji pozostawia duże pole manewru dla obszaru nauk medycznych, gdzie w zależności od aspektu zapotrzebowania na eksplorację danych mamy do dyspozycji wiele różnych technologii. Dzieli się ona na wirtualną oraz fizyczną – zrobotyzowaną. Począwszy od zaawansowanej technologii klasyfikacji obrazu bazującej na sieciach neuronowych, dzięki której można efektywnie diagnozować poszczególne choroby i ich stadium, by wyeliminować potencjalne ryzyko błędu (fMRI, USG etc.), po robotykę zawiadującą protezami bionicznymi oraz różnego mikromanipulatorami stosowanymi w codziennej pracy medycznej tj. zabiegi chirurgiczne. Wysoki stopień zaawansowania pozwala na zastosowanie autonomicznych robotów oraz sprzętu pozwalającego na swobodne wykonanie operacji jedynie pod nadzorem człowieka, które z wysoką precyzją będą mogły wykonać nawet bardzo wyrafinowane ingerencje chirurgiczne. Poza tym, wysokiej klasy czujniki biomarkerów nanoszone bezpośrednio na skórę i ją imitujące (e3-skin), pozwalają na całodobowy monitoring poszczególnych parametrów biochemicznych na poziomie molekularnym, które są kompleksowo analizowane za pomocą AI. Stanowi doskonałe preludium do personalizacji diagnostyki medycznej oraz prewencji błędnej diagnozy medycznej, chociaż trzeba liczyć się z faktem, że sztuczna inteligencja bywa czasami zawodna, a błędy powstałe w wyniku tego mają rażące skutki dla życia i zdrowia człowieka.

Nanoroboty (inaczej nanomediboty) stosowane w biocybernetyce opierają swój mechanizm działania o szereg algorytmów sztucznej inteligencji. Dedykowany mechanizm personalizowanego dostarczania substancji leczniczych w postaci wektorów-nanobotów. Wyrafinowany mechanizm działania musi bazować na skutecznych i możliwie niezawodnych algorytmach, które minimalizują ryzyko niepowodzenia. Efektywność jest nadrzędnym celem, zwłaszcza jeśli chodzi o celowane terapie medycyny spersonalizowanej, dlatego dobór właściwych algorytmów AI jest kluczowy, np. implementacja algorytmów tj. Adaptive Subgoal Search, który służy do projektowania w cybernetyce. Sukcesywnie dostosowuje się do potrzeb funkcjonalnych w przypadku kombinatorycznych złożoności problemów w działaniu robotów.

Poza tym, platforma Amazon tj. AWS HealthScribe przygotowała dedykowany program do tworzenia dokumentacji klinicznej oraz notatek pracowniczych. Działa na podstawie algorytmów przetwarzania języka naturalnego, tak aby jakość przetwarzanych rozmów lekarza i pacjenta była jak najwyższej jakości w postaci bezpośrednich transkryptów wraz z możliwością edycji notatek służbowych. Dzięki zastosowaniu głębokich sieci neuronowych (ang. deep neural network, DNN) oraz Caffe i TensorFlow można uzyskać oczekiwane efekty, które pozwalają na płynne i sprawne stosowanie odpowiednich serwerów i akceleratorów graficznych, tak aby jakość świadczonych usług była możliwie jak najwyższa. Wysokie wymagania względem jakości sprzętu odnośnie czasu obliczeniowego, czyli możliwości przetwarzania danych w danym czasie, utrudniają dobór metod pozwalających na złożone analizy w czasie rzeczywistym. Istnieją jednak optymalne rozwiązania, w postaci chmur obliczeniowych zapewniające odpowiedni dostęp do właściwego środowiska analitycznego. Wyselekcjonowana metodologia bazująca na algorytmach AI, dedykowana np. biocybernetyce takiej jak zminiaturyzowane roboty cechuje się wysoką skutecznością, bazującą na sieciach antagonistycznych (ang. adversarial neural network), na każdym z typów procesorów.

Wiele narzędzi telemedycyny opiera się o działanie algorytmów sztucznej inteligencji, np. firma Transition Technology Science pozwala na implementację kodu analizującego dane z cyfrowego otoskopu i cyfrowego stetoskopu. Bardzo popularną opcją są analizy zdjęć RTG jest CheXNet, który sprawnie przeprowadza klasyfikację zdjęć, tak aby precyzyjnie dopasować właściwą diagnozę medyczną do analizowanych klisz. Pozwala to na uniknięcie potencjalnie błędnej diagnozy, dzięki czemu eliminowane są potencjalne pomyłki w postawionej diagnozie na temat stadium zaawansowania choroby np. zwyrodnieniowej stawów, nowotworowej oraz ogólnego stanu organizmu. Skutecznie sprawdził się algorytm BioMind, dzięki któremu można łatwo diagnozować guzy mózgu i ich potencjalny dalszy rozwój, niezależnie od dynamiki postępującej choroby. Szeroka ekspansja rozwoju technologii „omicznych” wyzwoliła dalszą ewolucję sztucznej inteligencji w sektorze medycznym i farmaceutycznym, dzięki temu można nie tylko sprawnie analizować duże wolumeny danych, tzw. metadane np. z bioinforamtyki, ale też w skuteczny sposób projektować nowe substancje lecznicze, tak aby były jak najbardziej efektywne w swym działaniu (ang. computer-aided drug design, CADD). AI znalazło szeroki wachlarz zastosowań w przetwarzaniu innych danych medycznych – w postaci sygnałów biomedycznych tj. EEG, EKG i EMG. Analiza przebiega nie tylko pod kątem wyselekcjonowania konkretnych, informacyjnych fragmentów, potencjalnych predyktorów stanu chorobowego (tj. choroby psychiczne, określony stan świadomości (a raczej jego brak), ryzyko zawału serca, arytmia i jej rodzaj – DeepRythmAI (DRAI), stwardnienie rozsiane), ale także brany jest pod uwagę aspekt możliwości zastosowania pewnej robotyzacji. Doskonałym przykładem jest syntezator mowy Stevena Hawkinga, który należy do urządzeń typu BCI (ang. brain-computer interface), a także różnego typu protezy bioniczne (Atom Limbs, czyli bioniczne ręce oraz Bivacor, który jest substytutem ludzkiego serca napędzanym AI, a także syntetyczna trzustka, która dozuje insulinę w zależności od zapotrzebowania).

W przypadku analiz EKG pod kątem występowania arytmii serca algorytmem DeepRythmAI stosuje się nie tylko sieci neuronowe, ale także transformery (stosowane standardowo przy detekcji anomalii w szeregach czasowych). W celu zwiększenia wydajności stosowanych analiz wykorzystuje się chmurę obliczeniową. Niestety nie jest to system w stu procentach doskonały, bo nadal zawodzi nieco przekłamując wyniki, gdyż otrzymujemy czasami rezultat fałszywie pozytywny, czyli diagnozę tam, gdzie tak naprawdę nie powinno jej być. Poza tym, generalnie działa bez zarzutu, umożliwiając skuteczne monitorowanie i raportowanie wyników EKG do klinicysty, aby diagnozy oparte o wyniki predykcji potencjalnych rokowań zdrowotnych były jak najbardziej celne i skalowalne. Skraca to znacząco czas pracy lekarzy, przy okazji zapewniając dostępność do dość precyzyjnego narzędzia na szeroką skalę. Szacuje się, że algorytm DeepRythmAI potrafi być skuteczniejszy niż analiza wykonana manualnie przez techników pracujących z wynikami EKG nawet do 14 razy. Automatyzacja zapewnia pewną transparentność w wykonywanych analizach pod kątem metodologii, ale też podnosi jakość usług medycznych w rutynowym postępowaniu z pacjentem.

Wiele innowacyjnych rozwiązań technologicznych opartych o implementację algorytmów sztucznej inteligencji powstaje w Massachusetts Institute of Technolog (MIT), począwszy od detekcji Covid-19, poprzez wykrywanie padaczki, po telediagnostykę. Sztuczna inteligencja precyzyjnie wykrywa z danych w postaci nagrań kaszlu przy zakażeniach prawie bezobjawowych, które subtelnie różnią się w brzmieniu od tych o standardowym przebiegu. W przypadku wykrywania padaczki mamy do czynienia z kompleksowym zbiorem danych, które są synchronicznie przetwarzane w kontekście analizy zbiorczej – badania „omiczne” (tj. proteomiczne, transkryptomiczne, genomiczne, metabolomiczne), EEG, kliniczne, obrazy MRI oraz wywiady psychologiczne i innego typu badania medyczne. Algorytmy AI sukcesywnie poszukują uniwersalnych biomarkerów dla standardowych i bardziej unikalnych przypadków występowania padaczki. Projekt ten bazujący na algorytmach sztucznej inteligencji nosi nazwę EPISTOP i powstał przy współpracy z 16-oma placówkami z różnych stron świata, by móc działać prewencyjnie.

Podsumowanie

Reasumując, szybko ewoluujące algorytmy sztucznej inteligencji przyczyniają się do poprawy jakości świadczonych usług w obszarze medycznym, a co za tym idzie również do podniesienia komfortu życia pacjenta ze względu na szybkość i trafność diagnostyki oraz sposobu rokowania.

Bibliografia:

1. Huschner, F., Głowacka-Walas, J., Mills, J., D. et al. (2023). Molecular EPISTOP, a comprehensive multi-omic analysis of blood from Tuberous Sclerosis Complex infants age birth to two years. Nature Communications, 14, 7664.

2. Laguarta, J., HuetoF., B., Subirana, B. (2020). COVID-19 Artificial Intelligence Diagnosis Usisng Only Cough Recordings. IEEE Open Journal of Engineering in Medicine and Biology, t.1, 275-281.  

3. Rajpurkar, P., Irvin, J., Ball, R., L., Zhu, K., Yang, B., Mehta, H., Duan, T., Din,g D., Bagul, A., Lan- glotz C.P., Patel, B., N., Yeom, K., W,., Shpanskaya, K., Blankenberg, F., G., Seekins, J., Amrhein, T., J., Mong, D., A., Halabi, S., S., Zucker, E., J., Ng, A., Y, ., Lungren, M., P. (2018). Deep learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt algorithm to prac- ticing radiologists. PLoS medicine, 15(11).

4. Taha, M., A, Morren, J., A. (2024). The role of artificial intelligence in electrodiagnostic and neuromuscular medicine: Current state and future directions. Muscle & Nerve. 69(3): 260-272.