3 способа, которыми искусственный интеллект меняет подход медицинских организаций к обслуживанию пациентов. Могут ли помочь LLM, такие как ChatGPT?

Машинное обучение и искусственный интеллект меняют лечение, включая функциональность, диагностику и многое другое. Между тем, крупные языковые модели, такие как ChatGPT, все еще находятся на ранних стадиях.

Цифровизация здравоохранения наступила уже давно, а практика лечения связана, по понятным причинам, с более старыми, тщательно проверенными способами ведения дел.

Но все чаще в клинику проникает искусственный интеллект в различных формах. Приложения включают в себя прогнозную аналитику, интеллектуальные протезы, мобильную диагностику и мозговые имплантаты. Кроме того, с появлением больших языковых моделей (LLM), таких как ChatGPT, мы изучаем, может ли эта технология помочь сегодня в здравоохранении.

Хотя большая часть работы проводится в форме пилотных исследований, очевидно, что ИИ будет играть важную роль в формировании того, как будет предоставляться медицинская помощь в ближайшие десятилетия.

«ИИ для глубокого обучения наконец-то прошел через этот процесс: создана техническая инфраструктура и доступны данные для его обучения, после многих лет действительно напряженной работы», — сказал Джереми Ховард, соучредитель исследовательского и образовательного стартапа в области ИИ Fast. .ai и основатель Enlitic, первой компании, применившей глубокое обучение в медицине.

После всех этих усилий «в ближайшие годы следует ожидать гораздо большего», то есть применения искусственного интеллекта в медицине, сказал Ховард в интервью ZDNET.

На данный момент современный уровень применения ИИ в медицине состоит из небольших исследований, в которых используются различные хорошо зарекомендовавшие себя формы машинного обучения ИИ. Эти программы доказали свою ценность на протяжении десятилетий. Их, наконец, принимают в клинику и применяют к различным данным: от показаний активности мозга в реальном времени до электронных медицинских записей.

До появления новых видов ИИ машинного обучения, таких как ChatGPT от OpenAI, еще далеко. Эта технология привлекает все внимание, но она слишком нова, чтобы быть надежной в деликатной сфере клиники.

Использование машинного обучения уже изменило жизнь пациентов, принявших участие в исследовании. Герт-Ян Оскам, 40-летний жертва велосипедной аварии, получил новый интерфейс «мозг-компьютер», который позволил ему снова стоять и ходить. Он рассказал престижному журналу Nature, что это устройство «изменило жизнь».

«На прошлой неделе нужно было что-то покрасить, и некому было мне помочь», — сказал Оскам. «Итак, я взял ходунки и краску и сделал это сам, стоя».

1. Восстановление функциональности с помощью ИИ

Среди наиболее впечатляющих ранних побед ИИ в здравоохранении — успехи, пока еще небольшие, с протезами различных типов для восстановления функциональности людей с серьезными травмами.

Отойди в сторону, Илон Маск: легендарный «интерфейс мозг-компьютер», или BCI, который, по словам Маска, он внедрит в клинические испытания, уже был создан командой Стэнфорда в потрясающем примере использования тщательно разработанных форм машинного обучения ИИ.

Легендарный «интерфейс мозг-компьютер», рекламируемый Илоном Маском, уже стал реальностью. Исследователи из Швейцарии создали «цифровой мост» между двигательными областями мозга и «пояснично-крестцовым» отделом позвоночника, который преобразует намерение в стимуляцию мышц, заставляя ноги двигаться естественно.

«Цифровой мост», разработанный исследователями из машиностроительного факультета Стэнфорда, направляет сигналы мозга в обход нарушений позвоночника с помощью датчиков и беспроводных технологий. Устройство восстанавливает способность ходить Оскаму, который почти лишился возможности ходить после травмы спинного мозга, полученной в результате аварии на велосипеде десять лет назад.

Исследователи Анри Лорач и его команда описали в журнале Nature в мае, как они имплантировали «интерфейс головного и спинного мозга» в Оскам. Он ограничил использование ног после пятимесячной программы эпидуральной электростимуляции спинного мозга, возможность делать некоторые шаги с помощью ходунков.

Лорах и его команда имплантировали два устройства, каждое из которых состоит из 64 электродов, поверх частей обоих полушарий мозга, которые, как известно, контролируют движение. Эти датчики собирали сигналы, известные как электрокортикограф или ЭКоГ, которые связаны с намерением двигаться. Сигналы ЭКоГ принимались по беспроводной сети через напечатанную на 3D-принтере гарнитуру, которую носил пациент, которая подключалась через USB-кабель к компьютеру «базовой станции», который носил в рюкзаке.

Рюкзачный компьютер декодирует шаблоны ЭКоГ в команды, которые затем передаются по беспроводной сети на третье устройство, имплантированное в верхнюю часть «пояснично-крестцового» отдела позвоночника — вспомните поясницу и копчик. Названный «генератором импульсов», он превращает команды в электрическую стимуляцию, которая «задействует мышцы, обеспечивающие намеченные движения».

В результате пациент смог «восстановить интуитивный контроль над движениями своих ног, что дало ему возможность стоять, ходить, подниматься по лестнице и даже преодолевать сложную местность», сообщили Лорах и его команда. Видео, сопровождающие отчет, показывают, как пациент встает из сидячего положения и идет, в данном случае с компьютером базовой станции, установленным на ходунках, а не в рюкзаке.

Важно понимать, что дело не только в имплантатах сенсоров в мозг. Ключевым элементом являются алгоритмы машинного обучения, которые Лорах и его команда впервые разработали для интерпретации сигналов мозга, определяющих намерение движения.

Используя подход, известный как «алгоритм онлайн-адаптивного контролируемого обучения», программа настраивается по мере того, как пациент неоднократно пытается переместить сначала конечности экранного аватара, а затем экзоскелет.

Программное обеспечение сочетает в себе несколько направлений машинного обучения, в том числе «смесь экспертов», где разные команды управляют разными конечностями, а также так называемую «скрытую марковскую модель» — своего рода алгоритм, используемый десятилетиями. Расчет намерения движения осуществляется в реальном времени по мере движения пациента. Более подробную информацию об алгоритме можно найти в предыдущей статье команды от 2022 года.

Ученые находят множество других способов сбора сигналов от мозга и декодирования их с помощью машинного обучения для восстановления функциональности.

В прошлом месяце исследователи Шон Мецгер и его команда из кафедры неврологической хирургии Калифорнийского университета в Сан-Франциско рассказали в журнале Nature о речевом декодере, который генерировал голос 47-летней жертвы инсульта, которая стала немой почти двадцать лет назад.

Так называемый мультимодальный декодер речи также использовал имплантированный детектор ЭКоГ для декодирования «предполагаемых предложений» из сигналов в областях сенсомоторной коры головного мозга. Эта область отвечает за «попытки движений губ, языка и челюсти». Сигналы декодируются в то, что исследователи называют «речевыми представлениями», которые затем можно преобразовать в различные виды вывода: текст на экране, сгенерированный звук произнесенных слов и движения говорящего аватара.

Так называемый мультимодальный декодер речи также использовал имплантированный детектор ECoG для декодирования «предполагаемых предложений» из сигналов в областях сенсомоторной коры головного мозга, используя проверенный и надежный тип алгоритма машинного обучения, известный как «двунаправленная рекуррентная нейронная сеть» или «RNN» — программа, давно используемая для моделирования данных временных рядов.

Ключом, опять же, являются не только датчики, но и алгоритмы машинного обучения. Сигналы от ECoG попыток голосового тракта передавались в другой проверенный тип алгоритма машинного обучения, известный как «двунаправленная рекуррентная нейронная сеть» или «RNN», программа, давно используемая для моделирования данных временных рядов, данных. который измеряет одни и те же переменные в разные моменты времени, чтобы выявить тенденции. RNN сначала была настроена так, чтобы предвидеть несколько готовых предложений, которые пациент пытался произнести (которые были показаны пациенту на экране) — это форма корреляции активности мозга с определенным набором выходных данных.

Однако после двух недель такого обучения RNN начала спонтанно выводить текст из предложений, которые пациент пытался произнести без подсказки. Программа могла генерировать до 78 слов в минуту. Это было в несколько раз быстрее, чем 14 слов в минуту, которые пациент мог произносить с помощью существующего вспомогательного устройства — устройства слежения за головой, при котором пациенту приходилось кивать на слова на экране, подобно тому, что использовал покойный физик Стивен Хокинг. .

Аналогичным образом, RNN удалось обучить интерпретировать ECoG в соответствии с формой сигнала, который затем мог бы управлять вокодером для генерации речи. После двух недель настройки системы с пациентом разработанная ими «речево-нейропротезная система» показала настолько впечатляющие результаты, что «мы считаем... эти результаты превзошли важный порог производительности, обобщаемости и выразительности, который вскоре может принести практическую пользу людям с потерей речи», — пишут Мецгер и его команда.

2. ИИ может сделать медицинскую диагностику портативной

Одним из главных камней преткновения медицинской диагностики является то, что она требует от пациентов поездки в медицинское учреждение, где тесты могут проводиться с использованием гигантского оборудования, а данные проверяются вручную обученными экспертами. Но некоторые новые попытки диагностики используют формы машинного обучения ИИ, чтобы вывести проблему из клиники.

Возьмите исследования сна, которые обычно включают семичасовое пребывание в учреждении, подключенное к электродам и контролируемое персоналом в течение всей ночи. Можно ли это сделать дома, с телефоном и парой пластырей?

Команда Технологического института Джорджии в Атланте, штат Джорджия, разработала беспроводные пластыри для сна из силикона со встроенными гибкими схемами, о чем недавно сообщалось в престижном журнале Science. Патчи используют машинное обучение для измерения данных о сне вместо того, чтобы живой техник следил за пациентом в течение ночи.

Пластыри могут быть прикреплены к лицу пациентом дома: один на лоб, другой на подбородок. Они собирают данные для электроэнцефалограмм (ЭЭГ) и электроокулограмм (ЭОГ) — двух видов измерений, используемых для выявления апноэ во сне. Пластыри можно использовать в течение нескольких дней, в отличие от электродов на гелевой основе, используемых в клиниках сна.

Пластыри передают данные ЭЭГ и ЭОГ через Bluetooth на мобильное устройство, находящееся у постели больного, и мобильное устройство использует так называемую «сверточную нейронную сеть» или «CNN», рабочую лошадку машинного обучения. С помощью CNN данные, представленные в виде спектра активности, можно анализировать для обнаружения апноэ во сне.

Силиконовые пластыри для лица для домашнего исследования сна содержат гибкую схему, поэтому их можно носить во время сна. Они подключаются по беспроводной сети к мобильному устройству для сбора и анализа данных.

Ведущий автор Синдже Квон и его команда в ходе испытаний с участием восьми субъектов обнаружили, что «работоспособность системы демонстрирует высокую точность 88,52%» при обнаружении обструктивного апноэ во сне. Более того, обнаружение домашних пластырей и CNN показало «высокое согласие» с 82,4% обнаружением, полученным в ходе клинических исследований сна «золотого стандарта», известных как «полисомнография».

Квон и его команда планируют провести крупномасштабное исследование системы и расширить возможности датчиков для обнаружения других показателей апноэ во сне, включая насыщение крови кислородом, углекислый газ и движения.

Учитывая, что мобильное устройство сортирует и анализирует данные CNN, усилия Квок и его команды указывают на гораздо более масштабную тенденцию: сбор и анализ данных в полевых условиях с помощью ИИ на мобильном устройстве. Автоматизируя измерения, которые обычно выполняются квалифицированными специалистами вручную, некоторые диагнозы можно распространить за пределы клиники.

В исследовании 2021 года, проведенном командой Стэнфордского университета под руководством Чаякрита Криттанавонга, было перечислено более дюжины примеров портативного кардиомониторинга потребительского уровня в дополнение к мониторингу ЭКГ с помощью Apple Watch. В их число входят очки израильской компании OrCam Technologies и стельки для обуви MEGAComfort.

Эти носимые устройства производят «биосигналы», которые команда определяет как «физиологические сигналы, которые можно непрерывно измерять и контролировать, чтобы предоставлять информацию об электрической, химической и механической активности». Машинное обучение — хороший кандидат для агрегирования, анализа и интерпретации всех этих данных.

Криттанавонг и его команда рассказывают о небольших исследованиях с участием 100 испытуемых, в которых использовались носимые пластыри с одноразовыми датчиками, которые носили на груди испытуемых. Датчик, работающий от одноразовой батареи, регистрировал множество данных с кожи субъекта, включая сигналы электрокардиограммы, температуру кожи и позу субъекта. Все эти данные непрерывно передавались по беспроводной сети Bluetooth на мобильный телефон, а затем загружались в облако для анализа с использованием машинного обучения.

Пластыри использовались в качестве альтернативы имплантируемым устройствам мониторинга сердца для прогнозирования риска госпитализации по поводу сердечной недостаточности. Благодаря облачному анализу пластыри и мобильные устройства работали с уровнем чувствительности и специфичности, который соответствовал традиционным имплантируемым мониторам медицинского уровня.

3. Улучшение прогнозной аналитики для безопасности пациентов

На сегодняшний день одним из наиболее широко распространенных применений ИИ в реальных клинических условиях является использование прогностических алгоритмов — программ, которые могут делать такие вещи, как прогнозирование шансов пациента на повторную госпитализацию. Они часто используют данные из электронных медицинских карт (ЭМК), поскольку такие записи представляют собой легкодоступное хранилище огромных объемов данных.

По словам ведущего автора Дэвида Классена и его команды, исследование, проведенное в этом году Медицинским факультетом Университета Юты, выявило «широкое внедрение ИИ в текущие клинические операции» на основе данных EHR.

Однако эти прогностические инструменты имели сомнительную точность. Исследование программного обеспечения Epic для лечения сепсиса, проведенное в 2021 году Медицинской школой Мичиганского университета, выявило чрезвычайно низкую точность прогнозирования сепсиса с помощью этого инструмента, что вызывает сомнения в его полезности на практике.

Это говорит о том, что исследователям нужны более эффективные способы сделать вывод о том, что им сообщает ЭУЗ на основе всех этих данных.

В качестве примера передового опыта прогнозной аналитики ученые из Медицинской школы Стэнфордского университета собрали ЭМК 22 104 пар матерей и их новорожденных, связали записи и пришли к тому, что они описывают как большую способность прогнозировать смертность при преждевременных родах. , основная причина смертности детей в возрасте до 5 лет.

В работе Давиде де Франческо и его команды, опубликованной в феврале в журнале Science Translational Medicine, использовались данные, содержащиеся в медицинских записях матери, для прогнозирования исходов новорожденных. Основная цель состоит в том, чтобы получить более точную картину детской смертности, чем обычно используемые показатели, известные как «Внешний вид, пульс, гримаса, активность и дыхание», или оценка по шкале Апгар, на момент рождения/родоразрешения.

Вместо этого исследователи ввели множество данных из нескольких посещений матери перед родами в другой проверенный временем тип алгоритма машинного обучения, называемый «долговременной памятью» или «LSTM», используемый, как и RNN, для составления частей. вместе данные временных рядов. LSTM был обучен сопоставлять коды таких вещей, как материнские процедуры, лекарства и наблюдения, ведущие к рождению, с состояниями в медицинской карте новорожденного, такими как гипотония или сепсис.

Авторы обнаружили значительное увеличение способности прогнозировать исходы событий у младенца по сравнению с традиционной оценкой риска.

В частности, программа LSTM может обобщить повышенный риск, связанный с некоторыми материнскими заболеваниями. «Среди этих кодов, тесно связанных с неонатальными исходами, были […] опиоидная зависимость в стадии ремиссии, внутриутробное кровотечение, различные врожденные пороки сердца», — рассказывают они.

Более того, они могли бы также утверждать некоторые вещи, которые защищают недоношенного новорожденного в течение недель и месяцев после рождения.

«Известные лабораторные измерения, которые предполагают защитную связь с неонатальными исходами, включают сывороточный альбумин, сывороточный белок, тромбоциты, базофилы, лимфоциты и эозинофилы», - пишут они. «Эти данные свидетельствуют о том, что существует взаимодействие между иммунной системой матери за неделю до родов и относительным здоровьем плода, которое сохраняется в неонатальный период и далее».

Стэнфордская работа предполагает, что по мере того, как более сложные модели глубокого обучения приходят на смену относительно примитивным системам прогнозирования, остается гораздо больше информации, ожидающей расшифровки.

Большие языковые модели (LLM) в здравоохранении?

Обсуждаемые выше методы машинного обучения ИИ — RNN, CNN, LSTM и скрытые марковские модели — являются довольно хорошо зарекомендовавшими себя подходами к ИИ, которые существуют уже несколько десятилетий. Новизна заключается в том, что сейчас они развертываются на новом, более высоком уровне сложности и с новыми данными.

Но как насчет действительно новых алгоритмов глубокого обучения, «генеративного ИИ», который сейчас в моде, например, ChatGPT от OpenAI?

Генеративный искусственный интеллект в медицине и здравоохранении только начинает развиваться. ИИ в форме больших языковых моделей лишь постепенно входит в область пилотных исследований, сдерживаемый опасениями по поводу таких вещей, как «галлюцинации» языковых моделей, то есть их склонность утверждать ложную информацию.

Фактически, исследование, проведенное компанией Weill Cornell Medicine в августе, показало, что «магистры права могут быть склонны создавать фактически несогласованные резюме и делать слишком убедительные или неопределенные заявления, что приводит к потенциальному вреду из-за дезинформации».

Создатель ChatGPT, OpenAI, фактически заявил журналу Nature Medicine, что «его модели не следует использовать для медицинской диагностики, сортировки или решения опасных для жизни проблем».

Риски и этические проблемы, связанные с генеративным искусственным интеллектом, означают, что впереди лежит множество нормативных препятствий.

В июле ученые Берталан Меско из Венгерского медицинского футуристического института и Эрик Тополь из Научно-исследовательского трансляционного института Скриппса написали обзорную статью, в которой отметили, что «LLM открывают огромные перспективы для будущего здравоохранения, но их использование также влечет за собой риски и этические проблемы».

Меско и Тополь прогнозируют, что регулирующие органы «создадут новую нормативную категорию для LLM, поскольку они существенно отличаются от медицинских технологий на основе искусственного интеллекта, которые уже прошли регулирование».

«Он, безусловно, кажется чрезвычайно полезным», — говорит Джереми Ховард из генеративного искусственного интеллекта, — «но его очень трудно внедрить строгим способом, который соответствовал бы текущим ограничениям и процессам в медицинской системе США».

Ховард предсказывает, что, несмотря на недостатки, генеративный ИИ может оказаться полезным для заполнения пробела в медицинских навыках.

«Большая часть населения мира не имеет доступа к достаточному количеству врачей», - сказал он. «Это может сводиться к следующему: хотите ли вы, чтобы местный медицинский работник с шестимесячным обучением эффективно использовал эту систему искусственного интеллекта, а не вообще ничего?»