რადიოლოგის პროფესია შესაძლოა მალე კომპიუტერმა ჩაანაცვლოს

რადიოლოგია

რადიოლოგის პროფესია შესაძლოა მალე კომპიუტერმა სრულად ჩაანაცვლოს

თუ კარგად დავაკვირდებით, ხელოვნური ინტელექტი (AI) თანდათანობით თავს იმკვიდრებს ჩვენს ყოველდღიურობაში. ალბათ შეგიმჩნევიათ რომ ვებსაიტები უფრო და უფრო ჩვენზე მორგებულ კონტენტს გვთავაზობს რაც უფრო ხშირად ვსტუმრობთ მათ, ასევე ხდება სოციალურ ქსელებში სიახლეების პრიორიტეტულობის მინიჭება და მათი შესაბამისი რიგითობით ჩვენება. თუმცა, აღსანიშნავია რომ ამ კონცეფციის გამოყენების არეალი ბევრად უფრო ფართოა, მაგალითად ექიმებისათვის სამედიცინო დიაგნოზების დასმაში ხელის შეწყობა.
ხელოვნურ ინტელექტს აქვს უნარი იმისა რომ სწრაფად გააანალიზოს ინფორმაცია და მოახდინოს მისი ინტერპრეტირება, რაც მედიცინის სფეროში შესაძლოა ძალიან ღირებული იარაღი გახდეს, ვინაიდან აქ, დღესდღეობით უფრო და უფრო მეტი ციფრული ინფორმაცია გენერირდება. ისეთი დავალებები, როგორიცაა ახალი მედიკამენტების განვითარება, გენური ინჟინერია, იმპლანტებისა და ჭკვიანი პლასტირების გამოყენება, პაციენტთა დისტანციური მონიტორინგი და ათასობით პაციენტზე ეპიდემიოლოგიური კვლევების განხორციელება ნამდვილად წარმოადგენენ რამდენიმე მაგალითს, რომლებიც ამ ტექნოლოგიის სარგებელს საკუთარ თავზე გამოცდიან უახლოეს მომავალში.
თუმცა, ექსპერტები თანხმდებიან იმაზე რომ ნაყოფიერ შედეგებზე გავალთ იმ შემთხვევაში თუ ხელოვნური ინტელექტის უპირატესობებს გამოვიყენებთ ულტრასონოგრაფიის, კომპიუტერული ტომოგრაფიის (CT) ან მაგნიტური რეზონანსის ტომოგრაფიის (MRI) სურათების მიხედვით დიაგნოზის დასმისათვის და ეს პროცესი იქნება მთლიანად ავტომატიზებული და მეცნიერების ამ მიღწევით მართული.
რაც დრო გადის ამ სურათთა რაოდენობა თითოეული ტომოგრაფიისთვის იზრდება, ასევე მდგრადად მზარდია მათი ხარისხი, აღქმადობა და გარჩევადობა, მკვლევარები მუშაობენ ისეთი ტექნოლოგიების განვითარებაზე, რაც რადიოლოგებს დაეხმარებათ სურათების უფრო სწრაფად შეფასებაში, მეტად აკურატულად და ეფექტურად. ქვემოთ წარმოგიდგენთ რამდენიმე პროექტისა და კვლევის შესახებ, რომელიც მიზნად ისახავს ხელოვნური ინტელექტის რადიოლოგიური დეპარტამენტის მკვიდრ ნაწილად დანერგვას.გამოყენების მრავალი საშუალება
ერთ-ერთი მაგალითია ფრანსისკო აბიოლის (ვალენსიის უნივერსიტეტი) და მისი გუნდის მიერ შექმნილი სისტემა, რომლის საშუალებითაც სპეციფიური პროგრამის მიერ ხერხდება მკერდის კიბოს ადრეული აღმოჩენა. ეს პროექტი ნაწილი იყო კამპანიისა სახელად Digital Mammography DREAM Challenge, რომლის ფარგლებშიც სხვადასხვა საერთაშორისო მკვლევართა გუნდები ეჯიბრებოდნენ ერთმანეთს. ამის მისაღწევად მათ შეიმუშავეს ალგორითმი, რომელიც მართავს და აღმოაჩენს მკერდის სიმსივნეს მამოგრამებში 80%-დან 90% წარმატების სიზუსტით, რაც ექიმის მიერ დიაგნოსტირების სტატისტიკას უტოლდება. ხოლო თუ კომპიუტერული მეთოდი პროფესიონალურ ცოდნასთან ინტეგრირდება, სწორი დიაგნოზირების მაჩვენებელი 95%-მდე აიწევს. გლობალურად, ეს გაუმჯობესება შეამცირებს არასწორი დადებითი დიაგნოზების რაოდენობას და მილიონობით ქალს იხსნის არასაჭირო ბიოფსიებისაგან.
IFIC UPV წარმოადგენს CheXNet project, რომელიც სტენფორდის უნივერსიტეტში შემუშავდა (აშშ) ღრმა დასწავლის მეთოდზე დაფუძნებით, რომელიც წარმოადგენს ხელოვნური ინტელექტის მიერ დიდი ზომის ინფორმაციის კვლევის შედეგად თვითგანათლებას – რასაც შემდგომ იყენებს რენტგენოგრამებზე პნევმონიის შემთხვევების აღმოსაჩენად. ამ შედეგზე გასასვლელად მას დასჭირდა გამოეყენებინა 120,000-ზე მეტი რადიოგრამა რომელიც ჯანდაცვის სახელმწიფო ინსტიტუტის (აშშ) მიერ გამოქვეყნებულ მონაცემთა ბაზის ნაწილს წარმოადგენდა. შედეგად კი CheXNet-მა სიზუსტეში რადიოლოგების შესაძლებლობებს გადააჭარბა. რენტგენის სურათიდან ის მიუთითებს ალბათობას იმისას, თუ რამდენად შეიძლება პაციენტს სჭირდეს პნევმონია და ასევე ახდენს სურათის იმ ნაწილების იდენტიფიცირებას, სადაც ამის ნიშნები ყველაზე ცხადადაა ნაჩვენები.
აგრეთვე სტენფორდში, ინჟინერთა ჯგუფმა სებასტიან თრუნის (სტენფორდის ხელოვნური ინტელექტის ლაბორატორია) გამოიყენა იგივე ტექნიკა კანის დაზიანებების სურათებში მელანომას აღმოჩენისათვის. თრუნმა და მისმა გუნდმა 2,000 სხვადასხვა პათოლოგიის მიერ გამოწვეული კანის დაზიანების 130,000 სურათის საშუალებით გაწვრთნეს კომპიუტერი. მათ შეადარეს 21 დერმატოლოგის მიერ დასმული დიაგნოზი მათი სისტემის მიერ მიღებულ შედეგებს, რომლებიც აბსოლუტურად ექვივალენტური აღმოჩნდა. ამჟამად თურნი და მისი გუნდი ალგორითმის მოდიფიცირებაზე მუშაობენ, რაც საშუალებას მისცემს ამ ტექნოლოგიის მობილურ მოწყობილობებზე გამოყენებასა და წვდომის უნივერსალიზაციას.
სხვა ინიციატივაა ჰარვარდის უნივერსიტეტში (აშშ) შექმნილი ალგორითმი, რომელსაც კომპიუტერული ტომოგრაფიის სურათებიდან ქრონიკული ობსტრუქციული ფილტვის დაავადების დიაგნოზირება შეუძლია, ასევე iFind project რომელსაც უძღვება ლონდონის სამეფო კოლეჯი (გაერთიანებული სამეფო) რომელიც მიმართულია ორსულობის ულტრაბგერების ინტერპრეტირების ავტომატიზებული მეთოდით განვითარებისკენ.
 
მიმდინარე გამოწვევები
 
თუმცაღა ჯერ კიდევ არსებობს ბევრი დასამუშავებელი ნიუანსი, სანამ ხელოვნური ინტელექტის დახმარებით დიაგნოზის დასმა განზოგადებული მიდგომა გახდება სამედიცინო დარგში. მონაცემთა დიდ ბაზებზე წვდომა ალგორითმთა გაწვრთნის მიზნით ასევე მოიცავს რამდენიმე ისეთ სირთულეს, როგორიცაა პაციენტთა კონფიდენციალურობის საკითხი. „მონაცემები ხდება ცოდნის ახალი წყარო“ ამბობს ფრანსისკო ალბიოლი. „ჩვენთვის ფუნდამენტური მნიშვნელობის გახლდათ ამ კოლექციებზე წვდომა, რადგანაც ისე მარტივი არ არის 800,000 სურათის მოპოვება, როგორც ეს წინა შემთხვევაში უფრო მცირე რაოდენობის გაანალიზებისას მოვახერხეთ. სხვა პრობლემაა თუ როგორ უნდა მივაწოდოთ ალგორითმს წვრთნისათვის ეს ფოტოები, ისინი სწორად უნდა ეტიკეტირდეს დიაგნოზებითა და პაციენტის სამედიცინო ისტორიით.
ამასთანავე, სენსიტიური თემაა ინტერპრეტირების საკითხიც: იმის დადგენა, თუ რატომ მივიდა ალგორითმი ამ დასკვნამდე და არა სხვა რომელიმე შედეგამდე. “ამჟამინდელი ნეირონული ქსელები იმდენად კომპლექსურია, რომ შეუძლებელია ზუსტად დადგინდეს ზუსტად რა პროცესები მიმდინარეობს“ ხსნის ჰერმან გონსალესი, სიერას კვლევების ცენტრის აღმასრულებელი დირექტორი. „თანამედროვ ნეირონულ ქსელს აქვს მილიონობით პარამეტრი და თითოეულ მათგანს თავისი მნიშვნელობა აქვს“. ამას გარდა, როდესაც ახალი შემთხვევებს ვამატებთ ნეირონულ ქსელს, ეს შედეგებს მცირედით ცვლის.
ყველა ამ პრობლემის განეიტრალებისათვის საჭიროა მარეგულირებელი პროცესის დანერგვა, რაც დაგვარწმუნებს რომ ეს სისტემები სანდოა. აშშ-ში ხელოვნური ინტელექტის სამედიცინო დარგში გამოყენების წინაპირობად მისი სურსათისა და წამლის ადმინისტრაციის მიერ აღიარება სახელდება.
 
სამომავლო ხედვა
 
მართალია ამ დარგმა დიდი პროგრესი განიცადა, თუმცა ჯერ კიდევ არსებობს დამატებითი მუშაობის საჭიროება რაც ღრმა დასწავლის ტექნოლოგიას სრულად დანერგავს სამედიცინო პრაქტიკაში. გონსალესის თანახმად მთავარი ფაქტორი სექტორის რეგულაცია იქნება. „ვხედავ კონკრეტულ დარგებს, სადაც ის აუცილებლად დაინერგება“ აცხადებს ის სურათებში პათოლოგიების აღმოჩენის სისტემებზე საუბრისას. „ხოლო განვითარების ისეთი დონისგან, როგორიცაა დაავადების დიაგნოზირება ექიმის დახმარების გარეშე, ჯერ კიდევ რამდენიმე წლით შორს ვიმყოფებით.“
ალბიოლი კი ასევე ხაზს უსვამს, რომ ეს ტექნოლოგია ფლობს დიდ პოტენციალს, როცა ის დიდ რაოდენობებს იყენებს, ხაზს უსვამს იმ ფაქტს რომ პროგრამის 5% ან 10% გაუმჯობესება მილიონობით ადამიანის ჯანმრთელობის შენარჩუნებაზე ჰპოვებს ასახვას, ყოველწლიურად, რაც ნამდვილად დიდი მაჩვენებელია.