Про стан розвитку штучного інтелекту в лабораторній медицині

Моделі штучного інтелекту (ШІ) в охороні здоров'я мають потенціал для покращення точності та швидкості персоналізованої медицини для пацієнтів, а в деяких випадках допомагають визначити найкраще лікування або профілактичну допомогу. Клініцисти вже впроваджують ці моделі в таких галузях, як раннє виявлення сепсису та аналіз радіологічних зображень для діагностики раку простати та інших захворювань. Це зростаюча сфера інтересу, на яку повинні звертати увагу фахівці з лабораторної медицини, оскільки дані, отримані в результаті лабораторних досліджень, є основним компонентом, що входить до складу інструментів ШІ для прийняття клінічних рішень.

Клінічний штучний інтелект та підмножина штучного інтелекту, відома як машинне навчання (ML), можуть використовуватися для завдань у широкому спектрі галузей, від прецизійної медицини до здоров'я населення. Головною перевагою є швидкість, оскільки ці інструменти покладаються на комп'юте-ризовані, а не ручні завдання. Існує великий інтерес до того, як зробити алгоритми штучного інтелекту більш просунутими, щоб вони могли прогнозувати складніші результати, такі як реакція на лікування раку або ризик побічних ефектів від хірургічного втручання.

Клініцисти зосереджуються на розумінні окремих пацієнтів.  Але лаборанти мають чудові навички агрегування та обробки даних. Природним продовженням надання лабораторного результату є надання аналізу ризику або ймовірного діагнозу. Саме для цього і призначені всі ці інструменти прогнозного аналізу.

ПОТОЧНЕ ТА ПОТЕНЦІЙНЕ ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУАЛЬНОГО МІСЦЯ В ЛАБОРАТОРІЇ.

У лабораторних умовах спостерігається певне впровадження методів штучного інтелекту та машинного навчання, головним чином у молекулярній патології (наприклад, класифікація пухлин центральної нервової системи за допомогою профілювання метилювання ДНК) та цифровій патології (наприклад, аналіз зображень), але це відбувається повільно.

У  оглядовій статті (Clin Biochem 2022; doi:10.1016/j.clinbiochem.2022.02.011), було висвітлено деякі приклади штучного інтелекту/модельного навчання, що вивчалися в лабораторії, такі як прогнозування значень лабораторних аналізів, покращення використання лабораторій, автоматизація лабораторних процесів, сприяння точній інтерпретації лабораторних аналізів та вдосконалення інформаційних систем лабораторної медицини  - деякі з них із вражаючою точністю.

Наприклад, у дослідженні, про яке йдеться у статті, використовувалася модель нейронної мережі для прогнозування залізодефіцитної анемії та рівня заліза в сироватці крові на основі ознак звичайного загального аналізу крові. В іншому дослідженні, про яке йдеться, обговорювалася розробка моделі машинного навчання, здатної рекомендувати, які лабораторні аналізи повинен призначити лікар. Загалом, технологія штучного інтелекту/модельного навчання має потенціал для використання великих обсягів медичних даних для створення більш персоналізованих інтерпретацій результатів тестів. Таким чином, що парадигма може перейти від визначення нормального рівня гемоглобіну загалом до визначення його для конкретної людини.

Хімічні та імунологічні лабораторії особливо добре підходять для використання машинного навчання, оскільки вони генерують великі, високоструктуровані набори даних (Clin Chem 2021; doi: 10.1093/clinchem/hvab165). Трудомісткі процеси, що використовуються для інтерпретації та контролю якості записів електрофорезу та мас-спектрів, могли б виграти від автоматизації в міру вдосконалення технологій. У статті зазначається, що лабораторії клінічної хімії також генерують цифрові зображення, такі як аналіз осаду сечі, які можуть бути дуже сприятливими для напівавтоматизованого аналізу, враховуючи досягнення в комп'ютерному зорі.

Є два загальні класи моделей штучного інтелекту. Перший - той, що вирішує внутрішні проблеми в лабораторії, такі як надання клініцистам точніших результатів, та другий, ті що прагнуть ідентифікувати когорти пацієнтів та процеси догляду, щоб усунути прогалини в якості в системах медичного обслуговування.

ПЕРЕШКОДИ НА ПОШТУРІ РУТИННОГО ВПРОВАДЖЕННЯ ШІ.

Лабораторіям все ще доведеться зіткнутися зі значними труднощами, перш ніж ця технологія зможе бути використана більш широко. До них належать необхідність збору високоякісних даних з різних груп населення та управління витратами, пов'язаними з обчислювальною інфраструктурою та персоналом для розробки та оновлення алгоритмів і програмних інструментів.

Розуміння різних завдань, з якими може допомогти ШІ, може допомогти у вирішенні деяких проблем. Для людей, які не так добре знайомі зі ШІ, довіра моделі ШІ виконувати діагностичне завдання, яке виконує вузькоспеціа-лізований персонал або біологи, може створювати велику перешкоду для довіри, на відміну від використання ШІ для чогось, що здається менш ризикованим, наприклад, оцінки робочого процесу в областях, які можна оптимізувати, або виявлення закономірностей у використанні тестів, які можна покращити. Інший підхід полягає у впровадженні програми штучного інтелекту паралельно з ручним процесом, оцінюючи її продуктивність у процесі, щоб полегшити використання програми. 

Існують також етичні міркування щодо використання штучного інтелекту в медицині. Одним із них є доступ до даних, а іншим - як правильно отримати згоду пацієнтів на включення їхніх даних до більших пулів. І як клініцисти можуть гарантувати, що під час використання даних вони не внесуть додаткових упереджень? 

Моделі штучного інтелекту також можуть не допомогти, якщо використаний набір даних не відображає населення, яке обслуговує певна лабораторія чи система охорони здоров’я. 

БУДУВАННЯ МОСТА В МАЙБУТНЄ.

Щоб допомогти з доступом до даних та пов'язаними з цим питаннями, Національні інститути охорони здоров'я США запустили програму Bridge2AI для створення нових флагманських наборів біомедичних та поведінкових даних. Програма також має на меті визначити найкращі практики збору та підготовки даних штучного інтелекту/модельного навчання для біомедичних та поведінкових досліджень. 

Це дуже спеціальна програма, метою якої є генерування великих обсягів даних із належною структурою згоди, щоб ці дані можна було використовувати для створення моделей штучного інтелекту, які запроваджують інновації в штучному інтелекті, що можуть призвести до покращення здоров’я людей.

У майбутньому штучний інтелект буде безпосередньо інтегрований у більше пристроїв та інструментів і керівники лабораторій можуть не обирати окремі програми ШІ. Натомість функції ШІ можуть бути включені у більші програмні пакети, які вони розглядають. 

Матеріал підготувала

Карен Блум — позаштатна медична/наукова журналістка з Овінгс-Міллс, штат Меріленд. +Електронна адреса: karen_blum@verizon.net