Βρείτε μας στο Google News. Πατήστε εδώ!Μια νέα μελέτη με επικεφαλής ερευνητές στο Stanford Medicine διαπιστώνει ότι αλγόριθμοι υπολογιστών που τροφοδοτούνται από τεχνητή νοημοσύνη που βασίζονται στη βαθιά μάθηση μπορούν να βοηθήσουν τους επαγγελματίες υγείας να διαγνώσουν με μεγαλύτερη ακρίβεια τους καρκίνους του δέρματος. Ακόμη και οι δερματολόγοι επωφελούνται από την καθοδήγηση της τεχνητής νοημοσύνης, αν και η βελτίωσή τους είναι μικρότερη από αυτή που παρατηρείται για τους μη δερματολόγους.
«Αυτή είναι μια ξεκάθαρη απόδειξη του τρόπου με τον οποίο η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί σε συνεργασία με έναν γιατρό για τη βελτίωση της φροντίδας των ασθενών», δήλωσε η καθηγήτρια δερματολογίας και επιδημιολογίας Ελένη Λίνος, MD. Ο Linos ηγείται του Stanford Center for Digital Health, το οποίο ξεκίνησε για να αντιμετωπίσει μερικά από τα πιο πιεστικά ερευνητικά ερωτήματα στο σημείο τομής τεχνολογίας και υγείας, προωθώντας τη συνεργασία μεταξύ της μηχανικής, της επιστήμης των υπολογιστών, της ιατρικής και των ανθρωπιστικών επιστημών.
Ο Linos, αναπληρωτής κοσμήτορας έρευνας και καθηγητής Ben Davenport και Lucy Zhang στην Ιατρική, είναι ο ανώτερος συγγραφέας της μελέτης, η οποία δημοσιεύτηκε στο npj Digital Medicine. Η μεταδιδακτορική υπότροφος Jiyeong Kim, Ph.D., και η επισκέπτρια ερευνήτρια Isabelle Krakowski, MD, είναι οι κύριοι συγγραφείς της έρευνας. «Προηγούμενες μελέτες έχουν επικεντρωθεί στο πώς αποδίδει η τεχνητή νοημοσύνη σε σύγκριση με τους γιατρούς», είπε ο Kim. «Η μελέτη μας συνέκρινε τους γιατρούς που εργάζονταν χωρίς βοήθεια με τεχνητή νοημοσύνη με γιατρούς που χρησιμοποιούν τεχνητή νοημοσύνη κατά τη διάγνωση καρκίνου του δέρματος».
Οι αλγόριθμοι τεχνητής νοημοσύνης χρησιμοποιούνται όλο και περισσότερο σε κλινικά περιβάλλοντα, συμπεριλαμβανομένης της δερματολογίας. Δημιουργούνται τροφοδοτώντας έναν υπολογιστή με εκατοντάδες χιλιάδες ή και εκατομμύρια εικόνες δερματικών παθήσεων με πληροφορίες όπως η διάγνωση και η έκβαση του ασθενούς. Μέσω μιας διαδικασίας που ονομάζεται βαθιά μάθηση, ο υπολογιστής μαθαίνει τελικά να αναγνωρίζει ενδεικτικά μοτίβα στις εικόνες που σχετίζονται με συγκεκριμένες δερματικές παθήσεις, συμπεριλαμβανομένων των καρκίνων.
Αφού εκπαιδευτεί, ένας αλγόριθμος γραμμένος από τον υπολογιστή μπορεί να χρησιμοποιηθεί για να προτείνει πιθανές διαγνώσεις με βάση μια εικόνα του δέρματος ενός ασθενούς στην οποία δεν έχει εκτεθεί. Ωστόσο, αυτοί οι διαγνωστικοί αλγόριθμοι δεν χρησιμοποιούνται μόνοι τους. Επιβλέπονται από κλινικούς γιατρούς που επίσης αξιολογούν τον ασθενή, καταλήγουν στα δικά τους συμπεράσματα σχετικά με τη διάγνωση ενός ασθενούς και επιλέγουν αν θα αποδεχτούν την πρόταση του αλγορίθμου.
Αύξηση ακρίβειας
Η ομάδα του Kim και του Linos εξέτασε 12 μελέτες που περιγράφουν λεπτομερώς περισσότερες από 67.000 αξιολογήσεις πιθανών καρκίνων του δέρματος από διάφορους επαγγελματίες με και χωρίς βοήθεια AI. Βρήκαν ότι, συνολικά, οι επαγγελματίες υγείας που εργάζονταν χωρίς βοήθεια από τεχνητή νοημοσύνη ήταν σε θέση να διαγνώσουν με ακρίβεια περίπου το 75% των ανθρώπων με καρκίνο του δέρματος – μια στατιστική μέτρηση γνωστή ως ευαισθησία. Αντίθετα, οι εργαζόμενοι διέγνωσαν σωστά περίπου το 81,5% των ατόμων με δερματικές παθήσεις που μοιάζουν με καρκίνο, αλλά δεν είχαν καρκίνο – μια συνοδευτική μέτρηση γνωστή ως ειδικότητα.
Οι επαγγελματίες υγείας που χρησιμοποίησαν AI για να καθοδηγήσουν τις διαγνώσεις τους τα πήγαν καλύτερα. Οι διαγνώσεις τους ήταν περίπου 81,1% ευαίσθητες και 86,1% ειδικές. Η βελτίωση μπορεί να φαίνεται μικρή, αλλά οι διαφορές είναι κρίσιμες για τους ανθρώπους που τους λένε ότι δεν έχουν καρκίνο, αλλά έχουν, ή για εκείνους που έχουν καρκίνο αλλά τους λένε ότι είναι υγιείς.
Όταν οι ερευνητές χώρισαν τους επαγγελματίες υγείας ανά ειδικότητα ή επίπεδο εκπαίδευσης, είδαν ότι οι φοιτητές ιατρικής, οι νοσηλευτές και οι γιατροί πρωτοβάθμιας περίθαλψης επωφελήθηκαν περισσότερο από την καθοδήγηση της τεχνητής νοημοσύνης – βελτιώνοντας κατά μέσο όρο περίπου 13 βαθμούς στην ευαισθησία και 11 βαθμούς στην ειδικότητα. Οι δερματολόγοι και οι δερματολόγοι είχαν καλύτερες επιδόσεις συνολικά, αλλά η ευαισθησία και η ειδικότητα των διαγνώσεων τους βελτιώθηκαν επίσης με την τεχνητή νοημοσύνη.
«Έμεινα έκπληκτος που είδα την ακρίβεια όλων να βελτιώνεται με τη βοήθεια AI, ανεξάρτητα από το επίπεδο εκπαίδευσής τους», είπε ο Linos. “Αυτό με κάνει πολύ αισιόδοξο για τη χρήση της τεχνητής νοημοσύνης στην κλινική περίθαλψη. Σύντομα οι ασθενείς μας δεν θα δέχονται απλώς, αλλά θα περιμένουν ότι χρησιμοποιούμε βοήθεια τεχνητής νοημοσύνης για να τους παρέχουμε την καλύτερη δυνατή φροντίδα.”
Οι ερευνητές στο Κέντρο Ψηφιακής Υγείας του Στάνφορντ, συμπεριλαμβανομένου του Κιμ, ενδιαφέρονται να μάθουν περισσότερα για την υπόσχεση και τα εμπόδια στην ενσωμάτωση εργαλείων που βασίζονται στην τεχνητή νοημοσύνη στην υγειονομική περίθαλψη. Συγκεκριμένα, σχεδιάζουν να διερευνήσουν πώς οι αντιλήψεις και οι στάσεις των γιατρών και των ασθενών για την τεχνητή νοημοσύνη θα επηρεάσουν την εφαρμογή της.
«Θέλουμε να κατανοήσουμε καλύτερα πώς αλληλεπιδρούν οι άνθρωποι και χρησιμοποιούν την τεχνητή νοημοσύνη για να λάβουν κλινικές αποφάσεις», είπε ο Κιμ. Προηγούμενες μελέτες έχουν δείξει ότι ο βαθμός εμπιστοσύνης ενός κλινικού ιατρού στη δική του κλινική απόφαση, ο βαθμός εμπιστοσύνης του AI και εάν ο κλινικός ιατρός και το AI συμφωνούν στη διάγνωση επηρεάζουν το εάν ο κλινικός ιατρός ενσωματώνει τις συμβουλές του αλγόριθμου κατά τη λήψη κλινικών αποφάσεων για υπομονετικος.
Ιατρικές ειδικότητες όπως η δερματολογία και η ακτινολογία, οι οποίες βασίζονται σε μεγάλο βαθμό σε εικόνες -οπτική επιθεώρηση, εικόνες, ακτινογραφίες, μαγνητικές τομογραφίες και αξονικές τομογραφίες, μεταξύ άλλων- για διαγνώσεις είναι χαμηλά φρούτα για υπολογιστές που μπορούν να διακρίνουν επίπεδα λεπτομέρειας πέρα από αυτά που ο άνθρωπος το μάτι (ή ο εγκέφαλος) μπορεί εύλογα να επεξεργαστεί. Αλλά ακόμη και άλλες ειδικότητες που βασίζονται στα συμπτώματα ή η μοντελοποίηση πρόβλεψης, είναι πιθανό να ωφεληθούν από την παρέμβαση της τεχνητής νοημοσύνης, την αίσθηση του Linos και της Kim.
