Generasjoner av AI utvikler seg raskt innen medisin

[annonse_1]

AI ble programmert av dataingeniører på slutten av 1900-tallet, og ble født basert på et sett med instruksjoner (regler) laget av mennesker, slik at teknologien kunne løse grunnleggende problemer.

Redaktørens merknad: Det er mange bransjer som påvirkes av ny teknologi i informasjonsalderen. Med virkningen av automatisering er informatikk, kunstig intelligens (KI) og fag som leger, sykehus, forsikringsselskaper og bransjer relatert til helsevesen intet unntak. Men spesielt innen helse har KI en mer positiv innvirkning enn andre bransjer.

Første generasjon

Måten AI trenes på i dag kan tenkes å ligne på medisinstudenters tilnærming. AI-systemer læres også hundrevis av algoritmer for å oversette pasientsymptomer til diagnoser. Dette regnes som den første generasjonen helseregler som er innlemmet i AI-systemer.

Generative AI-applikasjoner hjelper leger med å oppdatere informasjon i sanntid

Beslutningsalgoritmer vokser som et tre, starter fra stammen (pasientens problem) og forgrener seg derfra. Hvis en pasient for eksempel klager over kraftig hoste, vil legen først spørre om vedkommende har feber. Det vil være to sett med spørsmål, feber/ingen feber. De første svarene vil føre til ytterligere spørsmål om tilstanden. Dette vil føre til ytterligere grener. Til slutt er hver gren en diagnose, som kan variere fra bakteriell, sopp- eller viruspneumoni til kreft, hjertesvikt eller dusinvis av andre lungesykdommer.

Generelt sett kunne den første generasjonen av AI gjenkjenne problemer, men ikke analysere og klassifisere medisinske journaler. Som et resultat kunne tidlige former for kunstig intelligens ikke være like nøyaktige som leger som kombinerte medisinsk vitenskap med sin intuisjon og erfaring. Og på grunn av disse begrensningene ble regelbasert AI sjelden brukt i klinisk praksis på andre tidspunkter.

Full automatisering

Tidlig på 2000-tallet begynte den andre æraen av AI med kunstig smal intelligens (ANI), eller kunstig intelligens som løser spesifikke sett med oppgaver. Fremveksten av nevrale nettverk som etterligner strukturen til den menneskelige hjernen banet vei for dyp læringsteknologi. ANI fungerer veldig annerledes enn forgjengerne. I stedet for å gi forhåndsbestemte regler av forskere, bruker andre generasjons systemer enorme datasett for å oppdage mønstre som ville tatt mennesker lang tid å gjøre.

I ett eksempel matet forskerne et ANI-system med tusenvis av mammogrammer, hvorav halvparten viste ondartede kreftformer og halvparten viste godartede kreftformer. Modellen var i stand til å umiddelbart identifisere dusinvis av forskjeller i størrelsen, tettheten og skyggeleggingen av mammogrammene, og tilordnet hver forskjell en påvirkningsfaktor som reflekterte sannsynligheten for malignitet. Det er viktig å merke seg at denne typen AI ikke er avhengig av heuristikker (tommelfingerregler) slik mennesker gjør, men i stedet er avhengig av subtile variasjoner mellom ondartede og normale undersøkelser som er ukjente for både radiologen og programvaredesigneren.

I motsetning til regelbasert AI, overgår andregenerasjons AI-verktøy noen ganger menneskelig intuisjon i diagnostisk nøyaktighet. Denne formen for kunstig intelligens har imidlertid også alvorlige begrensninger. For det første er hver applikasjon oppgavespesifikk. Det vil si at et system som er trent til å lese mammogrammer ikke kan tolke hjerneskanninger eller røntgenbilder av brystet. Den største begrensningen med ANI er at systemet bare er så godt som dataene det ble trent på. Et tydelig eksempel på denne svakheten var da UnitedHealthcare stolte på smal AI for å identifisere de sykeste pasientene og tilby dem ytterligere medisinske tjenester. Da forskerne siktet gjennom dataene, fant de ut at AI-en gjorde en skadelig antagelse. Pasienter ble diagnostisert som friske rett og slett fordi de hadde fått lite medisinsk behandling i journalene sine, mens pasienter som brukte mye medisinsk behandling ble vurdert som usunne.

Fremtidige generasjoner av AI vil også gjøre det mulig for folk å diagnostisere sykdommer og planlegge behandlinger akkurat som enhver annen lege. For øyeblikket har et generativt AI-verktøy (Googles MED-PALM2) bestått legeeksamen med en ekspertpoengsum. Mange andre medisinske AI-verktøy kan nå skrive diagnoser som ligner på legers. Disse modellene krever imidlertid fortsatt legetilsyn og vil sannsynligvis ikke erstatte leger. Men med sin nåværende eksponentielle vekstrate forventes disse applikasjonene å bli minst 30 ganger kraftigere i løpet av de neste 5 årene. Fremtidige generasjoner av verktøy som ChatGPT forventes å legge medisinsk ekspertise i hendene på alle, noe som fundamentalt endrer lege-pasientforholdet.

Samlet av VIET LE

[annonse_2]
Kilde