Generationer av AI utvecklas snabbt inom medicin

[annons_1]

AI programmerades av dataingenjörer i slutet av 1900-talet och föddes baserat på en uppsättning instruktioner (regler) skapade av människor, vilket gör det möjligt för tekniken att lösa grundläggande problem.

Redaktörens anmärkning: Det finns många branscher som påverkas av ny teknik i informationsåldern. Med automatiseringens inverkan är datavetenskap, artificiell intelligens (AI) och ämnen som läkare, sjukhus, försäkringsbolag och branscher relaterade till hälso- och sjukvård inget undantag. Men särskilt inom hälsoområdet har AI en mer positiv inverkan än andra branscher.

Första generationen

Sättet som AI tränas på i nuläget kan föreställas likna läkarstudenters tillvägagångssätt. AI-system lärs också hundratals algoritmer för att översätta patientsymtom till diagnoser. Detta anses vara den första generationen av hälsovårdsregler som införlivats i AI-system.

Generativa AI-applikationer hjälper läkare att uppdatera information i realtid

Beslutsalgoritmer växer som ett träd, börjar från stammen (patientens problem) och förgrenar sig därifrån. Om en patient till exempel klagar över en svår hosta, kommer läkaren först att fråga om hen har feber. Det kommer att finnas två uppsättningar frågor, feber/ingen feber. De första svaren kommer att leda till ytterligare frågor om tillståndet. Detta kommer att leda till ytterligare grenar. Slutligen är varje gren en diagnos, som kan sträcka sig från bakteriell, svamp- eller viral lunginflammation till cancer, hjärtsvikt eller dussintals andra lungsjukdomar.

Generellt sett kunde den första generationen av AI identifiera problem men inte analysera och klassificera patientjournaler. Som ett resultat kunde tidiga former av artificiell intelligens inte vara lika exakta som läkare som kombinerade medicinsk vetenskap med sin intuition och erfarenhet. Och på grund av dessa begränsningar användes regelbaserad AI sällan i klinisk praxis vid andra tillfällen.

Fullständig automatisering

I början av 2000-talet började AI:s andra era med artificiell smal intelligens (ANI), eller artificiell intelligens som löser specifika uppsättningar av uppgifter. Tillkomsten av neurala nätverk som efterliknar den mänskliga hjärnans struktur banade väg för djupinlärningsteknik. ANI fungerar väldigt annorlunda än sina föregångare. Istället för att tillhandahålla förutbestämda regler av forskare använder andra generationens system enorma datamängder för att urskilja mönster som skulle ta människor lång tid att göra.

I ett exempel matade forskarna ett ANI-system med tusentals mammografier, varav hälften visade maligna cancerformer och hälften visade godartade cancerformer. Modellen kunde omedelbart identifiera dussintals skillnader i mammografiernas storlek, densitet och nyans, och tilldela varje skillnad en påverkansfaktor som återspeglade sannolikheten för malignitet. Viktigt är att denna typ av AI inte förlitar sig på heuristik (tumregler) som människor gör, utan istället förlitar sig på subtila variationer mellan maligna och normala undersökningar som är okända för både radiologen och programvaruutvecklaren.

Till skillnad från regelbaserad AI överträffar andra generationens AI-verktyg ibland mänsklig intuition i diagnostisk noggrannhet. Denna form av artificiell intelligens har dock också allvarliga begränsningar. För det första är varje applikation uppgiftsspecifik. Det vill säga att ett system som är tränat att läsa mammografi inte kan tolka hjärnskanningar eller lungröntgen. Den största begränsningen med ANI är att systemet bara är så bra som de data det tränades på. Ett tydligt exempel på denna svaghet var när UnitedHealthcare förlitade sig på smal AI för att identifiera de sjukaste patienterna och erbjuda dem ytterligare medicinska tjänster. När forskarna sållade igenom data fann de att AI:n gjorde ett skadligt antagande. Patienter diagnostiserades som friska helt enkelt för att de hade fått lite medicinsk vård i sina journaler, medan patienter som använde mycket medicinsk vård bedömdes som ohälsosamma.

Framtida generationer av AI kommer också att göra det möjligt för människor att diagnostisera sjukdomar och planera behandlingar precis som vilken läkare som helst. För närvarande har ett generativt AI-verktyg (Googles MED-PALM2) klarat läkarexamen med expertpoäng. Många andra medicinska AI-verktyg kan nu skriva diagnoser som liknar läkares. Dessa modeller kräver dock fortfarande läkarövervakning och kommer sannolikt inte att ersätta läkare. Men med sin nuvarande exponentiella tillväxttakt förväntas dessa applikationer bli minst 30 gånger kraftfullare under de kommande 5 åren. Framtida generationer av verktyg som ChatGPT förutspås ge medicinsk expertis åt alla, vilket fundamentalt förändrar läkare-patientrelationen.

Sammanställt av VIET LE

[annons_2]
Källa