Veštačka inteligencija pravi impresivne korake u svojoj sposobnosti da čita medicinske slike. U nedavnom testu britanske Nacionalne zdravstvene službe, AI alat je pregledao mamografe preko 10.000 žena i tačno identifikovao kod kojih pacijenata je otkriven rak. AI je takođe uhvatio 11 slučajeva koje su lekari propustili. Ali sistemske bolesti, kao što su lupus i dijabetes, predstavljaju veći izazov za ove sisteme, pošto dijagnoza često uključuje mnoge vrste medicinskih slika, od MRI do CT skeniranja.
Šeng Vang, docent Univerziteta u Vašingtonu na Fakultetu računarskih nauka i inženjerstva Paul G. Allen, radio je sa koautorima u Microsoft Research i Providence Genetics and Genomics na kreiranju BiomedParse, AI modela za analizu medicinske slike koji radi na devet tipova medicinskih slika za bolje predviđanje sistemskih bolesti. Medicinski radnici mogu da učitavaju slike u sistem i postavljaju pitanja sistemu veštačke inteligencije na običnom engleskom.
Tim je objavio svoje nalaze 18. novembra u časopisu Nature Methods.
UV njuz je razgovarao sa Vangom o alatu i o etici i obećanjima veštačke inteligencije u zdravstvenoj zaštiti.
Fokusirani smo na multimodalnu generativnu veštačku inteligenciju, što znači da radimo na obradi više vrsta medicinskih slika. Prethodna istraživanja su razmatrala samo jednu vrstu slike u isto vreme – slike patologije u istraživanju raka, na primer. Naš novi pristup je da razmotrimo sve vrste slika zajedno da bismo predvideli sistemske bolesti. Bolest poput dijabetesa može se pojaviti po celom telu — u očima, zubima, bubrezima i tako dalje. Ako samo imate model koji može da gleda slike očiju, može propustiti stvari o sistemskim bolestima.
Kada ChatGPT ili Google Gemini modeliraju sliku mačke, na primer, ta slika je veoma mala — recimo prečnika 256 piksela. Ali medicinske slike su mnogo veće, prečnika možda 100.000 piksela. Ako odštampate obe slike, razlika u veličini je razlika između teniske loptice i teniskog terena. Dakle, isti metod se ne može primeniti na medicinske slike.
Ali ChatGPT je veoma dobar u razumevanju i sumiranju dugačkih dokumenata. Dakle, ovde koristimo istu tehniku da sumiramo veoma velike slike patologije. Rastavljamo ih na mnogo malih slika, svaka 256 puta 256. Ove male slike formiraju nešto poput „rečenice“ malih slika, ali ovde osnovni element nije reč ili znak – to je mala slika. Tada generativna AI može vrlo precizno sumirati ovaj skup malih slika. U maju smo najavili GigaPath, model koji obrađuje slike patologije pomoću ove metode.
U našem najnovijem radu kombinujemo alate za izgradnju BiomedParse-a, koji radi na devet modaliteta, omogućavajući nam da ugradimo modele koji pokrivaju CT skeniranje, MRI, rendgenske snimke i tako dalje.
Otkrili smo da je veoma teško izgraditi jedan model koji može uzeti u obzir sve modalitete jer ljudi možda nisu voljni da dele sve te podatke. Umesto toga, napravili smo jedan model za svaki tip slike. Neki su mi, neki drugi stručnjaci sa Harvarda i Majkrosofta, a onda ih sve projektujemo u zajednički prostor.
Bili smo inspirisani esperantom, konstruisanim jezikom stvorenim tako da govornici iz različitih zemalja mogu da komuniciraju – slično kako engleski sada funkcioniše širom Evrope. Ključna ideja našeg BiomedParse rada je da se ljudski jezik koristi kao esperanto za različite modalitete medicinskog snimanja. CT skeniranje se veoma razlikuje od MR, ali svaka pojedinačna medicinska slika ima klinički izveštaj. Tako da sve projektujemo u prostor teksta. Tada će dve slike biti slične ne zato što su obe CT skeniranja, na primer, već zato što govore o sličnim pacijentima.
Da, to je kao pretraživač medicinskih slika. Omogućava nespecijalistima da razgovaraju sa modelom o veoma specijalizovanim medicinskim slikama koje zahtevaju stručnost u domenu. Ovo može omogućiti lekarima da mnogo bolje razumeju slike jer, na primer, čitanje patoloških slika često zahteva visoku stručnost.
Čak i veoma iskusni lekari mogu da koriste naš model da brže analiziraju slike i uoče suptilne varijacije. Na primer, ne moraju da gledaju svaku sliku piksel po piksel. Naš model prvo može dati neke rezultate, a onda se lekari mogu fokusirati na te važne regione. Ovo ih može učiniti efikasnijim, jer automatski obezbeđujemo veoma konzistentne rezultate — više od 90% tačnosti u poređenju sa stručnim ljudskim komentarima — za samo 0,2 sekunde. Pošto je ovo alat koji detektuje lokaciju biomedicinskih objekata i broji broj ćelija, 90% tačnosti je često podnošljivo za nas da ispravno otkrijemo objekat i predvidimo nizvodne bolesti. Ali uputstva lekara su i dalje neophodna da bi se osiguralo da se ovi alati AI pravilno koriste. Ovo je način da se poboljšaju njihove veštine, a ne da se zamene.
Već smo objavili demo. Zatim se nadamo da ćemo se udružiti sa UV Medicine kako bismo dalje razvili model, a zatim ga primenili uz saglasnost pacijenata u sistemu UV Medicine. To je veoma veliki napor širom UV. Prikupili smo mnogo podataka koji pokrivaju različite regione ljudskog tela, različite modalitete i različite bolesti. Zato se nadamo da možemo unaprediti otkrivanje sistemskih bolesti.
Mi zapravo imamo još jedan rad koji je u podnesu koji se posebno bavi etičkim problemima za generativnu AI u medicini. Jedan problem je halucinacija. Na primer, možete dati CT sliku grudnog koša nekim AI modelima i pitati u čemu je problem sa zubima. Ovo pitanje nema nikakvog smisla, jer ne možemo razlikovati zubne probleme od CT skeniranja, ali neki postojeći AI modeli će zapravo odgovoriti na ovo pitanje, i očigledno je to pogrešan odgovor.
Drugi problem je etički. Možemo dati generativnoj AI sliku zuba i pitati: „Koji je pol i starost ovog pacijenta?“ To su privatne informacije. Ili možete zatražiti da rekonstruiše lice osobe. Dakle, radimo na otkrivanju tih neetičkih pitanja i osiguravamo da model neće odgovoriti.
Ranije sam radio otkrivanje lekova i istraživanje genomike pomoću veštačke inteligencije, ali sam otkrio da je to prilično ograničena oblast, jer razvoj leka može da traje 5 ili 10 godina, a deo koji najviše oduzima vreme je testiranje leka — ispitivanja na miševima, ispitivanja kod ljudi i tako dalje. Prešao sam na medicinu jer osećam da je veštačka inteligencija veoma moćna za analizu podataka slika i slika zajedno sa tekstom.
Takođe se bavim prenamenom lekova. To znači da, na primer, lek koji se koristi za lečenje bolesti mrežnjače može, a da nije dizajniran za druge svrhe, takođe lečiti srčanu insuficijenciju. Dakle, ako se ovaj lek već koristi za bolesti mrežnjače i smatramo da je efikasan za srčanu insuficijenciju, možemo ga odmah primeniti, jer znamo da je bezbedan. Ovo je jedna od potencijalnih prednosti proučavanja sistemskih bolesti sa AI. Ako u kombinovanju slika retine sa slikama srčane insuficijencije otkrijemo da slike mrežnjače mogu predvideti srčanu insuficijenciju, mogli bismo otkriti takav lek. To je ovde dugoročni cilj.
