AI-konevision tavoitteena mullistaa terveyttämme

Konevision & Terveydenhuolto

Together with LLMs (large language models) like ChatGPT, machine vision is one of the most important recent developments in AI. The various methods used to achieve it, such as neural networks and deep learning, are now allowing computers to truly see their environment.

Yhdessä LLM:ien (large language models) kuten ChatGPT:n kanssa, konevisio on yksi merkittävimmistä viimeaikaisista AI-kehityksistä. Erilaiset sen saavuttamiseen käytetyt menetelmät, kuten neuroverkot ja syväoppiminen, mahdollistavat nyt tietokoneiden todellisen näkemisen ympäristöstään.

Yksi tämän ajatuksen sovellus on antaa tietokoneiden ottaa ihmisten tehtäviä, kuten ajamista, tai antaa robotteille täysi autonomia todellisessa maailmassa sen sijaan, että ne pysyvät rajoittuneina tehtaan lattioille.

Se on yksi merkittävimmistä konevision omaksumisen ajureista, nopeasti kasvava markkina, jonka odotetaan saavuttavan 9,2 miljardia dollaria vuoteen 2029 mennessä.

Lähde: EPAM

Mutta toinen yhtä tärkeä tehtävä on arvioida terveyttämme. Monet lääketieteelliset diagnoosit perustuvat lääkärien visuaalisiin arvioihin. Tämä sisältää suoran tarkastelun ja asiantuntijatasoisen analyysin radiografiasta, skannereista ja muista lääketieteellisistä kuvista.

Useimmissa tapauksissa nämä visuaaliset tarkastukset ovat jonkin verran subjektiivisia. Lääkärin on tarvittava monien vuosien kokemus ollakseen todella varma arvioistaan. Ja tähän asti potilaan kehon jokaisen pienen eron monimutkaisuus teki automatisoidusta mittaamisesta liian monimutkaista.

Tämä on vihdoin muuttumassa, ja monet yritykset tutkivat nyt AI-konevision käyttöönottoa luodakseen parempia lääketieteellisten kuvien analyysejä.

Suora visuaalinen tarkastelu

We recently explored the case of using AI to detect better than human doctor ear infections in our article “AI Poised to Become Invaluable Medical Diagnosis Tool”

Tätä voidaan laajentaa moniin muihin patologioihin; esimerkiksi Googlen AI-kuvantaminen voi diagnosoida 26 erilaista ihosairautta (80 % tapauksista perusterveydenhuollossa), havaita diabeettinen retinopatia, tai jopa ennustaa diabeettisen retinopatian kehittymisen riskin tulevaisuudessa.

Yllättävämmin AI näyttää myös pystyvän havaitsemaan terveysongelmia visuaalisista tarkastuksista, joita ihmiset eivät pysty käyttämään; esimerkiksi anemian havaitseminen (normaalisti vaatii verikokeen) silmän verkkokalvosta katsomalla. Sama menetelmä voitaisiin myös käyttää ennustamaan sydäninfarktin riskejä.

Se voi myös havaita leesiä, jotka ihmisen silmä ohittaisi; esimerkiksi Iterative Healthin AI:n suurempi tarkkuus voi auttaa havaitsemaan mahalaukun ja paksusuolen syöpiä.

Lääketieteellinen kuvianalyysi

The more refined medical imagery from X-rays, tomography, CT-scans, echography, and others become, the more complex the image analysis.

Edistynyt AI voi nyt auttaa parantamaan kuvanlaatua, tietojen käsittelyä ja analysointia.

Esimerkiksi Cleery käyttää AI:ta analysoimaan sepelvaltimon tietokonetomografia-angiografia (CCTA) -tietoja “ luodakseen 3D-mallin potilaan sepelvaltimoista, tunnistaakseen niiden valon ja verisuonten seinämät, paikantaakseen ja kvantifioidakseen stenoot sekä tunnistaakseen, kvantifioidakseen ja luokitellakseen plakin.”

Butterfly Network (BFLY ) muuttaa ultraäänikuvauksen tapaa kiitos puolijohdepiirien korvatessa piezoelektrisiä antureita ja AI:n, joka luo mobiilisia 3D-malleja potilaan sisäisistä elimistä.

Lähde: Butterfly Network

Verisound AI, GE Healthcare -tytäryhtiö tarjoaa reaaliaikaista ohjausta käytännönharjoittajalle, automatisoitua kuvankaappausta ja omistettuja erikoistuneita AI:ita yleiskuvaukseen, kardiologiaan, rintarauhaskuvaukseen, naisten terveyteen, hermoihin, munuaisiin, maksaan jne.

Googlen AI:ita käytetään myös auttamaan rintasyövän havaitsemisessa ja onkologien ajan säästämisessä, mikä auttaa lievittämään työvoimapulaa.

ChestEye ja ChestLink Oxipit -yritykseltä tarkistavat kaksinkertaisesti radiologiset kuvat mahdollisesti ohitettujen keuhkosyöpien varalta.

Kirurgia

AI can also help surgeons in many ways.

Yksi on kirurginen ohjaus, erityisesti robottiavusteisessa kirurgiassa, jossa AI voi tarjota lisätietoa tai neuvoja kirurgille reaaliajassa.

Perustuen miljoonien kirurgisten videoiden tarkasteluun, AI:lla on kyky ennakoida seuraavat 15–30 sekuntia leikkauksesta ja tarjota lisävalvontaa leikkauksen aikana

Tohtori Eckhoff – tekoälyn ja innovaation tutkija Massachusetts General Hospitalin Surgical Artificial Intelligence and Innovation Laboratoryssa

Esimerkkinä on ranskalainen Pixee Medical, joka mahdollistaa 3D-seurannan älypuhelimella tai älylaseilla ortopedisessa kirurgiassa.

AI voi myös automatisoida leikkauksen tallentamisen keskeisen toimenpiteen, erityisesti toistuvissa ja virhealttiissa tehtävissä. Koska kirurgeja unohtaa instrumentteja potilaan sisällä noin 1500 leikkauksessa vuodessa Yhdysvalloissa, konevisio voisi yhtä hyvin auttaa poistamaan tämän ongelman kokonaan seuraamalla automaattisesti kaikkea leikkauksen aikana käytettyä.

Datan hallinta

Potilastiedot

Although it may be less spectacular than spotting a tumor, performing a diagnostic without human intervention, or assisting surgeons, managing patient data can be equally important for patients’ recovery.

Ensimmäinen osa, jossa AI voi auttaa, on kasvojentunnistus ja sen yhdistäminen potilastunnukseen ja lääketieteellisiin tiedostoihin. On aina riski, että henkilöllisyys sekoittuu useimpien sairaaloiden nopeassa ja stressaavassa työympäristössä. Tämä teknologia on yleisluontoista ja sitä voivat käyttää kasvojentunnistusohjelmistojen toimittajat, kuten esimerkiksi Facia.

Toinen vaihe on integroida kaikki mahdolliset potilaan tiedot yhteen järjestelmään. Esimerkiksi se voi sisältää kuvia radiologian osastolta (ja siihen liittyvästä ohjelmistosta), yleisiä potilastiedostoja, asiakirjoja aiemmista hoidoista toisessa sairaalassa, apteekkireseptejä jne.

Kaikkien näiden tietojen yhdistäminen voi olla erittäin monimutkaista, ja AI-työkalut kuten CloudMedxHealth voivat auttaa hyödyntämään lääketieteellisten digitaalisten tietojen koko potentiaalin.

Lähde: CloudMedxHealth

Lääketieteellisiä tietoja voidaan myös kerätä korkeammalla tasolla, kuten Komodo Health luo yleiskuvan koko Yhdysvaltain terveydenhuoltojärjestelmästä.

Seuranta

Another segment where AI can help is monitoring the hospital environment. This can include respect for good hygiene practices (cleaning, masks, etc.) or really any procedure that needs to be monitored automatically.

Samanlaista seurantaa voidaan tarjota potilaille kotona heidän toipumisensa tarkistamiseksi. Tämä mahdollistaa esimerkiksi fysioterapian kotona, tehden siitä paitsi käytännöllisempää potilaille ja lääkäreille, myös edullisempaa koko terveydenhuoltojärjestelmälle.

Kotiseuranta voi myös sisältää kaatumisen tunnistamisen, jolloin hätäpalvelut soitetaan automaattisesti tarvittaessa.

Teleterveyden yleisesti voi hyötyä AI:sta, kuten esimerkiksi Corti.AI -ratkaisu. Tutkimme tätä aihetta myös artikkelissamme “Heal From Home: Top 5 Telemedicine Stocks”.

Lääketieteellisen tutkimuksen parantaminen

Biology is often described as the most “soft” of the scientific fields because medical and biological data tend to be a lot “messier” than chemistry or physics.

Osittain tämä on väistämätöntä, sillä biologiset näytteet ovat äärimmäisen monimutkaisia ja voivat vaihdella toisistaan.

Se johtuu myös siitä, että ala edelleen usein luottaa manuaaliseen laskentaan, kuten solujen laskemiseen mikroskoopilla. Sama pätee lääketieteellisiin analyyseihin, kuten verilaskentaan. Luonnollisesti kaksi eri henkilöä laskevat monimutkaisen näytteen hieman eri tavoin.

Tämä voidaan ratkaista AI-konevision avulla, tuotteilla kuten Shonit Sigtuplelta, joka pystyy nyt tarjoamaan luotettavia ja standardoituja laskelmia kaikentyyppisistä verisoluista.

Lähde: Sigtuple

Lääketieteelliset kuvat saavat myös standardoitua luokittelua ja merkintöjä työkalujen kuten Enlitic avulla, mikä mahdollistaa tutkijoiden pääsyn korkealaatuisempiin tietoaineistoihin.

Kun lääketieteellinen tutkimus kamppailee käsitelläkseen uutta tietomyrskyä, joka tulee analytiikkatieteiden edistymisestä genomisessa, transkriptomisessa, proteomisessa ja yleisessä “multiomiksessa”, jonka kuvailimme artikkelissa “Multiomics Are The Next Step In Biotechnology”.

Tämä sisältää myös geenieditoinnin, jossa avoimen lähdekoodin AI auttaa tutkijoita suunnittelemaan uusia geenieditointityökaluja, kuten käsiteltiin artikkelissa “AI-avusteinen geenieditointi mahdollistettu ‘OpenCRISPR-1’:lla”.

Heikentyneiden aistien korvaaminen

Another way machine vision can change healthcare is by seeing things for us. Blind people or those with other impairments can get AI helping them to identify items in their environment.

AI voi myös muuntaa tekstiä puheeksi, mikä normaalisti olisi saavuttamattomissa.

Lopuksi konevisio voi auttaa vammaisia henkilöitä ohjaamaan laitteita kasvojen ilmeiden tai eleiden avulla.

Konevision yritykset

1. Alphabet

Google on johtava teknologiayritys monilla sektoreilla, ja tietenkin haku ja sen Android-älypuhelin käyttöjärjestelmä ovat hyviä esimerkkejä.

Se on myös AI:n johtaja, vahvalla läsnäololla konevisiosta terveydenhuollossa, kattaen syövän ja tautien havaitsemisen, ennaltaehkäisyn ja hoidon parantamisen.

AI:ta hyödynnetään myös muilla aloilla kuin konevisiossa. Esimerkiksi Google AlphaFold AI pystyy ennustamaan proteiinien 3D-rakenteen, mikä on keskeinen tieto uusien lääkkeiden luomisessa, sekä ennustamaan uusien molekyylien tehokkuuden ja turvallisuusprofiilin. Keskustelimme siitä, miten AlphaFoldin ennusteet ovat osoittautuneet luotettaviksi ja erittäin hyödyllisiksi lääkekehityksessä artikkelissa “Prospective Modelling Points to Bright Future for AI-based Drug Discovery”.

Lähde: News Medical

Google Health AI sisältää Med-PaLM, ensimmäisen suuren kielimallin, joka saavuttaa asiantuntijatasoisen suorituksen lääketieteellisissä lisenssikokeen kaltaisissa kysymyksissä, avoimen lähdekoodin Open Health Stack kehittäjille, DeepVariant genomianalyysiin, ja Syväoppiminen sähköisiin potilastietoihin.

Tietenkin Google Vision AIlla on monia muita sovelluksia terveydenhuollon ulkopuolella, mukaan lukien liikenne, sisällön luominen (teksti, kuva ja video), asiakirjojen tulkinta jne.

Kaiken kaikkiaan Alphabet (GOOG ) /Google on jättiläinen ei vain teknologiassa vaan myös AI:ssa, mukaan lukien terveydenhuollossa ja terveydenhuollon konevision sovelluksissa.

2. Butterfly Network

Butterfly on sekä kehittyneen ultra-porttaalin ultraäänidiagnostiikkatyökalun että AI:ta hyödyntävän integroidun ohjelmiston kehittäjä, joka auttaa diagnoosissa, nimeltään “Compass”.

Lähde: Butterfly Network

Yritys on nyt ultraäänikynän kolmannen ^gen sukupolvella, iQ3:n julkaisu vuonna 2024, jossa on korkeampi tiedonsiirtonopeus ja kaksinkertainen prosessointiteho edelliseen versioon verrattuna. Kuten kaikki aiemmat Butterfly ultraäänikynät, se perustuu ylivoimaiseen puolijohde‑“ultraääni-sirulla” -teknologiaan perinteisten piezoelektristen antureiden sijaan.

iQ3 tarjoaa ylivoimaisen käyttäjäkokemuksen, mukaan lukien mahdollisuuden visualisoida sekä 3D- että monitasot samanaikaisesti, integroidun pilviohjelmiston, ja nopean käynnistyksen, kaikki edullisempaan hintaan.

Yritys käyttää AI:ta parantamaan kuvia, luomaan automaattisesti diagnoosiin liittyviä mittauksia ja tarjoamaan koulutus-/opetusharjoituksia.

Lähde: Butterfly Network

Butterfly laajenee nopeasti uusille markkinoille Aasiassa (Singapore, Indonesia, Filippiinit jne.) ja myös eläinlääkärimarkkinoilla, kuten karjan terveyden tarkistamisessa ja ultra-porttaalin ultraäänityökalunsa hyödyntämisessä.