Tekoälystä tulee korvaamaton lääketieteellisen diagnoosin työkalu

Uudet työkalut vanhaan diagnoosiin

Lääketieteen alusta lähtien monet diagnoosit perustuvat potilaan silmämääräiseen tarkastukseen. Tämä pätee edelleen korvatulehduksiin, jotka yleensä vaativat kokeneen lääkärin oikean diagnoosin.

Tässä nimenomaisessa tapauksessa lääkärin kokemuksella ja taidolla on paljon merkitystä, kuten aiemmat kliinikkojen tutkimukset ovat raportoineet AOM:n diagnostisen tarkkuuden vaihtelevan 30 %:sta 84 %:iinriippuen terveydenhuollon tarjoajan tyypistä, koulutustasosta ja tutkittavien lasten iästä.

Tämän seurauksena monet korvatulehdukset diagnosoidaan virheellisesti välikorvatulehdukseksi, johon liittyy effuusiota tai nestettä korvan takana, tila, johon ei yleensä liity bakteereja ja joka ei hyödy antimikrobisesta hoidosta.

Mutta nyt on kehitetty uusi työkalu auttamaan lääkäreitä, jotka perustuvat tekoälyn konenäköön ja älypuhelimien kaikkialla esiintymiseen. Ja se voisi auttaa vähentämään tarpeetonta antibioottien käyttöä, mikä johtaa ongelmalliseen antibioottiresistenssin syntymiseen.

”Alidiagnosointi johtaa riittämättömään hoitoon ja ylidiagnosointi johtaa tarpeettomaan antibioottihoitoon, mikä voi vaarantaa tällä hetkellä saatavilla olevien antibioottien tehokkuuden. Työkalumme auttaa saamaan oikean diagnoosin ja ohjaamaan oikean hoidon."

Alejandro Hoberman, MD, Pr. lastentautien johtaja ja johtaja Yleisen akateemisen pediatrian osasto Pittin luona Lääketieteen yksikkö.

Lähde: UPMC

Se on myös hyvin yleinen ongelma, sillä 70 % lapsista saa korvatulehduksen ensimmäisenä elinvuotena.

AI-diagnoosi

Pr Hoberman teki yhteistyötä Tandon School of Engineeringin tutkijoiden kanssa New Yorkissa, Bosch Center for Artificial Intelligencessa Pittsburghissa ja Dcipher Analyticsissa Tukholmassa, Ruotsissa kehittääkseen tekoälytyökalun korvatulehdusten havaitsemiseen.

He julkaisivat havaintonsa vuonna JAMA Pediatrics, otsikon alla "Automaattisen luokituksen kehittäminen ja validointi akuutin välikorvatulehduksen diagnosoimiseksi lapsilla.

Tuloksena oleva tekoälytyökalu vaatii vain älypuhelimen kameraan yhdistetyn otoskoopin.

He loivat kaksi erilaista tekoälymallia ja käyttivät tietokantaa, jossa oli 1,151 635 videota tärykalvosta XNUMX lapselta. Sitten he pyysivät asiantuntijoita merkitsemään manuaalisesti jokaiseen videoon korvatulehdusta vai ei.

Tekoälyn kouluttamiseen käytettiin 921 videota, ja jäljelle jääneitä 230 videota käytettiin testinä tekoälyn tarkkuuden arvioimiseksi.

Oikeaa diagnostiikkaa varten mitattuja parametreja olivat tärykalvon muoto, väri, sijainti ja läpikuultavuus.

Lähde: UPMC

Ylivoimaiset lääketieteelliset tulokset

Molemmat mallit olivat erittäin tarkkoja, tuottaen herkkyyden 9.38 % ja spesifisyyden 93.5 %. Tämä tarkoittaa, että tekoälyt havaitsivat tartunnan tarkasti, mutta niillä oli myös erittäin alhainen väärien negatiivisten ja väärien positiivisten tulosten määrä.

On myös syytä huomata, että tämä on parempi tarkkuus kuin jopa parhaat lääkärien visuaalisella tunnistamisella saadut tulokset ja paljon suurempi kuin tulokset, jotka saadaan vähemmän ihanteellisissa olosuhteissa (pienemmät lapset, kouluttamattomat lääkärit jne.)

Video voidaan tallentaa ja arkistoida. Tätä voidaan käyttää diagnoosin selittämiseen potilaalle tai potilaan vanhemmille ja arkistoida potilastiedostoon. Tallennettuja videoita voidaan käyttää myös lääketieteen opiskelijoiden tai erikoistuvien lääkäreiden koulutukseen, ja ne tarjoavat arvokkaan opetusvälineen sairaaloille ja lääkäriasemille.

Sen pitäisi myös auttaa perhelääkäreitä tekemään oikea diagnoosi ja vähentämään antibioottien ylimääräystä.

Tämän työkalun toteutuksen yksinkertaisuus, jossa käytetään vain lääkärin älypuhelinta ja otoskooppia, mahdollistaa myös erittäin nopean käyttöönoton ja helpon käyttöönoton.

Tekoälyn diagnostiikkayritykset

Pitkään aikaan tekoälyn soveltaminen monimutkaisiin ympäristöihin, kuten ihmiskehoon, ei toiminut, sillä se kamppaili selviytyäkseen toimitettujen tietojen "sotkuisuudesta".

Uudet tekniikat, kuten neuroverkot, ovat muuttaneet tätä luoden "konenäön", jonka tunnetuimpia sovelluksia ovat itseajavat autot.

Monet lääketieteelliset diagnoosit perustuvat vielä nykyäänkin lääkäreiden mielipiteisiin ja asiantuntemukseen, joka saadaan tutkimalla manuaalisesti tuhansia kuvia skannereista, RMI:stä ja myös tärykalvoista. Jos tekoälyt pystyvät nyt määrittämään, missä pyöräilijät ovat tiellä, he myös alkavat, elleivät paremmin kuin ihmiset, havaitsemaan infektioita, kasvaimia ja muita lääketieteellisiä ongelmia.

Monet suuret yritykset sisällyttävät tekoälyä kuvantamisjärjestelmiinsä, kuten GE Healthcare, Siemens Healthineers, Canon Medicalja Philips. Yritysten koosta johtuen ne tuskin kuitenkaan ovat puhtaita toimijoita tekoälyn lääketieteellisessä diagnostiikassa.

Muut keskittyneemmät startupit ovat yksityisesti listattuja, kuten PathAI ja Viz.AI esimerkiksi. Joten keskityimme sen sijaan julkisesti noteerattuihin osakkeisiin.

1. Perhonen verkko

Butterfly on sekä kehittyneen ultrakannettava ultraäänidiagnoosityökalun että integroidun ohjelmiston kehittäjä, joka käyttää tekoälyä auttamaan diagnoosia.Kompassi".

Lähde: Perhonen verkko

Yhtiö on nyt 3^rd ultraäänianturin sukupolvi, iQ2024:n julkaisun myötä vuonna 3, suuremmalla tiedonsiirtonopeudella ja 2x sitä edeltävän version prosessointiteholla. Kuten kaikki aiemmat Butterflyn ultraäänianturit, se luottaa erinomaiseen puolijohdetekniikkaan "ultraääni-sirulle" klassisten pietsosähköisten antureiden sijaan.

iQ3 tarjoaa erinomaisen käyttökokemuksen, mukaan lukien mahdollisuus visualisoida sekä 3D että useita lentokoneita samanaikaisesti, integroitu pilviohjelmisto ja nopea käynnistys, kaikki halvemmalla.

Yritys käyttää tekoälyä kuvien parantamiseen, diagnoosiin liittyvien mittausten automaattiseen generointiin sekä koulutus-/opetuskäytäntöjen tarjoamiseen.

Lähde: Perhonen verkko

Butterfly laajenee nopeasti uusille markkinoille Aasiassa (Singapore, Indonesia, Filippiinit jne.) ja myös eläinlääkäreiden markkinoille, esimerkiksi tarkastaen rehukarjan terveyden ja hyödyntäen ultraäänityökalunsa ultrakannettavuutta.

2. Enlitic (ENL.AX)

Enlitic on kehittänyt tekoälyjärjestelmän, joka analysoi radiologiakuvia ja luo kuvista automaattisesti standardoituja kuvauksia. Tämä on siis seuraava askel radiologisten kuvien big datassa teknisten standardien, kuten DICOM tai HL7, hyväksymisen jälkeen.

Tätä varten Enliticin teknologia hyödyntää konenäköä ja luonnollisen kielen käsittelyä DICOM-kuvien analysointiin ja tunnistaa erilaisia ​​parametreja, kuten ruumiinosia, suuntaa, kontrastia ja viipaleen paksuutta TT-, MR- ja röntgenkuvissa.

Lähde: Enlitic

Tällaista standardointia tarvitaan tekoälyn etenemiseen radiologiassa sekä telelääketieteessä ja automaatiossa. Se tarjoaa järjestelmien yhteentoimivuuden luotettavasta merkintäjärjestelmästä riippuen.

Sen pitäisi myös auttaa sairaaloita ja radiologiakeskuksia kaupallistamaan nämä tiedot anonymisoitujen ja standardoitujen tietojen tarjoamiseksi muuta tekoälykoulutusta varten.