Lata 2022 oraz 2023 to okres dynamicznego wzrostu zainteresowania sztuczną inteligencją wśród użytkowników nowych technologii. Według danych zgromadzonych przez portal Google Trends ruch internetowy związany z wyszukiwaniem fraz zawierających termin „AI” urósł kilkukrotnie po 2021 roku. Ważną częścią składową współczesnej pozycji SI w dyskursie publicznym jest ogromna popularność jednego z najważniejszych modeli językowych, czyli Chatu GPT.
Statystyki zaczerpnięte ze strony należącej do Google jednoznacznie wskazują na niemalże równoległy wzrost zainteresowania frazami „AI” oraz „Chat GPT” pod koniec 2022 roku oraz przez cały 2023 rok (aż do dzisiaj). Sukces produktu amerykańskiej firmy informatycznej ma kluczowe znaczenie w procesie wzrostu marketingowego potencjału sztucznej inteligencji. Tę zależność zauważyło już z resztą większość dużych producentów elektroniki, którzy zaaplikowali do swoich urządzeń rozwiązania sygnowane dopiskiem „AI”.
Czytając o nowych funkcjach w telefonach, laptopach lub tabletach łatwo więc wpaść w pewną pułapkę myślową. Elektronika użytkowa jest bowiem jednym z głównych beneficjentów rozwoju sztucznej inteligencji, jednak jej znaczenie w odniesieniu do pozytywnych zmian, jakie może ona wywołać na skalę globalną, jest znikome. Dokładnie odwrotnie prezentuje się w tym kontekście potencjał współczesnej medycyny.
Spis treści
Dlaczego potrzebujemy AI w medycynie?
Następstwem dynamicznego rozwoju technologii na przełomie XX oraz XXI wieku jest wypracowanie zróżnicowanych form kompresji, zapisu oraz przechowywania danych. Ludzka cywilizacja po raz pierwszy w historii osiągnęła tak szerokie możliwości w zakresie archiwizowania informacji, co ma swoje bezpośrednie przełożenie na rozwój współczesnej medycyny.
Zasoby wiedzy, zgromadzone w cyfrowych i fizycznych bazach danych, stanowią podstawowy element procesu kształtowania algorytmów wyspecjalizowanych w diagnozowaniu chorób oraz zaburzeń. Rozwój Big Data umożliwił powstanie takich inicjatyw jak:
- The Cancer Genome Atlas (projekt, który w ciągu kilkunastu lat wygenerował ponad 2,5 petabajta danych genomicznych, epigenomicznych, transkryptomicznych i proteomicznych, ułatwiających diagnozowanie, leczenie i zapobieganie nowotworom),
- PubMed (portal gromadzący ponad 37 milionów pozycji z zakresu literatury biomedycznej, czasopism naukowych oraz medycznych książek internetowych).
Wiedza usystematyzowana przez administratorów powyższych serwisów jest bezcenna, jednak jej rzeczywista użyteczność jest uzależniona od dostępu do narzędzi pozwalających na analizę tak dużych ilości informacji. W artykule z 2022 roku, opublikowanym przez wydawnictwo Uniwersytetu Medycznego w Łodzi na łamach czasopisma „Umedical Reports”, dokonano szacunków obrazujących dalszy wzrost liczby danych medycznych na przestrzeni kilku najbliższych lat.
Według prognoz International Data Corporation (IDC) […] objętość dużych zbiorów danych w sektorze opieki zdrowotnej wzrośnie szybciej niż w innych sektorach […]. Liczba tych danych będzie rosła szybciej niż w sektorze produkcji, usługach finansowych lub mediach i do 2025 roku informacje te istotnie wpłyną na wzrost wskaźnika określonego jako skumulowany roczny wskaźnik wzrostu (ang. compound annual growth rate, CAGR), który szacowany jest na 36%. Dla porównania prognozuje się, że dane w przemyśle wytwórczym osiągną CAGR na poziomie 30%, dane dotyczące usług finansowych będą rosły w tempie 26% rocznie, a dane w przemyśle medialnym i rozrywkowym wzrosną o 25% na rok.
A. Woźniacka, S. Patrzyk, fragment artykułu „Sztuczna inteligencja w medycynie” opublikowanego na łamach czasopisma „Umedical Reports”
Algorytmy uczenia maszynowego – zdolne do analizy dużych ilości informacji oraz samodzielnego rozpoznawania i wnioskowania występujących w nich wzorców – są więc współcześnie jedyną szansą na wykorzystanie wiedzy zgromadzonej przez placówki medyczne na całym świecie.
Diagnozowanie chorób oraz zaburzeń
AI trafniej rozpoznaje osoby neuroróżnorodne
Prawdopodobnie najważniejszą zaletą powszechnego wykorzystywania AI w medycynie jest możliwość szybszego diagnozowania chorób oraz zaburzeń. Dr n.med. Izabela Chojnicka – podczas rozmowy opublikowanej przez Polską Agencję Prasową – wskazała, że skuteczność sztucznej inteligencji w rozpoznawaniu spektrum autyzmu osiąga współczynniki czułości i specyficzności na poziomie od 70 do 90 procent. Skuteczność specjalistów w tym samym zadaniu nie przekracza 60 procent.
Metodologia prowadzonych przez naukowczynię badań opiera się na konfrontacji wypowiedzi udzielonych przez pacjentów z autyzmem oraz osoby neurotypowe. Przedstawiciele obu grup są odpowiednio dobierani pod kątem wieku, płci oraz werbalnych i niewerbalnych ilorazów inteligencji. Chojnicka podkreśla również, że podczas analizy uwzględniono m.in. tak nietypowe dane jak wypracowania pisanie przez uczniów szkół podstawowych w ramach ogólnopolskiego egzaminu ósmoklasisty.
Narracje pozyskujemy też z użyciem różnych bodźców, m.in. z użyciem narzędzia ADOS-2. To wystandaryzowany protokół obserwacji do diagnozowania zaburzeń ze spektrum autyzmu. Zawiera różne zadania i aktywności. Jedną z nich jest na przykład opowiedzenie historii przedstawionej na obrazkach w książce. Są też narracje personalne – uczestnik opowiada o swoich doświadczeniach, o jakichś wydarzeniach ze swojego życia – mamy przygotowane różne tematy rozmowy.
Fragment rozmowy z Dr n.med. Izabelą Chojnicką
Szybsze diagnozowanie rzadkich przypadłości
W 2023 roku projekt Takeda, którego głównym założeniem jest wykorzystanie algorytmów sztucznej inteligencji (AI) do szybszego rozpoznawania rzadkich chorób, uzyskał pozytywną rekomendację w ramach Warsaw Health Innovation Hub (WHIH). Omawiana inicjatywa specjalizuje się w diagnozie dwóch przypadłości o podłożu genetycznym:
- choroby Fabry’ego (rzadka choroba genetyczna, której pierwsze objawy mogą wystąpić zarówno w dzieciństwie, jak i w dorosłości. Do symptomów należą: niewydolność nerek, przerost mięśnia sercowego, udary w młodym wieku, nietypowe, piekące bóle stóp i dłoni oraz brak potliwości. Te objawy wynikają z nadmiernego gromadzenia się substancji w komórkach i tkankach, w tym w naczyniach krwionośnych nerek, serca i mózgu. W Polsce jest około 300 zdiagnozowanych przypadków tej choroby),
- choroby Gauchera (równie rzadka choroba genetyczna, której pierwsze symptomy mogą pojawić się zarówno w dzieciństwie, jak i w dorosłości. Najczęstsze objawy to skłonność do krwawień i łatwego siniaczenia, złamań kości oraz powiększenia wątroby i śledziony. Przyczyną tych objawów jest nadmierne gromadzenie się substancji w komórkach i tkankach, takich jak kości, śledziona, wątroba, a rzadziej w płucach i przewodzie pokarmowym. W Polsce zdiagnozowano około 120 pacjentów z tą chorobą).
Autorzy projektu Takeda skupili się więc na diagnozowaniu dwóch, niezwykle rzadkich, chorób genetycznych, których objawy mogą z łatwością zostać błędnie zinterpretowane. Na oficjalnej stronie inicjatywy widnieje m.in. informacja o tym, że w niektórych przypadkach postawienie trafnej diagnozy może trwać nawet do 15 lat (w przypadku osób diagnozowanych przez specjalistów). Tak duża niepewność podczas analizy wyników jest rezultatem szerokiego spektrum niespecyficznych i niekiedy dość powszechnych objawów tych dwóch przypadłości.
Szybsze rozpoznawanie bakterii oraz grzybów
W kwietniu 2024 roku badacze z Uniwersytetu Jagiellońskiego w Krakowie ogłosili, że udało im się opracować pionierską metodę szybkiego rozpoznawania bakterii oraz grzybów na fotografiach wykonanych przy pomocy mikroskopów świetlnych. Zaproponowane przez naukowców rozwiązanie opiera się na głębokich sieciach neuronowych i ma stanowić wsparcie dla pracy diagnostów laboratoryjnych oraz lekarzy
Dla użytkownika tego rozwiązania wszystko wydaje się być bardzo proste. Do systemu informatycznego należy przesłać zrobione pod mikroskopem zdjęcia mikroorganizmów. W odpowiedzi system generuje raport z wykazem konkretnych gatunków bakterii czy grzybów, które są obecne w badanym materiale. Cała operacja zajmuje nie więcej niż minutę
Fragment rozmowy z dr hab. Bartosz Zieliński opublikowany na łamach serwisu Medexpress.pl
System bazuje na specjalnie zoptymalizowanych algorytmach AI, które potrafią precyzyjnie wykrywać i identyfikować mikroorganizmy w próbkach biologicznych. Głównym atutem tej technologii jest wysoka skuteczność działania, nawet w przypadku niewielkiej liczby dostępnych danych. Jak podaje portal Medexpress: autorzy omawianej metody dostrzegają jej potencjał w zastosowaniach medycznych i dążą do jak najszybszego wdrożenia omawianego rozwiązania do praktyki klinicznej.
Personalizacja opieki medycznej
Sztuczna inteligencja zagwarantuje pacjentom zdecydowanie lepszą opiekę podczas wizyt w placówkach medycznych. Algorytmy AI mogą bowiem przyspieszyć procesy administracyjne oraz zoptymalizować harmonogram wizyt w taki sposób, by zmniejszyć kolejki do lekarzy. Wykorzystanie sztucznej inteligencji może również prowadzić do humanizacji medycyny w kontekście indywidualnych doświadczeń pacjenta.
Wyeliminowanie czynnika ludzkiego z powtarzalnych procesów administracyjnych oraz poprawa trafności stawianych diagnoz (a także przyspieszenie tego zadania) pozwoli na budowanie spersonalizowanej opieki medycznej. Dzięki wykorzystaniu AI w poszczególnych obszarach działalności placówek medycznych, specjaliści będą dysponowali większą ilością czasu dla pacjentów. AI ma również gigantyczny potencjał w procesie cyklicznego monitorowania stanu zdrowia konkretnych jednostek.
Praca nad lekami
Sztuczna inteligencja może całkowicie zrewolucjonizować proces powstania nowych leków, a działania w tym zakresie prowadzi m.in. polska firma biotechnologiczna Molecule.one. Przytoczone przedsiębiorstwo jest autorem innowacyjnego rozwiązania, które wykorzystuje sieci neuronowe do przewidywanie najbardziej efektywnych ścieżek produkcji związków chemicznych. Wykorzystanie tej technologii skraca czas odkrywania leków.
Warto w tym miejscu nadmienić, że obecnie, średni czas potrzebny na wprowadzenie nowego preparatu na rynek wynosi 12 lat, a w przypadku terapii genowej może to trwać nawet 30 lat. Jedynie około 1 na 5000 nowych związków zostaje zatwierdzonych jako leki. Molecule.one dąży do skrócenia i uproszczenia tego procesu dzięki zaawansowanej technologii planowania syntezy chemicznej opartej na sztucznej inteligencji.
Nasze rozwiązanie przyczynia się do skrócenia procesu odkrywania leków poprzez automatyczne proponowanie planu syntezy, z użyciem sztucznej inteligencji. Obecnie standardem jest, że chemik organik w laboratorium dużej firmy ręcznie planuje syntezę. To proces, który dla danego związku może zająć godziny ciężkiej pracy. Zamiast tego, dzięki metodom sztucznej inteligencji, szczególnie uczenia głębokiego, taki plan syntezy jest proponowany w sekundy zamiast w godziny
Dyrektor techniczny Molecule.one dr Stanisław Jastrzębski w rozmowie z agencją Newseria Biznes
Opisana przeze mnie inicjatywa nie jest jedynym takim projektem prowadzonym na szeroką skalę. Portal Infor.pl – powołując się na dane upublicznione przez Grand View Research – sugeruje, że światowy rynek wykorzystania sztucznej inteligencji w odkrywaniu leków będzie rósł w latach 2023–2030 o średnio 29,6% swojej wartości rocznie.
Rozwój współczesnej medycyny jest uzależniony od AI
Rozwój współczesnej medycyny jest coraz mocnej uzależniony od sztucznej inteligencji. AI umożliwia szybszą oraz dokładniejszą analizę dużych zbiorów danych (co przyspiesza proces diagnostyczny), pomaga w wykrywaniu zaburzeń rozpoznawanych na podstawie obrazów z tomografii komputerowej i rezonansów magnetycznych, a także wspomaga rozwój spersonalizowanej opieki zdrowotnej.
Algorytmy uczenia maszynowego mają również nieoceniony wpływ na przyspieszenie procesu odkrywania nowych leków, a przez automatyzację procesów administracyjnych mogą pomóc w lepszym zarządzaniu szpitalami i organizacjami opieki zdrowotnej. Dzięki AI możliwe jest także tworzenie zaawansowanych modeli epidemiologicznych, które pomagają w zarządzaniu i kontrolowaniu pandemii. Rozwój współczesnej medycyny jest więc bez wątpienia uzależniony od dalszego progresu w badaniach nad sztuczną inteligencją.
