211service.com
AI var pamanīt Alcheimera slimības pazīmes pirms to dara jūsu ģimene
Agrāka diagnostika varētu palīdzēt pētniekiem izstrādāt zāles, lai palēninātu slimības progresu. 2018. gada 19. marts
Kad Deivids Grehems no rīta pamostas, plakanā, baltā kaste, kas ir pielīmēta pie viņa istabas sienas Robbie's Place, kas ir mājvieta Marlboro, Masačūsetsā, sāk ierakstīt katru viņa kustību.
Tas zina, kad viņš pieceļas no gultas, ģērbjas, pieiet pie loga vai dodas uz vannas istabu. Tas var noteikt, vai viņš guļ vai ir nokritis. Tas tiek darīts, izmantojot mazjaudas bezvadu signālus, lai kartētu viņa gaitas ātrumu, miega modeļus, atrašanās vietu un pat elpošanas modeli. Visa šī informācija tiek augšupielādēta mākonī, kur mašīnmācības algoritmi atrod modeļus tūkstošiem kustību, ko viņš veic katru dienu.
Taisnstūra kastes ir daļa no eksperimenta, lai palīdzētu pētniekiem izsekot un izprast Alcheimera simptomus.
Tas ne vienmēr ir acīmredzams, kad pacienti ir slimības sākuma stadijā. Izmaiņas smadzenēs var izraisīt smalkas izmaiņas uzvedībā un miega modeļos vairākus gadus pirms cilvēki sāk piedzīvot apjukumu un atmiņas zudumu. Pētnieki domā, ka mākslīgais intelekts varētu agrīni atpazīt šīs izmaiņas un identificēt pacientus, kuriem ir risks saslimt ar vissmagākajām slimības formām.
Pirmo Alcheimera slimības pazīmju pamanīšana gadus pirms jebkādu acīmredzamu simptomu parādīšanās varētu palīdzēt noteikt cilvēkus, kuri, visticamāk, gūs labumu no eksperimentālām zālēm, un ļautu ģimenes locekļiem plānot iespējamo aprūpi. Ar šādiem algoritmiem aprīkotas ierīces varētu uzstādīt cilvēku mājās vai ilgstošas aprūpes iestādēs, lai uzraudzītu riskam pakļautos. Pacientiem, kuriem jau ir diagnoze, šāda tehnoloģija varētu palīdzēt ārstiem veikt korekcijas viņu aprūpē.
Arī zāļu uzņēmumi ir ieinteresēti izmantot mašīnmācības algoritmus, lai meklētu medicīniskajos dokumentos pacientus, kuri, visticamāk, gūs labumu no eksperimentālām zālēm. Kad cilvēki ir iesaistījušies pētījumā, AI varētu pastāstīt izmeklētājiem, vai zāles novērš viņu simptomus.
Pašlaik nav viegli diagnosticēt Alcheimera slimību. Nav neviena atsevišķa testa, un tikai smadzeņu skenēšana nevar noteikt, vai kādam ir slimība. Tā vietā ārstiem ir jāaplūko dažādi faktori, tostarp pacienta slimības vēsture un novērojumi, par kuriem ziņojuši ģimenes locekļi vai veselības aprūpes darbinieki. Tātad mašīnmācība varētu uztvert modeļus, kurus citādi varētu viegli palaist garām.
Deividam Grehemam, vienam no Vahia pacientiem, ir viena no ar mākslīgo intelektu darbināmām ierīcēm savā istabā Robbie's Place, kas ir palīdzības sniegšanas vieta Marlboro, Masačūsetsā.
Grehemam, atšķirībā no četriem citiem pacientiem ar šādām ierīcēm savās istabās, Alcheimera slimība nav diagnosticēta. Taču pētnieki uzrauga viņa kustības un salīdzina tās ar modeļiem, kas novēroti pacientiem, kuriem ārstiem ir aizdomas, ka viņiem ir slimība.
Dina Katabi un viņas komanda MIT Datorzinātnes un mākslīgā intelekta laboratorijā sākotnēji izstrādāja ierīci kā kritiena detektoru vecākiem cilvēkiem. Bet viņi drīz saprata, ka tam ir daudz vairāk lietojumu. Viņi domāja, ka, ja tas varētu uzņemties kritienu, tam jāspēj atpazīt arī citas kustības, piemēram, staigāšanu un klejošanu, kas var būt Alcheimera slimības pazīmes.
Katabi saka, ka viņu nolūks bija uzraudzīt cilvēkus, neliekot viņiem katru dienu uzlikt valkājamu izsekošanas ierīci. Tas ir pilnīgi pasīvi. Viņa saka, ka pacientam nav jāliek sensori uz ķermeņa vai jādara nekas īpašs, un tas ir daudz mazāk traucējošs nekā videokamera.
Kā tas strādā
Grehems gandrīz nepamana balto kastīti, kas karājās viņa saules apspīdētajā, sakārtotajā istabā. Viņš to vislabāk apzinās dienās, kad Ipsits Vahia dodas ceļā un stāsta viņam par apkopotajiem datiem. Vahia ir geriatriskais psihiatrs Maklīna slimnīcā un Hārvardas Medicīnas skolā, un viņš un tehnoloģiju izgudrotāji MIT veic nelielu ierīces izmēģinājuma pētījumu.
Grehems ar nepacietību gaida šos apmeklējumus. Nesenā laikā viņš bija pārsteigts, kad Vahia viņam teica, ka viņš pamostas naktī. Ierīce spēja to atklāt, lai gan Grehems nezināja, ka viņš to dara.
Ierīces bezvadu radio signāls, kas ir tikai tūkstošdaļu tik spēcīgs kā Wi-Fi, atstaro visu 30 pēdu rādiusā, ieskaitot cilvēku ķermeņus. Katra kustība – pat vismazākā, piemēram, elpošana – izraisa izmaiņas atstarotajā signālā.
Grehems saka, ka tik tikko pamana ierīci, kas karājas viņa istabā.
Katabi un viņas komanda izstrādāja mašīnmācības algoritmus, kas analizē visus šos sīkos pārdomas. Viņi apmācīja sistēmu atpazīt vienkāršas kustības, piemēram, staigāšanu un kritienu, un sarežģītākas kustības, piemēram, tās, kas saistītas ar miega traucējumiem. Kad jūs to mācāt arvien vairāk, mašīna mācās, un nākamreiz, kad tā redz modeli, pat ja tas ir pārāk sarežģīti, lai cilvēks to abstrahētu, iekārta atpazīst šo modeli, saka Katabi.
Laika gaitā ierīce izveido lielus datu nolasījumus, kas parāda uzvedības modeļus. AI ir izstrādāts, lai noteiktu novirzes no tiem modeļiem, kas varētu liecināt par tādām lietām kā uzbudinājums, depresija un miega traucējumi. Tas var arī noskaidrot, vai persona dienas laikā atkārto noteiktu uzvedību. Tie visi ir klasiski Alcheimera slimības simptomi.
Ja varēsit agri pamanīt šīs novirzes, varēsit tās paredzēt un palīdzēt tās pārvaldīt, saka Vahia.
Pacientei ar Alcheimera diagnozi Vahia un Katabi varēja pateikt, ka viņa pamostas pulksten divos naktī un klīst pa savu istabu. Viņi arī pamanīja, ka viņa staigās vairāk pēc tam, kad daži ģimenes locekļi apmeklēs. Pēc tam, kad medmāsa bija apstiprinājusi šo uzvedību, Vahia pielāgoja pacientam zāļu devu, ko lieto, lai novērstu uzbudinājumu.
Ipsit Vahia un Dina Katabi testē ar AI darbināmu ierīci, ko Katabi laboratorija izveidoja, lai uzraudzītu cilvēku ar Alcheimera slimību, kā arī to cilvēku uzvedību, kuriem ir šīs slimības attīstības risks.
Smadzeņu izmaiņas
AI arī tiek izmantots, lai palīdzētu ārstiem atklāt agrīnas Alcheimera slimības pazīmes smadzenēs un saprast, kā šīs fiziskās izmaiņas izpaužas dažādos cilvēkos. Kad radiologs nolasa skenētu attēlu, nav iespējams pateikt, vai cilvēks progresēs līdz Alcheimera slimībai, saka Pedro Rosa-Neto, Monreālas Makgila universitātes neirologs.
Rosa-Neto un viņa kolēģe Sulantha Mathotaarachchi izstrādāja algoritmu, kas analizēja simtiem pozitronu emisijas tomogrāfijas (PET) skenējumu no cilvēkiem, kuriem tika uzskatīts Alcheimera slimības attīstības risks. No medicīniskajiem ierakstiem pētnieki zināja, kuram no šiem pacientiem slimība ir attīstījusies divu gadu laikā pēc skenēšanas, taču viņi vēlējās noskaidrot, vai mākslīgā intelekta sistēma var viņus identificēt, tikai uztverot attēlus.
Protams, algoritms spēja pamanīt modeļus amiloīda – proteīna, kas bieži vien ir saistīts ar šo slimību – gabaliņos noteiktos smadzeņu reģionos. Pat apmācītiem radiologiem būtu bijis grūti pamanīt šīs problēmas smadzeņu skenēšanas laikā. Pēc modeļiem tas spēja ar 84 procentu precizitāti noteikt, kuri pacienti saslima ar Alcheimera slimību.
Mašīnmācība arī palīdz ārstiem paredzēt slimības smagumu dažādiem pacientiem. Djūka universitātes ārsts un zinātnieks P. Murali Doraiswamy izmanto mašīnmācīšanos, lai noskaidrotu, kādā slimības stadijā atrodas pacienti un vai viņu stāvoklis varētu pasliktināties.
Saistīts stāsts
Saistīts stāstsZāļu neveiksmes var mums pateikt, ka mēs nezinām, kas izraisa Alcheimera slimību.Mēs esam redzējuši Alcheimera slimību kā universālu problēmu, saka Doraiswamy. Bet cilvēki ar Alcheimera slimību nejūt vienādus simptomus, un daži var pasliktināties ātrāk nekā citi. Ārstiem nav ne jausmas, kuri pacienti kādu laiku paliks stabili vai kuri ātri saslims. Tāpēc mēs domājām, ka, iespējams, labākais veids, kā atrisināt šo problēmu, ir ļaut to izdarīt mašīnai, viņš saka.
Viņš strādāja ar Draganu Gambergeru, mākslīgā intelekta ekspertu Rudžera Boskoviča institūtā Horvātijā, lai izstrādāt mašīnmācības algoritmu kas sašķiroja smadzeņu skenējumus un medicīniskos ierakstus no 562 pacientiem, kuriem piecu gadu perioda sākumā bija viegli kognitīvi traucējumi.
Izveidojās divas atšķirīgas grupas: tie, kuru izziņa ievērojami pasliktinājās, un tie, kuru simptomi piecu gadu laikā mainījās maz vai nemaz. Sistēma laika gaitā spēja uztvert izmaiņas smadzeņu audu zudumā.
Trešā grupa atradās kaut kur pa vidu, starp viegliem kognitīviem traucējumiem un progresējošu Alcheimera slimību. Mēs nezinām, kāpēc šīs kopas vēl pastāv, saka Doraisvamijs.
Klīniskie pētījumi
No 2002. līdz 2012. gadam 99 procenti izmeklēto Alcheimera medikamentu neizdevās klīniskajos pētījumos. Viens no iemesliem ir tas, ka neviens precīzi nezina, kas izraisa slimību. Bet vēl viens iemesls ir tas, ka ir grūti noteikt pacientus, kuri, visticamāk, gūs labumu no konkrētām zālēm.
AI sistēmas varētu palīdzēt izstrādāt labākus izmēģinājumus. Kad šie cilvēki būs kopā ar kopīgiem gēniem, raksturlielumiem un attēlveidošanas skenēšanu, tas ievērojami atvieglos zāļu testēšanu, saka Merilina Millere, kura vada AI pētījumus Alcheimera slimības jomā Nacionālajā novecošanas institūtā, kas ir daļa no ASV Nacionālajiem institūtiem. par veselību.
Pēc tam, kad pacienti ir iekļauti pētījumā, pētnieki varētu viņus nepārtraukti uzraudzīt, lai noskaidrotu, vai viņi gūst labumu no medikamentiem.
Viens no lielākajiem izaicinājumiem Alcheimera slimību zāļu izstrādē ir tas, ka mums nav izdevies atrast pareizo populāciju, lai pārbaudītu šīs zāles, saka Vaibhavs Narajans, Džonsona un Džonsona neirozinātņu komandas pētnieks.
Viņš saka, ka mašīnmācības algoritmi ievērojami paātrinās pacientu vervēšanas procesu narkotiku pētījumiem. Un, ja AI var noteikt, kuriem pacientiem, visticamāk, pasliktināsies ātrāk, izmeklētājiem būs vieglāk noteikt, vai zāles dod kādu labumu.
Tādā veidā, ja ārsti, piemēram, Vahia, pamanīs Alcheimera slimības pazīmes tādam cilvēkam kā Greiems, viņi var ātri panākt, lai viņš tiktu reģistrēts klīniskajā izpētē, cerot ierobežot postošās sekas, kas citādi varētu rasties pēc gadiem.
Millers uzskata, ka AI varētu izmantot, lai diagnosticētu un prognozētu Alcheimera slimību pacientiem pēc pieciem gadiem. Taču viņa saka, ka būs nepieciešams daudz datu, lai pārliecinātos, ka algoritmi ir precīzi un uzticami. Grehems, piemēram, dara visu, lai palīdzētu.