최근 연구는 중요한 질병을 의학적으로 진단하는 인공 지능 시스템의 능력을 보여주었습니다.
인공 지능(AI) 시스템 꽤 오랫동안 주변에 있었고 이제는 시간이 지남에 따라 점점 더 똑똑해지고 좋아지고 있습니다. AI 다양한 응용 분야가 있으며 이제 대부분의 분야에 통합되었습니다. AI는 필수적이고 유용한 구성 요소가 될 수 있습니다. 의료 의료 산업에 영향을 미칠 수 있는 엄청난 잠재력이 있기 때문에 과학 및 연구
의료 진단에 인공 지능?
시간은 의료에서 가장 귀중한 자원이며, 질병의 최종 결과를 위해서는 조기에 적절한 진단이 매우 중요합니다. 의료는 종종 시간이 많이 걸리고 시간과 자원이 많이 소요되는 과정이므로 효과적인 진단이 지연되고 결과적으로 올바른 치료도 지연됩니다. AI 환자 진단에 속도와 정확성을 통합함으로써 의사의 가용성과 시간 관리 사이의 격차를 메우는 데 도움이 될 수 있습니다. 이는 특히 저소득 및 중간 소득 국가에서 자원 및 의료 전문가의 한계를 극복하는 데 도움이 될 수 있습니다. AI는 AI와 마찬가지로 학습하고 생각하는 과정입니다. 인간 딥러닝이라는 개념을 통해 딥 러닝은 광범위한 샘플 데이터 세트를 활용하여 자체적으로 의사결정 트리를 생성합니다. 이 딥 러닝을 통해 AI 시스템은 실제로 인간과 똑같이 생각할 수 있습니다. 따라서 AI는 의료 작업을 수행하는 데 적합하다고 간주될 수 있습니다. 환자를 진단할 때 AI 시스템은 동일한 질병을 가진 환자들 사이에서 패턴을 계속 찾습니다. 시간이 지남에 따라 이러한 패턴은 질병이 나타나기 전에 질병을 예측하기 위한 기반을 구축할 수 있습니다.
최근의 연구에서1 에 게시 세포, 연구자들이 사용한 인조의 지능 및 기계 학습 기술을 사용하여 흔하지만 실명할 수 있는 망막 질환 환자를 선별하여 잠재적으로 진단 및 치료 속도를 높일 수 있는 새로운 계산 도구를 개발합니다. 연구원들은 AI 기반 신경망을 사용하여 망막에서 빛을 반사하여 조직의 200,000D 및 2D 표현을 생성하는 비침습적 기술로 수행된 3건 이상의 안구 스캔을 검토했습니다. 그런 다음 그들은 한 문제를 해결하면서 얻은 지식을 컴퓨터에 저장하고 서로 다르지만 관련된 문제에 적용하는 '전이 학습'이라는 기술을 사용했습니다. 예를 들어, 망막, 각막 또는 시신경과 같은 눈의 개별 해부학적 구조를 인식하도록 최적화된 AI 신경망은 전체 눈의 이미지를 검사할 때 더 빠르고 효율적으로 식별하고 평가할 수 있습니다. 이 프로세스를 통해 AI 시스템은 비용과 시간이 많이 소요되는 큰 데이터 세트를 필요로 하는 기존 방법보다 훨씬 작은 데이터 세트로 점진적으로 학습할 수 있습니다.
이 연구는 조기에 발견하면 치료할 수 있는 회복 불가능한 실명의 두 가지 일반적인 원인에 초점을 맞췄습니다. 기계 기반 진단은 동일한 스캔을 검토한 30명의 안과 의사의 진단과 비교되었습니다. AI 플랫폼은 의학적 진단 외에도 이전 연구에서는 수행되지 않은 추천 및 치료 권장 사항도 생성했습니다. 이 훈련된 AI 시스템은 잘 훈련된 안과 의사처럼 작동하며 95% 이상의 정확도로 환자가 치료를 받아야 하는지 여부에 대해 5초 이내에 결정을 내릴 수 있습니다. 그들은 또한 흉부 엑스레이 기계 분석을 기반으로 전 세계 어린이(XNUMX세 미만)의 주요 사망 원인인 소아 폐렴을 진단하는 데 AI 도구를 테스트했습니다. 흥미롭게도 컴퓨터 프로그램은 바이러스와 바이러스를 구별할 수 있었습니다. 세균성의 폐렴 진단 정확도 90% 이상 바이러스성 폐렴은 경과 후 자연적으로 몸에서 제거되지만, 반면에 세균성 폐렴은 더 심각한 건강 위협이 되는 경향이 있고 즉각적인 항생제 치료가 필요하기 때문에 이는 매우 중요합니다.
또 다른 큰 도약에서2 의료 진단을 위한 인공 지능 시스템에서 과학자들은 개인의 망막 사진을 기계 학습 알고리즘이나 소프트웨어로 분석하여 심장 질환을 나타내는 신호를 식별하여 심혈관 심장 위험을 예측할 수 있다는 것을 발견했습니다. 사진에 포착된 눈의 혈관 상태는 연령, 성별, 민족, 혈압, 과거 심장마비, 흡연 습관 등을 정확하게 예측할 수 있는 것으로 나타났으며, 이 모든 요인들이 개인의 심장 관련 질환을 종합적으로 예측할 수 있는 것으로 나타났다.
정보 블록으로서의 눈
건강을 진단하기 위해 눈의 사진을 보는 아이디어는 오래전부터 있었습니다. 인간의 눈의 뒤쪽 내벽에는 신체의 전반적인 건강을 반영하는 많은 혈관이 있다는 것은 잘 알려져 있습니다. 카메라와 현미경으로 이러한 혈관의 모양을 연구하고 분석함으로써 개인의 혈압, 나이, 흡연자 또는 비흡연자 등에 대한 많은 정보를 예측할 수 있으며 이들은 모두 개인의 심장 건강의 중요한 지표입니다 . 심혈관 질환(CVD)은 전 세계적으로 가장 많은 사망 원인이며 다른 어떤 질병이나 상태에 비해 더 많은 사람들이 CVD로 사망합니다. 이는 저소득 및 중산층 국가에서 더 많이 발생하며 경제와 인류에 큰 부담입니다. 심혈관 위험은 유전자, 연령, 민족, 성별, 운동 및 식단과 같은 다양한 요인에 따라 달라집니다. 대부분의 심혈관 질환은 흡연, 비만, 신체 활동 부족 및 건강에 해로운 식단과 같은 행동 위험을 해결하고 가능한 위험을 해결하기 위해 상당한 생활 방식 변화를 줌으로써 예방할 수 있습니다.
망막영상을 이용한 건강진단
구글과 자체 의료 기술 기업인 베릴리 라이프 사이언스(Verily Life Sciences)의 연구원들이 공동으로 진행한 이번 연구는 인공지능 알고리즘이 약 280,000만 명의 환자의 망막 사진에 대한 대규모 데이터 세트에 사용되었으며 이 알고리즘이 두 가지에 걸쳐 심장 위험 요인을 완벽하게 예측할 수 있음을 보여주었다. 합리적으로 좋은 정확도로 약 12000 및 1000 환자의 독립적인 데이터 세트. 이 알고리즘은 망막의 전체 사진을 사용하여 이미지와 심장마비 위험 간의 연관성을 정량화했습니다. 이 알고리즘은 환자의 심혈관 사건을 70%의 확률로 예측할 수 있었고 실제로 이 테스트에서 흡연자와 비흡연자도 71%의 확률로 구별할 수 있었습니다. 알고리즘은 또한 고혈압이 있거나 없는 대부분의 환자 범위 내에서 심장 상태를 나타내는 고혈압을 예측하고 수축기 혈압(심장이 박동할 때 혈관의 압력)을 예측할 수 있습니다. 저자에 따르면 이 예측의 정확도는 환자의 병력과 병행하여 콜레스테롤 수치를 측정하기 위해 환자에게서 혈액을 채취하는 실험실의 심혈관 검사와 매우 유사합니다. 에 발표된 이 연구의 알고리즘 자연 생체 공학, 대부분의 경우 주요 심혈관 사건(예: 심장마비)의 발생을 예측할 수 있습니다.
이 연구의 매우 흥미롭고 중요한 측면은 컴퓨터가 진단에 도달하기 위해 이미지에서 보고 있는 위치를 알려 우리가 예측 프로세스를 이해할 수 있게 해준다는 것입니다. 예를 들어 Google의 연구는 "망막의 어느 부분"이 예측 알고리즘에 기여했는지, 즉 알고리즘이 어떻게 예측하는지 정확히 보여주었습니다. 이러한 이해는 이 특별한 경우의 머신러닝 방법을 이해하는 것뿐만 아니라 전체 방법론을 투명하게 만들어 신뢰와 믿음을 심어주기 위해서도 중요합니다.
도전
이러한 의료 이미지는 주로 이러한 이미지의 여러 특징, 색상, 값, 모양 등으로 인해 이러한 이미지를 기반으로 연관성을 관찰하고 수량화하는 것이 간단하지 않기 때문에 문제가 있습니다. 이 연구는 의료 전문가가 환자의 증상을 질병과 연관시킬 때 하는 것과 같은 방식으로 딥 러닝을 사용하여 인체 해부학(신체의 내부 형태) 변화와 질병 간의 연결, 연관성 및 관계를 도출합니다. . 이러한 알고리즘은 임상 환경에서 사용되기 전에 더 많은 테스트가 필요합니다.
논의와 도전에도 불구하고 AI는 인간 전문가에게는 어려운 엄청난 양의 데이터를 포함하는 분석 및 분류를 수행함으로써 질병 진단 및 관리에 혁명을 일으킬 엄청난 잠재력을 가지고 있습니다. 빠르고 비용 효율적이며 비침습적인 대체 이미지 기반 진단 도구를 제공합니다. AI 시스템의 성공을 위한 중요한 요소는 더 높은 연산 능력과 더 많은 사람들의 경험일 것입니다. 아마도 미래에는 인간의 지시나 감독 없이 AI를 통해 새로운 의학적 통찰력과 진단을 달성할 수 있을 것입니다.
***
{아래 인용 출처 목록에서 DOI 링크를 클릭하면 원본 연구 논문을 읽을 수 있습니다.}
출처
1. Kermany DS et al. 2018. 이미지 기반 딥 러닝을 통한 의학적 진단 및 치료 가능한 질병 식별. 셀. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. 포플린 R et al. 2018. 딥 러닝을 통한 망막 안저 사진의 심혈관 위험 요인 예측. 자연의생명공학. 2. https://doi.org/10.1038/s41551-018-0195-0
