Kuinka tekoäly käyttää kielen väriä ennustaakseen sairauksia suurella tarkkuudella

Terveydenhuollon alalla kestää usein aikoja omaksua uusia teknologioita, koska sen on hypättävä useiden säädösten läpi. Reaktio tekoälyyn on kuitenkin ollut erilainen. Lukemattomat ammattilaiset kokeilevat jo tekoälyn ennustavia ja analyyttisiä kykyjä tehostaakseen diagnostiikkaa.

Tutkijat väittivät äskettäin, että tekoäly voi tunnistaa sairauden tyypin – ja kuinka pitkälle se on edennyt – yksinkertaisesti katsomalla hänen suuhunsa. Tämä tekniikka on edennyt pitkälle, mutta voiko se ennustaa sairauksia käyttämällä vain kielen värejä diagnoosiin?

Tutkimus osoittaa, että tekoäly voi käyttää kielen väriä diagnoosiin

Bagdadin Irakissa sijaitsevan Middle Technical Universityn ja Australian Adelaiden Etelä-Australian yliopiston tutkijat löysivät äskettäin tekoälyteknologian, joka voi analysoida kielen värejä diagnoosien varalta. He kehittivät tietokonenäköjärjestelmän, joka käsittelee ja luokittelee kuvia käyttämällä väriavaruusmalleja, jotka tarjoavat mitattavia arvoja sävyille ja luminanssille.

He käyttivät tuhansia kuvia koulutukseen ja testaukseen, joista monet tulivat Al-Husseinin opetussairaalasta Irakista ja Mosulin yleissairaalasta Mosulissa. He kouluttivat mallia todellisille ihmisille, joilla oli todellisia sairauksia, eivät synteettistä tietoaineistoa. Tällaiset erot ovat välttämättömiä kehitettäessä työkalua diagnostisiin tarkoituksiin.

Tutkijat luokittelivat kuvat vaaleanpunainen, valkoinen, punainen, keltainen, vihreä, sininen tai harmaa luokkiin, jotta heidän mallinsa pystyivät tunnistamaan värit kaikissa valaistusolosuhteissa. He harjoittelivat kaikkiaan seitsemän. Tehokkain rakennettiin Extreme Gradient Boostilla (XGBoost) – avoimen lähdekoodin koneoppimiskirjastolla – joka saavutti yli 98 % tarkkuuden keskimäärin. Testauksen aikana se diagnosoi tarkasti 58 kuvasta 60 kuvasta, mikä tarkoittaa, että se oli oikein 96,6 % ajasta.

Heidän tulokset yllättivät minut. Suoraan sanottuna en odottanut heidän järjestelmän tehoavan lääketieteen ammattilaisia paremmin. Vaikka useat tutkimusryhmät ovat kehittäneet samanlaisia diagnostisia malleja muihin tarkoituksiin, harvat ovat näin tarkkoja. Tutkimukset osoittavat, että jopa koulutetut lääkärit, joilla on vuosien kokemus, saavat sen vain oikein 71,4 % ajasta keskimäärin.

Mitä kielen väri paljastaa jonkun terveydestä

Myönnän, että kielen katsominen sairauden ennustamiseksi oli mielestäni outoa. Näytti siltä, että ihmiset keksivät jonkin menetelmän ennen kuin moderni lääketiede oli olemassa. Ollakseni rehellinen, olin osittain oikeassa. Kielen värien käyttö diagnoosissa perustuu yli 2000 vuotta vanhaan perinteiseen kiinalaiseen lääketieteen käytäntöön.

Kaikista kielen ominaisuuksista, mukaan lukien muoto, rakenne ja kosteus, väri on tärkein indikaattori terveydestä. Jos ojentaisin kieleni ja katson peiliin juuri nyt, odotan sen olevan vaaleanpunainen. Mikä tahansa muu sävy voi viitata siihen, että suussani, verenkierrossani tai elimissäni on jotain vikaa.

Punoitus voi tarkoittaa, että minulla on epätavallisen korkea kuume tai vitamiinin puutos. Tutkimukset osoittavat, että siellä on a mahdollinen yhteys diabeteksen välillä ja kielen kellastuminen. Vihreä sävy viittaa yleensä sieni-infektioon tai bakteerien kertymiseen. Sininen värjäytyminen voi olla merkki alhaisesta veren happipitoisuudesta tai verisuonisairaudesta. Harmaa voi olla mitä tahansa sienestä syöpään.

Vaikka lääketieteen ammattilaisilla on kymmeniä diagnostisia järjestelmiä, monet silti tarkistavat kielen, koska suhteellisen harvat olosuhteet vaikuttavat sen väriin. Jos on havaittavissa värimuutoksia, ne voivat kaventaa ongelman juuria. Verrattuna verikokeeseen, joka antaa tarkat lukemat, mutta ei lopullisia vastauksia, se on usein parempi vaihtoehto.

Inhimillinen virhe heikentää usein sen tarkkuutta. Perinteisesti lääkärit tarkastavat potilaiden kielen manuaalisesti. Jopa vuosien kokemuksella mikä tahansa hieman värillisistä kattovaloista kellonaikaan voi vaikuttaa heidän värinäkymiseensa. Tämä moniselitteinen, subjektiivinen menetelmä on ollut käytössä yli 2000 vuotta – on aika päivittää.

Kuinka tekoäly tunnistaa ja ennustaa sairauden kielen värin avulla

Tämän mullistavan diagnostisen kuvantamisjärjestelmän kehittäneet insinöörit ja tutkijat saivat osallistujat seisomaan 20 senttimetrin päässä koneesta sen testausvaiheen aikana. Sisäänrakennettu tekoäly havaitsi sitten heidän kielensä värin ja ennusti heidän terveydentilansa reaaliajassa. Se käsitteli sävyjä ja luminanssia käyttämällä väriavaruusmalleja.

XGBoost-algoritmi ennusti sairaudet oikein 96,6% ajasta testauksen aikana. Tämä koneoppimismalli on tarkka, koska se jatkaa parantamistaan alkuperäisen tulostensa jälkeen. Se tekee toistuvasti arvauksia ja laskee virheprosentin päästäkseen vähitellen lähemmäs tavoitettaan ja harjoittelee itseään tehokkaasti lisäämään tarkkuuttaan.

Kuinka tämän tutkimusryhmän kone näkee kielen värit

Kartiosolut – värinäkyvystä vastaavat verkkokalvon fotoreseptorit – ovat laajalti herkkiä puna-sinivihreille (RGB) alueille. Tämä väriavaruusmalli ei kuitenkaan heijasta tietoa kovin hyvin. Sen sijaan tietokonenäköjärjestelmä käytti YCbCr:tä, LAB:ta, YIQ:ta ja HSV:tä. Toisin kuin ihmiset, se ei rajoitu kapeaan näkyvän valon spektriin.

Muut tutkimukset osoittavat, että tekoälyllä toimiva tietokonenäköjärjestelmä voi tunnistaa ja luoda uudelleen värejä tarkasti ilman spektridispersiota, mikä tarkoittaa, että se pystyy näkemään lopullisesti värit, joita emme pysty. Vaikka minun RGB-herkät kartiot voivat vain nähdä noin miljoona väriä , tämä tekniikka voi nähdä noin 16,8 miljoonaa. Se on myös uskomattoman tarkka, ja se poikkeaa "näkemättömistä" värispektreistä keskimäärin vain noin 1 % ajasta.

Jos koneoppimismalli pystyy havaitsemaan hienovaraisia kylläisyyden ja luminanssin eroja, jotka ovat minulle näkymättömiä, miksi se ei voisi nähdä sävyjä, joita en näe? Luonnollisesti vaikutukset ovat merkittäviä – tekoäly saattaa pystyä päihittämään lääkäreitä jatkuvasti.

Miksi kielen värien käyttämisellä diagnoosissa on väliä?

Koska yksi malli voi olla vuorovaikutuksessa useiden ihmisten kanssa samanaikaisesti, se voi auttaa useita potilaita kerralla. Heidän ei tarvitse käydä klinikalla – he voivat ladata sovelluksen ja käyttää puhelimensa kameraa. Koska tutkimusryhmän kone pystyy tunnistamaan ja ennustamaan sairauksia valaistuksesta riippumatta, epätarkkojen tulosten mahdollisuus on pieni.

Uskon, että kotona tehtävä tekoälypohjainen seulonta voisi mullistaa terveydenhuollon ja tehdä siitä edullisemman ja helpomman. Miljoonat ihmiset kuolevat vuosittain sairauksiin, joita vastaan heillä olisi ollut mahdollisuus taistella, jos he olisivat saaneet sen aikaisemmin. Esimerkiksi Yhdysvalloissa noin 12 000 ihmistä saa diagnoosin joka vuosi sappirakon syöpään, mikä johtaa arviolta 4 000 kuolemantapaukseen vuosittain. Tekoäly voisi diagnosoida heidät etänä ja auttaa heitä saamaan hoitoa ajoissa.

Tekoälyn potentiaali mullistaa diagnostiikkaa voisi hyödyttää sairaaloita yhtä paljon kuin potilaita. Laajasta digitalisaatiosta huolimatta lääkemenot kasvoi noin 47 % 2021–2022 – yhteensä 55 miljardia dollaria. Pääasiallinen kustannustekijä oli se, että palveluntarjoajien keskimääräinen potilaiden kanssa viettämä aika piteni.

Tekoälyn automatisointiominaisuudet ja itsenäinen luonne voisivat virtaviivaistaa tapaamisia. Todisteet osoittavat, että tämä tekniikka voi auttaa lääketieteellisiä laitoksia säästää 20–50 % vuosibudjetistaan , joten sillä on potentiaalia täällä. Sen avulla sairaalat voisivat siirtää kustannussäästöt kuluttajien maksettavaksi tai investoida enemmän hengenpelastuslaitteisiin.

En uskonut, että kielen värien käyttö diagnoosissa voisi olla niin vaikuttava, mutta sillä on vertaansa vailla oleva potentiaali. Voiko tekoäly korvata lääkärit? Ei varmaankaan. Uskon kuitenkin, että siitä tulee lääkealan perusaine, koska se täydentää sairauksien tunnistamista, ennustamista ja hoitoa. Heidän asiantuntemuksensa yhdistettynä koneoppimisen voimaan olisi lyömätön parisuhde.

Kuinka terveydenhuolto voisi hyödyntää tätä tekniikkaa parempaan

Terveydenhuoltoala on tietoinen tekoälystä ja innokas ottamaan sen käyttöön, joten on todennäköisesti vain ajan kysymys, milloin se yleistyy. Asiantuntijat ennustavat tämän teknologian markkina-arvon tällä alalla kasvavan a yhdistetty vuosikasvu 38,4 % Vuodesta 2020 vuoteen 2030 - saavuttaen arviolta 208,2 miljardia dollaria - mikä korostaa sen nopeasti kasvavaa yleisyyttä alalla.

Vaikka __ 72 % lääkäreistä on samaa mieltä siitä, että he näkevät tekoälyn lupaavimman diagnostiikassa, vain 38 % käyttää sitä käytännössä. Realistisesti voi kestää vuosia, ennen kuin he käyttävät mallianalysoituja kielen värejä diagnoosiin ja ennustamiseen. Valistuneen arvaukseni on, että sairaaloilla kestää vuosikymmen päästä läpi vanteet sen sijaan, että leikkaavat byrokratiaa.

Onneksi mobiiliterveyden maailma kasvaa nopeasti ja on saatavilla milloin tahansa. Vaikka en voi mainita mTerveyttä ottamatta esiin sen sääntelyn valvonnan ja yksityisyyden suojan puutetta, olisi myös järjetöntä sivuuttaa se, kun keskustellaan lääketieteellisen tekoälyn tulevaisuudesta.

Miksi terveydenhuollon on oltava varovainen tämän tekniikan suhteen

Jossain vaiheessa tajusin itseni ajattelevan, että tämä läpimurto on liian hyvää ollakseen totta. Mikä on saalis? Mitkä ovat AI-diagnoosin haitat? Olen tehnyt oman osani tämän alan tutkimuksesta, joten tiesin, että yksityisyyttä, eettisiä ja sääntelyyn liittyviä kysymyksiä olisi olemassa. Tutkimus, joka paljasti tämän läpimurtoteknologian, on kuitenkin myös mikroskoopin alla tarkastelun arvoinen.

Huomasin, että tutkijoiden työtä tekoälyn käyttämisestä kielen värien analysoinnissa diagnoosia varten ei ole vielä vertaisarvioitu. Koska se julkaistiin kesäkuussa 2024, se ei ole yllättävää. Se tarkoittaa kuitenkin niiden 98 prosentin tarkkuus on jonkin verran ilmassa. Niiden prosessi on terve, mutta mitä on tiede ilman replikaatiota? Ellei joku toista heidän tuloksiaan, terveydenhuoltoala ei välttämättä ota käyttöön heidän keksintöään.

Miten tämä läpimurto vaikuttaa tekoälyteknologiaan?

Kuvausjärjestelmän käyttäminen kielen värien analysointiin diagnooseja varten saattaa tuntua kapealta ja suhteellisen vähäiseltä saavutukselta, mutta se voi mullistaa terveydenhuollon. Sairauksien tarkka ennustaminen sovelluksen avulla voi pelastaa tuhansia ihmishenkiä. Lisäksi muut tutkijat voisivat käyttää tätä tekniikkaa inspiroidakseen omia tekoälyyn perustuvia diagnostisia läpimurtoja.