Tehisintellekt tervishoius

Allikas: Vikipeedia
Mine navigeerimisribale Mine otsikasti

Tehisintellekt tervishoius on tarkvara ja algoritmide kasutamine selleks, et arvutid suudaksid töödelda keerukaid andmeid ja teha meditsiinilisi järeldusi ilma inimeste otsese sekkumiseta.

Röntgenipilt käest, millel on arvutitarkvaraga arvutatud luu vanus

Tehisintellekti erinevus traditsioonilisest tehnikast on võime koguda informatsiooni, seda töödelda ning seejärel anda hästi määratletud ja selgitatud teave kasutajatele. Tehisintellektid erinevad inimestest selle poolest, et neile on ette antud eesmärk ja nad ei suuda seda ise kohandada. Samuti võivad nad väga täpselt ennustada, kuid nad ei tea selle ennustamise põhjust.[1]

Tervishoiuga seotud rakenduste peamine eesmärk on analüüsida ennetus- ja ravimeetodeid ja nende tulemusi. Programme on välja töötatud diagnoosimisprotsessidele, raviprotokollide ja ravimite väljatöötamiseks, personaalmeditsiiniks ning patsientide jälgimiseks ja hoolduseks.[1]

Meditsiiniasutused, näiteks The Mayo Clinic, Memorial Sloan Kettering Cancer Center, Massachusetts General Hospital ja National Health Service on välja töötanud algoritme oma osakondadele. Samuti on seda teinud suured tehnoloogiaettevõtted nagu IBM ja Google.

Ajalugu[muuda | muuda lähteteksti]

1960ndatel ja 1970ndatel tehtud arendustöö käigus loodi esimene probleemide lahendamise programm, mida nimetatakse Dendraliks. Kuigi see oli mõeldud rakendustele orgaanilises keemias, andis see aluse järgnevale süsteemile MYCIN. Seda peetakse meditsiinilise tehisintellekti tähtsamaks varasemaks süsteemiks. MYCIN ja teised süsteemid nagu INTERNIST-1 ja CASNET ei saavutanud siiski meditsiinis laialdast kasutamist.

1980ndad ja 1990ndad tõid kaasa mikroarvutite leviku ja parema võrguühenduse. Selle aja jooksul tunnustasid teadlased ja arendajad, et tehisintellekt meditsiinis peab olema kavandatud nii, et see kohaneks andmete puudumisele ja samuti põhineks arstide teadmistel.

Tehnoloogia edusammud, mis on aidanud kaasa tehisintellekti arengule meditsiinis:

  • arvutusjõudluse kasv, mille tulemusel on andmete töötlemine ja kogumine kiirem;[2]
  • genoomijärjestuse andmebaasi kasv;[3]
  • digiloo andmestiku kasv;[4]
  • robotkirurgia täpsuse paranemine;[5]
  • arengud loomuliku keele töötlusel ja arvutinägemisel.[6]

Tänapäevane teadustöö[muuda | muuda lähteteksti]

Radioloogia[muuda | muuda lähteteksti]

Radioloogia on eriala, mis kasutab piltdiagnostikat, et diagnoosida ja ravida haigusi. Tehisintellekti abil tehtud pilditöötlus aitab arstidel tuvastada isegi väiksemaid erinevusi piltides, tänu millele võidakse tuvastada kasvajaid.[7]

Telemeditsiin[muuda | muuda lähteteksti]

Telemeditsiin on võimalus jälgida pidevalt patsiente, kes kannavad endaga kaasas seadmeid, mis jälgivad muutusi ja annavad selle teabe arstidele edasi.[8]

Tööstus[muuda | muuda lähteteksti]

Tervishoiuettevõtted on omavahel ühendunud põhjusega, et omaksid ligipääsu suuremale terviseandmestikule, mis omakorda võimaldab paremaid rakendamisvõimalusi tehisintellekti algoritmidele. Kuna meditsiinitööstuse tugisüsteemides andmestik on järjest suurenev, siis üha olulisemaks muutub selles tehisintellekti osakaal.[9]

Microsoft[muuda | muuda lähteteksti]

Microsoft Hanoveri projektiga analüüsitakse meditsiinilist uurimust, et ennustada kõige efektiivsem vähiravivõimalus patsiendile.[10]

Google[muuda | muuda lähteteksti]

Google DeepMindi kasutatakse, et tuvastada teatud terviseriske, mille andmed on kogutud mobiilirakenduste kaudu.[11]

Viited[muuda | muuda lähteteksti]

  1. 1,0 1,1 "Algorithms Need Managers, Too". Harvard Business Review. 2016-01-01. Retrieved 2018-10-08.
  2. Koomey, J., Berard, S., Sanchez, M., & Wong, H. (2011). Implications of historical trends in the electrical efficiency of computing. IEEE Annals of the History of Computing, 33(3), 46-54.
  3. Barnes, B., & Dupré, J. (2009). Genomes and what to make of them. University of Chicago Press.
  4. Jha, A. K., DesRoches, C. M., Campbell, E. G., Donelan, K., Rao, S. R., Ferris, T. G., ... & Blumenthal, D. (2009). Use of electronic health records in US hospitals. New England Journal of Medicine, 360(16), 1628-1638.
  5. "Artificial Intelligence and Machine Learning for Healthcare" Sigmoidal, December 21, 2017. https://sigmoidal.io/artificial-intelligence-and-machine-learning-for-healthcare/.
  6. Dougherty, G. (2009). Digital image processing for medical applications. Cambridge University Press.
  7. "Artificial Intelligence in Radiology: The Game-Changer on Everyone's Mind". Radiology Business. Retrieved 2018-04-10.
  8. Pacis, Danica (February 2018). "Trends in telemedicine utilizing artificial intelligence". AIP Conference Proceedings. AIP Conference Proceedings. 1933: 040009. doi:10.1063/1.5023979.
  9. "Why You're the Reason For Those Health Care Mergers". Fortune. Retrieved 2018-04-10.
  10. Knapton, Sarah (20 September 2016). "Microsoft will 'solve' cancer within 10 years by 'reprogramming' diseased cells". The Telegraph. Retrieved 2018-10-16.
  11. Baraniuk, Chris (31 August 2016). "Google gets access to cancer scans". BBC News. Retrieved 2018-10-16.