I ricercatori tracciano il corso per la progettazione, il test e l’implementazione dell’IA di nuova generazione in medicina
La stragrande maggioranza dei modelli di intelligenza artificiale utilizzati oggi in medicina sono “specialisti ristretti”, addestrati per eseguire uno o due compiti, come scansionare mammografie per segni di cancro al seno o rilevare malattie polmonari sui raggi X del torace.
Ma la pratica quotidiana della medicina comporta una serie infinita di scenari clinici, presentazioni di sintomi, possibili diagnosi ed enigmi terapeutici. Quindi, se l’intelligenza artificiale deve mantenere la sua promessa di rimodellare l’assistenza clinica, deve riflettere quella complessità della medicina e farlo con alta fedeltà, afferma Pranav Rajpurkar , assistente professore di informatica biomedica presso il Blavatnik Institute presso HMS.
Entra nell’IA medica generalista, una forma più evoluta di apprendimento automatico in grado di eseguire attività complesse in un’ampia gamma di scenari.
Analogamente ai medici di medicina generale, ha spiegato Rajpurkar, i modelli di intelligenza artificiale medica generalista possono integrare più tipi di dati, come scansioni MRI, raggi X, risultati di analisi del sangue, testi medici e test genomici, per eseguire una serie di attività, dalla creazione di diagnosi complesse chiamate a supportare le decisioni cliniche nella scelta del trattamento ottimale. E possono essere implementati in una varietà di contesti, dalla sala d’esame al reparto ospedaliero, dalla suite di procedure gastrointestinali ambulatoriali alla sala operatoria cardiaca.
Mentre le prime versioni dell’IA medica generalista hanno iniziato a emergere, il suo vero potenziale e la profondità delle capacità devono ancora materializzarsi.
“Le capacità in rapida evoluzione nel campo dell’IA hanno completamente ridefinito ciò che possiamo fare nel campo dell’IA medica”, scrive Rajpurkar in una prospettiva appena pubblicata su Nature , di cui è co-autore senior con Eric Topol della Scripps Research Institute e colleghi della Stanford University, della Yale University e dell’Università di Toronto.
L’intelligenza artificiale medica generalista è sul punto di trasformare la medicina clinica così come la conosciamo, ma con questa opportunità arrivano serie sfide, affermano gli autori.
Nell’articolo, gli autori discutono le caratteristiche distintive dell’IA medica generalista, identificano vari scenari clinici in cui questi modelli possono essere utilizzati e tracciano la strada da percorrere per la loro progettazione, sviluppo e implementazione.
Caratteristiche dell’IA medica generalista
Le caratteristiche chiave che rendono i modelli di IA medica generalista superiori ai modelli convenzionali sono la loro adattabilità, la loro versatilità e la loro capacità di applicare le conoscenze esistenti a nuovi contesti.
Ad esempio, un modello di intelligenza artificiale tradizionale addestrato per individuare i tumori cerebrali su una risonanza magnetica cerebrale esaminerà una lesione su un’immagine per determinare se si tratta di un tumore. Non può fornire ulteriori informazioni. Al contrario, un modello generalista esaminerebbe una lesione e determinerebbe di che tipo si tratta: un tumore, una ciste, un’infezione o qualcos’altro. Può raccomandare ulteriori test e, a seconda della diagnosi, suggerire opzioni di trattamento.
“Rispetto ai modelli attuali, l’IA medica generalista sarà in grado di eseguire ragionamenti più sofisticati e integrare più tipi di dati, il che le consente di costruire un quadro più dettagliato del caso di un paziente”, ha affermato il co-primo autore dello studio Oishi Banerjee, un ricercatore associato in il laboratorio Rajpurkar , che sta già lavorando alla progettazione di tali modelli.
Secondo gli autori, i modelli generalisti saranno in grado di:
- Adattarsi facilmente a nuovi compiti senza la necessità di una riqualificazione formale. Eseguiranno il compito semplicemente facendoglielo spiegare in un inglese semplice o in un’altra lingua.
- Analizza vari tipi di dati (immagini, testo medico, risultati di laboratorio, sequenziamento genetico, storie dei pazienti o qualsiasi combinazione di questi) e prendi una decisione. Al contrario, i modelli di intelligenza artificiale convenzionali si limitano a utilizzare tipi di dati predefiniti (solo testo, solo immagine) e solo in determinate combinazioni.
- Applicare le conoscenze mediche alla ragione attraverso compiti mai visti prima e utilizzare un linguaggio accurato dal punto di vista medico per spiegare il loro ragionamento.
Scenari clinici per l’uso dell’IA medica generalista
I ricercatori delineano molte aree in cui i modelli di intelligenza artificiale medica generalista offrirebbero soluzioni complete.
Alcuni di loro sono:
- Rapporti di radiologia.
L’intelligenza artificiale medica generalista fungerebbe da versatile assistente di radiologia digitale per ridurre il carico di lavoro e ridurre al minimo il lavoro meccanico.
Questi modelli potrebbero redigere referti radiologici che descrivono sia le anomalie che i risultati normali rilevanti, tenendo conto anche della storia del paziente.
Questi modelli combinerebbero anche la narrazione del testo con la visualizzazione per evidenziare le aree su un’immagine descritta dal testo.
I modelli sarebbero anche in grado di confrontare i risultati precedenti e attuali sull’immagine di un paziente per illuminare i cambiamenti rivelatori indicativi della progressione della malattia.
- Assistenza chirurgica in tempo reale.
Se un team operativo incontra un ostacolo durante una procedura, come l’incapacità di trovare una massa in un organo, il chirurgo potrebbe chiedere al modello di rivedere gli ultimi 15 minuti della procedura per cercare eventuali mancanze o sviste.
Se un chirurgo incontra una caratteristica anatomica ultra rara durante l’intervento chirurgico, il modello potrebbe accedere rapidamente a tutti i lavori pubblicati su questa procedura per offrire informazioni in tempo reale.
- Supporto decisionale al letto del paziente.
I modelli generalisti offrirebbero avvisi e raccomandazioni terapeutiche per i pazienti ospedalizzati monitorando continuamente i loro segni vitali e altri parametri, comprese le cartelle cliniche del paziente.
I modelli sarebbero in grado di anticipare le emergenze incombenti prima che si verifichino. Ad esempio, un modello potrebbe avvisare il team clinico quando un paziente sta per andare in shock circolatorio e suggerire immediatamente misure per evitarlo.
Avanti, promessa e pericolo
I modelli di intelligenza artificiale medica generalista hanno il potenziale per trasformare l’assistenza sanitaria, affermano gli autori. Possono alleviare il burnout del medico, ridurre gli errori clinici e accelerare e migliorare il processo decisionale clinico.
Tuttavia, questi modelli presentano sfide uniche. Le loro caratteristiche più forti – estrema versatilità e adattabilità – pongono anche i maggiori rischi, avvertono i ricercatori, perché richiederanno la raccolta di dati vasti e diversificati.
Alcune insidie ??critiche includono:
- Necessità di una formazione ampia e continua.
Per garantire che i modelli possano cambiare rapidamente le modalità dei dati e adattarsi in tempo reale a seconda del contesto e del tipo di domanda posta, dovranno sottoporsi a una formazione approfondita su dati diversi da più fonti e modalità complementari.
Tale formazione dovrebbe essere intrapresa periodicamente per tenere il passo con le nuove informazioni.
Ad esempio, nel caso di nuove varianti SARS-CoV-2, un modello deve essere in grado di recuperare rapidamente le caratteristiche chiave sulle immagini a raggi X della polmonite causata da una variante più vecchia per contrastare con i cambiamenti polmonari associati a una nuova variante.
- Convalida.
I modelli generalisti saranno particolarmente difficili da convalidare a causa della versatilità e della complessità dei compiti che dovranno svolgere.
Ciò significa che il modello deve essere testato su un’ampia gamma di casi che potrebbe incontrare per garantirne il corretto funzionamento.
Ciò a cui si riduce, ha detto Rajpurkar, è definire le condizioni in cui i modelli funzionano e le condizioni in cui falliscono.
- Verifica.
Rispetto ai modelli convenzionali, l’IA medica generalista gestirà molti più dati, tipi di dati più vari e dati di maggiore complessità.
Ciò renderà molto più difficile per i medici determinare quanto sia accurata la decisione di un modello.
Ad esempio, un modello convenzionale esaminerebbe uno studio di imaging o un’immagine di un’intera diapositiva per classificare il tumore di un paziente. Un singolo radiologo o patologo potrebbe verificare se il modello era corretto.
In confronto, un modello generalista potrebbe analizzare vetrini patologici, scansioni TC e letteratura medica, tra molte altre variabili, per classificare e mettere in scena la malattia e formulare raccomandazioni terapeutiche.
Una decisione così complessa richiederebbe la verifica da parte di un panel multidisciplinare che includa radiologi, patologi e oncologi per valutare l’accuratezza del modello.
I ricercatori osservano che i progettisti potrebbero semplificare questo processo di verifica incorporando spiegazioni, come collegamenti cliccabili a passaggi di supporto nella letteratura, per consentire ai medici di verificare in modo efficiente le previsioni del modello.
Un’altra caratteristica importante sarebbe la costruzione di modelli che quantifichino il loro livello di incertezza. - Pregiudizi.
Non è un segreto che i modelli di intelligenza artificiale medica possano perpetuare pregiudizi , che possono acquisire durante l’addestramento se esposti a set di dati limitati ottenuti da popolazioni non diversificate.
Tali rischi saranno amplificati durante la progettazione dell’IA medica generalista a causa della scala e della complessità senza precedenti dei set di dati necessari durante la loro formazione.
Per ridurre al minimo questo rischio, i modelli di intelligenza artificiale medica generalista devono essere accuratamente convalidati per garantire che non abbiano prestazioni inferiori a particolari popolazioni, come i gruppi minoritari, raccomandano i ricercatori.
Inoltre, dovranno essere sottoposti a continui controlli e regolamenti dopo l’implementazione.
“Questi sono ostacoli seri ma non insormontabili”, ha detto Rajpurkar. “Avere una chiara comprensione di tutte le sfide nella fase iniziale contribuirà a garantire che l’IA medica generalista mantenga la sua straordinaria promessa di cambiare in meglio la pratica della medicina”.
Paternità, finanziamento, divulgazione
I coautori includevano Michael Moor e Jure Leskovec di Stanford; Zahra Shakeri Hossein Abad dell’Università di Toronto; e Harlan Krumholz di Yale.
I ricercatori su questa prospettiva ricevono finanziamenti dal National Institutes of Health (sovvenzioni UL1TR001114, R61 NS11865, 3U54HG010426-04S1), la Defense Advanced Research Projects Agency (DARPA) (sovvenzioni N660011924033, HR00112190039 e N660011924033), l’Esercito Research Office (W9 11NF- 16-1-0342 e W911NF-16-1-0171), National Science Foundation (OAC-1835598, OAC-1934578 e CCF-1918940), Stanford Data Science Initiative, Amazon, Docomo, GSK, Hitachi, Intel, JPMorgan Chase, Juniper Networks, KDDI, NEC, Toshiba e Wu Tsai Neurosciences Institute.
Krumholz ha ricevuto spese e/o onorari personali da UnitedHealth, Element Science, Eyedentifeye e F-Prime; è co-fondatore di Refactor Health e HugoHealth; ed è associato a contratti, attraverso lo Yale New Haven Hospital, dai Centers for Medicare & Medicaid Services e attraverso la Yale University dalla Food and Drug Administration degli Stati Uniti, Johnson & Johnson, Google e Pfizer.