Ljudi svakodnevno doživljavaju prednosti sistema umjetne inteligencije. Od uklanjanja neželjenih (spam) e-mailova, korištenja senzora-akcelerometara u pametnim satovima koji razlikuju svakodnevne aktivnosti od fizičkog treninga, internetskog šopinga na stranicama poput Amazon-a i Ebay-a, koje preporučuju proizvode na osnovu naših interesa, pa sve do automobila koja sama sebe upravljaju (kao što su Tesla automobili). Uporedno, umjetna inteligencija nema mnoge nijanse ljudske inteligencije. Međutim, ona ima prednosti u odnosu na ljudsku inteligenciju, koje se ogledaju u potencijalu za vrlo moćnu memoriju i obradu podataka, kao i sposobnost kontinuiranog ispitivanja velikih količina podataka uz pronalaženja paterna u njima.
Godina 1961. označava prvo korištenje kompjutera u medicini, automatsko povezivanje podataka u dijagnozi bolesti. Danas u modernoj medicini, imamo razne sofisticirane kompjuterske sisteme poput resursa medicinsko-kliničkih informacija (kao što su DynaMed, UpToDate), mašina za snimanje strukture tijela (kao što su MRI [magnetna rezonansa], x-zrake, ultrazvuk, CT [kompjuterizirana tomografija]), monitori vitalnih funkcija i slično. Pitanje je, kako umjetna inteligencija može biti korisna u medicini?
Već koristimo jedan tip umjetne inteligencije, karakterističan za medicinu, a to je tip umjetne inteligencije pod imenom „umjetne neuronske mreže“ (eng. „ANN – artificial neural network“). Prije nego što dođemo do ANN, postoji hijerarhijski niz koji je ilustriran u slici ispod,
Ukratko, umjetne neuronske mreže (ANN) su subset dubokog učenja (DL), koje je opet subset mašinskog učenja (ML), a mašinsko učenje je subset umjetne inteligencije (AI).
Kroz primjenu umjetnih neuronskih mreža (ANN), omogućavamo kompleksnu analizu podataka koja ubrzava i precizira procese u medicini. Ove mreže, inspirirane radom neurona ljudskog mozga, sposobne su „učiti“ paterne iz skupa podataka, čime omogućavaju stvaranje zaključaka na toj analizi. Ova tehnološka integracija pruža ne samo učinkovitost u procesu istraživanja nego, i otvara vrata za inovacije koje nadmašuju tradicionalne metode u razvoju novih medicinskih procedura i procesa. Slika ispod opisuje jednostavnu strukturu ANN modela,
Umjetne neuronske mreže (ANN) sastoje se iz tri sloja: ulazog, skrivenog i izlaznog. Umjetni neuroni u ulaznom sloju primaju početne podatke, dok neuroni u skrivenim slojevima procesiraju ove podatke. Na kraju, neuroni u izlaznom sloju daju konačan rezultat.
Umjetna inteligencija u sklopu medicine se najviše primjenjuje u dijagnostici i farmakologiji.
Govoreći o dijagnostici, to u ovom kontekstu medicine obuhvata proces analize bolesti ili stanja. Ovo uključuje obradu medicinskih podataka, snimaka, i drugih podataka s ciljem pomaganja medicinskih profesionalanca u njihovom poslu. Najrasprostranjeniji primjer ovakve umjetne inteligencije danas je analiza EKG (elektrokardiogram – snimak električne funkcije srca) koji svakodnevno pomaže ljekarima u njihovoj interpetaciji. Govoreći specifično o standardnoj umjetnoj inteligenciji kod EKG snimaka, njihova preciznost kod normalnih (sinus ritmi) nalaza je oko 95%, dok u abnormalnim slučajevima to pada na oko 60%. Nedavno su bili pokušaji od strane raznih istraživača da se implementiraju ANN sistemi kod interpetacije EKG snimaka.
Također, upotreba umjetne inteligencije je rasprostranjenja i u radiologiji (grana medicine koja se bavi analizom unutrašnjosti tijela). Kroz integraciju dubokog učenja i umjetnih neuronskih mreža, umjetna inteligecija omogučava unikatan pristup radu i analizi radioloških pretraga. Umjetna inteligencija podržava radiologe u njihovom poslu, što pomaže bržem i učinkovitijem radu. Rasprostranjena primjena umjetne inteligencije u radiologiji označava ne samo tehnološki napredak, već i temelj za daljnje inovacije u medicini. Jedan specifičan primjer ANN modela u radiologiji je kod detekcije (analize x-zraka/CT snimaka) pneumoperitoneuma (s enclikopedije „prisustvo slobodnog vazduha ili gasa u peritonealnoj šupljini“), slijedi slika jednostavne šeme rada ANN-a u ovom primjeru
Na početku imamo originalnu sliku stomaka koju konvertujemo u drugi format/veličinu, smanjujemo rezoluciju, te se koristi ANN pneumoperitoneuma (PnP) za dobijanje rezultata, odnosno prijedloga dijagnoze, koja može biti ili pozitivna (prisustvo PnP) ili negativna (odsustvo PnP).
Pored dijagnostike, umjetna inteligencija je našla ulogu i u farmaceutici. Njezina uloga se ogleda od razvoja lijekova do upravljanjem lijekova. U zadnjih par godina, došlo je do digitalizacije podataka na velikom nivou unutar sektora farmaceutike. Ovo je stvorilo novi, unikatan problem s obradom ogromne količine podataka. Duboko učenje (ML) je našlo upečatljivu upotrebu u ovom polju putem umjetnih neuronskih mreža (ANN).
U budućnosti treba da očekivamo još kompleksnije i naprednije sisteme umjetne inteligencije. Ovi sistemi započinju sa velikom količinom podataka, nad kojima se koriste algoritmi mašinskog učenja (eng. "ML" -- machine learning) kako bi se dobile informacije, zatim te informacije se koriste za rješavanje problema u medicini. Ispod slijedi ilustracija pravljenja tipičnog sistema umjetne inteligencije,
U bliskoj budućnosti najvjerovatnije nas čekaju sistemi koji se fokusiraju na automatizaciji jednostavnih elemenata ljekarskog posla. Kompanije poput Augmedix™ nude sisteme umjetne inteligencije koje vrše transkripciju i analizu razgovora između pacijenta i ljekara. Ovakva automatizacija omogučava ljekarima da provode manje vremena pravljenjem bilješki, a više vremena na direktnoj komunikaciji s pacijentom. Ovaj sistem tvrdi da sačuva 3 sata dnevno ljekarima, poveća za 40% zadovoljstvo ljekarima u poslu i 35% pacijentima zadovoljstvo s ljekarima. Pored komplentne automatizacije, neke kompanije nude komplementarne medicinske sisteme, poput Aidoc™. Ova kompanija nudi kompleksne sisteme umjetne inteligencije koji pomažu radiolozima, tako što automatski analiziraju medicinske snimke s brzom identifikacijom akutnih (lakših) abnormalnosti.
Teško je predviti tačnu daljnu budućnost umjetne inteligencije u medicini, ali možemo pretpostaviti par stvari. U budućnosti, možemo očekivati revolucionarne promjene u medicini uz pomoć umjetne inteligencije. Na primjer, umjetna inteligencija bi mogla pomagati hirurzima tokom hirurških zahvata ili omogučiti personalizirano liječenje na osnovu genetike, što bi dovelo do razvoja terapija prilagođenoj genetici individualnih pacijenata.
U zaključku, umjetna inteligencija se sve više koristi u medicini, ali i postavlja etička pitanja. Da li će se ovi sistemi pridržavati Hipokratove zakletve? Da li će pacijenti vjerovati kompjuterima? Do koje tačke će se ovi sistemi razvijati? Umjetna inteligencija poboljšava medicinske procese, pružajući podršku medicinskim profesionalcima ali, važno je uspostaviti regulacije koje osiguravaju etičku primjenu umjetne inteligencije, uz transparentnost, privatnost i odgovornost. Budućnost umjetne inteligencije u medicini leži u naporu ostvarivanja najboljih rezultata za pacijente i medicinskih profesionalaca.