Kecerdasan Buatan dalam Dunia Kedokteran

Universitas Stanford berada di garis depan penelitian AI global, dengan anggaran tahunan sebesar Rp 95 miliar. Saya ingin tahu: Bagaimana kecerdasan buatan akan mengubah dunia kedokteran?

Para peneliti di sini telah mengembangkan algoritma kecerdasan buatan, yang bisa melakukan skrining sinar-X untuk penyakit tertentu. 

Ilmuwan komputer Pranav Rajpurkar menunjukkan kepada saya betapa mudah menggunakannya. Ambil gambar sinar-X dengan ponsel Anda, unggah gambar dan beberapa detik kemudian, Anda mendapatkan diagnosis.


Keterangan: Video ini telah memiliki terjemahan Bahasa Indonesia. Jangan lupa aktifkan Subtitle/CC YouTube ke Bahasa Indonesia.

[Pranav Rajpurkar] Itu adalah massa, dan itu mengatakan bahwa benda yang ada di sini mungkin adalah tumor. Dan saya bisa melihatnya di situ.

Oke jadi aplikasi itu memberi Anda informasi, ada kemungkinan untuk pneumonia, nodul, edema, penumpukan cairan. Dan itu berfungsi dengan cepat. Nah bagaimana cara kerjanya dan bagaimana Anda berhasil mencapai itu?

[Pranav Rajpurkar] Kami mulai dengan jumlah besar data rontgen toraks, yang dirilis oleh NIH, dan ini berisi foto sinar-X dan kemudian juga label dari berbagai patologi. Jadi di sini ada gambar dan di gambar ini dikatakan memiliki patologi 1, 2, dan 3. Dan kami memiliki seratus ribu gambar ini. Jadi kami melatih sebuah model yang dapat mengambil input sinar-X dan menghasilkan output probabilitas beberapa patologi berbeda pada sinar-X ini.

Kecerdasan buatan menirukan otak manusia. Jaringan raksasa dari hampir 100 miliar sel saraf yang saling terhubung.

Secara sederhana, inilah cara kerja sel-sel otak: impuls yang masuk diteruskan dalam efek domino dari satu neuron ke neuron berikutnya. Sirkuit yang ditimbulkannya menghubungkan neuron itu dan sirkuit inilah yang kecerdasan buatan mencoba menyimulasi: sebagai jaringan kerja saraf digital.

Seperti otak kita, jaringan buatan ini mampu untuk belajar - bagaimana mengidentifikasi tuberkulosis, misalnya. Mula-mula jaringan memerlukan pelatihan. Data sinar-X pasien tuberkulosis dikirimkan ke sistem. Awalnya itu sulit mengidentifikasi kondisi secara benar. Tapi setiap kali data sinar-X masuk, struktur jaringan diadaptasi dan kemampuan diagnostiknya meningkat. Diperlukan beribu-ribu set data klinis untuk melatih mesin itu.

Hanya setelah jaringan dioptimalkan dengan cara ini, sistem dapat secara tepat mengidentifikasi foto sinar-X yang tidak dikenal.

Tapi seberapa akurat kecerdasan buatan dibandingkan keahlian dokter?

[Pranav Rajpurkar] Kami sebenarnya telah melakukan tes ini dua kali pada saat ini. Satu kali dengan gambar data dari NIH, Institut Kesehatan Nasional di mana kami meminta kelompok ahli radiologi menganalisis gambar rontgen dan kemudian kami membandingkan akurasi model dengan ahli radiologi.


[Pranav] Dan kami menemukan bahwa mereka sangat mirip dalam hal akurasi pada kebanyakan patologi, pada beberapa darinya model ahli radiologi lebih unggul dan pada tiga dari mereka ahli radiologi mengungguli model. Dan kemudian kami mengulangi percobaan, kali ini menggunakan rangkaian data dari Stanford, yang baru-baru ini kami rilis, yaitu 200 ribu gambar sinar-X toraks dan kemudian kami memiliki gambar rontgen yang sama di mana kami memiliki tiga ahli radiologi patologi, mereka ini sangat jarang, yang sangat terlatih, untuk memutuskan apa kesimpulan untuk rangkaian gambar ini.

[Pranav] Lalu kami membandingkan kesimpulan ahli radiologi dengan algoritma dan menemukan mereka memiliki tingkat kinerja yang sama. Ini semua ahli radiologi Stanford, jadi mereka sangat terlatih...

Membaca foto sinar-X secara akurat adalah proses yang rumit, tapi kecerdasan buatan membuat kemajuan cepat. Ketika tiba pada mengidentifikasi atau mengenali gambar sederhana, komputer telah melampaui akurasi manusia.

Jika saya melihat gambar Anda, selalu ada probabilitas. Jadi ada kasus di mana mesin tidak benar-benar yakin, apa yang akan menjadi keputusan yang jelas untuk mengatakan, oke ini, saya tidak tahu... pneumonia atau sesuatu lainnya?

[Pranav Rajpurkar] Ya. Saya pikir bagus untuk berbicara dalam konteks probabilitas, karena probabilitas juga merupakan komponen dalam algoritma, ketidakpastian model, pada masalah tertentu. Saya pikir satu kesulitan dengan probabilitas adalah hal itu menyulitkan manusia untuk menafsirkan hasil dari itu. Apakah makna probabilitas 88 persen atau 92 persen dalam hal keputusan yang harus dokter ambil di rumah sakit?

[Pranav] Jadi saya pikir salah satu hal yang bisa kita coba lakukan di masa depan daripada menunjukkan probabilitas yang tepat, mungkin kita bisa menunjukkan kategori seperti, tidak mungkin, atau patologi ini mungkin, atau sangat mungkin.

Perangkat yang disebut sistem CheXpert ini adalah model interpretasi x-ray dada otomatis yang memanfaatkan kecerdasan buatan untuk menganalisis gambar x-ray. Dikembangkan oleh Stanford Machine Learning Group, model ini dapat menentukan apakah ada tanda pneumonia pada x-ray atau tidak. (healthitanalytics.com)

Dalam perawatan kesehatan, kecerdasan buatan mendorong sebuah revolusi. Para ilmuwan menggunakan algoritma kecerdasan buatan untuk menyaring data yang tampaknya sepele, misalnya gerakan naik turun dari ayunan langkah kita setiap hari.

Mereka mencari pola mencolok, yang bisa berfungsi sebagai tanda peringatan dini penyakit.

Para ilmuwan di kota Birmingham, Inggris, sedang mengolah metode diagnostik revolusioner.

Saat ini, tidak ada tes khusus untuk mendeteksi penyakit Parkinson, yang menyulitkan diagnosisnya. Kecerdasan buatan bisa mengubah itu.


Max Little adalah ahli matematika pada Universitas Aston, Birmingham, UK.

Perubahan suara bisa menjadi indikator awal Parkinson. Max dan timnya telah mengumpulkan ribuan rekaman suara dan memasukkannya ke algoritma yang mereka kembangkan yang mendeteksi perbedaan dalam pola suara antara orang dengan dan tanpa kondisi itu.

Dalam studi berbasis laboratorium dari rekaman itu, algoritma itu mampu mengidentifikasi secara tepat diagnosis hampir 99%.

Mendiagnosis Penyakit dengan Analisis Suara: Sampel suara dapat menyediakan banyak informasi tentang kesehatan seseorang. Di masa depan, ponsel cerdas dan perlengkapan medis dapat digunakan untuk memantau kesehatan seseorang dari jarak jauh dengan merekam sampel suara pendek seseorang dan menganalisisnya sebagai biomarker (penanda biologis) dari adanya penyakit. (mpo-mag.com)

Pekerjaan Max Little adalah contoh dari perubahan luas yang dibawa AI ke bidang kedokteran. Bukan hanya dokter yang menggunakan kecerdasan buatan untuk mengembangkan metode diagnostik baru - tapi ilmuwan data, programmer dan ahli matematika seperti Max Little.

Salah satu contoh: Ketika seseorang berjalan, sensor di smartphone mereka mencatat gerakan naik dan turun dari lenggang mereka. Tapi informasi apa yang dapat diperoleh dari data tersebut?

[Max Little] Jika kita mengukur pola perilaku berjalan seseorang maka seseorang yang sehat mungkin memiliki kurva hasil ukuran sensor yang terlihat seperti itu...

Oke, jadi itu hanya semacam gerakan naik turun...

[Max Little] Ya, pinggul mereka naik dan turun seperti itu, dalam kecepatan mereka. Tapi jika Anda melihat orang berpenyakit Parkinson, mereka mungkin punya langkah kecil seperti ini dan mereka mungkin tidak teratur atau memiliki pola seperti itu. Atau mereka bahkan mungkin diam dan berhenti seperti itu.

[Max] Jadi Anda bisa melihat adanya perbedaan. Anda juga dapat melatih algoritma misalnya untuk memilih fitur seperti berapa jarak waktu antara puncak-puncak ini. Dan juga bisa melakukan sama dengan ini dan itu akan melakukannya dengan sangat tepat. Dan dengan melakukan itu, kita dapat mengukur misalnya ada variabilitas besar di antara ini dan itu...

[Max] Keuntungan dari algoritma benar-benar datang ketika... misalnya Anda mungkin memiliki seseorang terukur dalam pola yang terlihat seperti ini, dan ada satu perubahan kecil yang mungkin terjadi. Beberapa variasi yang sangat kecil dalam sekuens waktu sangat cepat di kejadian ini. Bahkan bagi mata profesional, sebab mereka tidak punya tingkat ketepatan itu, mereka mungkin tidak dapat mendeteksi bahwa ada sesuatu di luar variasi kisaran normal.


[Max] Tapi tentu saja algoritma, yang terhubung dengan sensor berketepatan tinggi,
akan dapat menentukan perbedaan itu. Dan dalam hal ini, orang tersebut mungkin memiliki gejala awal penyakit.

Ketika kita mempelajari cara seseorang berjalan atau berlari, kita dapat mengidentifikasi gerakan unik individu, menentukan pola gaya berjalan normal, mendiagnosis masalah yang menyebabkan rasa sakit, dan juga menerapkan dan mengevaluasi perawatan untuk memperbaiki kelainan. Analisis gaya berjalan umumnya visual - mengamati pasien saat mereka berjalan. (tekscan.com)

Jadi, ini berarti bahwa orang ini, dengan bantuan algoritma, dapat didiagnosis memiliki Parkinson, sementara dokter sendiri tidak sampai menemukannya.

Itu untuk pertama kalinya dimungkinkan untuk mendeteksi gejala awal Parkinson, dan memungkinkan intervensi dini.

Tapi apa lagi yang diungkapkan oleh data pada smartphone kita?

Saat ini Anda sudah memiliki aplikasi, yang melacak aktivitas Anda. Jadi sebenarnya data itu mungkin sudah ada di sana.

[Max Little] Data secara potensial dapat berada di sana. Itu betul. Tetapi ada etika tentang apakah kita dapat engumpulkan data semacam itu dan menggunakannya untuk tujuan seperti ini. Jelas kami tidak bisa hanya mengumpulkan data ini dan mulai mendiagnosis orang. Kita bisa, tetapi kita tidak benar-benar mau. Ada alasan kuat untuk tidak melakukannya. Dan mungkin ada alasan bagus untuk melakukannya juga, tapi itu adalah hal yang perlu dibahas dalam peraturan yang jelas.

Setelah wawancara kami, Max Little memberi tahu saya bahwa ia mendapat tawaran menggiurkan untuk bergabung dengan raksasa teknologi untuk membuka peluang bisnis baru. Namun ia menolak tawaran mereka.

Kecerdasan buatan tidak diragukan akan meningkatkan kemampuan dokter untuk mendeteksi dan mendiagnosis penyakit.

Namun di tengah semua peluang yang ditawarkan AI, ada kebutuhan mendesak untuk regulasi.

Source: DW Documentary. Film karya Tilman Wolff dan Ranga Yogeshwar. 

Posting Komentar

0 Komentar