Umělá inteligence a moderní informační a komunikační technologie vstupují do medicíny


Artificial intelligence and modern information and communication technologies entering medicine

Many new technologies based on computer technologies which are very successful in industry spread over the medicine and became integral part of all its disciplines. Artificial intelligence opened new possibilities for managing and solving many problems in both – theoretical and practical health care. The capability of these new technologies to extract tiny interactions of different items has been appreciated especially in treatment complex diseases. They are capable to analyze not only enormous amounts of data (big data) in an extremely short time but also these processes of analyses are easily improved by machine itself (machine learning). Examples of AI application in several medical disciplines and itinerary for Electronic Health Records adoption in the Czech health care are listed.

Keywords:

artificial intelligence – algorithm – deep learning – machine learning – electronic health record


Autoři: Radim Brdička
Působiště autorů: GHC Genetics, Praha
Vyšlo v časopise: Čas. Lék. čes. 2019; 158: 87-91
Kategorie: Přehledový článek

Souhrn

Do lékařských oborů pronikají nové způsoby zpracování dat, které svou rychlostí a objemem analyzovatelných dat vynikají nad člověkem, i když např. míra jejich chybovosti je s lidskými výkony srovnatelná. Kromě toho mají do svého postupu zakomponovánu schopnost nepřetržitě své postupy vylepšovat. Díky těmto vlastnostem se již prosadily do používání v řadě medicínských oborů a s jejich pomocí se dospělo mnohem rychleji k objevům, na nichž by se klasickými způsoby strávilo daleko více času. Umožňují například identifikovat drobné a vzácné odchylky, protože mohou vycházet z nebývale velkých objemů dat. Jejich dalším možným využitím je zpracování elektronických zdravotních záznamů.

Klíčová slova:

umělá inteligence – algoritmy – hluboké učení – mechanické (strojové) učení – elektronické zdravotní záznamy

ÚVOD – KDE SE VZALA?

Vývoj počítačových technologií pokročil do té míry, že rychlost procesů a objem zpracovávaných dat dospěly do stadia, kdy předčí výkony, na které jsme byli zvyklí a náležitě pyšní jako na vlastnosti výhradně lidského mozku. Dnes patrně již neexistuje obor, a nejen v medicíně, kam počítačové technologie nepronikly. Tím, že je šíře jejich záběru nebývale veliká, jsou rozsáhlá i množství jejich aplikací umožňujících navíc zásadní míru autonomie, dokonce takovou, jaká v nás někdy vyvolává obavy. O obavách spadajících do říše představ lze filozofovat, leč ověřit si jejich oprávněnost bez riskování jejich dopadu se nejspíš neodvážíme. Momentálně se snažíme využít jejich nebývalých schopností, přičemž v jejich výčtu se v tomto textu omezíme na oblast lékařství, kde se již začínají uplatňovat (1). Půjde pochopitelně jen o několik vybraných příkladů, neboť dnes již není problém vyhledat bezpočet dalších informací nejen v časopisech, které se cíleně zabývají umělou inteligencí (AI), ale v plné šíři i na internetu.

Vztah mezi medicínou a výpočetní technikou a uplatněním jejích nebývalých schopností v ní není zdaleka tak mladý, jak by se na první a nezkušený pohled mohlo zdát. V roce 2014 byla ve spojitosti se superpočítačem Watson vyvinutým firmou IBM dokonce vyslovena předpověď, že počítač bude brzy nejlepším lékařem na světě (2). Uvedený výhled vycházel z faktů, že již v té době dokázal počítač analyzovat dodnes těžko představitelné množství údajů – např. 605 tisíc lékařských záznamů, 2 miliony stránek lékařských textů, 25 tisíc cvičných případů včetně 14 700 hodin věnovaných klinickému ladění přesnosti závěrů. Společnost IBM uváděla, že v roce 2011 odpovídaly Watsonovy znalosti studentovi 2. ročníku medicíny.

Kdybychom zapátrali ve vzdálenější minulosti, zjistili bychom, že AI se o vstup do medicíny pokoušela již mnohem dříve a zpočátku nebyla příliš úspěšná. Velké naděje vkládané do možností uplatnění AI v medicíně byly střídány zklamáním z pokusů o praktické uplatnění – Hendl hovoří o období jar a zim umělé inteligence (3). Často to bylo způsobeno tím, že slibné teoretické předpoklady narážely na reálné možnosti výpočetní techniky. Například teorie neuronových sítí a hlubokého učení byly teoreticky rozpracovány již v 70. letech 20. století, ale teprve nyní nacházejí své praktické uplatnění např. v Google překladačích nebo v rozpoznávání postav na fotografiích. Dnešek je plný zájmu o AI, neboť bouřlivým rozvojem výpočetní techniky byly umožněny i její praktické aplikace.

K ČEMU NÁM AI JE?

Využití umělé inteligence se rozšiřuje především v analýze obrazů a jejich porovnávání, ať už se jedná o rentgenové snímky, obrazy histologické či cytologické nebo záběry kožního povrchu. Nejen nebývalá rychlost vyhodnocení, ale i množství porovnávaných objektů překonává lidské schopnosti, nicméně míra nejistoty a chybovost zůstává přibližně na lidské úrovni. Strojové zpracování pod „dozorem“ odborníků, kteří se mohou věnovat hlavně sporným případům, diagnostiku výrazně zlepšuje.

Rychlost, s jakou AI pracuje, a nebývalá velikost objemu analyzovatelných dat není její jedinou výhodou ve srovnání s lidským mozkem. Je schopná hodnotit současně různé druhy zpracovávaných dat, vedle obrazů třeba i další data získaná z literatury (4, 5) nebo dalších zdrojů (6, 7). K využití informací obsažených v publikacích je ovšem nezbytné porozumění jazyku, v němž jsou informace vyjádřeny. K tomu byly zaměřeny projekty zabývající se zpracováváním textů pomocí AI algoritmů (NLP – natural language processing) (4, 5).

Příčiny rozmachu nových technologií, které navíc umožňují „pečovat“ o pacienta na dálku, jsou do jisté míry vyvolány prohlubujícím se nedostatkem lékařů a stoupajícím množstvím pacientů. Tyto tendence jsou zřetelné v USA (8) i celosvětově.

MOŽNÉ APLIKACE V MEDICÍNĚ

V případě AI jde o využití pokroku ve vývoji počítačových programů v jejich nejrůznějších podobách a uplatněních. V následujícím textu odkážeme vždy jen na několik článků, které se aplikacemi do medicínské problematiky z určitého hlediska zabývají a které lze použít jako indikátor, kdo a kde se problematice věnuje. Na tomto místě můžeme jen konstatovat, že domácích pracovišť není mnoho a najdeme je např. jako přispěvatele již třicet let pravidelně pořádané konference MEDSOFT organizované Českou společností pro kybernetiku a informatiku. Jednou z klíčových otázek, kterým je na této konferenci trvale věnována pozornost, je problematika rozvoje elektronického zdravotnictví (9, 10).

Zdá se, že z říše fantazie k nám přichází přeměna virtuální reality v rozšířenou realitu (augmented reality), právě tak jako se přeměňuje virtuální realita na realitu intuitivní, a ukazují se i další možnosti vývoje budoucnosti. Přednáška Davida Eaglemana pod názvem „Můžeme pro člověka vytvořit nové smysly?“ je zdánlivě fantastická, ale vypovídá o reálných možnostech, které se v současnosti již nabízejí (11).

Přístroje

Doménou, ve které se užití AI v medicíně nejvíce prosazuje, je diagnostika. Na ni navazuje hledání a syntéza nových účinných látek či konstrukce a výroba nejrůznějších aparátů, ať už se jedná o tzv. medgadgets (aparátky) nebo o roboty uplatňující se v chirurgických přístupech. Podrobnosti o těchto někdy úsměvně nazývaných „hračičkách“ najdeme na portálu MD+DI Qmed (www.mddionline.com), kde se většina informací o nich v poslední době soustřeďuje (12–14). Rozšířená realita ulehčuje přijetí správných rozhodnutí se systematickým potlačováním rizika chyb.

Farmakoterapie

Nesprávná či spíše nevhodná medikace patří mezi závažné příčiny špatného průběhu takto léčených onemocnění a často bývá i příčinou smrti. Vyhodnocením množství informací, které lze dnes získat nejen o pacientovi a jeho dispozicích, ale i o jeho proběhlých či paralelně probíhajících onemocněních, o užívaných léčivech a jejich případných vzájemných interakcích a o pacientech léčených obdobně, lze zásadně redukovat výskyt nežádoucích reakcí na navržené, případně již podávané léky. Protože počet takových informací může v současnosti představovat pro lékaře nezvládnutelné množství, v rámci AI jsou postupy metodou volby (15). Zásadním způsobem se díky novým technologiím urychlilo testování účinků nových léků (včetně těch neočekávaných) in silico, aniž bychom upustili od pokusů na zvířatech a klinického zkoušení.

Výhodnost přístupu pomocí AI dokládá např. studie úlohy růstového faktoru FGF pro růst nádorů a rozvoj kardiovaskulárních nemocí řešená pomocí velkého množství různých metod (16, 17). Spojení mezi firmami, které se zabývají aplikacemi AI přístupu, výzkumem genomu (např. v rámci projektu 100 000 genomů organizovaném společností Genomics) a producenty farmak, trvá již několik let. Rostoucí význam v oblasti personalizované medicíny má tzv. optimalizovaná farmakoterapie, která se zabývá personalizovaným návrhem dávkování léčivých látek pro daného pacienta.

Hematologie

V hematologii se staly vhodným příkladem použití AI myelodysplastické syndromy (MDS). Jde o skupinu neoplastických klonálních onemocnění se složitou molekulární podstatou, na níž se podílí velké množství genových mutací (variant). Značné individualitě onemocnění z hlediska jeho podstaty a průběhu je třeba přizpůsobit terapii, která by měla včas reagovat na změny a neúčinné prostředky nahrazovat novými. Autoři použili pro srovnání výsledky mnoha klinických studií s různými léčebnými postupy, včetně transplantací, které porovnávali s markery používanými v jejich diagnostice a s dostupnými znalostmi o vzájemných interakcích. Využitím počítačového zpracování se podařilo omezit výskyt nežádoucích reakcí a zlepšit účinnost léčby (obr. 1) (18). Podobné přístupy byly použity i u leukemií (19, 20).

Použitý algoritmus (18).<br>
Počítačový program nejprve hodnotil, zda mutace
nalezené u pacientů s myelodysplastickým syndromem
(MDS) vedou k aktivaci, či inaktivaci proteinů, zda jsou
proteiny exprimovány v „normální“ míře, dále posuzoval
chromosomové nálezy a rovněž porovnával případné
odchylky vzájemných vztahů v rámci proteinových map.
Obr. 1. Použitý algoritmus (18).
Počítačový program nejprve hodnotil, zda mutace nalezené u pacientů s myelodysplastickým syndromem (MDS) vedou k aktivaci, či inaktivaci proteinů, zda jsou proteiny exprimovány v „normální“ míře, dále posuzoval chromosomové nálezy a rovněž porovnával případné odchylky vzájemných vztahů v rámci proteinových map.

Dermatologie

Postupy vycházející z hlubokého učení (deep learning) AI v byly použity k porovnávání obrazů kožních lézí ve 129 tisících klinických případů ověřených skupinou dermatologických expertů. Umožnily bezpečně rozlišit karcinomy z keratinocytů od benigních seboroických keratóz a maligní melanomy od benigních névů (21–23). Autoři předpokládají, že používání mobilních telefonů dokonce umožní budoucím dermatologům pracovat na dálku (24).

Radiologie

Porovnávání obrazů v maximálních detailech a s přesností závisející v podstatě jen na kvalitě materiálu bylo snad jednou z prvních oblastí, jež se staly doménou užití AI. Aniž bychom stále znovu zdůrazňovali nebývalá množství porovnávaných obrazů, omezená pouze tím, kolik jich je k dispozici, rychlost závisející pouze na schopnostech použitého počítačového systému a schopnost zapojit do procesu údaje z mnoha dalších zdrojů včetně různých databází a publikací, nabízejí nám sestavené algoritmy zcela nové diagnostické možnosti (25).

Některé výzkumy v souvislosti s prudkým nárůstem zájmu o využití těchto „moderních“ postupů bohužel naznačují nedostatky v přípravě daných projektů a je třeba jejich výsledky přijímat velmi kriticky (26). Například Canadian Association of Radiologists proto připravila „Bílou knihu“ s potřebnými informacemi o aplikacích AI v radiologii s upozorněním jak k AI přistupovat (27).

Onkologie

V připravované klinické studii postavené na použití krevního testu nádoru tlustého střeva a konečníku AI-Genomics by mělo být v USA a Kanadě vyšetřeno na 3 tisíce pacientů. Plán studie vychází z předpokladu, že touto cestou bude s využitím AI odstraněna většina problémů, kterými současná diagnostika tohoto onemocnění trpí. Ukončení studie se předpokládá v roce 2019 (28).

Rovněž u nádorů prsů se od použití AI očekává zlepšení klasifikace patologických fenotypů (29) a podobně tomu je i v případě hepatocelulárního karcinomu (30), kdy autoři spoléhají, že AI pomůže zlepšit odhad úspěšnosti navrhované terapie. Ve všech zmiňovaných projektech bude ovšem záležet na tom, jak bude zajištěna uniformita a kvalita vstupů, s nimiž budou použité algoritmy pracovat.

Diabetologie

V rámci soutěže Ascensia Diabetes Challenge se 6 finalistů vyjádřilo k možnostem zlepšení péče o diabetiky 2. typu s využitím AI. Diabetem 2. typu trpí asi 90 % ze 425 milionů diabetiků na celém světě a znamená to stále se zvyšující zátěž zdravotních systémů, proto je hledání nových přístupů velmi žádoucí, ať už jde o diagnostiku (31) či léčení (32). Jedním z takových přístupů je modelování, a jak ukázala práce několika skupin vědců, rozhodujícím faktorem je v něm jednoznačnost vkládaných dat, kterou, jak zjistili, lze zlepšit právě díky výpočetním technikám (33).

Významným faktorem ve většině případů DM 2. typu jsou ovšem vnější vlivy, které – pokud se je podaří ovlivnit – mohou zásadním způsobem změnit jeho prudce stoupající prevalenci (34). To ovšem také naznačuje, že konstelace našich genotypů je pro takový vývoj příznivá.

Chirurgie

Z historie rozvoje počítačových dovedností víme, že mezi prvními to byla „robotika“ a hlavním zákazníkem a odběratelem toho, co se jí podařilo vytvořit, byl průmysl. Medicínským oborem, kde se robotika uplatňuje nejvíce, je pochopitelně chirurgie (35). Většinou zatím nejde o přístroje vybavené plnou autonomií, ale řízené člověkem. A právě spojení AI s člověkem může být optimálním řešením.

Psychiatrie

Jak uvádí v přehledu dosavadních výsledků Dwyer et al. (36), mohou být metody používané v rámci AI vycházející z klinických a biologických dat přínosné jak v diagnostice, tak v prevenci a léčbě psychiatrických onemocnění – zvláště ve srovnání s dosavadními kritizovanými přístupy založenými na statistických vzorech.

Genomika a proteomika

Genomika prolíná do všech klinických oborů, pomáhá totiž odhalovat obsah dosud prázdných míst mezi genotypem a fenotypem (37) a stává se také základem tzv. precizní medicíny, která je propagovaným ideálem zdravotní péče. Postupně se nám daří pronikat stále hlouběji a již dokážeme sledovat a modelovat biologické procesy uvnitř jednotlivých buněk, interakce mezi buněčnými organelami, molekulami bílkovin (38), bílkovinami a nukleovými kyselinami, a to jak ve zdraví, tak i v nemoci (39, 40). Na genomiku úzce navazuje proteomika a interaktomika, jež jsou dnes základními stavebními kameny fyziologie, v níž se sdružují poznatky o funkci a o normálních, ale i patologických životních procesech.

AI ANO, ČI NE?

Jestliže přijmeme víru, že vývoj směrem k digitalizaci zdravotnictví je nevyhnutelný, stane se diskuse k výše nadhozené otázce zbytečnou. Pokud se nevzdáme pro medicínu tak potřebného skepticismu, bude třeba zvažovat rizika digitalizací vyvolaná (a nebude jich málo) (41). Mohou se týkat nejen celkové struktury zdravotní péče, ale i pravidel, podle nichž je poskytována. Postihnou nejspíše všechny obory, byť patrně nestejnou měrou a v jejich různých aspektech. Především se mohou v mnoha směrech odrazit ve vztahu lékaře a pacienta.

Na některé změny jsme v našem zdravotnictví již narazili, naštěstí zatím jen v podobě elektronických receptů, od kterých nehrozí žádné nebezpečí, ale naopak přinášejí nebývalé výhody. Jejich zavedení však ukázalo jednu z největších slabin digitalizace medicíny v našich podmínkách – prokázalo totiž, že starší generace lékařů nemusí mít k dispozici potřebná zařízení a ani taková zařízení nedovede ovládat. Dalším problémem je kvalita těchto zařízení a (ne)spolehlivost spojení, jinými slovy technické překážky, které bezprostředně brání rozvoji digitalizace v medicíně i v tomto poměrně jednoduchém případu.

Dalším krokem, již složitějším a i zásadnějším, by mělo být zavedení elektronických záznamů péče o pacienta, tzv. EHR (Electronic Health Record) nebo EMR (Electronic Medical Record). Přestože výměna papírových dokumentů za digitální záznamy je nepochybně výhodná nejen z medicínských, ale i z technických a ekonomických důvodů, má své odpůrce, z nichž někteří uvádějí opět nespolehlivost elektronických zařízení a z ní vyplývající nezbytnost vést obojí dokumentaci: papírovou i elektronickou. Další z námitek vyplývá z možných rizik souvisejících s ochranou osobních údajů a pochybností, zda lze účinnou ochranu v našem prostředí zajistit (42). Existence EHR souvisí s digitalizací probíhající v jednotlivých lékařských profesích, především těch, které zajišťují diagnostiku nebo představují zdroje informací a mohou fungovat „na dálku“, a dokonce poskytovat poradenské služby. Systém EHR se neustále zdokonaluje a obohacuje se i o obrazový materiál.

Tím jsem se ovšem nedotkli podstaty snad jednoho z nejdůležitějších problémů – vztahu člověka k člověku a jeho stále častější náhrady vzájemným vztahem člověka a stroje. V našem případě pacienta k zdravotníkovi-stroji, který zůstane strojem, ač se mu budeme snažit dát člověku sebepodobnější náležitosti.

I živý lékař je ve své činnosti stále více závislý na nejrůznějších přístrojích, které nahrazují a doplňují jeho smysly. Jestliže jsme úvodem srovnávali chybovost umělé inteligence a procesů využívajících lidskou inteligenci, pak hlavní výhoda AI spočívala v rychlosti. AI však disponuje i další výhodou, kterou je schopnost korekce (43, 1). Podobně jako člověk se se může poučit ze svých zkušeností i AI v procesu deep learning stále vylepšuje svůj rozhodovací proces – může upravovat příslušné algoritmy. Na rozdíl od člověka, u něhož se to děje v průběhu let a v závislosti na počtu vyšetřených a léčených pacientů, přečtených publikací a absolvovaných seminářů (uvádí se, že vrcholu svých schopností dosahují lékaři kolem 50 let věku), se to v případě AI děje nepřetržitě a téměř okamžitě a závisí to jen na dostupnosti relevantních informací. Naštěstí mají dnes lékaři a adepti tohoto povolání k dispozici neustále modernizované tréninkové programy a přibývá i expertních systémů (44) a nabídky „druhých mínění“.

Otázky vstupu AI do lékařské praxe nabyly takové závažnosti, že se dostaly i do vládních programů. Můžeme si připomenout řeč britské premiérky Theresy Mayové z května 2018, v níž oznámila plán na využívání AI, která by měla přispět k prevenci a léčbě nádorových onemocnění (45). I naše ministerstvo se začalo zabývat digitalizací zdravotní péče a vyhlásilo plán postupu do roku 2021 v rámci Národní strategie elektronického zdravotnictví (obr. 2). Z něj se již některé části uskutečnily a uskutečňují (elektronické recepty a elektronizace zdravotnické dokumentace), byť často narážejí na nepochopení i v řadách zdravotnických profesionálů.

Národní strategie elektronického zdravotnictví na léta 2017–2021
Obr. 2. Národní strategie elektronického zdravotnictví na léta 2017–2021

Poděkování

Především se cítím být zavázán docentu Jiřímu Kofránkovi, vedoucímu Laboratoře biokybernetiky a počítačové podpory výuky Ústavu patologické fyziologie 1. LF UK v Praze, za umožnění přístupu k řadě mně nedostupných informačních zdrojů, jež zásadním způsobem obohatily můj ryze vnější pohled na danou problematiku a spíše intuitivní náklonost k jejímu rozvoji a uplatnění.

Seznam zkratek

AI           umělá inteligence

EHR      elektronický zdravotní záznam

EMR      elektronický medicínský záznam

MDS      myelodysplastický syndrom

NLP       počítačové zpracování přirozeného jazyka

Adresa pro korespondenci:

prof. MUDr. Radim Brdička, DrSc.

GHC Genetics

Krakovská 8, 110 00  Praha 1

e-mail: radim.brdicka@gmail.com


Zdroje
  1. Miller DD, Brown EW. Artificial intelligence in medical practice: the question to the answer? Am J Med 2018; 131(2): 129–133.
  2. Friedman LF. IBM's Watson supercomputer may soon be the best doctor in the world. Business Insider, New York, 22. dubna 2014. Dostupné na: www.businessinsider.com/ibms-watson-may-soon-be-the-best-doctor-in-the-world-2014-4
  3. Hendl J. Umělá inteligence v medicíně. In: MEDSOFT 2018. Sborník. Creative Connections, Praha, 2018: 26–34. Dostupné na: www.creativeconnections.cz/medsoft/2018/Medsoft_2018_Hendl.pdf
  4. Spyns P. Natural language processing in medicine: an overview. Methods Inf Med 1996; 35(4–5): 285–301.
  5. Wu JT, Dernoncourt F, Gehrmann S et al. Behind the scenes: a medical natural language processing project. Int J Med Inform 2018; 112: 68–73.
  6. Langer SG, Shih G, Nagy P, Landman BA. Collaborative and reproducible research: goals, challenges, and strategies. J Digit Imaging 2018; 31(3): 275–282.
  7. Fernandez-Luque L, Imran M. Humanitarian health computing using artificial intelligence and social media: A narrative literature review. Int J Med Inform 2018; 114: 136–142.
  8. Srinivas S. Ravindran AR. Optimizing outpatient appointment system using machine learning algorithms and scheduling rules: a prescriptive analytics framework. Expert Systems with Applications 2018; 102: 245–261.
  9. Borej J. Základní infrastruktura elektronického zdravotnictví ČR. In: MEDSOFT 2018. Sborník. Creative Connections, Praha, 2018: 7–19.
  10. Kofránek J, Berger J, Polák J, Vojtěch A. Modelování ehealth procesů pomocí hierarchických stavových automatů (statecharts). In: MEDSOFT 2018. Sborník. Creative Connections, Praha, 2018: 35–55.
  11. Eagelman D. Can we create new senses for humans? TED, 18. 3. 2015. Dostupné na: www.youtube.com/watch?v=4c1lqFXHvqI&t=56s
  12. Sturgis K. How artificial intelligence is changing medical devices. MD+DI Qmed, 17. 5. 2018. Dostupné na: www.mddionline.com/how-artificial-intelligence-changing-medical-devices
  13. Ford O. Software Co. combines ai and wearables for glucose monitoring. MD+DI Qmed, 16. 5. 2018. Dostupné na: www.mddionline.com/software-co-combines-ai-and-wearables-glucose-monitoring
  14. Sarkisov Y. Artificial intelligence and radar technologies to measure blood glucose. MD+DI Qmed, 2. 7. 2018. Dostupné na: www.medgadget.com/2018/07/artificial-intelligence-and-radar-technologies-to-measure-blood-glucose.html
  15. Hoang T, Liu J, Roughead E et al. Supervised signal detection for adverse drug reactions in medication dispensing data. Comput Methods Programs Biomed 2018; 161: 25–38.
  16. Yu P, Wilhelm K, Dubrac A et al. FGF-dependent metabolic control of vascular development. Nature 2017; 545 (7653): 224–228.
  17. Fleming N. Computer-calculated compounds. Nature 2018; 557: 55–57.
  18. Drusbosky LM, Cogle CR. Computational modeling and treatment identification in the myelodysplastic syndromes. Curr Hematol Malig Rep 2017; 12(5): 478–483.
  19. Moshavash Z, Danyali H, Helfroush MS. An automatic and robust decision support system for accurate acute leukemia diagnosis from blood microscopic images. J Digit Imaging 2018, 31: 702–717.
  20. Jagadev P, Virani HG. Detection of leukemia and its types using image processing and machine learning. In: International Conference on Trends in Electronics and Informatics (ICEI). IEEE, Titunenveli, Indie, 2017: 522–526.
  21. Esteva A, Kuprel B, Novoa RA et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017; 542(7639): 115–118.
  22. Esteva A, Kuprel B, Novoa RA et al. Corrigendum: Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017; 546(7660): 686.
  23. Monisha M, Suresh A, Bapu BRT, Rashmi MR. Classification of malignant melanoma and benign skin lesion by using back propagation neural network and ABCD rule. Cluster Computing 2018; 30: 1–11.
  24. Imaizumi H, Watanabe A, Hirano H et al. Hippocra: Doctor-to-doctor teledermatology consultation service towards future AI-based diagnosis system in Japan. In: International Conference on Consumer Electronics. IEEE, Taipei, Tchaj-wan, 2017: 51–52.
  25. Dreyer KJ, Geis JR. When machines think: Radiology’s next frontier. Radiology 2017; 285(3): 713–718.
  26. Aerts HJWL. Data science in radiology: a path forward. Clin Cancer Res 2018; 24(3): 532–534.
  27. Tang A, Tam R, Cadrin-Chênevert A et al. Canadian Association of Radiologists White Paper on Artificial Intelligence in Radiology. Can Ass Radiol J 2018; 69(2): 120–135.
  28. Ford O. Bringing AI to colorectal cancer screening. MD+DI Qmed, 23. 5. 2018. Dostupné na: www.mddionline.com/bringing-ai-colorectal-cancer-screening
  29. Heng YJ, Lester SC, Tse GMK et al. The molecular basis of breast cancer pathological phenotypes. J Pathol 2017; 241(3): 375–391.
  30. Abajian A, Murali N, Savic LJ et al. Predicting treatment response to intra-arterial therapies for hepatocellular carcinoma with the use of supervised machine learning – an artificial intelligence concept. J Vasc Interven Radiol 2018; 29(6): 850–857.
  31. Keel S, Lee PY, Scheetz J et al. Feasibility and patient acceptability of a novel artificial intelligence-based screening model for diabetic retinopathy at endocrinology outpatient services: a pilot study. Sci Rep 2018; 8(1): 4330.
  32. Pedersen A. How AI is personalizing insulin therapy for diabetes patients. MD+DI Qmed, 18. 6. 2018. Dostupné na: www.mddionline.com/how-ai-personalizing-insulin-therapy-diabetes-patients
  33. Palmer AJ, Si L, Tew M et al. Computer modeling of diabetes and its transparency: a report on the eighth mount hood challenge. Value Health 2018 Jun; 21(6): 724–731.
  34. Hamers L. Air pollution is triggering diabetes in 3.2 million people each year. New study quantifies the link between smoggy air and diabetes. Science News: Sciencenews.org, 2018. Publikováno 9. 7. 2018. Dostupné na: www.sciencenews.org/article/air-pollution-triggering-diabetes-in-millions-each-year
  35. Ford O. Does Medtronic’s delay ensure that intuitive will stay on top? MD+DI Qmed, 6. 6. 2018. Dostupné na: www.mddionline.com/does-medtronic’s-delay-ensure-intuitive-will-stay-top
  36. Dwyer DB, Falkai P, Koutsouleris N. Machine learning approaches for clinical psychology and psychiatry. Ann Rev Clin Psychol 2018; 14: 91–118.
  37. Ma J, Ku Fu M, Fong S et al. Using deep learning to model the hierarchcal structure and function of a cell. Nat Methods 2018; 15(4): 290–298.
  38. Wilson SJ, Wilkins AD, Lin CH et al. Discovery of functional and disease pathways by community detection in protein-protein interaction networks. Pac Symp Biocomput 2017; 22: 336–347.
  39. Huang JK, Carlin DE, Ku Yu M et al. Systematic evaluation of molecular networks for discovery of disease genes. Cell Syst 2018; 6(4): 484–495.
  40. Agrawal M, Zitnik M, Leskovec J. Large-scale analysis of disease pathways in the human interactome. Pac Symp Biocomput 2018; 23: 111–122.
  41. Mazzanti M, Shirka E, Gjergo H, Hasimi E. Imaging, health record, and artificial intelligence: hype or hope? Curr Cardiol Rep 2018; 20(6): 48.
  42. Siwicki B. Next-gen EHRs: epic, allscripts and others reveal future of electronic health records. Health Care IT News, 2018. Publikováno 21. 5. 2018. Dostupné na: www.healthcareitnews.com/news/next-gen-ehrs-epic-allscripts-and-others-reveal-future-electronic-health-records
  43. Ford O. MedAware uses AI to tackle medical errors and opioid epidemic. MD+DI Qmed, 21. 6. 2018. Dostupné na: www.mddionline.com/medaware-uses-ai-tackle-medical-errors-and-opioid-epidemic
  44. Roukos DH, Katsios C, Liakakos T. Genotype–phenotype map and molecular networks: a promising solution in overcoming colorectal cancer resistance to targeted treatment. Expert Rev Mol Diagn 2010; 10(5): 541–545.
  45. PM to set out ambitious plans to transform outcomes for people with chronic diseases. Vláda Spojeného království Velké Británie a Severního Irska, 20. 5. 2018. Dostupné na: www.gov.uk/government/news/pm-to-set-out-ambitious-plans-to-transform-outcomes-for-people-with-chronic-diseases
Štítky
Adiktologie Alergologie a imunologie Angiologie Audiologie a foniatrie Biochemie Dermatologie Dětská gastroenterologie Dětská chirurgie Dětská kardiologie Dětská neurologie Dětská otorinolaryngologie Dětská psychiatrie Dětská revmatologie Diabetologie Farmacie Chirurgie cévní Algeziologie Dentální hygienistka

Článek vyšel v časopise

Časopis lékařů českých

Číslo 2

2019 Číslo 2

Nejčtenější v tomto čísle

Tomuto tématu se dále věnují…


Kurzy

Zvyšte si kvalifikaci online z pohodlí domova

Jistoty a nástrahy antikoagulační léčby aneb kardiolog - neurolog - farmakolog - nefrolog - právník diskutují
nový kurz
Autoři: doc. MUDr. Štěpán Havránek, Ph.D., prof. MUDr. Roman Herzig, Ph.D., doc. MUDr. Karel Urbánek, Ph.D., prim. MUDr. Jan Vachek, MUDr. et Mgr. Jolana Těšínová, Ph.D.

Léčba akutní pooperační bolesti
Autoři: doc. MUDr. Jiří Málek, CSc.

Nové antipsychotikum kariprazin v léčbě schizofrenie
Autoři: Prof. MUDr. Cyril Höschl, DrSc., FRCPsych.

Familiární transthyretinová periferní polyneuropatie
Autoři: MUDr. Radim Mazanec, Ph.D.

Diabetes mellitus a kardiovaskulární riziko, možnosti jeho ovlivnění
Autoři:

Všechny kurzy
Kurzy Doporučená témata Časopisy
Přihlášení
Zapomenuté heslo

Nemáte účet?  Registrujte se

Zapomenuté heslo

Zadejte e-mailovou adresu se kterou jste vytvářel(a) účet, budou Vám na ni zaslány informace k nastavení nového hesla.

Přihlášení

Nemáte účet?  Registrujte se