Blog

Milí kolegové a příznivci moderních technologií ve zdravotnictví,dovolte mi představit příběh jedné z nejrevolučnějších biotechnologií poslední dekády – systému AlphaFold 2. Jeho význam je v biologii často přirovnáván k legendárnímu důkazu Fermatova posledního teorému ve světě matematiky, a to právem. Dlouhá desetiletí jsme dokázali experimentálně popsat strukturu jen zlomku všech známých proteinů (kolem 200 tisíc do roku 2022). Dnes už díky AlphaFold 2 mluvíme o neuvěřitelných 200 milionech proteinových struktur.🔍Revoluce díky AlphaFold 2AlphaFold 2, vyvinutý týmem DeepMind, představuje průlomovou aplikaci umělé inteligence, která využívá pokročilé neuronové sítě a principy transformátorů – technologie, jež stojí i za nástrojem ChatGPT. Jak to funguje? Model zpracovává primární strukturu (sekvenci aminokyselin) společně s evolučními informacemi získanými porovnáváním podobných proteinů napříč živočišnými druhy. Díky sofistikovanému mechanismu, který využívá tzv. “Evoformer” – speciálně navrženou verzi transformátoru – se dokáže učit nejen z lineárního uspořádání aminokyselin, ale i z jejich prostorových vztahů. Výsledkem je předpověď dvojrozměrného párového rozložení, které následně slouží jako vodítko pro sestavení finálního 3D modelu v samostatném modulu zvaném “Structure Module”. Tato precizní kombinace evolučních a geometrických dat vedla k výsledkům, u kterých jsou předpovědi téměř nerozeznatelné od experimentálně stanovených struktur.💡 Proč je to tak zásadní? Proteiny jsou jakési „molekulární stroje“ všeho živého – jejich přesné prostorové uspořádání (3D struktura) rozhoduje o tom, jak budou v organismu fungovat. Například enzymy štěpí potraviny, hemoglobin v krvi přenáší kyslík a protilátky pomáhají našemu imunitnímu systému.&nbsp;Jenže odhalení této 3D struktury dlouho znamenalo roky laboratorní práce, obří náklady a spoustu trpělivosti s metodami, jako je rentgenová krystalografie. Umělá inteligence systému AlphaFold 2 dokázala tento neuvěřitelně složitý problém „přeskočit“ a během krátké doby nám nabídla databázi téměř všech doposud známých proteinů.🏥 Dopad na zdravotnictví a farmakologiiV oblasti zdravotnictví a farmakologie se v důsledku těchto pokroků rýsuje nová éra personalizovaných léků a cílených terapií. Díky přesnému pochopení struktury proteinů souvisejících s konkrétní chorobou můžeme cíleně vyvíjet vakcíny a léky a zároveň prohloubit pochopení molekulárních mechanismů vzniku nemocí.Ale revoluce zde nekončí. Už nyní se objevují technologie pro návrh zcela nových proteinů. Generativní modely, podobné těm používaným v umělé inteligenci pro tvorbu obrazů (například DALL·E), umožňují designovat proteiny s cílenými funkcemi – například enzymy, které by mohly rozkládat plasty či přeměňovat skleníkové plyny na neškodné látky.Věřím, že jsme svědky revoluce, která posune hranice vědy a technologií daleko za současné limity. Těším se na to, jaké další objevy a inovace nám tato nová éra přinese.Reference: [<a data-mce-href="https://www.uvio.bio/alphafold-architecture/" href="https://www.uvio.bio/alphafold-architecture/">1</a>] [<a data-mce-href="https://www.ebi.ac.uk/training/online/courses/alphafold/inputs-and-outputs/a-high-level-overview/" href="https://www.ebi.ac.uk/training/online/courses/alphafold/inputs-and-outputs/a-high-level-overview/">2</a>] [<a data-mce-href="https://www.nature.com/articles/s41586-021-03819-2" href="https://www.nature.com/articles/s41586-021-03819-2">3</a>]

AlphaFold 2: Revoluce nejen v biologii

<h3>Rizika chybné transkripce v medicíně </h3>Milí kolegové a příznivci moderních technologií ve zdravotnictví,často píšu o využití AI a zároveň upozorňuji na její omezení. Dnes bych se rád podělil o problém s AI-přepisovacím nástrojem Whisper, který se již využívá i ve zdravotnických zařízeních.🔬Co se děje?Přestože OpenAI prezentuje Whisper jako „téměř na úrovni lidské přesnosti“, výzkumy ukazují znepokojivý jev: nástroj totiž někdy dokáže „halucinovat“ – tedy v přepisu vkládat text, který nikdy nebyl vysloven. A to může mít vážné důsledky, zejména když jde o přepis lékařských konverzací.⚠️ Proč je to problém?Chybná diagnostika a léčba: Přidané či pozměněné informace mohou vést k nesprávným závěrům. Jakmile se chybný přepis stane základem pro rozhodování, riskujeme nejen omyly, ale i potenciálně fatální důsledky pro pacienty. Bezpečnost a důvěrnost: Je nutné mít nástroje, které před aktualizací lékařské dokumentace (např. z audiozáznamu rozhovoru lékař–pacient) automaticky kontrolují předchozí záznamy (viz minulý článek) a upozorňují lékaře na případné nesrovnalosti. Přestože lékař při zápisu nové zprávy a aktualizaci anamnézy záznamy kontroluje, některé rozdíly by mohl přehlédnout. Zodpovědné nasazení AI: I přes známky robustnosti je třeba, aby vývojáři a provozovatelé zdravotnických systémů zachovali opatrnost. Před nasazením do „vysokorizikových“ oblastí bychom měli vyžadovat přísné standardy kvality a bezpečnosti. 🛠️ Jaké jsou možnosti řešení?Důkladná kontrola a validace: Transkripce generované AI by měly být vždy podrobeny strojové kontrole a lidské revizi. Mít k dispozici originální audio záznamy je klíčové pro ověření správnosti. Stanovení přísných regulací: Ve spolupráci s odbornou komunitou by měly být definovány normy pro nasazení AI v kritických prostředích, jako jsou nemocnice, aby se zajistila maximální bezpečnost pacientů. Závěrem:Technologie jako Whisper mají nepochybně potenciál zefektivnit naši práci a zlepšit péči o pacienty. Avšak každý pokrok musí jít ruku v ruce s odpovědným přístupem a pečlivou kontrolou kvality.Reference: <a data-mce-href="https://apnews.com/article/ai-artificial-intelligence-health-business-90020cdf5fa16c79ca2e5b6c4c9bbb14" href="https://apnews.com/article/ai-artificial-intelligence-health-business-90020cdf5fa16c79ca2e5b6c4c9bbb14">[1]</a> <a data-mce-href="https://www.wired.com/story/hospitals-ai-transcription-tools-hallucination/" href="https://www.wired.com/story/hospitals-ai-transcription-tools-hallucination/">[2]</a>

Rizika chybné transkripce v medicíně

<h3>Význam lidského hodnocení a aplikace ''reasoning'' modelů v klinické medicíně</h3>Milí kolegové a příznivci moderních technologií ve zdravotnictví,v minulém díle jsme se věnovali standardizovaným rámcům. Dnes se zaměříme na roli lidského faktoru v hodnocení, a to i ve vztahu k novým reasoning modelům. 🧑‍⚖️Lidské hodnocení zůstává v oblasti evaluace velkých jazykových modelů (LLM) klíčové, neboť umožňuje zachytit jemné nuance a odhalit potenciální předsudky, které automatizované metriky často opomíjejí. Současně je však spojeno s inherentní subjektivitou, variabilitou úsudků a značnou časovou i finanční náročností, což komplikuje získání konzistentních a reprezentativních výsledků. [1] Tato problematika je obzvláště patrná v klinických aplikacích, kde standardní NLP benchmarky často nedokážou plně reflektovat specifické požadavky prostředí, a proto se lidské hodnocení i nadále považuje za zlatý standard. [2,3] 💡Příkladem důsledků nedostatečné kontroly je detekce COVID-19 z RTG snímků. Některé modely se naučily spoléhat na nediagnostické prvky, jako jsou nastavení přístroje či textové anotace, místo skutečných patologických změn v plicích. To vedlo k chybným závěrům a špatné přenositelnosti mezi nemocnicemi. Tento případ zdůrazňuje nutnost různorodých a reprezentativních dat, přísné validace a lidského dohledu, aby AI zaměřila svou analýzu na skutečně relevantní lékařské informace. [4] 💻 Aby bylo lidské hodnocení generovaných textů konzistentnější a objektivnější, vznikají nástroje jako HumanELY. Tento standardizovaný systém využívá Likertovu škálu a pět klíčových metrik (relevance, pokrytí, koherence, škodlivost a srovnání) k systematickému porovnání generovaného a referenčního textu. Tím snižuje subjektivní zkreslení a zajišťuje reprodukovatelnější výsledky. [5]. 📊S nástupem nové generace AI modelů, které disponují schopnostmi podobnými „chain-of-thought“ uvažování, se otevírají možnosti, jak dále podpořit a zpřesnit evaluaci LLM. Například systém VeriFact, představený ve stanfordsko-medicínské studii, nejenže dokáže automatizovaně ověřovat, zda generované klinické texty odpovídají informacím z elektronických zdravotních záznamů (EHR), ale zároveň detailně vysvětluje své rozhodovací procesy a poskytuje konkrétní důkazy k jednotlivým hodnocením. [6]To výrazně posouvá vztah člověk/stroj a umožňuje lékařům (v širším slova smyslu i anotátorům) ulehčit práci. (detailed evidence for every decision). ✨ Zatímco reasoning modely vykazují velmi dobré výsledky v situacích, kdy existuje benchmark, jejich přímá aplikace v klinické praxi stále vyžaduje pečlivou validaci a doplňkovou lidskou kontrolu, aby byla zajištěna bezpečnost a kvalita výsledků.Do budoucna mohou technologie, jako např. simulace na digitálních dvojčatech, vytvořit benchmark i pro klinické aplikace a umožnit širší využití těchto metod i v netechnických oborech. Nicméně tam zatím nejsme.Reference: [<a data-mce-href="https://toloka.ai/blog/evaluating-llms/#the-importance-of-evaluating-llms" href="https://toloka.ai/blog/evaluating-llms/#the-importance-of-evaluating-llms">1</a>] [<a data-mce-href="https://arxiv.org/pdf/2309.07430" href="https://arxiv.org/pdf/2309.07430">2</a>] [<a data-mce-href="https://www.medrxiv.org/content/10.1101/2023.12.22.23300458v2.full.pdf" href="https://www.medrxiv.org/content/10.1101/2023.12.22.23300458v2.full.pdf">3</a>] [<a data-mce-href="https://www.nature.com/articles/s42256-021-00338-7" href="https://www.nature.com/articles/s42256-021-00338-7">4</a>] [<a data-mce-href="https://www.medrxiv.org/content/10.1101/2023.12.22.23300458v2.full.pdf" href="https://www.medrxiv.org/content/10.1101/2023.12.22.23300458v2.full.pdf">5</a>] [<a data-mce-href="https://arxiv.org/abs/2501.16672" href="https://arxiv.org/abs/2501.16672">6</a>]

Význam lidského hodnocení a aplikace ''reasoning'' modelů v klinické medicíně

<h3>Nová éra personalizované laserové korekce zraku? „Digitální dvojče“ v rukou AI</h3>Milí kolegové a příznivci inovací v oční chirurgii,laserová korekce zraku se ubírá novým, fascinujícím směrem. Podobně jako společnost NVIDIA vyvíjí digitální dvojčata („digital twins“) v oblasti modelů pro průmyslové simulace a robotiku, vstupují simulace i do medicíny, konkrétně refrakční chirurgie. Tyto virtuální modely slouží jako testovací subjekty pro umělou inteligenci (AI), která vybírá nejlepší možnou korekci pro daného pacienta.Technologie systémů, jako je Wavelight Plus InnovEyes od společnosti Alcon, představují nejen bezpečný, ale také vysoce personalizovaný přístup k refrakční chirurgii, což potvrzují recentní studie. [1] [2]Proč je tato tato technologi přínosná?AI a digital twin: Na základě měření je technologie schopna vytořit přesný 3D model oka, označovaný jako „eyevatar“. Tento model umožňuje simulovat různé možnosti korekce zraku a optimalizovat ablační profil pro opravu nejen dioptrických vad, ale i vyšších optických aberací.Chytré plánování: Díky umělé inteligenci systém přesně simuluje dráhu paprsků a navrhuje optimální korekci, přičemž zohledňuje nejen aktuální stav oka, ale i předpokládané změny během hojení.ZávěremZávěrem lze říci, že ray tracing a „digitální dvojčata“ představují revoluční pokrok, který umožňuje větší míru personalizace nejen laserové korekce.Dlouhodobým výsledkem by měla být vyšší kvalita vidění, rychlejší rekonvalescence a větší spokojenost pacientů.Držme si palce, aby tato technologie i nadále naplňovala svůj potenciál a posouvala hranice refrakční chirurgie i celého medicínského oboru.Reference: [<a data-mce-href="https://www.dovepress.com/ray-tracing-customization-in-myopic-and-myopic-astigmatism-lasik-treat-peer-reviewed-fulltext-article-OPTH" href="https://www.dovepress.com/ray-tracing-customization-in-myopic-and-myopic-astigmatism-lasik-treat-peer-reviewed-fulltext-article-OPTH">1</a>] [<a data-mce-href="https://www.vistaeyes.com.au/wp-content/uploads/2024/09/ray_tracing_guided_myopic_lasik__real_world.10.pdf" href="https://www.vistaeyes.com.au/wp-content/uploads/2024/09/ray_tracing_guided_myopic_lasik__real_world.10.pdf">2</a>]

Nová éra personalizované laserové korekce zraku? „Digitální dvojče“ v rukou AI

<h3>Nafukovací haptika ve VR rehabilitaci: proč řešit i jednoduchou dezinfekci</h3>Milí kolegové a fanoušci moderních technologií ve zdravotnictví,výzkumy potvrzují, že zapojení virtuální reality (VR) do rehabilitace dokáže zlepšit motivaci a výsledky pacientů. Jenže kromě imerze (jak moc nás VR „vtáhne“ do děje) a dalších intrinsic faktorů VR v nemocnicích a rehabilitačních zařízeních do hry vstupuje důležitý faktor: hygiena. Nasazování specializovaných haptických rukavic či obleků s komplikovanou elektronikou, které putují z ruky do ruky (nebo z těla na tělo) u různých pacientů, je náročné na dezinfekci a údržbu.Nejnovější prototyp z dílny Tohoku University a University of Calgary ukazuje, že existuje i alternativa, která kombinuje mobilní roboty a nafukovací „pytle“.💡 Jak to funguje?1. Pohybliví roboti s nafukovacími válci: Díky rychlému nafukování (ventilátor uvnitř robota) a pohybu robota po místnosti vzniká dotyková odezva ve správný čas a na správném místě.2. Snadná dezinfekce: Nafukovací povrch otřete nebo vyměníte – žádné složité součástky na čištění. 3. Bezpečnost a měkký kontakt: Nafukovací materiál snese tlak i opakované údery a zároveň nehrozí riziko poranění ostrými či tvrdými hranami. &nbsp;🔎 Proč je to důležité pro naši praxi?1. Eliminace bariér: Pacienti se nemusí zdlouhavě „zaplétat“ do haptických obleků; stačí jim brýle. 2. Hygiena na prvním místě: V nemocničním provozu nelze přenášet nedostatečně dezinfikované pomůcky mezi pacienty. Nafukovací VR řešení tento problém výrazně zjednodušuje. 3. Reálná zpětná vazba: Přestože materiál není zcela „jako“ lidská tkáň nebo pevná stěna, interakce je dostatečně přesná pro funkční trénink. Věřím, že podobné inovace ukazují cestu k odpovědnému a efektivnímu využití VR v rehabilitaci. Důraz na snadnou dezinfekci a bezpečnost znamená, že můžeme pacientům nabídnout pokročilé technologie bez kompromisů v hygieně či komfortu.Držme si palce, ať podobné koncepty brzy najdou reálné uplatnění přímo u lůžka našich pacientů.Reference: <a data-mce-href="https://dl.acm.org/doi/10.1145/3613904.3642069" href="https://dl.acm.org/doi/10.1145/3613904.3642069">[1]</a>, <a data-mce-href="https://dl.acm.org/doi/10.1145/3613904.3642069" href="https://dl.acm.org/doi/10.1145/3613904.3642069">[2]</a>

Nafukovací haptika ve VR rehabilitaci: proč řešit i jednoduchou dezinfekci

<h3>Dokáže AI předpovědět postup Alzheimerovy choroby?</h3>Milí kolegové a příznivci inovací v medicíně,rád bych se dnes podělil o skutečně zajímavou novinku ze světa umělé inteligence (AI) a neurologie. Nejnovější výzkum ukazuje, že AI může s úspěšností přesahující 78 % předpovědět, zda se u pacienta s lehkým kognitivním poškozením (MCI) rozvine do šesti let Alzheimerova choroba. Studie s podporou NIA (National Institute on Aging) byla publikována v prestižním časopise Alzheimer’s &amp; Dementia. Co se vlastně zkoumalo?1. Analýza přepisu řeči z kognitivních testů Tým z Boston University vyhodnocoval jazykovou strukturu řečových záznamů 166 účastníků Framingham Heart Study, u nichž byla diagnostikována MCI. 2. Rozdělení na dvě skupiny: - 90 pacientů, u nichž MCI progredovalo do Alzheimerovy choroby. - 76 pacientů, u nichž se onemocnění v daném období nestabilizovalo či nezhoršovalo. 3. Žádné hodnocení kvality hlasu: AI se v tomto výzkumu zaměřovala pouze na jazykovou strukturu (tedy co člověk říká, nikoli jak to říká). Nehodnotila se tedy intonace, rychlost řeči ani jiné vokální znaky. &nbsp;Jak se to promítne do praxe?1. Včasná intervence: Lékaři mohou na základě podrobné analýzy řečových vzorků identifikovat ohrožené pacienty a společně s rodinou nastavit preventivní kroky. 2. Nový diagnostický marker: Jazykové vyjádření rozšiřuje spektrum nástrojů vedle standardních metod a poskytuje lékařům možnost komplexnějšího hodnocení pacienta. &nbsp;Navzdory poměrně malému a geograficky homogennímu vzorku 166 účastníků tato studie naznačuje, že umělá inteligence má značný potenciál při včasné diagnostice Alzheimerovy choroby. Retrospektivní charakter a soustředění se pouze na obsah řeči (nikoliv její akustiku) omezují univerzální platnost výsledků, ale zároveň ukazují, že samotný text může být někdy silnějším prediktorem než běžné demografické údaje.Autoři studie použili křížovou validaci, aby otestovali robustnost svých modelů, avšak pro širší uplatnění a skutečné potvrzení výsledků budou potřeba rozsáhlejší prospektivní studie napříč různými lokalitami. Přesto je tato metoda slibná – v kombinaci s dalšími biomarkery by se mohla stát cenově dostupným a efektivním testem pomáhajícím včas odhalit Alzheimerovu chorobu a zvýšit šanci na úspěšnou léčbu.Reference: <a data-mce-href="https://pubmed.ncbi.nlm.nih.gov/38924662/" href="https://pubmed.ncbi.nlm.nih.gov/38924662/" data-mce-selected="inline-boundary">[1]</a>

Dokáže AI předpovědět postup Alzheimerovy choroby?

DrSova

Medicine, AI

Raleway

Open Sans

Ubuntu

Cabin

Tento web používá soubory cookies. Cookies slouží k zvyšování kvality služeb, personalizaci nabídky, sběru anonymních dat a pro analytické účely.  Dalším procházením tohoto webu vyjadřujete souhlas s jejich používáním.

Blog

AlphaFold 2: Revoluce nejen v biologii

Rizika chybné transkripce v medicíně

Význam lidského hodnocení a aplikace ''reasoning'' modelů...

Nová éra personalizované laserové korekce zraku? „Digitál...

Nafukovací haptika ve VR rehabilitaci: proč řešit i jedno...

Dokáže AI předpovědět postup Alzheimerovy choroby?