Mesterséges intelligenciával támogatott orvosbiológiai kutatás: az algoritmusoktól a laboratóriumig

Bevezetés

Az orvostudományi kutatást hagyományosan laboratóriumokkal, mikroszkópokkal, klinikai megfigyelésekkel és gondosan ellenőrzött kísérletekkel társítják. Ma már egy másik környezet is ugyanolyan fontos szerepet játszik: a digitális világ. A hatalmas adathalmazok, a mesterséges intelligencia (AI), a gépi tanulás és az egyre kifinomultabb számítási modellek megváltoztatják azt, ahogyan a kutatók az emberi biológiát vizsgálják.

A modern laboratóriumok hatalmas mennyiségű információt képesek generálni. A genomszekvenálás, az orvosi képalkotás, a molekuláris szűrés, az elektronikus egészségügyi nyilvántartások, a hordható eszközök és az automatizált laboratóriumi berendezések mind hozzájárulnak a tudományos adatok egyre bővülő ökoszisztémájához. A kihívás már nem csupán az információk gyűjtésében rejlik. A kutatóknak meg kell határozniuk, hogyan szervezzék, elemezzék és értelmezzék azokat hatékonyan.

Éppen itt kezd fontos szerepet játszani a mesterséges intelligencia.

A mesterséges intelligencia nem a hagyományos orvosbiológiai kutatást váltja fel, hanem kiegészíti azt. Az algoritmusok több millió megfigyelést képesek elemezni, statisztikai mintákat azonosítani, és segítenek a kutatóknak eldönteni, mely hipotézisek érdemelnek további kísérleti vizsgálatot. Ennek eredményeként egyre inkább összekapcsolódó kutatási környezet alakul ki, amelyben az informatika és a laboratóriumi tudományok egymással együttműködnek.

Miért válik az orvosbiológiai kutatás adatvezérelté?

A tudományos kutatás mindig is az adatokra támaszkodott, de a modern orvosbiológiai információk mennyisége alapvetően eltér attól, amivel a kutatók néhány évtizeddel ezelőtt dolgoztak.

Egyetlen modern kísérlet is több ezer vagy akár több millió mérési eredményt hozhat. A genomikai vizsgálatok egész populációkon átívelő variációkat tudnak elemezni. A kórházak hatalmas mennyiségű klinikai adatot gyűjtenek, míg a képalkotó technológiák az emberi test részletes digitális ábrázolásait hozzák létre.

A kutatók hordható technológiák segítségével is folyamatos információkat gyűjthetnek. A pulzusszám, az alvás, a fizikai aktivitás, a hőmérséklet és egyéb változók hosszú időn át nyomon követhetők.

Ezek az adatkészletek önmagukban is hasznos információkat nyújtanak. Összevonásuk azonban jelentősen megnöveli a komplexitást.

A hagyományos statisztikai módszerek továbbra is elengedhetetlenek, de a mesterséges intelligencia és a gépi tanulás további lehetőségeket kínálnak a nagy adathalmazok közötti összefüggések feltárására. A kutatók számítógépes modellek segítségével azonosíthatnak olyan mintákat, amelyek egyébként rejtve maradnának a több millió megfigyelés között.

A gépi tanulás mint tudományos eszköz

A gépi tanulás a modern, mesterséges intelligencián alapuló kutatás egyik legfontosabb technológiája.

Ahelyett, hogy a számítógépet minden lehetséges forgatókönyvre vonatkozóan rögzített utasításokkal programoznák, a kutatók a meglévő adatkészletek segítségével képezhetik a gépi tanulási modelleket. A rendszer megtanulja az információk közötti statisztikai összefüggéseket, majd képes az új adatok eredményeit osztályozni vagy becsülni.

Az orvostudományban ezeknek a módszereknek számos lehetséges alkalmazási területe van.

Az algoritmusok képesek orvosi képek elemzésére, molekuláris struktúrák osztályozására, genetikai variációk vizsgálatára és laboratóriumi mérések összehasonlítására. Emellett segíthetnek a kutatóknak olyan betegcsoportok vagy kísérleti minták azonosításában, amelyek közös jellemzőkkel rendelkeznek.

A gépi tanulás azonban nem határozza meg automatikusan, hogy miért létezik egy biológiai összefüggés.

Ha egy algoritmus összefüggést fedez fel egy biomarker és egy egészségügyi kimenetel között, a tudósoknak továbbra is meg kell vizsgálniuk az alapul szolgáló biológiai mechanizmust. A számítógépes elemzés ígéretes hipotéziseket eredményezhet, de azok teszteléséhez továbbra is elengedhetetlenek a laboratóriumi kísérletek és a megfelelően megtervezett klinikai vizsgálatok.

A számítógépes előrejelzésektől a laboratóriumi kísérletekig

Az orvostudományi kutatás egyik legérdekesebb fejleménye a számítógépes előrejelzés és a fizikai kísérletek közötti egyre szorosabb kapcsolat.

Hagyományosan a kutatók először kidolgoznak egy hipotézist, majd laboratóriumi kísérleteket terveznek annak vizsgálatára. A mesterséges intelligencia egy újabb lépcsőt vezet be ebbe a folyamatba.

A tudósok először elemezhetik a meglévő nagy adathalmazokat, és számítógépes modellek segítségével azonosíthatják a lehetséges összefüggéseket. Ezek az előrejelzések aztán iránymutatásul szolgálhatnak a laboratóriumi kísérletekhez.

Képzeljük el, hogy a kutatók egy adott sejtes folyamatban részt vevő biológiai receptort tanulmányoznak. A számítógépes szűrés során több ezer molekulaszerkezetet vizsgálhatnak meg, és becsülhetik, mely vegyületek léphetnek legvalószínűbb kölcsönhatásba a receptorral.

Ahelyett, hogy azonnal fizikailag szűrnék át az összes jelöltet, a kutatók kiválaszthatnak egy kisebb csoportot, amelyet laboratóriumi vizsgálatnak vetnek alá.

A kísérleti eredményeket ezután visszajuttathatják a számítógépes modellbe, így visszacsatolási hurkot hozva létre:

Adatok → Algoritmus → Előrejelzés → Kísérlet → Új adatok

Ez a ciklus a jövőbeli orvosbiológiai laboratóriumok egyik meghatározó jellemzőjévé válhat.

Mesterséges intelligencia és gyógyszerkifejlesztés

A gyógyszerkutatás különösen alkalmas az adatközpontú kutatásra, mivel az elméletileg lehetséges molekulák száma hatalmas.

A kutatók kísérletileg nem tudják minden lehetséges vegyületet vizsgálni. A számítógépes technikák ezért segíthetnek a keresés szűkítésében.

A mesterséges intelligencia rendszerei elemezhetik a molekulaszerkezeteket, a kémiai jellemzőket és a meglévő biológiai adatokat, hogy azonosítsák azokat a jelölteket, amelyek további vizsgálatot érdemelnek. Egyes modellek képesek olyan tulajdonságokat becsülni, mint a molekuláris kölcsönhatások vagy a potenciális toxicitás, mielőtt a kutatók a költségesebb kísérleti szakaszokhoz lépnének.

Ez nem jelenti azt, hogy egy algoritmus egyszerűen „kitalálhat egy gyógyszert”, és klinikai használatra kész állapotba hozhatja azt.

A számítógéppel generált előrejelzéseket alapos validálásnak kell alávetni. A kutatóknak meg kell vizsgálniuk a farmakológiát, a toxicitást, az anyagcserét, az adagolást, a kölcsönhatásokat és számos egyéb változót. Az ígéretes vegyületek még mindig kudarcot vallhatnak a laboratóriumi, állatkísérleti vagy klinikai kutatások során.

A mesterséges intelligencia értéke elsősorban abban rejlik, hogy segít a tudósoknak hatékonyabban eligazodni a hatalmas kutatási térben.

A kutatási vegyületek körüli bővülő digitális környezet

A tudományos információk már nem korlátozódnak az akadémiai folyóiratokra és az egyetemi könyvtárakra. A keresőmotorok, az online adatbázisok, a digitális közösségek és a kereskedelmi weboldalak révén a nyilvánosság számára sokkal könnyebbé vált a kísérleti és teljesítményhez kapcsolódó vegyületekről szóló információkhoz való hozzáférés.

Ez a szélesebb körű digitális ökoszisztéma olyan platformokat foglal magában, mint például Dutch Sarms, ami tükrözi a nyilvánosság egyre növekvő tudatosságát azokról a vegyületkategóriákról, amelyekről a farmakológiai és teljesítménykutatási kontextusban is szó esik. Az online elérhetőség és a tudományos bizonyítékok azonban alapvetően különböző dolgok. Az, hogy egy vegyületről széles körben beszélnek vagy kereskedelmi forgalomban kapható, még nem jelenti azt, hogy klinikailag biztonságos, hatékony vagy hatósági engedélyezéssel rendelkezik.

A mesterséges intelligencia (AI) idővel segíthet a kutatóknak és az olvasóknak eligazodni ebben a bővülő információs környezetben azáltal, hogy rendszerezi a tudományos szakirodalmat, azonosítja az egymásnak ellentmondó eredményeket, és megkülönbözteti a bizonyítékok különböző szintjeit.

Ez egyre fontosabbá válhat, mivel az online elérhető orvostudományi információk mennyisége folyamatosan növekszik.

Biomarkerek és prediktív analitika

A biomarkerek olyan mérhető biológiai jellemzők, amelyek információt nyújthatnak a fiziológiai folyamatokról.

Példák erre a hormonkoncentrációk, a fehérjék, az enzimek, a genetikai markerek, valamint a vér- vagy szövetelemzéssel nyert számos mérési eredmény.

Hagyományosan a kutatók egyszerre viszonylag kis számú biomarkert vizsgálhattak. A modern laboratóriumi technológiák segítségével azonban több száz, sőt akár több ezer is mérhető.

A gépi tanulás segíthet olyan markerkombinációk azonosításában, amelyek úgy tűnik, hogy megfelelnek bizonyos biológiai állapotoknak.

Ahelyett, hogy azt vizsgálnák, vajon egy adott mérés előre jelzi-e az eredményt, a kutatók azt vizsgálhatják, hogy egy sok mérést magában foglaló komplex mintázat hasznos információt nyújt-e.

Ez a megközelítés különösen releváns olyan területeken, mint az anyagcsere-kutatás, a kardiovaszkuláris tudomány, az onkológia és az endokrinológia.

Mesterséges intelligencia és hormonális kutatás

A hormonális rendszerek jól példázzák, miért jelenthet a biológiai kutatás számítástechnikai kihívást.

A hormonok ritkán működnek függetlenül egymástól. Komplex visszacsatolási mechanizmusokon keresztül lépnek kölcsönhatásba, amelyekbe receptorok, szervek, enzimek és jelátviteli útvonalak is bevonódnak. Az életkor, a genetika, az alvás, a táplálkozás, a gyógyszeres kezelés és számos környezeti tényező tovább befolyásolhatja ezeket a rendszereket.

A nagy adathalmazok lehetővé teszik a kutatók számára, hogy ezeket a kapcsolatokat nagyobb populációkon keresztül vizsgálják.

Az endokrinológiai és farmakológiai szakirodalomban szereplő vegyületek egyik példája az az enklomifen, amelyet a hipotalamusz–hipofízis–gonád tengelyre gyakorolt hatása, valamint a másodlagos hipogonadizmussal küzdő férfiaknál a tesztoszteronnal kapcsolatos kimenetelek szempontjából vizsgáltak. Az adatközpontú elemzés segíthet a kutatóknak a különböző tanulmányok méréseinek összehasonlításában és a további vizsgálatokra vonatkozó kérdések azonosításában, de a klinikai alkalmazással kapcsolatos következtetések továbbra is a megfelelően megtervezett klinikai vizsgálatoktól és a szabályozó hatóságok értékelésétől függenek.

Ez a megkülönböztetés az AI-vezérelt orvoslás egyik fontos alapelvét szemlélteti: a számítógépes elemzés feltárhat mintákat, de ezek a minták továbbra is biológiai értelmezést és klinikai validálást igényelnek.

A genomika új adatmennyiséget teremt

Kevés terület szemlélteti jobban az orvostudományi adatok méretét, mint a genomika.

Az emberi genom több milliárd DNS-bázispárt tartalmaz. Amikor a kutatók több ezer vagy millió ember genetikai információit elemzik, az így kapott adatkészletek hatalmas méretűek lesznek.

A mesterséges intelligencia segíthet a tudósoknak a genetikai variációk és a biológiai jellemzők közötti összefüggések feltárásában.

A kutatók a genomikai információkat laboratóriumi mérésekkel, kórtörténetekkel és környezeti adatokkal kombinálhatják, hogy részletesebb betegségmodelleket dolgozzanak ki.

Ez hozzájárul a precíziós orvoslás szélesebb körű fejlődéséhez.

Ahelyett, hogy feltételezné, hogy minden, azonos diagnózissal rendelkező egyén biológiai jellemzői megegyeznek, a precíziós orvoslás arra törekszik, hogy megértse a betegek közötti különbségeket, és azt, hogy ezek a különbségek hogyan befolyásolhatják a megelőzést, a diagnózist vagy a kezelést.

A mesterséges intelligencia olyan eszközöket biztosít, amelyek képesek ezen változók közül sokat egyszerre elemezni.

Orvosi képalkotás és számítógépes látás

A mesterséges intelligencián alapuló kutatások az orvosi képalkotást is átalakítják.

A röntgenfelvételek, a CT-felvételek, az MRI-felvételek és a patológiai metszetek hatalmas mennyiségű vizuális információt tartalmaznak. A számítógépes látásrendszerek betaníthatók arra, hogy felismerjék a képeken belüli mintázatokat.

A kutatók azt vizsgálják, hogy ezek a rendszerek segíthetnek-e a rendellenességek azonosításában, az anatómiai jellemzők számszerűsítésében vagy a betegségekkel összefüggő finom mintázatok felismerésében.

Egy algoritmus kiemelheti a képen belül a gyanús területeket, lehetővé téve a szakember számára, hogy azokat alaposabban megvizsgálja.

A jövőben tehát a legpraktikusabb megoldás az emberek és a mesterséges intelligencia közötti együttműködés lehet.

Az algoritmusok hatalmas mennyiségű képet képesek gyorsan feldolgozni, míg a képzett orvosok biztosítják a klinikai kontextust, értékelik a szokatlan eredményeket, és meghozzák azokat a döntéseket, amelyek szélesebb körű megítélést igényelnek.

Viselhető eszközök és folyamatos biológiai adatok

Az orvosi adatállományok határai is túllépnek a kórházak és laboratóriumok keretein.

Az okosórák, a fitneszkövetők és a speciális hordható érzékelők folyamatos információáramot generálhatnak a fizikai aktivitásról és a fiziológiai változókról.

A hagyományos klinikai mérések gyakran csupán pillanatfelvételt nyújtanak. Például egy beteg pulzusát vagy vérnyomását egy vizit során mérik meg.

A hordható eszközök viszont akár hetekre, hónapokra, sőt évekre kiterjedő longitudinális adatokat is szolgáltathatnak.

Ez lehetőséget teremt a kutatók számára, hogy megvizsgálják, hogyan változik a fiziológia az idő múlásával.

A mesterséges intelligencia elemezheti ezeket a folyamatos adatsorokat, és olyan trendeket kereshet, amelyeket manuálisan nehéz lenne azonosítani. Kutatási környezetben a hordható eszközök által szolgáltatott információk végül összevonhatók a laboratóriumi biomarkerekkel, az orvosi dokumentációval és a genomikus adatokkal.

Ennek eredményeként sokkal részletesebb képet kaphatunk az emberi fiziológiáról.

Automatizálás és az intelligens laboratórium

A mesterséges intelligencián alapuló orvosbiológiai kutatás nem korlátozódik a szoftverekre.

A fizikai laboratóriumok egyre inkább automatizálódnak.

A robotrendszerek elvégezhetik az olyan ismétlődő feladatokat, mint a folyadékkezelés, a minták előkészítése és a nagy áteresztőképességű szűrés. A hálózatba kapcsolt laboratóriumi műszerek automatikusan rögzíthetik a kísérleti méréseket, és továbbíthatják azokat központi adatbázisokba.

Ezeket az eredményeket az AI ezután elemezheti.

Fejlett kutatási környezetekben egy automatizált rendszer elvégezheti a kísérleteket, rögzítheti a méréseket, és számítógépes elemzés segítségével meghatározhatja, mely kísérleti feltételeket érdemes legközelebb tesztelni.

A kutatási célok megfogalmazása és az eredmények értelmezése továbbra is a tudósok feladata, de az automatizálás drámai mértékben növelheti a kísérleti teljesítményt.

A laboratórium így egyszerre válik fizikai és digitális környezetté.

A hibás adatok problémája

A mesterséges intelligencia gyors fejlődése nem szünteti meg a tudomány egyik legrégebbi alapelvét: a rossz minőségű bemeneti adatok megbízhatatlan következtetésekhez vezetnek.

Az orvostudományi adatkészletek hiányzó méréseket, helytelen címkéket, következetlen adatgyűjtési módszereket és mintavételi torzításokat tartalmazhatnak.

A hibás információk alapján betanított algoritmus ugyanolyan hibás eredményeket hozhat.

A kutatóknak ezért gondosan meg kell vizsgálniuk, hogy az adatkészleteket hogyan gyűjtötték, és hogy azok megfelelően reprezentálják-e a vizsgált populációt.

Külső validáció különösen fontos.

Egy modell, amely egy kórház, laboratórium vagy populáció adatai alapján jól teljesít, máshol eltérő eredményeket adhat.

Az AI-rendszereket ezért független adatkészletek segítségével kell tesztelni, mielőtt a kutatók feltételeznék, hogy eredményeik általánosíthatók.

Adatvédelem és etika

Az orvosi mesterséges intelligencia jelentős etikai kérdéseket is felvet.

Az orvosi dokumentáció, a genetikai információk és a folyamatos egészségügyi megfigyelésből származó adatok rendkívül érzékenyek lehetnek.

A kutatóknak és az egészségügyi intézményeknek megfelelő biztonsági, irányítási és adatvédelmi eljárásokkal kell védeniük ezeket az információkat.

Egy másik aggodalomra okot adó kérdés az átláthatóság.

Egyes kifinomult mesterséges intelligencia-rendszerek előrejelzéseket tudnak generálni anélkül, hogy egyszerű magyarázatot adnának arra, hogyan jutottak el az eredményhez. Ez nehézségeket okozhat, amikor az algoritmusok befolyásolják az orvosi kutatást vagy a klinikai döntéseket.

A tudósok ezért egyre inkább a magyarázható mesterséges intelligenciával foglalkoznak – olyan módszerekkel, amelyek célja, hogy a számítógépes következtetéseket érthetőbbé tegyék a kutatók és az egészségügyi szakemberek számára.

A tudósok továbbra is elengedhetetlenek

A mesterséges intelligencia terén elért rendkívüli fejlődés ellenére az orvostudomány nem automatizálható egyszerűen az elejétől a végéig.

Az algoritmusok matematikai mintákat ismernek fel. A tudósok pedig meghatározzák, hogy ezeknek a mintáknak van-e biológiai jelentőségük.

A kutatók hipotéziseket fogalmaznak meg, kísérleteket terveznek, azonosítják a zavaró tényezőket és értékelik a váratlan eredményeket. A klinikusok az egyes betegek szélesebb kontextusában értelmezik a megállapításokat.

Az emberi ítélőképesség az etikai döntések meghozatalához is elengedhetetlen.

A legreálisabb jövőképpel tehát nem az a forgatókönyv, hogy a mesterséges intelligencia felváltja a tudósokat. Hanem az, hogy a tudósok egyre hatékonyabb számítástechnikai rendszereket használnak olyan kérdések vizsgálatára, amelyek egyébként túl összetettek vagy túl nagy adatmennyiséget igényelnének.

A jövő laboratóriuma

A számítástechnika és az orvostudomány közötti határ egyre nehezebben határozható meg.

A jövő laboratóriumai egyetlen kutatási környezetben ötvözhetik a robotikát, a genomszekvenálást, az automatizált mikroszkópiát, a hálózatba kapcsolt műszereket, az elektronikus kutatási nyilvántartásokat és a gépi tanulási rendszereket.

A kísérletek automatikusan generálnak majd adatokat. Az algoritmusok elemzik majd ezeket az információkat, és azonosítják a lehetséges mintákat. A kutatók ezeket az eredményeket felhasználva tervezik meg a következő kísérleteket.

Ez az algoritmusok és a laboratóriumi tudomány közötti folyamatos interakció jelentősen felgyorsíthatja az orvosbiológiai felfedezések bizonyos területeit.

A tudomány alapelvei azonban változatlanok maradnak.

Az előrejelzéseket tesztelni kell. Az eredményeket meg kell ismételni. A korrelációkat gondosan kell értelmezni. Az orvosi beavatkozásokhoz megfelelő bizonyítékokra van szükség.

A mesterséges intelligencia és a nagy adathalmazok rendkívül hatékony eszközöket nyújtanak a kutatóknak, de tudományos értékük végső soron attól függ, hogy mennyire felelősségteljesen használják ezeket az eszközöket.

A mesterséges intelligencián alapuló orvosbiológiai kutatások térnyerése ezért nem csupán a gyorsabb számítógépekről szól. Ez a tudósok biológiai kutatási módszereinek szélesebb körű átalakulását jelenti – az elszigetelt kísérletektől az egymással összekapcsolt rendszerek felé, ahol a laboratóriumi mérések, a digitális információk és a számítógépes modellek folyamatosan kölcsönösen tájékoztatják egymást.

Ilyen környezetben az algoritmusok segíthetnek annak meghatározásában, hogy a kutatóknak hova érdemes tovább fordulniuk, de a bizonyítékok tényleges jelentésének meghatározása továbbra is a szigorú tudományos vizsgálatok feladata marad.