Ο Γουάτσον δεν δάγκωσε τον γιατρό και πολύ καλά

Αν και, όπως και σε πολλούς άλλους τομείς, ο ενθουσιασμός για την αντικατάσταση των γιατρών με τεχνητή νοημοσύνη έχει μειωθεί κάπως μετά από μια σειρά διαγνωστικών αποτυχιών, οι εργασίες για την ανάπτυξη ιατρικής που βασίζεται στην τεχνητή νοημοσύνη συνεχίζονται ακόμη. Επειδή, παρόλα αυτά, εξακολουθούν να προσφέρουν μεγάλες ευκαιρίες και μια ευκαιρία βελτίωσης της αποτελεσματικότητας των λειτουργιών σε πολλούς από τους τομείς της.

Η IBM ανακοινώθηκε το 2015 και το 2016 απέκτησε πρόσβαση σε δεδομένα από τέσσερις μεγάλες εταιρείες δεδομένων ασθενών (1). Το πιο διάσημο, χάρη στις πολυάριθμες αναφορές των μέσων ενημέρωσης, και ταυτόχρονα το πιο φιλόδοξο έργο που χρησιμοποιεί προηγμένη τεχνητή νοημοσύνη από την IBM αφορούσε την ογκολογία. Οι επιστήμονες προσπαθούν να χρησιμοποιήσουν τους τεράστιους πόρους δεδομένων για να τα επεξεργαστούν, προκειμένου να τα μετατρέψουν σε καλά προσαρμοσμένες αντικαρκινικές θεραπείες. Μακροπρόθεσμος στόχος ήταν να πάρει τον Watson να διαιτητής κλινικές δοκιμές και αποτελέσματα όπως θα έκανε ένας γιατρός.

1. Μία από τις απεικονίσεις του ιατρικού συστήματος Watson Health

Ωστόσο, αποδείχθηκε ότι Γουότσον δεν μπορεί να ανατρέξει ανεξάρτητα στην ιατρική βιβλιογραφία και επίσης δεν μπορεί να αντλήσει πληροφορίες από ηλεκτρονικά ιατρικά αρχεία ασθενών. Ωστόσο, η πιο σοβαρή κατηγορία εναντίον του ήταν αυτή αποτυχία να συγκριθεί αποτελεσματικά ένας νέος ασθενής με άλλους ηλικιωμένους ασθενείς με καρκίνο και να εντοπιστούν συμπτώματα που είναι αόρατα με την πρώτη ματιά.

Υπήρχαν, ομολογουμένως, ορισμένοι ογκολόγοι που ισχυρίστηκαν ότι είχαν εμπιστοσύνη στην κρίση του, αν και κυρίως όσον αφορά τις προτάσεις του Watson για τυπικές θεραπείες ή ως πρόσθετη, πρόσθετη ιατρική γνωμάτευση. Πολλοί έχουν επισημάνει ότι αυτό το σύστημα θα είναι ένας εξαιρετικός αυτοματοποιημένος βιβλιοθηκάριος για τους γιατρούς.

Ως αποτέλεσμα όχι πολύ κολακευτικών κριτικών από την IBM προβλήματα με την πώληση του συστήματος Watson σε ιατρικά ιδρύματα των ΗΠΑ. Οι αντιπρόσωποι πωλήσεων της IBM κατάφεραν να το πουλήσουν σε ορισμένα νοσοκομεία στην Ινδία, τη Νότια Κορέα, την Ταϊλάνδη και άλλες χώρες. Στην Ινδία, οι γιατροί () αξιολόγησαν τις συστάσεις του Watson για 638 περιπτώσεις καρκίνου του μαστού. Το ποσοστό συμμόρφωσης για τις συστάσεις θεραπείας είναι 73%. Χειρότερος Γουότσον εγκατέλειψε τις σπουδές του στο Ιατρικό Κέντρο Gachon στη Νότια Κορέα, όπου οι καλύτερες συστάσεις του για 656 ασθενείς με καρκίνο του παχέος εντέρου ταίριαζαν με τις συστάσεις των ειδικών μόνο στο 49 τοις εκατό των περιπτώσεων. Οι γιατροί το έχουν αξιολογήσει Ο Watson δεν τα πήγε καλά με τους μεγαλύτερους ασθενείςαποτυγχάνοντας να τους προσφέρει ορισμένα τυπικά φάρμακα και έκανε το κρίσιμο λάθος να προβεί σε επιθετική παρακολούθηση θεραπείας για ορισμένους ασθενείς με μεταστατική νόσο.

Τελικά, αν και το έργο του ως διαγνωστικός και ιατρός θεωρείται ανεπιτυχές, υπάρχουν τομείς στους οποίους έχει αποδειχθεί εξαιρετικά χρήσιμος. Προϊόν Watson για τη γονιδιωματική, το οποίο αναπτύχθηκε σε συνεργασία με το Πανεπιστήμιο της Βόρειας Καρολίνας, το Πανεπιστήμιο του Γέιλ και άλλα ιδρύματα, χρησιμοποιείται γενετικά εργαστήρια για την προετοιμασία εκθέσεων για ογκολόγους. Το αρχείο λίστας λήψεων Watson γενετικές μεταλλάξεις σε έναν ασθενή και μπορεί να δημιουργήσει μια αναφορά μέσα σε λίγα λεπτά που περιλαμβάνει προτάσεις για όλα τα σημαντικά φάρμακα και κλινικές δοκιμές. Ο Watson χειρίζεται τις γενετικές πληροφορίες με σχετική ευκολίαγιατί παρουσιάζονται σε δομημένα αρχεία και δεν περιέχουν ασάφειες - είτε υπάρχει μετάλλαξη είτε δεν υπάρχει μετάλλαξη.

Οι συνεργάτες της IBM στο Πανεπιστήμιο της Βόρειας Καρολίνας δημοσίευσαν μια εργασία για την αποτελεσματικότητα το 2017. Ο Watson βρήκε δυνητικά σημαντικές μεταλλάξεις που δεν είχαν εντοπιστεί από ανθρώπινες μελέτες στο 32% αυτών. ασθενείς που μελέτησαν, καθιστώντας τους καλούς υποψηφίους για το νέο φάρμακο. Ωστόσο, δεν υπάρχουν ακόμη στοιχεία ότι η χρήση οδηγεί σε καλύτερα αποτελέσματα θεραπείας.

Εξημέρωση πρωτεϊνών

Αυτό και πολλά άλλα παραδείγματα συμβάλλουν στην αυξανόμενη πεποίθηση ότι όλες οι ελλείψεις στην υγειονομική περίθαλψη αντιμετωπίζονται, αλλά πρέπει να αναζητήσουμε τομείς όπου αυτό μπορεί πραγματικά να βοηθήσει, επειδή οι άνθρωποι δεν τα πάνε πολύ καλά εκεί. Ένα τέτοιο πεδίο είναι, για παράδειγμα, έρευνα πρωτεϊνών. Πέρυσι, προέκυψαν πληροφορίες ότι μπορούσε να προβλέψει με ακρίβεια το σχήμα των πρωτεϊνών με βάση την αλληλουχία τους (2). Αυτό είναι ένα παραδοσιακό έργο, πέρα ​​από τη δύναμη όχι μόνο των ανθρώπων, αλλά ακόμη και των ισχυρών υπολογιστών. Εάν κατακτήσουμε την ακριβή μοντελοποίηση της συστροφής των μορίων πρωτεΐνης, θα υπάρξουν τεράστιες ευκαιρίες για γονιδιακή θεραπεία. Οι επιστήμονες ελπίζουν ότι με τη βοήθεια του AlphaFold θα μελετήσουμε τις λειτουργίες χιλιάδων και αυτό, με τη σειρά του, θα μας επιτρέψει να κατανοήσουμε τις αιτίες πολλών ασθενειών.

Εικόνα 2. Συστροφή πρωτεΐνης μοντελοποιημένο με το AlphaFold του DeepMind.

Τώρα γνωρίζουμε διακόσια εκατομμύρια πρωτεΐνες, αλλά κατανοούμε πλήρως τη δομή και τη λειτουργία ενός μικρού μέρους τους. Πρωτεΐνες είναι το βασικό δομικό στοιχείο των ζωντανών οργανισμών. Είναι υπεύθυνοι για τις περισσότερες από τις διεργασίες που συμβαίνουν στα κύτταρα. Το πώς λειτουργούν και τι κάνουν καθορίζεται από την τρισδιάστατη δομή τους. Παίρνουν την κατάλληλη μορφή χωρίς οδηγίες, με γνώμονα τους νόμους της φυσικής. Για δεκαετίες, οι πειραματικές μέθοδοι ήταν η κύρια μέθοδος για τον προσδιορισμό του σχήματος των πρωτεϊνών. Στη δεκαετία του '50, η χρήση Κρυσταλλογραφικές μέθοδοι ακτίνων Χ. Την τελευταία δεκαετία, έχει γίνει το ερευνητικό εργαλείο επιλογής. κρυσταλλική μικροσκοπία. Στις δεκαετίες του '80 και του '90, άρχισε η εργασία για τη χρήση υπολογιστών για τον προσδιορισμό του σχήματος των πρωτεϊνών. Ωστόσο, τα αποτελέσματα και πάλι δεν ικανοποίησαν τους επιστήμονες. Μέθοδοι που λειτούργησαν για ορισμένες πρωτεΐνες δεν λειτούργησαν για άλλες.

Ήδη το 2018 AlphaFold έλαβε αναγνώριση από ειδικούς σε μοντελοποίηση πρωτεϊνών. Ωστόσο, εκείνη την εποχή χρησιμοποιούσε μεθόδους πολύ παρόμοιες με άλλα προγράμματα. Οι επιστήμονες άλλαξαν τακτική και δημιούργησαν μια άλλη, η οποία χρησιμοποίησε επίσης πληροφορίες σχετικά με τους φυσικούς και γεωμετρικούς περιορισμούς στην αναδίπλωση των μορίων πρωτεΐνης. AlphaFold έδωσε άνισα αποτελέσματα. Άλλοτε τα πήγαινε καλύτερα, άλλοτε χειρότερα. Αλλά σχεδόν τα δύο τρίτα των προβλέψεών του συνέπεσαν με τα αποτελέσματα που προέκυψαν με πειραματικές μεθόδους. Στις αρχές του 2ου έτους, ο αλγόριθμος περιέγραψε τη δομή αρκετών πρωτεϊνών του ιού SARS-CoV-3. Αργότερα, διαπιστώθηκε ότι οι προβλέψεις για την πρωτεΐνη Orf2020a είναι συνεπείς με τα αποτελέσματα που ελήφθησαν πειραματικά.

Δεν πρόκειται μόνο για τη μελέτη των εσωτερικών τρόπων αναδίπλωσης των πρωτεϊνών, αλλά και για το σχεδιασμό. Ερευνητές από την πρωτοβουλία NIH BRAIN χρησιμοποίησαν μηχανική μάθηση αναπτύξουν μια πρωτεΐνη που μπορεί να παρακολουθεί τα επίπεδα σεροτονίνης του εγκεφάλου σε πραγματικό χρόνο. Η σεροτονίνη είναι μια νευροχημική ουσία που παίζει βασικό ρόλο στο πώς ο εγκέφαλος ελέγχει τις σκέψεις και τα συναισθήματά μας. Για παράδειγμα, πολλά αντικαταθλιπτικά έχουν σχεδιαστεί για να αλλάζουν τα σήματα σεροτονίνης που μεταδίδονται μεταξύ των νευρώνων. Σε ένα άρθρο στο περιοδικό Cell, οι επιστήμονες περιέγραψαν πώς χρησιμοποιούν προηγμένες μέθοδοι γενετικής μηχανικής να μετατρέψει μια βακτηριακή πρωτεΐνη σε ένα νέο ερευνητικό εργαλείο που θα μπορούσε να βοηθήσει στην παρακολούθηση της μετάδοσης της σεροτονίνης με μεγαλύτερη ακρίβεια από τις τρέχουσες μεθόδους. Προκλινικά πειράματα, κυρίως σε ποντίκια, έδειξαν ότι ο αισθητήρας μπορεί να ανιχνεύσει αμέσως ανεπαίσθητες αλλαγές στα επίπεδα σεροτονίνης του εγκεφάλου κατά τη διάρκεια του ύπνου, του φόβου και των κοινωνικών αλληλεπιδράσεων και να δοκιμάσει την αποτελεσματικότητα νέων ψυχοδραστικών φαρμάκων.

Ο αγώνας κατά της πανδημίας δεν ήταν πάντα επιτυχής

Άλλωστε αυτή ήταν η πρώτη επιδημία που γράψαμε στην ΜΤ. Ωστόσο, για παράδειγμα, αν μιλάμε για την ίδια τη διαδικασία ανάπτυξης της πανδημίας, τότε στο αρχικό στάδιο, η τεχνητή νοημοσύνη φαινόταν να είναι κάτι σαν αποτυχία. Οι μελετητές το έχουν παραπονεθεί Τεχνητή νοημοσύνη δεν μπορεί να προβλέψει σωστά την έκταση της εξάπλωσης του κορωνοϊού με βάση δεδομένα από προηγούμενες επιδημίες. «Αυτές οι λύσεις λειτουργούν καλά σε ορισμένους τομείς, όπως η αναγνώριση προσώπων που έχουν συγκεκριμένο αριθμό ματιών και αυτιών. επιδημία SARS-CoV-2 Αυτά είναι προηγουμένως άγνωστα γεγονότα και πολλές νέες μεταβλητές, επομένως η τεχνητή νοημοσύνη με βάση τα ιστορικά δεδομένα που χρησιμοποιήθηκαν για την εκπαίδευσή της δεν λειτουργεί καλά. Η πανδημία έδειξε ότι πρέπει να αναζητήσουμε άλλες τεχνολογίες και προσεγγίσεις», δήλωσε ο Maxim Fedorov από τη Skoltech σε δήλωση του Απριλίου 2020 στα ρωσικά μέσα ενημέρωσης.

Με τον καιρό υπήρξαν Ωστόσο, αλγόριθμοι που φαίνεται να αποδεικνύουν τη μεγάλη χρησιμότητα της τεχνητής νοημοσύνης στον αγώνα κατά του COVID-19. Επιστήμονες στις ΗΠΑ ανέπτυξαν ένα σύστημα το φθινόπωρο του 2020 για την αναγνώριση χαρακτηριστικών προτύπων βήχα σε άτομα με COVID-19, ακόμα κι αν δεν είχαν άλλα συμπτώματα.

Όταν εμφανίστηκαν τα εμβόλια, γεννήθηκε η ιδέα να βοηθηθεί ο εμβολιασμός του πληθυσμού. Θα μπορούσε, για παράδειγμα βοηθούν στη μοντελοποίηση της μεταφοράς και της επιμελητείας των εμβολίων. Επίσης, στον καθορισμό του ποιοι πληθυσμοί θα πρέπει να εμβολιαστούν πρώτα για να αντιμετωπιστεί γρηγορότερα η πανδημία. Θα βοηθούσε επίσης στην πρόβλεψη της ζήτησης και στη βελτιστοποίηση του χρόνου και της ταχύτητας του εμβολιασμού εντοπίζοντας γρήγορα προβλήματα και σημεία συμφόρησης στην εφοδιαστική. Ο συνδυασμός αλγορίθμων με συνεχή παρακολούθηση μπορεί επίσης να παρέχει γρήγορα πληροφορίες για πιθανές παρενέργειες και συμβάντα υγείας.

αυτά συστήματα που χρησιμοποιούν AI στη βελτιστοποίηση και τη βελτίωση της υγειονομικής περίθαλψης είναι ήδη γνωστά. Τα πρακτικά πλεονεκτήματά τους εκτιμήθηκαν. για παράδειγμα, το σύστημα υγειονομικής περίθαλψης που αναπτύχθηκε από τη Macro-Eyes στο Πανεπιστήμιο Στάνφορντ στις ΗΠΑ. Όπως συμβαίνει με πολλά άλλα ιατρικά ιδρύματα, το πρόβλημα ήταν η έλλειψη ασθενών που δεν εμφανίζονταν στα ραντεβού. Macro Eyes κατασκεύασε ένα σύστημα που θα μπορούσε να προβλέψει αξιόπιστα ποιοι ασθενείς δεν ήταν πιθανό να είναι εκεί. Σε ορισμένες περιπτώσεις, θα μπορούσε επίσης να προτείνει εναλλακτικές ώρες και τοποθεσίες για κλινικές, οι οποίες θα αύξαναν τις πιθανότητες εμφάνισης ενός ασθενούς. Αργότερα, παρόμοια τεχνολογία εφαρμόστηκε σε διάφορα μέρη από το Αρκάνσας έως τη Νιγηρία με την υποστήριξη, ειδικότερα, του Οργανισμού Διεθνούς Ανάπτυξης των ΗΠΑ i.

Στην Τανζανία, η Macro-Eyes εργάστηκε σε ένα έργο με στόχο αύξηση των ποσοστών εμβολιασμού των παιδιών. Το λογισμικό ανέλυσε πόσες δόσεις εμβολίων έπρεπε να σταλούν σε ένα δεδομένο κέντρο εμβολιασμού. Ήταν επίσης σε θέση να αξιολογήσει ποιες οικογένειες μπορεί να διστάζουν να εμβολιάσουν τα παιδιά τους, αλλά θα μπορούσαν να πειστούν με τα κατάλληλα επιχειρήματα και την τοποθεσία ενός κέντρου εμβολιασμού σε μια βολική τοποθεσία. Χρησιμοποιώντας αυτό το λογισμικό, η κυβέρνηση της Τανζανίας κατάφερε να αυξήσει την αποτελεσματικότητα του προγράμματος εμβολιασμού της κατά 96%. και να μειώσουν τα απόβλητα εμβολίων σε 2,42 ανά 100 άτομα.

Στη Σιέρα Λεόνε, όπου έλειπαν τα δεδομένα για την υγεία των κατοίκων, η εταιρεία προσπάθησε να το αντιστοιχίσει με πληροφορίες σχετικά με την εκπαίδευση. Αποδείχθηκε ότι μόνο ο αριθμός των δασκάλων και των μαθητών τους ήταν αρκετός για να προβλέψει το 70 τοις εκατό. την ακρίβεια του κατά πόσον η τοπική κλινική έχει πρόσβαση σε καθαρό νερό, το οποίο αποτελεί ήδη αποτύπωμα δεδομένων για την υγεία των ανθρώπων που ζουν εκεί (3).

3. Απεικόνιση Macro-Eyes προγραμμάτων υγειονομικής περίθαλψης που βασίζονται στην τεχνητή νοημοσύνη στην Αφρική.

Ο μύθος του γιατρού της μηχανής δεν εξαφανίζεται

Παρά τις αποτυχίες Γουότσον νέες διαγνωστικές προσεγγίσεις αναπτύσσονται ακόμη και θεωρούνται ότι είναι όλο και πιο προχωρημένες. Σύγκριση έγινε στη Σουηδία τον Σεπτέμβριο του 2020. χρησιμοποιείται στην απεικονιστική διάγνωση του καρκίνου του μαστού έδειξε ότι ο καλύτερος από αυτούς λειτουργεί με τον ίδιο τρόπο όπως ένας ακτινολόγος. Οι αλγόριθμοι έχουν δοκιμαστεί με χρήση σχεδόν εννέα χιλιάδων εικόνων μαστογραφίας που ελήφθησαν κατά τη διάρκεια συνήθους ελέγχου. Τρία συστήματα, που ονομάζονται AI-1, AI-2 και AI-3, πέτυχαν ακρίβεια 81,9%, 67%. και 67,4%. Για σύγκριση, για τους ακτινολόγους που ερμηνεύουν αυτές τις εικόνες ως τις πρώτες, το ποσοστό αυτό ήταν 77,4%, και στην περίπτωση του ακτινολόγουςποιος ήταν ο δεύτερος που το περιέγραψε, ήταν 80,1 τοις εκατό. Ο καλύτερος από τους αλγόριθμους ήταν επίσης σε θέση να ανιχνεύσει περιπτώσεις που οι ακτινολόγοι έχασαν κατά τη διάρκεια του προληπτικού ελέγχου και οι γυναίκες διαγνώστηκαν ως άρρωστες σε λιγότερο από ένα χρόνο.

Σύμφωνα με τους ερευνητές, τα αποτελέσματα αυτά το αποδεικνύουν αλγόριθμοι τεχνητής νοημοσύνης βοηθούν στη διόρθωση των ψευδώς αρνητικών διαγνώσεων που γίνονται από ακτινολόγους. Ο συνδυασμός των δυνατοτήτων του AI-1 με έναν μέσο ακτινολόγο αύξησε τον αριθμό των ανιχνευθέντων καρκίνων του μαστού κατά 8%. Η ομάδα του Βασιλικού Ινστιτούτου που διεξάγει αυτή τη μελέτη αναμένει ότι η ποιότητα των αλγορίθμων τεχνητής νοημοσύνης θα συνεχίσει να αυξάνεται. Μια πλήρης περιγραφή του πειράματος δημοσιεύτηκε στο JAMA Oncology.

W σε μια πεντάβαθμη κλίμακα. Επί του παρόντος, γινόμαστε μάρτυρες μιας σημαντικής τεχνολογικής επιτάχυνσης και φθάνοντας στο επίπεδο IV (υψηλός αυτοματισμός), όταν το σύστημα επεξεργάζεται ανεξάρτητα αυτόματα τα λαμβανόμενα δεδομένα και παρέχει στον ειδικό προαναλυμένες πληροφορίες. Αυτό εξοικονομεί χρόνο, αποφεύγει το ανθρώπινο λάθος και παρέχει πιο αποτελεσματική φροντίδα των ασθενών. Αυτό έκρινε πριν από λίγους μήνες Stan A.I. στον τομέα της ιατρικής κοντά του, ο καθ. Γιάνους Μπράζιεβιτς από την Πολωνική Εταιρεία Πυρηνικής Ιατρικής σε δήλωση στο Πολωνικό Πρακτορείο Τύπου.

4. Μηχανική προβολή ιατρικών εικόνων

Οι αλγόριθμοι, σύμφωνα με ειδικούς όπως ο καθ. Μπράζιεβιτςακόμη και απαραίτητο σε αυτόν τον κλάδο. Ο λόγος είναι η ραγδαία αύξηση του αριθμού των διαγνωστικών απεικονιστικών εξετάσεων. Μόνο για την περίοδο 2000-2010. ο αριθμός των εξετάσεων και εξετάσεων μαγνητικής τομογραφίας έχει δεκαπλασιαστεί. Δυστυχώς, ο αριθμός των διαθέσιμων ειδικών γιατρών που θα μπορούσαν να τις πραγματοποιήσουν γρήγορα και αξιόπιστα δεν έχει αυξηθεί. Υπάρχει επίσης έλλειψη καταρτισμένων τεχνικών. Η εφαρμογή αλγορίθμων που βασίζονται στην τεχνητή νοημοσύνη εξοικονομεί χρόνο και επιτρέπει την πλήρη τυποποίηση των διαδικασιών, καθώς και την αποφυγή ανθρώπινου λάθους και πιο αποτελεσματικές, εξατομικευμένες θεραπείες για τους ασθενείς.

Όπως αποδείχθηκε, επίσης ιατροδικαστική μπορεί να επωφεληθεί από ανάπτυξη τεχνητής νοημοσύνης. Οι ειδικοί σε αυτόν τον τομέα μπορούν να προσδιορίσουν τον ακριβή χρόνο θανάτου του νεκρού με χημική ανάλυση των εκκρίσεων των σκουληκιών και άλλων πλασμάτων που τρέφονται με νεκρούς ιστούς. Πρόβλημα προκύπτει όταν στην ανάλυση περιλαμβάνονται μείγματα εκκρίσεων από διαφορετικούς τύπους νεκροφάγων. Εδώ παίζει ρόλο η μηχανική μάθηση. Οι επιστήμονες στο Πανεπιστήμιο του Όλμπανι ανέπτυξαν μια μέθοδος τεχνητής νοημοσύνης που επιτρέπει την ταχύτερη αναγνώριση των ειδών σκουληκιών με βάση τα «χημικά αποτυπώματά τους». Η ομάδα εκπαίδευσε το πρόγραμμα υπολογιστή της χρησιμοποιώντας μείγματα διαφορετικών συνδυασμών χημικών εκκρίσεων από έξι είδη μύγας. Αποκρυπτογράφησε τις χημικές υπογραφές των προνυμφών των εντόμων χρησιμοποιώντας φασματομετρία μάζας, η οποία αναγνωρίζει τις χημικές ουσίες μετρώντας με ακρίβεια την αναλογία μάζας προς ηλεκτρικό φορτίο ενός ιόντος.

Έτσι, όπως μπορείτε να δείτε, όμως Το AI ως ερευνητής ντετέκτιβ όχι πολύ καλό, μπορεί να είναι πολύ χρήσιμο σε ένα ιατροδικαστικό εργαστήριο. Ίσως περιμέναμε πάρα πολλά από αυτήν σε αυτό το στάδιο, προβλέποντας αλγόριθμους που θα έβαζαν τους γιατρούς χωρίς δουλειά (5). Όταν κοιτάμε Τεχνητή νοημοσύνη Πιο ρεαλιστικά, εστιάζοντας σε συγκεκριμένα πρακτικά οφέλη και όχι στα γενικά, η καριέρα της στην ιατρική φαίνεται και πάλι πολλά υποσχόμενη.

5. Όραση του αυτοκινήτου του γιατρού