Hur AI använder tungfärg för att förutsäga sjukdomar med hög noggrannhet

Det tar ofta långa tider för hälso- och sjukvårdsindustrin att ta till sig ny teknik eftersom den måste gå igenom många regulatoriska ramar. Reaktionen på artificiell intelligens har dock varit annorlunda. Otaliga proffs experimenterar redan med AI:s prediktiva och analytiska förmåga för att effektivisera diagnostik.

Forskare hävdade nyligen att AI kan identifiera vilken typ av sjukdom en person har - och hur långt den har kommit - genom att helt enkelt titta in i munnen. Den här tekniken har kommit långt, men kan den förutsäga sjukdomar med enbart tungfärger för diagnos?

Forskning visar att AI kan använda tungfärg för diagnos

Forskare från Middle Technical University i Bagdad, Irak, och University of South Australia i Adelaide, Australien, upptäckte nyligen att AI-teknik kan analysera tungfärger för diagnoser. De utvecklade ett datorseendesystem som bearbetar och klassificerar bilder med hjälp av färgrymdsmodeller, som ger mätbara värden för nyanser och luminans.

De använde tusentals bilder för träning och testning, varav många kom från Al-Hussein Teaching Hospital i Irak och Mosul General Hospital i Mosul. De tränade modellen på riktiga människor med faktiska sjukdomar, inte en syntetisk datauppsättning. Skillnader som denna är väsentliga när man utvecklar ett verktyg för diagnostiska ändamål.

Forskarna klassificerade bilder i kategorier rosa, vit, röd, gul, grön, blå eller grå så att deras modeller kunde identifiera färger under alla ljusförhållanden. De tränade sju totalt. Den högst presterande byggdes med Extreme Gradient Boost (XGBoost) – ett maskininlärningsbibliotek med öppen källkod – som uppnått över 98 % noggrannhet i genomsnitt. Under testningen diagnostiserade den exakt 58 av 60 bilder, vilket betyder att det var korrekt 96,6 % av gångerna.

Deras resultat överraskade mig. Uppriktigt sagt, jag förväntade mig inte att deras system skulle överträffa läkare. Även om olika forskargrupper har utvecklat liknande diagnostiska modeller för andra ändamål, är det få som är så korrekta. Forskning visar att även utbildade läkare med många års erfarenhet bara får det rätt 71,4 % av tiden i genomsnitt.

Vad tungans färg avslöjar om någons hälsa

Jag ska erkänna att jag tyckte att det var konstigt att titta på tungan för att förutsäga sjukdom. Det verkade som någon metod folk kom på innan modern medicin fanns. För att vara rättvis så hade jag delvis rätt. Att använda tungfärger för diagnos baseras på en över 2 000 år gammal traditionell kinesisk medicinsk praxis.

Av alla tungans egenskaper, inklusive form, textur och fukt, färg är den viktigaste indikatorn av hälsa. Om jag sticker ut tungan och tittar mig i spegeln just nu, skulle jag förvänta mig att den skulle vara rosa. Alla andra nyanser kan tyda på att det är något fel på min mun, cirkulationssystem eller organ.

Rodnad kan betyda att jag har ovanligt hög feber eller vitaminbrist. Forskning visar att det finns en potentiellt samband mellan diabetes och gulfärgning av tungan. En grön nyans indikerar vanligtvis en svampinfektion eller bakterieuppbyggnad. Blå missfärgning kan vara ett tecken på låg syrenivå i blodet eller en sjukdom i blodkärlen. Grått kan vara allt från svamp till cancer.

Medan medicinsk personal har dussintals diagnostiska system, kontrollerar många fortfarande tungor eftersom relativt få tillstånd påverkar dess färg. Om det finns märkbar missfärgning kan de minska roten till problemet. Jämfört med ett blodprov som ger exakta avläsningar men inga definitiva svar, är det ofta ett bättre alternativ.

Som sagt, mänskliga fel minskar ofta dess noggrannhet. Traditionellt inspekterar läkare manuellt patienters tungor. Även med många års erfarenhet kan allt från lätt färgade taklampor till tid på dygnet påverka deras färguppfattning. Denna tvetydiga, subjektiva metod har funnits i över 2 000 år - det är dags för en uppgradering.

Hur AI identifierar och förutsäger sjukdomar med hjälp av tungfärg

Ingenjörerna och forskarna som utvecklade detta banbrytande diagnostiska bildsystem fick deltagarna att stå 20 centimeter från maskinen under testfasen. Den inbäddade AI:n upptäckte sedan deras tungs färg och förutspådde deras hälsostatus i realtid. Den bearbetade nyanser och luminans med hjälp av färgrymdsmodeller.

XGBoost-algoritmen förutspådde sjukdomar korrekt 96,6 % av tiden under testning. Den här maskininlärningsmodellen är korrekt eftersom den fortsätter att förbättra sig själv efter den första produktionen. Den gör upprepade gånger en gissning och beräknar en felfrekvens för att gradvis komma närmare sitt mål och tränar sig effektivt för att öka sin precision.

Hur den här forskargruppens maskin ser tungans färger

Konceller - fotoreceptorer i näthinnan som ansvarar för färgseende - är i stort sett känsliga för röd-blå-gröna (RGB) regioner. Denna färgrymdsmodell återspeglar dock inte information särskilt väl. Datorseendesystemet använde istället YCbCr, LAB, YIQ och HSV. Till skillnad från människor är det inte begränsat till ett smalt synligt ljusspektrum.

Andra studier visar att ett AI-drivet datorseendesystem exakt kan känna igen och återskapa färger utan spektral spridning, vilket betyder att det definitivt kan se färger som vi inte kan. Medan mina RGB-känsliga koner bara kan se cirka en miljon färger , denna teknik kan se cirka 16,8 miljoner. Den är också otroligt exakt och avviker bara från "osynliga" färgspektra ungefär 1 % av tiden i genomsnitt.

Om en maskininlärningsmodell kan fånga upp subtila skillnader i mättnad och luminans som är osynliga för mig, varför skulle den inte kunna se nyanser som jag inte kan? Naturligtvis är implikationerna betydelsefulla - AI kan konsekvent överträffa läkare.

Varför är det viktigt att använda tungfärger för diagnos?

Eftersom en enda modell kan interagera med flera personer samtidigt, kan den hjälpa olika patienter samtidigt. De behöver inte besöka en klinik – de kan ladda ner en app och använda telefonens kamera. Eftersom forskargruppens maskin kan identifiera och förutsäga sjukdomar oavsett belysning, finns det liten chans för felaktig utdata.

Jag tror hemma, AI-driven screening kan revolutionera hälso- och sjukvården och göra den mer överkomlig och tillgänglig. Miljontals människor dör årligen av sjukdomar som de skulle ha haft en chans att bekämpa om de hade fått det tidigare. Till exempel i USA, runt 12 000 personer får diagnosen med gallblåscancer varje år, vilket resulterar i uppskattningsvis 4 000 dödsfall årligen. AI kunde diagnostisera dem på distans och hjälpa dem att få vård i tid.

AI:s potential att revolutionera diagnostik kan gynna sjukhus lika mycket som patienter. Trots utbredd digitalisering, medicinska utgifter ökade med cirka 47 % från 2021 till 2022 — totalt 55 miljarder dollar. Den huvudsakliga kostnadsdrivaren var att leverantörernas genomsnittliga tid med patienter ökade.

AI:s automationskapacitet och autonoma natur skulle kunna effektivisera möten. Bevis visar att denna teknik kan hjälpa medicinska anläggningar spara 20-50 % av sina årliga budgetar , så det har potential här. Det skulle kunna göra det möjligt för sjukhus att överföra kostnadsbesparingar till konsumenter eller investera i mer livräddande utrustning.

Jag trodde inte att det kunde vara så effektfullt att använda tungfärger för diagnos, men det har en oöverträffad potential. Kan AI ersätta läkare? Förmodligen inte. Men jag tror att det kommer att bli en stapelvara i den medicinska industrin eftersom det kompletterar sjukdomsidentifiering, förutsägelse och behandling. Deras expertis, kombinerat med kraften i maskininlärning, skulle vara ett oslagbart par.

Hur hälso- och sjukvården kunde använda denna teknik till det bättre

Hälsovårdsindustrin är medveten om AI och ivriga att ta till sig det, så det är troligen bara en tidsfråga innan det blir utbrett. Experter räknar med att denna tekniks marknadsvärde i denna sektor kommer att växa med en sammansatt årlig tillväxt på 38,4 % från 2020 till 2030 – uppgick till uppskattningsvis 208,2 miljarder dollar – vilket understryker dess snabbt ökande förekomst inom området.

Men även om __ 72% av läkarna håller med om att de ser det mest lovande för AI inom diagnostik, använder bara 38% det i praktiken. Realistiskt sett kan det ta år innan de använder modellanalyserade tungfärger för diagnos och förutsägelse. Min välutbildade gissning är att det kommer att ta ett decennium för sjukhusen att hoppa genom ringar istället för att skära igenom byråkratin.

Lyckligtvis växer världen av mobil hälsa snabbt och tillgänglig när som helst. Även om jag inte kan nämna mHealth utan att ta upp dess brist på regulatorisk tillsyn och integritetsskydd, skulle det också vara meningslöst att förbise det när man diskuterar framtiden för medicinsk AI.

Varför sjukvården måste vara försiktig med denna teknik

Vid något tillfälle tog jag mig själv i tanken att det här genombrottet är för bra för att vara sant. Vad är haken? Vilka är nackdelarna med en AI-diagnos? Jag har gjort min beskärda del av forskningen inom detta område, så jag visste att integritetsfrågor, etiska och regulatoriska frågor skulle finnas. Men studien som avslöjade denna banbrytande teknologi är också värd att återbesöka under ett mikroskop.

Jag märkte att forskarnas arbete med att använda AI för att analysera tungfärger för diagnos inte har granskats av experter ännu. Eftersom den publicerades i juni 2024 är det inte förvånande. Det betyder dock deras 98% noggrannhetsgrad ligger något i luften. Deras process är sund, men vad är vetenskap utan replikering? Om inte någon replikerar deras resultat, kanske sjukvårdsindustrin inte anammar deras uppfinning.

Hur kommer detta genombrott att påverka AI Medical Technology?

Att använda ett bildsystem för att analysera tungfärger för diagnoser kan tyckas vara en nisch och relativt liten prestation, men det kan revolutionera hälso- och sjukvården. Att korrekt förutsäga sjukdomar via en app kan rädda tusentals liv. Dessutom kan andra forskare använda denna teknik för att inspirera sina egna AI-drivna diagnostiska genombrott.