ການສຶກສາທີ່ຜ່ານມາໄດ້ສະແດງໃຫ້ເຫັນຄວາມສາມາດຂອງລະບົບປັນຍາປະດິດໃນທາງການແພດວິນິດໄສພະຍາດທີ່ສໍາຄັນ
ລະບົບປັນຍາທຽມ (AI). ໄດ້ປະມານເວລາໃດຫນຶ່ງແລະໃນປັດຈຸບັນໄດ້ຮັບການ smarter ແລະດີຂຶ້ນຕາມເວລາ. AI ມີຄໍາຮ້ອງສະຫມັກເປັນຫຼາຍພື້ນທີ່ແລະປັດຈຸບັນເປັນປະກອບຂອງພາກສະຫນາມຫຼາຍທີ່ສຸດ. AI ສາມາດເປັນອົງປະກອບທີ່ສໍາຄັນແລະເປັນປະໂຫຍດຂອງ ທາງການແພດ ວິທະຍາສາດແລະການຄົ້ນຄວ້າຍ້ອນວ່າມັນມີທ່າແຮງອັນໃຫຍ່ຫຼວງທີ່ຈະສົ່ງຜົນກະທົບຕໍ່ອຸດສາຫະກໍາການດູແລສຸຂະພາບ.
ປັນຍາທຽມໃນການວິນິດໄສທາງການແພດ?
ເວລາເປັນຊັບພະຍາກອນທີ່ມີຄຸນຄ່າທີ່ສຸດໃນການດູແລສຸຂະພາບແລະການວິນິດໄສທີ່ເຫມາະສົມໃນຕອນຕົ້ນແມ່ນມີຄວາມສໍາຄັນຫຼາຍສໍາລັບຜົນສຸດທ້າຍຂອງພະຍາດ. ການດູແລສຸຂະພາບມັກຈະເປັນຂະບວນການທີ່ຍາວນານແລະໃຊ້ເວລາແລະຊັບພະຍາກອນ, ການຊັກຊ້າການວິນິດໄສທີ່ມີປະສິດຕິຜົນແລະເຮັດໃຫ້ການຊັກຊ້າການປິ່ນປົວທີ່ຖືກຕ້ອງ. AI ສາມາດຊ່ວຍຕື່ມຂໍ້ມູນໃສ່ຊ່ອງຫວ່າງລະຫວ່າງການມີແລະການຄຸ້ມຄອງເວລາໂດຍທ່ານຫມໍໂດຍການລວມເອົາຄວາມໄວແລະຄວາມຖືກຕ້ອງໃນການວິນິດໄສຂອງຄົນເຈັບ. ມັນສາມາດຊ່ວຍແກ້ໄຂຂໍ້ຈໍາກັດຂອງຊັບພະຍາກອນແລະຜູ້ຊ່ຽວຊານດ້ານສຸຂະພາບໂດຍສະເພາະໃນປະເທດທີ່ມີລາຍໄດ້ຕ່ໍາແລະປານກາງ. AI ແມ່ນຂະບວນການຂອງການຮຽນຮູ້ແລະການຄິດຄືກັນກັບ ມະນຸດ ໂດຍຜ່ານແນວຄວາມຄິດທີ່ເອີ້ນວ່າການຮຽນຮູ້ເລິກ. ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງໃຊ້ຊຸດຂໍ້ມູນຕົວຢ່າງຢ່າງກວ້າງຂວາງເພື່ອສ້າງຕົ້ນໄມ້ການຕັດສິນໃຈດ້ວຍຕົວມັນເອງ. ດ້ວຍການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ, ລະບົບ AI ສາມາດຄິດຄືກັບມະນຸດໄດ້, ຖ້າບໍ່ດີກວ່າ, ແລະດັ່ງນັ້ນ AI ສາມາດຖືວ່າເໝາະສົມກັບການປະຕິບັດໜ້າທີ່ການແພດ. ໃນເວລາທີ່ການວິນິດໄສຄົນເຈັບ, ລະບົບ AI ສືບຕໍ່ຊອກຫາຮູບແບບໃນບັນດາຄົນເຈັບທີ່ມີພະຍາດດຽວກັນ. ເມື່ອເວລາຜ່ານໄປ, ຮູບແບບເຫຼົ່ານີ້ສາມາດສ້າງພື້ນຖານສໍາລັບການຄາດຄະເນພະຍາດກ່ອນທີ່ມັນຈະສະແດງອອກ.
ໃນການສຶກສາທີ່ຜ່ານມາ1 ເຜີຍແຜ່ໃນ ມືຖື, ນັກຄົ້ນຄວ້າໄດ້ນໍາໃຊ້ ປອມ ເທັກນິກການຮຽນຮູ້ທາງປັນຍາ ແລະເຄື່ອງຈັກເພື່ອພັດທະນາເຄື່ອງມືຄອມພິວເຕີແບບໃໝ່ເພື່ອກວດຫາຄົນເຈັບທີ່ເປັນພະຍາດທີ່ພົບເລື້ອຍແຕ່ຕາບອດ, ມີການວິນິດໄສ ແລະການປິ່ນປົວໄວ. ນັກຄົ້ນຄວ້າໄດ້ນໍາໃຊ້ເຄືອຂ່າຍ neural ທີ່ອີງໃສ່ AI ເພື່ອທົບທວນຄືນຫຼາຍກວ່າ 200,000 ການສະແກນຕາທີ່ດໍາເນີນດ້ວຍເຕັກໂນໂລຢີທີ່ບໍ່ມີການຮຸກຮານທີ່ສົ່ງແສງສະຫວ່າງອອກຈາກ retina ເພື່ອສ້າງການສະແດງ 2D ແລະ 3D ຂອງເນື້ອເຍື່ອ. ຫຼັງຈາກນັ້ນ, ພວກເຂົາເຈົ້າໄດ້ນໍາໃຊ້ເຕັກນິກທີ່ເອີ້ນວ່າ 'ການຮຽນຮູ້ການຖ່າຍທອດ' ເຊິ່ງຄວາມຮູ້ທີ່ໄດ້ຮັບໃນການແກ້ໄຂບັນຫາຫນຶ່ງແມ່ນຖືກເກັບໄວ້ໂດຍຄອມພິວເຕີແລະນໍາໃຊ້ກັບບັນຫາທີ່ແຕກຕ່າງກັນແຕ່ທີ່ກ່ຽວຂ້ອງ. ຕົວຢ່າງ, ເຄືອຂ່າຍ neural AI ທີ່ຖືກປັບປຸງໃຫ້ດີຂື້ນເພື່ອຮັບຮູ້ໂຄງສ້າງທາງວິພາກຂອງຕາ, ເຊັ່ນ retina, cornea ຫຼືເສັ້ນປະສາດ optic, ສາມາດກໍານົດແລະປະເມີນພວກມັນໄດ້ໄວແລະມີປະສິດທິພາບຫຼາຍເມື່ອມັນກວດເບິ່ງຮູບພາບຂອງຕາທັງຫມົດ. ຂະບວນການນີ້ອະນຸຍາດໃຫ້ລະບົບ AI ຄ່ອຍໆຮຽນຮູ້ດ້ວຍຊຸດຂໍ້ມູນຂະຫນາດນ້ອຍກວ່າວິທີການແບບດັ້ງເດີມທີ່ຕ້ອງການຊຸດຂໍ້ມູນໃຫຍ່ເຮັດໃຫ້ພວກເຂົາມີລາຄາແພງແລະໃຊ້ເວລາຫຼາຍ.
ການສຶກສາໄດ້ສຸມໃສ່ສອງສາເຫດທົ່ວໄປຂອງຕາບອດທີ່ບໍ່ສາມາດປີ້ນກັບກັນໄດ້ເຊິ່ງສາມາດປິ່ນປົວໄດ້ເມື່ອກວດພົບໄວ. ການວິນິດໄສທີ່ມາຈາກເຄື່ອງຈັກໄດ້ຖືກປຽບທຽບກັບການວິນິດໄສຈາກ ophthalmologist ຫ້າຄົນທີ່ທົບທວນການສະແກນດຽວກັນ. ນອກເຫນືອຈາກການເຮັດໃຫ້ການວິນິດໄສທາງການແພດ, ເວທີ AI ຍັງສ້າງຄໍາແນະນໍາການສົ່ງຕໍ່ແລະການປິ່ນປົວທີ່ບໍ່ໄດ້ເຮັດໃນການສຶກສາທີ່ຜ່ານມາ. ລະບົບ AI ທີ່ໄດ້ຮັບການຝຶກອົບຮົມນີ້ປະຕິບັດຄືກັນກັບແພດຕາທີ່ໄດ້ຮັບການຝຶກອົບຮົມມາດີແລະສາມາດສ້າງການຕັດສິນໃຈພາຍໃນ 30 ວິນາທີວ່າຄົນເຈັບຄວນຖືກສົ່ງໄປຫາການປິ່ນປົວຫຼືບໍ່, ໂດຍມີຄວາມຖືກຕ້ອງຫຼາຍກວ່າ 95 ເປີເຊັນ. ພວກເຂົາເຈົ້າຍັງໄດ້ທົດສອບເຄື່ອງມື AI ໃນການວິນິດໄສພະຍາດປອດບວມໃນໄວເດັກ, ເປັນສາເຫດຂອງການເສຍຊີວິດໃນທົ່ວໂລກໃນເດັກນ້ອຍ (ອາຍຸຕ່ໍາກວ່າ 5 ປີ) ໂດຍອີງໃສ່ການວິເຄາະເຄື່ອງຈັກຂອງ X-rays ຫນ້າເອິກ. ຫນ້າສົນໃຈ, ໂຄງການຄອມພິວເຕີສາມາດແຍກຄວາມແຕກຕ່າງລະຫວ່າງໄວຣັສແລະ ແບັກທີເລຍ ພະຍາດປອດບວມທີ່ມີຄວາມຖືກຕ້ອງຫຼາຍກວ່າ 90 ເປີເຊັນ. ນີ້ແມ່ນສິ່ງສໍາຄັນເພາະວ່າເຖິງແມ່ນວ່າໂຣກປອດບວມຂອງເຊື້ອໄວຣັສໄດ້ຖືກກໍາຈັດໂດຍທໍາມະຊາດຫຼັງຈາກການປິ່ນປົວຂອງມັນ, ໃນທາງກົງກັນຂ້າມ, ໂຣກປອດບວມຂອງເຊື້ອແບັກທີເຣັຍມັກຈະເປັນໄພຂົ່ມຂູ່ຕໍ່ສຸຂະພາບທີ່ຮ້າຍແຮງກວ່າເກົ່າແລະຕ້ອງການການປິ່ນປົວທັນທີທັນໃດດ້ວຍຢາຕ້ານເຊື້ອ.
ໃນອີກບາດກ້າວກະໂດດຂັ້ນໃຫຍ່2 ໃນລະບົບປັນຍາປະດິດສໍາລັບການວິນິດໄສທາງການແພດ, ນັກວິທະຍາສາດພົບວ່າການຖ່າຍຮູບຂອງ retina ຂອງບຸກຄົນສາມາດໄດ້ຮັບການວິເຄາະໂດຍເຄື່ອງຈັກການຮຽນຮູ້ເຄື່ອງຈັກຫຼືຊອບແວເພື່ອຄາດຄະເນຄວາມສ່ຽງຂອງຫົວໃຈ cardiovascular ໂດຍການກໍານົດສັນຍານທີ່ຊີ້ໃຫ້ເຫັນເຖິງພະຍາດຫົວໃຈ. ສະຖານະຂອງເສັ້ນເລືອດໃນຕາທີ່ຖ່າຍຢູ່ໃນຮູບຖ່າຍໄດ້ສະແດງໃຫ້ເຫັນການຄາດເດົາໄດ້ຢ່າງຖືກຕ້ອງກ່ຽວກັບອາຍຸ, ເພດ, ຊົນເຜົ່າ, ຄວາມດັນເລືອດ, ການໂຈມຕີຫົວໃຈກ່ອນຫນ້າແລະນິໄສການສູບຢາແລະປັດໃຈທັງຫມົດເຫຼົ່ານີ້ລວມກັນຄາດຄະເນພະຍາດທີ່ກ່ຽວຂ້ອງກັບຫົວໃຈໃນບຸກຄົນ.
ຕາເປັນຕັນຂໍ້ມູນຂ່າວສານ
ແນວຄວາມຄິດຂອງການເບິ່ງຮູບຂອງຕາເພື່ອວິນິດໄສສຸຂະພາບແມ່ນໄດ້ປະມານເວລາໃດຫນຶ່ງ. ມັນໄດ້ຖືກສ້າງຕັ້ງຂຶ້ນຢ່າງດີວ່າຝາພາຍໃນຫລັງຂອງຕາຂອງມະນຸດມີເສັ້ນເລືອດຫຼາຍທີ່ສະທ້ອນເຖິງສຸຂະພາບຂອງຮ່າງກາຍທັງຫມົດ. ໂດຍການສຶກສາແລະການວິເຄາະລັກສະນະຂອງເສັ້ນເລືອດເຫຼົ່ານີ້ດ້ວຍກ້ອງຖ່າຍຮູບແລະກ້ອງຈຸລະທັດ, ຂໍ້ມູນຈໍານວນຫລາຍກ່ຽວກັບຄວາມດັນເລືອດຂອງບຸກຄົນ, ອາຍຸ, ຜູ້ສູບຢາຫຼືຜູ້ບໍ່ສູບຢາແລະອື່ນໆ. . ພະຍາດ cardiovascular (CVD) ເປັນສາເຫດອັນດັບຫນຶ່ງຂອງການເສຍຊີວິດໃນທົ່ວໂລກແລະປະຊາຊົນຈໍານວນຫຼາຍເສຍຊີວິດຍ້ອນ CVDs ເມື່ອທຽບກັບພະຍາດຫຼືສະພາບອື່ນໆ. ນີ້ແມ່ນແຜ່ຫຼາຍຢູ່ໃນບັນດາປະເທດທີ່ມີລາຍໄດ້ຕ່ຳ ແລະ ປານກາງ ແລະ ເປັນພາລະໜັກຂອງເສດຖະກິດ ແລະ ມະນຸດ. ຄວາມສ່ຽງຂອງ cardiovascular ແມ່ນຂຶ້ນກັບຫຼາຍປັດໃຈເຊັ່ນ: ພັນທຸ ກຳ, ອາຍຸ, ຊົນເຜົ່າ, ເພດ, ປະສົມປະສານກັບການອອກ ກຳ ລັງກາຍແລະອາຫານ. ພະຍາດ cardiovascular ສ່ວນໃຫຍ່ສາມາດປ້ອງກັນໄດ້ໂດຍການແກ້ໄຂຄວາມສ່ຽງດ້ານພຶດຕິກໍາເຊັ່ນ: ການໃຊ້ຢາສູບ, ໂລກອ້ວນ, ການບໍ່ມີການເຄື່ອນໄຫວທາງດ້ານຮ່າງກາຍແລະການກິນອາຫານທີ່ບໍ່ດີຕໍ່ສຸຂະພາບໂດຍການປ່ຽນແປງວິຖີຊີວິດທີ່ສໍາຄັນເພື່ອແກ້ໄຂຄວາມສ່ຽງທີ່ເປັນໄປໄດ້.
ການວິນິດໄສສຸຂະພາບໂດຍໃຊ້ຮູບພາບຂອງ retinal
ການສຶກສານີ້ດໍາເນີນໂດຍນັກຄົ້ນຄວ້າຢູ່ Google ແລະບໍລິສັດເຕັກໂນໂລຢີດ້ານສຸຂະພາບຂອງຕົນເອງ Verily Life Sciences, ສະແດງໃຫ້ເຫັນວ່າລະບົບປັນຍາປະດິດໄດ້ຖືກນໍາໃຊ້ໃນຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ຂອງຮູບຖ່າຍຂອງ retinal ຂອງຄົນເຈັບປະມານ 280,000 ຄົນແລະສູດການຄິດໄລ່ນີ້ສາມາດຄາດຄະເນຄວາມສ່ຽງຂອງຫົວໃຈໃນສອງຢ່າງສໍາເລັດຜົນ. ຊຸດຂໍ້ມູນເອກະລາດປະມານ 12000 ແລະ 1000 ຄົນເຈັບທີ່ມີຄວາມຖືກຕ້ອງສົມເຫດສົມຜົນ. ສູດການຄິດໄລ່ໄດ້ໃຊ້ຮູບຖ່າຍທັງໝົດຂອງ retina ເພື່ອປະເມີນຄວາມສຳພັນລະຫວ່າງຮູບພາບ ແລະຄວາມສ່ຽງຕໍ່ການເປັນໂຣກຫົວໃຈວາຍ. ສູດການຄິດໄລ່ນີ້ສາມາດຄາດຄະເນເຫດການ cardiovascular ໄດ້ 70 ເປີເຊັນຂອງເວລາໃນຄົນເຈັບແລະໃນຕົວຈິງແລ້ວຜູ້ສູບຢາແລະບໍ່ສູບຢາຍັງສາມາດຈໍາແນກໄດ້ໃນການທົດສອບນີ້ 71 ເປີເຊັນຂອງເວລາ. ສູດການຄິດໄລ່ຍັງສາມາດຄາດຄະເນຄວາມດັນເລືອດສູງທີ່ຊີ້ໃຫ້ເຫັນເຖິງສະພາບຂອງຫົວໃຈແລະຄາດຄະເນຄວາມດັນເລືອດ systolic - ຄວາມດັນໃນເສັ້ນເລືອດໃນເວລາທີ່ຫົວໃຈເຕັ້ນໄວ - ຢູ່ໃນຂອບເຂດຂອງຄົນເຈັບສ່ວນໃຫຍ່ທີ່ມີຫຼືບໍ່ມີຄວາມດັນເລືອດສູງ. ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນນີ້, ອີງຕາມຜູ້ຂຽນແມ່ນຄ້າຍຄືກັນກັບການກວດ cardiovascular ຢູ່ໃນຫ້ອງທົດລອງ, ບ່ອນທີ່ເລືອດໄດ້ຖືກດຶງຈາກຄົນເຈັບເພື່ອວັດແທກລະດັບ cholesterol ເບິ່ງຂະຫນານກັບປະຫວັດຂອງຄົນເຈັບ. ສູດການຄິດໄລ່ໃນການສຶກສານີ້, ຈັດພີມມາໃນ ວິສະວະ ກຳ ຊີວະພາບ ທຳ ມະຊາດ, ສ່ວນຫຼາຍອາດຈະຄາດຄະເນການປະກົດຕົວຂອງເຫດການ cardiovascular ທີ່ສໍາຄັນເຊັ່ນ: ການໂຈມຕີຫົວໃຈ.
ລັກສະນະທີ່ຫນ້າສົນໃຈແລະສໍາຄັນຂອງການສຶກສາເຫຼົ່ານີ້ແມ່ນຄອມພິວເຕີສາມາດບອກບ່ອນທີ່ມັນກໍາລັງຊອກຫາຢູ່ໃນຮູບພາບທີ່ຈະມາຮອດການວິນິດໄສ, ໃຫ້ພວກເຮົາເຂົ້າໃຈຂະບວນການຄາດຄະເນ. ຕົວຢ່າງ, ການສຶກສາໂດຍ Google ສະແດງໃຫ້ເຫັນຢ່າງແທ້ຈິງວ່າ "ສ່ວນໃດຂອງ retina" ປະກອບສ່ວນເຂົ້າໃນສູດການຄິດໄລ່, ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ວິທີການເຮັດການຄາດຄະເນ. ຄວາມເຂົ້າໃຈນີ້ແມ່ນມີຄວາມສໍາຄັນບໍ່ພຽງແຕ່ເຂົ້າໃຈວິທີການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນກໍລະນີນີ້, ແຕ່ຍັງສ້າງຄວາມຫມັ້ນໃຈແລະຄວາມເຊື່ອໃນວິທີການທັງຫມົດນີ້ໂດຍການເຮັດໃຫ້ມັນໂປ່ງໃສ.
ທ້າທາຍ
ຮູບພາບທາງການແພດດັ່ງກ່າວມາພ້ອມກັບສິ່ງທ້າທາຍຂອງມັນເພາະວ່າການສັງເກດແລະຫຼັງຈາກນັ້ນການກໍານົດປະລິມານການເຊື່ອມໂຍງກັບຮູບພາບດັ່ງກ່າວແມ່ນບໍ່ກົງໄປກົງມາຕົ້ນຕໍແມ່ນຍ້ອນລັກສະນະ, ສີ, ຄຸນຄ່າ, ຮູບຮ່າງແລະອື່ນໆໃນຮູບພາບເຫຼົ່ານີ້. ການສຶກສານີ້ໃຊ້ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງເພື່ອດຶງເອົາການເຊື່ອມຕໍ່, ສະມາຄົມແລະຄວາມສໍາພັນລະຫວ່າງການປ່ຽນແປງທາງວິພາກວິພາກຂອງມະນຸດ (ສະພາບຮ່າງກາຍພາຍໃນຂອງຮ່າງກາຍ) ແລະພະຍາດໃນແບບດຽວກັນກັບຜູ້ຊ່ຽວຊານດ້ານສຸຂະພາບຈະເຮັດໃນເວລາທີ່ລາວກໍາລັງພົວພັນກັບອາການຂອງຄົນເຈັບທີ່ມີພະຍາດ. . ສູດການຄິດໄລ່ເຫຼົ່ານີ້ຕ້ອງການການທົດສອບເພີ່ມເຕີມກ່ອນທີ່ຈະສາມາດຖືກນໍາໃຊ້ໃນການຕັ້ງຄ່າທາງດ້ານການຊ່ວຍ.
ເຖິງວ່າຈະມີການສົນທະນາແລະສິ່ງທ້າທາຍ, AI ມີທ່າແຮງອັນໃຫຍ່ຫຼວງທີ່ຈະປະຕິວັດການວິນິດໄສແລະການຄຸ້ມຄອງພະຍາດໂດຍການເຮັດການວິເຄາະແລະການຈັດປະເພດທີ່ກ່ຽວຂ້ອງກັບຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍທີ່ມີຄວາມຫຍຸ້ງຍາກສໍາລັບຜູ້ຊ່ຽວຊານຂອງມະນຸດ. ມັນສະຫນອງໄວ, ປະຫຍັດຄ່າໃຊ້ຈ່າຍ, ເຄື່ອງມືການວິນິດໄສທີ່ອີງໃສ່ຮູບພາບທາງເລືອກທີ່ບໍ່ມີການບຸກລຸກ. ປັດໃຈສໍາຄັນສໍາລັບຄວາມສໍາເລັດຂອງລະບົບ AI ຈະເປັນພະລັງງານຄອມພິວເຕີ້ທີ່ສູງຂຶ້ນແລະປະສົບການຂອງປະຊາຊົນຫຼາຍຂຶ້ນ. ໃນອະນາຄົດທີ່ອາດຈະເປັນໄປໄດ້, ຄວາມເຂົ້າໃຈທາງການແພດໃຫມ່ແລະການວິນິດໄສອາດຈະສາມາດບັນລຸໄດ້ດ້ວຍ AI ໂດຍບໍ່ມີການຊີ້ນໍາຫຼືການຄວບຄຸມຂອງມະນຸດ.
***
{ທ່ານສາມາດອ່ານເອກະສານການຄົ້ນຄວ້າຕົ້ນສະບັບໄດ້ໂດຍການຄລິກທີ່ລິ້ງ DOI ທີ່ໃຫ້ໄວ້ຂ້າງລຸ່ມນີ້ໃນລາຍຊື່ແຫຼ່ງທີ່ອ້າງອີງ}
ແຫຼ່ງຂໍ້ມູນ (s)
1. Kermany DS et al. 2018. ການກໍານົດການວິນິດໄສທາງການແພດແລະພະຍາດທີ່ສາມາດປິ່ນປົວໄດ້ໂດຍການຮຽນຮູ້ເລິກເຊິ່ງໂດຍອີງໃສ່ຮູບພາບ. ເຊລ. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. ການຄາດຄະເນຂອງປັດໃຈຄວາມສ່ຽງ cardiovascular ຈາກການຖ່າຍຮູບ retinal fundus ຜ່ານການຮຽນຮູ້ເລິກ. ວິສະວະກໍາຊີວະພາບທໍາມະຊາດ. 2. https://doi.org/10.1038/s41551-018-0195-0
