يمكن لبرنامج DeepMind من Google الدخول في عصر جديد من الطب

في الآونة الأخيرة ، كانت الدوائر التقنية تعج بالأخبار التي تفيد بأن DeepMind من Google قد وصل إلى مستوى أعلى من التطبيق. لقد ولت أيام لعب البونج أو الشطرنج. في وقت مبكر من عام 2016 ، بدأت DeepMind في إحداث آثار في قطاعات الرعاية الصحية. في الآونة الأخيرة ، قد تكون قدرات DeepMind قادرة الآن على تحويلنا إلى عصر جديد من الطب تمامًا. دعنا نستكشف من أين جاء DeepMind ، وكيف أصبح ذكيًا جدًا وكيف يمكن أن يغير مستقبل الطب تمامًا.

أصول DeepMind

DeepMind هي شركة ناشئة عام 2010 أسسها في الأصل ثلاثة أشخاص: شين ليغ وديميس حسابيس ومصطفى سليمان. في مقابلة ، أشار حسابيس إلى أنهم عملوا على تقنية الذكاء الاصطناعي من خلال اختيار ألعاب بدائية من السبعينيات والثمانينيات لكي يلعبها الذكاء الاصطناعي. كما لو كانت خارج لعبة Ready Player One ، لعبت آلة الذكاء الاصطناعي أمثال Space Invaders و Breakout وحتى الكلاسيكية القديمة Pong.

عندما تم تقديم الذكاء الاصطناعي ، تعلمت من خلال طريقة اللعب ، دون إخبارها بالقواعد مسبقًا. بعد لعب اللعبة والفشل لفترة ، سيتعلم الذكاء الاصطناعي ويتقن اللعبة. على سبيل المثال ، يوضح هذا الفيديو إتقان الذكاء الاصطناعي Atari Breakout. وفقًا لمقالة فوربس ، يُقال إن العمليات المعرفية للذكاء الاصطناعي "تشبه إلى حد بعيد تلك العمليات التي يستخدمها الإنسان الذي لم يشاهد اللعبة من قبل" من أجل فهم المفاهيم الأساسية ثم يصبح ماهرًا فيها.

اللعب كأداة تطورية

تغلب AlphaGo ، وهو برنامج كمبيوتر Go تم تطويره بواسطة DeepMind ، على بطل Europen Go Fan Hui (اثنان من أصل تسعة) ، خمسة إلى صفر في أكتوبر 2015. كان هذا معلمًا مهمًا لتقنية الذكاء الاصطناعي ، حيث كانت المرة الأولى تمكن الكمبيوتر من التغلب على لاعب Go محترف. السبب وراء ذلك هو مستوى التعقيد. يعد فوز Go أصعب بكثير على أجهزة الكمبيوتر - مقارنة بألعاب أخرى مثل الشطرنج - بسبب مجموعة واسعة من الاحتمالات ، مما يجعل من الصعب على الذكاء الاصطناعي استخدام أساليب بحث شاملة للفوز.

ثم ، في مارس 2016 ، هزم AlphaGo Lee Sedol (تسعة دان من تسعة) ، أحد أفضل لاعبي Go على مستوى العالم في مباراة من أربعة إلى واحد. في العام التالي ، فاز AlphaGo بمباراة من ثلاث مباريات ضد Ke Jie الذي احتل المركز الأول عالميًا لـ Go على مدار العامين الماضيين. من أجل التعلم ، استخدم الذكاء الاصطناعي تقنيات التعلم الخاضعة للإشراف ، ودراسة العديد من الألعاب التي يلعبها البشر ضد بعضهم البعض.

تعزيز التعلم العميق

تم إنشاء تقنية AlphaGo بناءً على أسلوب التعلم العميق المعزز ، وهو نوع من التعلم الآلي. وفقًا لمقال نشره موقع مستودع الذكاء الاصطناعي ، فإنه "يسمح للآلات ووكلاء البرامج بتحديد السلوك المثالي تلقائيًا في سياق معين ، من أجل زيادة أدائه إلى الحد الأقصى." عندما يلعب AI ، على سبيل المثال ، تساعد ردود الفعل البسيطة على المكافأة الذكاء الاصطناعي على التعلم من التجربة وهذا ما يسمى "إشارة التعزيز".

برنامج AlphaGo & AlphaGo Zero

نظرًا لأن AlphaGo تعلم من مشاهدة الآخرين ولعب المزيد من ألعاب Go نفسها ، فقد تعلم ليس فقط من الإخفاقات ، ولكن أيضًا من الانتصارات. ثم تمت إضافة البيانات التاريخية إلى معرفتها بالألعاب حتى عالجت ما يزيد عن 30 مليون لعبة. هزم AlphaGo Zero ، وهو نسخة محسّنة ، ألعاب AlphaGo 100 إلى الصفر في عام 2017. والمثير للدهشة أن هذا العمل الفذ كان ممكنًا بعد ثلاثة أيام فقط من تعلم AlphaGo Zero اللعبة. بالإضافة إلى ذلك ، أصبح AlphaZero ، AlphaGo Zero المعدل ، ماهرًا بشكل خارق في الشطرنج وتعلم shogi فقط من خلال اللعب الذاتي.

DeepMind الصحة وتحديد أمراض العين

في عام 2016 ، تعاونت DeepMind مع مستشفى Moorsfield Eye لتطوير تطبيقات الذكاء الاصطناعي للرعاية الصحية. كان تركيزهم على تحسين طرق علاج المرضى وإحالتهم لأمراض العيون.

حاليًا ، يستخدم متخصصو العناية بالعيون فحوصات التصوير المقطعي البصري (OCT) للمساعدة في تشخيص أمراض العيون. مسح OCT عبارة عن صور ثلاثية الأبعاد ترسم خريطة للجانب الخلفي للعين. من المعروف أنها صعبة القراءة وتحتاج إلى تحليل خبير لاكتساب المزيد من الفهم. بين وقت التحليل المطول والعدد الهائل من عمليات المسح في اليوم (حوالي 1000 مرة في اليوم في مورفيلدز) ، يمكن أن يتأخر الوقت بين الفحص والعلاج - حتى في حالة الرعاية العاجلة. لسوء الحظ ، هذا يعني أنه في حالة حدوث مشكلة مفاجئة مثل النزيف ، فإن التأخير في الفحص حتى العلاج قد يكلف المريض بصره.

تشير مقالة DeepMind إلى أن نظام الذكاء الاصطناعي الخاص بهم "يمكنه تفسير فحوصات العين بسرعة من الممارسة السريرية الروتينية بدقة غير مسبوقة" ثم التوصية بدورات العلاج "بدقة مثل الأطباء الخبراء العالميين". يمكن للنظام اكتشاف وجود مرض في العين في ثوانٍ بالإضافة إلى إعطاء الأولوية للمرضى الذين هم في أمس الحاجة إلى رعاية عاجلة. بفضل هذه التقنية ، سيتم تقليل وقت الانتظار بين الفحص والعلاج بشكل كبير ، مما يساعد الأشخاص المعرضين للخطر ويقلل من فرصهم في فقدان العين بسبب مرور الوقت.

DeepMind الصحة وتحديد أمراض العين

في وقت سابق من هذا العام ، عقدت شركة DeepMind شراكة مع مركز إمبريال لأبحاث السرطان في المملكة المتحدة لتقييم ما إذا كانت تقنية الذكاء الاصطناعي يمكن أن تساعد المهنيين في تشخيص سرطان الثدي في تصوير الثدي بالأشعة السينية بشكل أكثر فاعلية وأسرع مما يستطيع الإنسان المتخصص. يستمر العمل حيث تأمل DeepMind للمساعدة في تحسين التعرف على سرطان الثدي كما فعلت مع أمراض العين.

في 4 أكتوبر 2018 ، أعلنت مقالة DeepMind أن مشروع DeepMind Health قد تم توسيعه ليشمل مستشفى جامعة Jikei - إحدى المؤسسات الطبية الرائدة في اليابان - لشراكة مدتها خمس سنوات. الغرض من الاقتران هو تحليل صور الثدي الشعاعية التاريخية التي لم يتم التعرف عليها من حوالي 30 ألف امرأة جنبًا إلى جنب مع قاعدة بيانات التصوير الشعاعي للثدي التاريخية التي لم يتم التعرف عليها والتي قدمتها المملكة المتحدة ، من أجل معرفة ما إذا كانت التكنولوجيا يمكنها تحديد علامات الأنسجة السرطانية على الأشعة السينية بشكل أكثر فعالية من التقنيات الحالية.

ومع ذلك ، يجب إجراء البحث بعناية ، حيث يمكن أن يحدث التحيز عندما يتم تدريب نظام الذكاء الاصطناعي على البيانات التي لا تعكس بدقة أولئك الذين يحاولون مساعدتهم أو تقييمهم. على سبيل المثال ، يمكن أن تكون هناك اختلافات في كثافة الثدي بين المجموعات العرقية ، وهو عامل يمكن أن يتسبب بطريق الخطأ في تصنيف بعض المرضى على أنهم سرطانيون ، في حين أن كثافتهم كانت أعلى قليلاً.

DeepMind والتنبؤ بأمراض العين

تمامًا كما استخدمت DeepMind Health فحوصات OCT لملاحظة وجود المرض ، يحاول المتخصصون معرفة ما إذا كان يمكن استخدامه أيضًا للتنبؤ بالمرض الوشيك قبل حدوثه. من خلال تحليل 7000 مريض في مستشفى مورفيلد للعيون ممن تلقوا علاجًا للعيون في عين واحدة فقط ، يمكن للآلة محاولة التنبؤ بالتدهور في العين الأخرى.

وفقًا لمقال DeepMind ، فإن "التنبؤ بالمؤشرات المحتملة للمرض هو مهمة أكثر تعقيدًا - ومكثفة من الناحية الحسابية - من تحديد الأعراض المعروفة الموجودة." لمطابقة القدرة مع الحاجة الحاسوبية ، اتفقت شركتا DeepMind و Moorfields على استخدام البنية التحتية للحوسبة السحابية من Google من المملكة المتحدة والولايات المتحدة.

ألفا فولد بروتين قابل للطي

في الآونة الأخيرة ، تغلب أحدث برنامج ذكاء إصطناعي لـ DeepMind ، AlphaFold ، على المنافسة في عمل شاق للغاية: التنبؤ بالأشكال ثلاثية الأبعاد للبروتينات. في حين أنه قد يتم مناقشته قليلاً خارج الدوائر الأكاديمية ، فإن طي البروتين يشمل الجميع. إنه شكل من أشكال "الأوريغامي الجزيئي" ، كما جاء في مقال في الجارديان. يستخدم العلماء عادة المجهر الإلكتروني بالتبريد ، وعلم البلورات بالأشعة السينية والرنين المغناطيسي النووي من أجل تحديد أشكال البروتين ، لكن ذلك يعتمد على التجربة والخطأ والوقت والمال.

كلما زاد حجم البروتين ، كان من الصعب نمذجة بشكل صحيح لأن هناك المزيد من التفاعلات التي يجب أخذها في الاعتبار. على سبيل المثال ، يحتوي الحمض النووي على معلومات حول الأحماض الأمينية التي تشكل سلاسل طويلة. إن توقع بنية هذه السلاسل وكيف تتشكل إلى أشكال ثلاثية الأبعاد هو "مشكلة طي البروتين". كما يشير مقال DeepMind ، تنص مفارقة Levinthal على أن "الأمر سيستغرق وقتًا أطول من عمر الكون لتعداد جميع التكوينات الممكنة oa بروتين نموذجي قبل الوصول إلى البنية ثلاثية الأبعاد الصحيحة."

إن فهم شكل البروتين هو قطع شوط طويل في فهم وظيفته. هذا العمل وحده من طي البروتين الذي تنبأ به الذكاء الاصطناعي يمكن أن يؤدي إلى عملية ضخمة للمجالات العلمية والطبية. ضع في اعتبارك أنه عندما تصبح البروتينات متشابكة أو غير مطوية ، فإنها يمكن أن تؤدي إلى الإصابة بمرض السكري ومرض باركنسون وهنتنغتون والتليف الكيسي ومرض الزهايمر.

الأمل هو أنه إذا تمكن العلماء من توقع شكل البروتين من تركيبته الكيميائية ، فيمكنهم معرفة ما يفعله وكيف يمكن أن ينثني بشكل غير صحيح ويسبب ضررًا. علاوة على ذلك ، يمكن لتطبيقات الذكاء الاصطناعي أن تصمم بروتينات جديدة من أجل مكافحة الأمراض أو أداء الواجبات ، مما يؤدي إلى دخول حقبة جديدة من الطب.