DeepMind von Google könnte eine neue Ära der Medizin einleiten

In jüngster Zeit schwirrten in technischen Kreisen die Nachrichten, dass DeepMind von Google ein noch höheres Anwendungsniveau erreicht hat. Vorbei sind die Zeiten, in denen Pong oder Schach gespielt wurden. Bereits 2016 begann DeepMind Auswirkungen auf den Gesundheitssektor zu haben. In letzter Zeit sind die Fähigkeiten von DeepMind möglicherweise in der Lage, uns vollständig in eine neue Ära der Medizin zu führen. Lassen Sie uns untersuchen, woher DeepMind stammt, wie es so intelligent wurde und wie es die Zukunft der Medizin insgesamt verändern könnte.

Die Ursprünge von DeepMind

DeepMind war ein Startup aus dem Jahr 2010, das ursprünglich von drei Personen gegründet wurde: Shane Legg, Demis Hassabis und Mustafa Suleyman. In einem Interview bemerkte Hassabis, dass sie an der Technologie der künstlichen Intelligenz arbeiteten, indem sie primitive Spiele aus den 1970er und 1980er Jahren für die KI auswählten. Wie aus Ready Player One spielte die KI-Maschine Größen wie Space Invaders, Breakout und sogar den Retro-Klassiker Pong.

Als die KI eingeführt wurde, lernte sie durch das Gameplay, ohne dass ihnen die Regeln zuvor mitgeteilt wurden. Nachdem das Spiel gespielt und eine Weile gescheitert war, würde die KI das Spiel lernen und beherrschen. Dieses Video veranschaulicht zum Beispiel, wie die KI Atari Breakout beherrscht. Laut einem Forbes-Artikel sollen die kognitiven Prozesse der KI „sehr ähnlich denen sein, die ein Mensch, der das Spiel noch nie gesehen hat, verwenden würde“, um die Schlüsselkonzepte zu verstehen und dann damit vertraut zu werden.

Gaming als evolutionäres Werkzeug

AlphaGo, ein von DeepMind entwickeltes Computer-Go-Programm, schlug im Oktober 2015 den europäischen Go-Champion Fan Hui (zwei von neun Dan) fünf zu null Computer hatte einen professionellen Go-Spieler schlagen können. Der Grund dafür ist die Komplexität. Go ist für Computer viel schwieriger zu gewinnen – im Vergleich zu anderen Spielen wie Schach – aufgrund einer umfangreichen Palette von Möglichkeiten, was es für die KI schwieriger macht, erschöpfende Suchmethoden zu verwenden, um zu gewinnen.

Dann, im März 2016, besiegte AlphaGo Lee Sedol (ein neun von neun Dan), einen der bestplatzierten Go-Spieler weltweit in einem Vier-zu-Eins-Match. Im nächsten Jahr gewann AlphaGo ein Drei-Spiele-Match gegen Ke Jie, der in den letzten zwei Jahren den Weltranglistenplatz 1 für Go innehatte. Um zu lernen, verwendete die KI überwachte Lerntechniken und studierte viele Spiele, die Menschen gegeneinander spielten.

Verstärkung Deep Learning

Die AlphaGo-Technologie wurde basierend auf der Reinforcement Deep Learning-Methode, einer Art Machine Learning, entwickelt. Laut einem Artikel von Artificial Intelligence Depot „ermöglicht es Maschinen und Softwareagenten, automatisch das ideale Verhalten in einem bestimmten Kontext zu bestimmen, um ihre Leistung zu maximieren“. Wenn die KI beispielsweise Go spielt, hilft der KI einfaches Belohnungsfeedback, aus Erfahrungen zu lernen, und dies wird als „Verstärkungssignal“ bezeichnet.

AlphaGo & AlphaGo Zero

Da AlphaGo lernte, indem es anderen zuschaute und selbst mehr Go-Spiele spielte, lernte es nicht nur aus Fehlern, sondern auch aus Gewinnen. Dann wurden historische Daten in sein Spielewissen aufgenommen, bis es mehr als 30 Millionen Spiele verarbeitet hatte. AlphaGo Zero, eine verbesserte Version, besiegte AlphaGo 100-Spiele im Jahr 2017 auf null. Erstaunlicherweise war diese Leistung nach nur drei Tagen möglich, in denen AlphaGo Zero das Spiel lernte. Darüber hinaus wurde AlphaZero, ein modifizierter AlphaGo Zero, zu übermenschlichen Fähigkeiten im Schach- und Shogi-Lernen rein durch Selbstspiel.

DeepMind Health & Identifizierung von Augenerkrankungen

Im Jahr 2016 ging DeepMind eine Zusammenarbeit mit dem Moorsfield Eye Hospital ein, um KI-Anwendungen für das Gesundheitswesen zu entwickeln. Ihr Fokus lag auf der Verbesserung der Art und Weise, wie Patienten bei Augenkrankheiten behandelt und überwiesen werden.

Derzeit verwenden Augenoptiker optische Kohärenztomographie (OCT)-Scans, um bei der Diagnose von Augenerkrankungen zu helfen. OCT-Scans sind 3D-Bilder, die die Rückseite des Auges abbilden. Sie sind notorisch schwer zu lesen und benötigen eine Expertenanalyse, um ein weiteres Verständnis zu erlangen. Zwischen der langen Analysezeit und der schieren Anzahl von Scans pro Tag (ca. 1.000 pro Tag bei Moorfields) kann sich die Zeit zwischen Scan und Behandlung ziemlich verzögern - selbst im Notfall. Leider bedeutet dies, dass bei einem plötzlich auftretenden Problem wie einer Blutung die Verzögerung von der Untersuchung bis zur Behandlung einen Patienten sogar das Augenlicht kosten kann.

Der DeepMind-Artikel berichtet, dass ihr KI-System „Augenscans aus der klinischen Routinepraxis mit beispielloser Genauigkeit schnell interpretieren kann“ und dann Behandlungsverläufe „so genau wie weltweit führende Fachärzte“ empfiehlt. Das System kann das Vorliegen einer Augenerkrankung in Sekundenschnelle erkennen und Patienten priorisieren, die am dringendsten Hilfe benötigen. Dank dieser Technologie wird die Wartezeit zwischen Scan und Behandlung drastisch verkürzt, was gefährdeten Personen hilft und das Risiko eines Augenverlusts aufgrund von Zeitraffer verringert.

DeepMind Health & Identifizierung von Augenerkrankungen

Anfang dieses Jahres hat sich DeepMind mit dem Cancer Research UK Imperial Center zusammengetan, um zu beurteilen, ob KI-Technologie Fachleuten bei der Diagnose von Brustkrebs in Mammographien effektiver und schneller helfen kann, als es ein menschlicher Fachmann könnte. Die Arbeit wird fortgesetzt, während DeepMind hofft, die Erkennung von Brustkrebs wie bei Augenerkrankungen zu verbessern.

Am 4. Oktober 2018 gab ein DeepMind-Artikel bekannt, dass das DeepMind Health-Projekt für eine fünfjährige Partnerschaft auf das Jikei University Hospital – eine der führenden medizinischen Einrichtungen Japans – ausgeweitet wird. Der Zweck der Paarung besteht darin, historische, anonymisierte Mammographien von etwa 30.000 Frauen zusammen mit der vom Vereinigten Königreich bereitgestellten historischen, anonymisierten Mammographie-Datenbank zu analysieren, um zu sehen, ob die Technologie Anzeichen von Krebsgewebe auf Röntgenstrahlen effektiver lokalisieren kann als aktuelle Techniken.

Die Forschung muss jedoch sorgfältig durchgeführt werden, da Verzerrungen auftreten können, wenn ein KI-System auf Daten trainiert wird, die die zu unterstützenden oder zu bewertenden Daten nicht genau widerspiegeln. Zum Beispiel kann es Unterschiede in der Brustdichte zwischen ethnischen Gruppen geben, ein Faktor, der dazu führen könnte, dass einige Patientinnen versehentlich als krebserregend eingestuft werden, obwohl ihre Dichte in Wirklichkeit nur höher war.

DeepMind & Vorhersage von Augenkrankheiten

So wie DeepMind Health die OCT-Scans verwendet hat, um das Vorhandensein von Krankheiten festzustellen, versuchen Fachleute zu sehen, ob es auch verwendet werden kann, um drohende Krankheiten vorherzusagen, bevor sie auftreten. Durch die Analyse von 7.000 Patienten im Moorfield Eye Hospital, die nur an einem Auge eine Augenbehandlung erhalten haben, kann das Gerät versuchen, eine Verschlechterung des anderen Auges vorherzusagen.

Laut einem DeepMind-Artikel ist „die Vorhersage potenzieller Krankheitsindikatoren viel komplizierter – und rechenintensiver – als die Identifizierung bestehender bekannter Symptome.“ Um die Leistungsfähigkeit an den Computerbedarf anzupassen, haben DeepMind und Moorfields vereinbart, die Cloud-Computing-Infrastruktur von Google aus Großbritannien und den USA zu nutzen.

AlphaFold Proteinfaltung

Kürzlich hat das neueste KI-Programm von DeepMind, AlphaFold, die Konkurrenz bei einer besonders zermürbenden Leistung geschlagen: der Vorhersage der 3D-Formen von Proteinen. Auch wenn es außerhalb akademischer Kreise wenig diskutiert wird, betrifft die Proteinfaltung jeden. Es ist eine Form von „molekularem Origami“, wie es in einem Artikel im Guardian heißt. Wissenschaftler verwenden normalerweise Kryo-Elektronenmikroskopie, Röntgenkristallographie und Kernspinresonanz, um Proteinformen zu bestimmen, aber es hängt von Versuch und Irrtum, Zeit und Geld ab.

Je größer das Protein, desto schwieriger ist es, richtig zu modellieren, da mehr Wechselwirkungen berücksichtigt werden müssen. DNA enthält beispielsweise Informationen über die Aminosäuren, die lange Ketten bilden. Die Struktur dieser Ketten vorherzusagen und wie sie sich in 3D-Formen formen, ist das „Proteinfaltungsproblem“. Wie ein DeepMind-Artikel anmerkt, besagt Levinthals Paradoxon, dass „es länger dauern würde als das Alter des Universums, um alle möglichen Konfigurationen eines typischen Proteins aufzuzählen, bevor man die richtige 3D-Struktur erreicht.“

Die Form eines Proteins zu verstehen, bedeutet einen großen Beitrag zum Verständnis seiner Funktion zu leisten. Allein dieser Akt der KI-vorhergesagten Proteinfaltung könnte einen massiven Prozess für wissenschaftliche und medizinische Bereiche bringen. Bedenken Sie, dass Proteine, die sich verheddern oder falsch gefaltet haben, zu Diabetes, Parkinson, Huntington, Mukoviszidose und Alzheimer führen können.

Die Hoffnung ist, dass, wenn Wissenschaftler die Form eines Proteins aus seiner chemischen Zusammensetzung vorhersagen können, sie herausfinden können, was es tut und wie es sich falsch falten und Schaden anrichten kann. Darüber hinaus könnten die KI-Anwendungen sogar neue Proteine ​​entwickeln, um Krankheiten zu bekämpfen oder Aufgaben zu erfüllen, und eine neue Ära der Medizin einläuten.