DeepMind Google Dapat Mengantarkan Era Baru Kedokteran

Baru-baru ini, kalangan teknologi dihebohkan dengan berita bahwa DeepMind Google telah mencapai tingkat aplikasi yang lebih tinggi. Lewatlah sudah hari-hari bermain Pong atau catur. Pada awal 2016, DeepMind mulai memiliki implikasi di sektor perawatan kesehatan. Akhir-akhir ini, kemampuan DeepMind sekarang mungkin mampu mengubah kita ke era baru kedokteran sepenuhnya. Mari kita jelajahi dari mana DeepMind berasal, bagaimana ia menjadi begitu cerdas, dan bagaimana hal itu dapat mengubah masa depan kedokteran secara keseluruhan.

Asal Usul DeepMind

DeepMind adalah startup 2010 yang awalnya didirikan oleh tiga orang: Shane Legg, Demis Hassabis dan Mustafa Suleyman. Dalam sebuah wawancara, Hassabis mencatat bahwa mereka mengerjakan teknologi kecerdasan buatan dengan memilih game primitif dari tahun 1970-an dan 1980-an untuk dimainkan oleh AI. Seolah-olah dari Ready Player One, mesin AI memainkan seperti Space Invaders, Breakout dan bahkan klasik retro, Pong.

Saat AI diperkenalkan, ia belajar melalui gameplay, tanpa diberi tahu aturan sebelumnya. Setelah bermain game dan gagal beberapa saat, AI akan belajar dan menguasai game tersebut. Sebagai contoh, video ini menggambarkan AI yang menguasai Atari Breakout. Menurut sebuah artikel Forbes, proses kognitif AI dikatakan "sangat mirip dengan yang digunakan manusia yang belum pernah melihat permainan" untuk memahami konsep-konsep kunci kemudian menjadi mahir dalam hal itu.

Game sebagai Alat Evolusi

AlphaGo, program komputer Go yang dikembangkan oleh DeepMind, mengalahkan juara Eropa Go Fan Hui (dua dan dari sembilan), lima ke nol pada Oktober 2015. Itu merupakan tonggak penting bagi teknologi AI, karena ini adalah pertama kalinya sebuah komputer telah mampu mengalahkan pemain Go profesional. Alasan di balik itu adalah tingkat kerumitannya. Go jauh lebih sulit untuk dimenangkan oleh komputer -- dibandingkan dengan permainan lain seperti catur -- karena kemungkinan yang sangat luas, sehingga mempersulit AI untuk menggunakan metode pencarian lengkap untuk menang.

Kemudian, pada bulan Maret 2016, AlphaGo mengalahkan Lee Sedol (9 dan dari sembilan), salah satu pemain Go dengan peringkat tertinggi secara global dalam pertandingan empat lawan satu. Pada tahun berikutnya, AlphaGo memenangkan pertandingan tiga pertandingan melawan Ke Jie yang telah memegang tempat No. 1 dunia untuk Go selama dua tahun terakhir. Untuk belajar, AI menggunakan teknik pembelajaran yang diawasi, mempelajari banyak permainan yang dimainkan manusia satu sama lain.

Penguatan Pembelajaran Mendalam

Teknologi AlphaGo dibuat berdasarkan metode pembelajaran mendalam penguatan, sejenis Pembelajaran Mesin. Menurut sebuah artikel oleh Artificial Intelligence Depot, itu "memungkinkan mesin dan agen perangkat lunak untuk secara otomatis menentukan perilaku ideal dalam konteks tertentu, untuk memaksimalkan kinerjanya." Ketika AI memainkan Go, misalnya, umpan balik hadiah sederhana membantu AI belajar dari pengalaman dan ini disebut "sinyal penguatan".

AlphaGo & AlphaGo Zero

Saat AlphaGo belajar dari menonton orang lain dan memainkan lebih banyak game Go itu sendiri, AlphaGo belajar tidak hanya dari kegagalan, tetapi juga dari kemenangan. Kemudian data historis ditambahkan ke dalam pengetahuan gamenya hingga telah memproses lebih dari 30 juta game. AlphaGo Zero, versi yang ditingkatkan, mengalahkan game AlphaGo 100 menjadi nol pada tahun 2017. Hebatnya, prestasi ini dimungkinkan setelah hanya tiga hari AlphaGo Zero mempelajari game tersebut. Selain itu, AlphaZero, AlphaGo Zero yang dimodifikasi, menjadi sangat terampil dalam belajar catur dan shogi murni melalui permainan mandiri.

Identifikasi Kesehatan & Penyakit Mata DeepMind

Pada tahun 2016, DeepMind bekerja sama dengan Rumah Sakit Mata Moorsfield untuk mengembangkan aplikasi AI untuk perawatan kesehatan. Fokus mereka adalah pada peningkatan cara pasien dirawat dan dirujuk untuk penyakit mata.

Saat ini, profesional perawatan mata menggunakan pemindaian optical coherence tomography (OCT) untuk membantu diagnosis penyakit mata. Pemindaian OCT adalah gambar 3D yang memetakan sisi belakang mata. Mereka terkenal sulit dibaca dan membutuhkan analisis ahli untuk mendapatkan pemahaman lebih lanjut. Antara waktu analisis yang panjang dan banyaknya pemindaian sehari (kira-kira 1.000 per hari di Moorfields), waktu antara pemindaian dan perawatan bisa sangat tertunda -- bahkan dalam kasus perawatan darurat. Sayangnya, ini berarti bahwa jika ada masalah yang muncul secara tiba-tiba seperti pendarahan, penundaan pemindaian hingga pengobatan bahkan dapat membuat pasien kehilangan penglihatannya.

Artikel DeepMind melaporkan bahwa sistem AI mereka “dapat dengan cepat menafsirkan pemindaian mata dari praktik klinis rutin dengan akurasi yang belum pernah terjadi sebelumnya” dan kemudian merekomendasikan program perawatan “seakurat dokter ahli terkemuka dunia.” Sistem dapat mendeteksi adanya penyakit mata dalam hitungan detik serta memprioritaskan pasien yang paling membutuhkan perawatan mendesak. Karena teknologi ini, waktu tunggu antara pemindaian dan perawatan akan berkurang secara drastis, membantu mereka yang berisiko dan menurunkan kemungkinan kehilangan mata karena selang waktu.

Identifikasi Kesehatan & Penyakit Mata DeepMind

Awal tahun ini, DeepMind bermitra dengan Cancer Research UK Imperial Center untuk menilai apakah teknologi AI dapat membantu para profesional dalam mendiagnosis kanker payudara dalam mammogram secara lebih efektif dan lebih cepat daripada yang bisa dilakukan oleh seorang profesional manusia. Pekerjaan berlanjut karena DeepMind berharap dapat membantu peningkatan pengenalan kanker payudara seperti halnya dengan penyakit mata.

Pada tanggal 4 Oktober 2018, sebuah artikel DeepMind mengumumkan bahwa proyek DeepMind Health sedang diperluas ke Rumah Sakit Universitas Jikei -- salah satu institusi medis terkemuka Jepang -- untuk kemitraan lima tahun. Tujuan dari pasangan ini adalah untuk menganalisis mammogram bersejarah yang tidak teridentifikasi dari sekitar 30.000 wanita di samping basis data mamografi bersejarah yang tidak teridentifikasi yang disediakan oleh Inggris, untuk melihat apakah teknologi dapat menemukan tanda-tanda jaringan kanker pada sinar-x dengan lebih efektif. daripada teknik saat ini.

Namun, penelitian harus dilakukan dengan hati-hati, karena bias dapat terjadi ketika sistem AI dilatih pada data yang tidak secara akurat mencerminkan data yang coba dibantu atau dinilai. Misalnya, mungkin ada variasi kepadatan payudara di antara kelompok etnis, faktor yang secara tidak sengaja dapat menyebabkan beberapa pasien dicap sebagai kanker, padahal kepadatannya sebenarnya lebih tinggi.

DeepMind & Memprediksi Penyakit Mata

Sama seperti DeepMind Health yang menggunakan pemindaian OCT untuk mencatat keberadaan penyakit, para profesional mencoba melihat apakah itu juga dapat digunakan untuk memprediksi penyakit yang akan datang sebelum itu terjadi. Dengan menganalisis 7.000 pasien di Rumah Sakit Mata Moorfield yang telah menerima perawatan mata hanya pada satu mata, mesin tersebut dapat mencoba memprediksi kerusakan pada mata lainnya.

Menurut artikel DeepMind, "memprediksi indikator potensial untuk penyakit jauh lebih rumit - dan secara komputasi intens - tugas daripada mengidentifikasi gejala yang diketahui yang ada." Untuk menyesuaikan kemampuan dengan kebutuhan komputasi, DeepMind dan Moorfields telah setuju untuk menggunakan infrastruktur komputasi awan Google dari Inggris dan AS.

Lipat Protein AlphaFold

Baru-baru ini, program AI terbaru DeepMind, AlphaFold, telah mengalahkan persaingan dengan satu prestasi yang sangat melelahkan: memprediksi bentuk 3D protein. Meskipun mungkin sedikit dibahas di luar lingkaran akademis, pelipatan protein melibatkan semua orang. Ini adalah bentuk "origami molekuler," seperti yang dimuat dalam sebuah artikel di The Guardian. Para ilmuwan biasanya menggunakan mikroskop cryo-elektron, kristalografi sinar-X dan resonansi magnetik nuklir untuk menentukan bentuk protein, tetapi itu tergantung pada coba-coba, waktu dan uang.

Semakin besar protein, semakin sulit untuk dimodelkan dengan benar karena ada lebih banyak interaksi yang harus diperhitungkan. Misalnya, DNA berisi informasi tentang asam amino, yang membentuk rantai panjang. Memprediksi struktur rantai tersebut dan bagaimana mereka terbentuk menjadi bentuk 3D adalah "masalah pelipatan protein." Sebagai catatan artikel DeepMind, paradoks Levinthal menyatakan bahwa "akan memakan waktu lebih lama dari usia alam semesta untuk menghitung semua konfigurasi yang mungkin dari protein tipikal sebelum mencapai struktur 3D yang tepat."

Memahami bentuk protein berarti memahami fungsinya. Tindakan pelipatan protein yang diprediksi AI ini dapat membawa proses besar-besaran untuk bidang ilmiah dan medis. Pertimbangkan bahwa ketika protein menjadi kusut atau salah lipat, mereka dapat menyebabkan diabetes, Parkinson, Huntington, cystic fibrosis dan penyakit Alzheimer.

Harapannya adalah jika para ilmuwan dapat memprediksi bentuk protein dari komposisi kimianya, mereka dapat mengetahui apa yang dilakukannya dan bagaimana protein itu dapat terlipat secara tidak benar dan menyebabkan kerusakan. Lebih jauh lagi, aplikasi AI bahkan dapat merancang protein baru untuk melawan penyakit atau menjalankan tugas, mengantarkan era baru kedokteran.