DeepMind di Google potrebbe inaugurare una nuova era della medicina

Di recente, i circoli tecnologici hanno ronzato di notizie secondo cui DeepMind di Google ha raggiunto un livello di applicazione ancora più elevato. Sono finiti i giorni in cui si giocava a Pong oa scacchi. Già nel 2016 DeepMind iniziava ad avere implicazioni nel settore sanitario. Di recente, le abilità di DeepMind potrebbero ora essere in grado di spostarci completamente in una nuova era della medicina. Esploriamo da dove proviene DeepMind, come è diventato così intelligente e come potrebbe cambiare del tutto il futuro della medicina.

Le origini di DeepMind

DeepMind era una startup del 2010 originariamente fondata da tre persone: Shane Legg, Demis Hassabis e Mustafa Suleyman. In un'intervista, Hassabis ha notato che hanno lavorato sulla tecnologia dell'intelligenza artificiale scegliendo giochi primitivi degli anni '70 e '80 per l'intelligenza artificiale. Come se fosse uscito da Ready Player One, la macchina AI ha suonato come Space Invaders, Breakout e persino il classico retrò, Pong.

Quando l'IA è stata introdotta, ha imparato attraverso il gameplay, senza che gli fossero state comunicate le regole in precedenza. Dopo aver giocato e aver fallito per un po', l'IA imparava e padroneggiava il gioco. Ad esempio, questo video illustra l'intelligenza artificiale che padroneggia Atari Breakout. Secondo un articolo di Forbes, si dice che i processi cognitivi dell'IA siano "molto simili a quelli che userebbe un essere umano che non ha mai visto il gioco" per afferrare i concetti chiave e poi diventarne esperto.

Il gioco come strumento evolutivo

AlphaGo, un programma per computer Go sviluppato da DeepMind, ha battuto il campione europeo di Go Fan Hui (un due dan su nove), cinque a zero nell'ottobre del 2015. È stata una pietra miliare importante per la tecnologia AI, poiché era la prima volta che un computer era stato in grado di battere un giocatore professionista di Go. La ragione di ciò è il livello di complessità. Go è molto più difficile da vincere per i computer, rispetto ad altri giochi come gli scacchi, a causa di una vasta gamma di possibilità, che rende più difficile per l'intelligenza artificiale utilizzare metodi di ricerca esaustivi per vincere.

Poi, nel marzo 2016, AlphaGo ha sconfitto Lee Sedol (un nove dan su nove), uno dei giocatori di Go con il punteggio più alto a livello globale in una partita quattro a uno. L'anno successivo, AlphaGo ha vinto una partita di tre partite contro Ke Jie che aveva tenuto il primo posto al mondo per Go negli ultimi due anni. Per apprendere, l'IA ha utilizzato tecniche di apprendimento supervisionato, studiando molti giochi che gli esseri umani giocavano l'uno contro l'altro.

Apprendimento profondo di rinforzo

La tecnologia AlphaGo è stata creata sulla base del metodo di deep learning di rinforzo, un tipo di Machine Learning. Secondo un articolo di Artificial Intelligence Depot, "consente a macchine e agenti software di determinare automaticamente il comportamento ideale all'interno di un contesto specifico, al fine di massimizzarne le prestazioni". Quando l'IA gioca a Go, ad esempio, un semplice feedback sulla ricompensa aiuta l'IA a imparare dall'esperienza e questo è chiamato "segnale di rinforzo".

AlphaGo e AlphaGo Zero

Come AlphaGo ha imparato guardando gli altri e giocando a più giochi Go, ha imparato non solo dai fallimenti, ma anche dalle vittorie. Quindi i dati storici sono stati aggiunti alla sua conoscenza del gioco fino a quando non ha elaborato oltre 30 milioni di giochi. AlphaGo Zero, una versione migliorata, ha battuto a zero i giochi AlphaGo 100 nel 2017. Sorprendentemente questa impresa è stata possibile dopo soli tre giorni di apprendimento del gioco da parte di AlphaGo Zero. Inoltre, AlphaZero, un AlphaGo Zero modificato, divenne sovrumanamente abile negli scacchi e nell'apprendimento dello shogi esclusivamente attraverso il gioco personale.

DeepMind Health & Identificazione delle malattie oculari

Nel 2016, DeepMind è entrata in collaborazione con il Moorsfield Eye Hospital per sviluppare applicazioni di intelligenza artificiale per l'assistenza sanitaria. Il loro obiettivo era migliorare i modi in cui i pazienti vengono trattati e indirizzati per malattie degli occhi.

Attualmente, i professionisti dell'ottica utilizzano la tomografia a coerenza ottica (OCT) per aiutare nella diagnosi delle malattie degli occhi. Le scansioni OCT sono immagini 3D che mappano il lato posteriore dell'occhio. Sono notoriamente difficili da leggere e necessitano di un'analisi esperta per acquisire ulteriore comprensione. Tra il lungo tempo di analisi e l'enorme numero di scansioni al giorno (circa 1.000 al giorno a Moorfields), il tempo tra la scansione e il trattamento può essere piuttosto ritardato, anche in caso di cure urgenti. Sfortunatamente, questo significa che se c'è un problema improvviso come il sanguinamento, il ritardo dalla scansione al trattamento potrebbe persino costare la vista a un paziente.

L'articolo di DeepMind riporta che il loro sistema di intelligenza artificiale "può interpretare rapidamente le scansioni oculari dalla pratica clinica di routine con un'accuratezza senza precedenti" e quindi raccomandare corsi di trattamento "con la stessa precisione dei medici esperti leader a livello mondiale". Il sistema è in grado di rilevare la presenza di malattie oculari in pochi secondi e di dare priorità ai pazienti che necessitano di cure urgenti. Grazie a questa tecnologia, il tempo di attesa tra la scansione e il trattamento sarà drasticamente ridotto, aiutando le persone a rischio e riducendo le possibilità di perdita degli occhi a causa del lasso di tempo.

DeepMind Health & Identificazione delle malattie oculari

All'inizio di quest'anno, DeepMind ha collaborato con il Cancer Research UK Imperial Center per valutare se la tecnologia AI potrebbe aiutare i professionisti nella diagnosi del cancro al seno nelle mammografie in modo più efficace e veloce di quanto potrebbe fare un professionista umano. Il lavoro continua poiché DeepMind spera di aiutare a migliorare il riconoscimento del cancro al seno come ha fatto con le malattie oculari.

Il 4 ottobre 2018, un articolo di DeepMind ha annunciato che il progetto DeepMind Health sarebbe stato esteso al Jikei University Hospital, una delle principali istituzioni mediche del Giappone, per una partnership di cinque anni. Lo scopo dell'associazione è analizzare le mammografie storiche e non identificate di circa 30.000 donne insieme al database storico e non identificato della mammografia fornito dal Regno Unito, al fine di vedere se la tecnologia può individuare i segni di tessuto canceroso sui raggi X in modo più efficace rispetto alle tecniche attuali.

Tuttavia, la ricerca deve essere condotta con attenzione, poiché possono verificarsi distorsioni quando un sistema di intelligenza artificiale viene addestrato su dati che non riflettono accuratamente quelli che sta cercando di aiutare o valutare. Ad esempio, possono esserci variazioni nella densità del seno tra i gruppi etnici, un fattore che potrebbe causare accidentalmente l'etichettatura di alcuni pazienti come cancerosi, quando in realtà la loro densità era solo più alta.

DeepMind e previsione delle malattie degli occhi

Proprio come DeepMind Health ha utilizzato le scansioni OCT per rilevare la presenza di malattie, i professionisti stanno cercando di vedere se può essere utilizzato anche per prevedere la malattia imminente prima che si verifichi. Analizzando 7.000 pazienti al Moorfield Eye Hospital che hanno ricevuto cure oculistiche in un solo occhio, la macchina può provare a prevedere il deterioramento dell'altro occhio.

Secondo un articolo di DeepMind, "prevedere potenziali indicatori di malattia è un compito molto più complicato - e computazionalmente intenso - che identificare i sintomi noti esistenti". Per far corrispondere la capacità alle esigenze informatiche, DeepMind e Moorfields hanno concordato di utilizzare l'infrastruttura di cloud computing di Google dal Regno Unito e dagli Stati Uniti.

Piegatura proteica AlphaFold

Di recente, l'ultimo programma di intelligenza artificiale di DeepMind, AlphaFold, ha battuto la concorrenza in un'impresa particolarmente estenuante: prevedere le forme 3D delle proteine. Sebbene possa essere poco discusso al di fuori dei circoli accademici, il ripiegamento delle proteine ​​coinvolge tutti. È una forma di "origami molecolare", come recita un articolo del Guardian. Gli scienziati di solito usano la microscopia crioelettronica, la cristallografia a raggi X e la risonanza magnetica nucleare per determinare le forme delle proteine, ma dipende da tentativi ed errori, tempo e denaro.

Più grande è la proteina, più difficile è modellare correttamente perché ci sono più interazioni da tenere in considerazione. Ad esempio, il DNA contiene informazioni sugli amminoacidi, che formano lunghe catene. Prevedere la struttura di quelle catene e il modo in cui si formano in forme 3D è il "problema del ripiegamento delle proteine". Come osserva un articolo di DeepMind, il paradosso di Levinthal afferma che "ci vorrebbe più tempo dell'età dell'universo per enumerare tutte le possibili configurazioni di una tipica proteina prima di raggiungere la giusta struttura 3D".

Comprendere la forma di una proteina significa fare molto per comprenderne la funzione. Questo atto da solo di ripiegamento proteico previsto dall'intelligenza artificiale potrebbe portare a un enorme processo per i campi scientifici e medici. Tieni presente che quando le proteine ​​si aggrovigliano o si piegano male, possono portare a diabete, Parkinson, Huntington, fibrosi cistica e morbo di Alzheimer.

La speranza è che se gli scienziati possono prevedere la forma di una proteina dalla sua composizione chimica, possono capire cosa fa e come potrebbe piegarsi in modo errato e causare danni. Inoltre, le applicazioni di intelligenza artificiale potrebbero persino progettare nuove proteine ​​per combattere malattie o svolgere compiti, inaugurando una nuova era della medicina.