DeepMind firmy Google może zapoczątkować nową erę medycyny

Ostatnio kręgi technologiczne huczą od wiadomości, że DeepMind firmy Google osiągnął jeszcze wyższy poziom zastosowania. Dawno minęły czasy grania w ponga lub szachy. Już w 2016 roku DeepMind zaczął mieć wpływ na sektory opieki zdrowotnej. Ostatnio zdolności DeepMind mogą teraz całkowicie przenieść nas w nową erę medycyny. Przyjrzyjmy się, skąd wziął się DeepMind, jak stał się tak inteligentny i jak może całkowicie zmienić przyszłość medycyny.

Początki DeepMind

DeepMind był startupem z 2010 roku założonym przez trzy osoby: Shane Legga, Demisa Hassabisa i Mustafę Suleymana. W wywiadzie Hassabis zauważył, że pracowali nad technologią sztucznej inteligencji, wybierając prymitywne gry z lat 70. i 80., w które AI ma grać. Jakby z Ready Player One, maszyna AI grała w takie gry jak Space Invaders, Breakout, a nawet klasyk retro, Pong.

Po wprowadzeniu AI uczyła się poprzez rozgrywkę, bez wcześniejszego poznania zasad. Po graniu w grę i porażce przez chwilę, sztuczna inteligencja uczyła się gry i ją opanowywała. Na przykład ten film ilustruje mastering AI Atari Breakout. Według artykułu Forbesa, mówi się, że procesy poznawcze AI są „bardzo podobne do tych, których używałby człowiek, który nigdy nie widział gry”, aby uchwycić kluczowe koncepcje, a następnie stać się w tym biegłym.

Gry jako narzędzie ewolucyjne

AlphaGo, komputerowy program Go opracowany przez DeepMind, pokonał europejskiego mistrza Go, Fan Hui (dwa dan na dziewięć), w październiku 2015 roku pięć do zera. Był to ważny kamień milowy dla technologii AI, ponieważ po raz pierwszy komputer był w stanie pokonać profesjonalnego gracza Go. Powodem tego jest poziom złożoności. Go jest znacznie trudniejsze do wygrania komputerom – w porównaniu z innymi grami, takimi jak szachy – ze względu na szeroki zakres możliwości, co utrudnia sztucznej inteligencji stosowanie wyczerpujących metod wyszukiwania, aby wygrać.

Następnie, w marcu 2016 roku, AlphaGo pokonało Lee Sedola (dziewięć dan na dziewięć), jednego z najwyżej notowanych graczy Go na świecie w meczu cztery do jednego. W następnym roku AlphaGo wygrała trzymeczowy mecz z Ke Jie, który przez ostatnie dwa lata zajmował pierwsze miejsce na świecie dla Go. Aby się uczyć, sztuczna inteligencja wykorzystała techniki nadzorowanego uczenia się, badając wiele gier, w które ludzie grali przeciwko sobie.

Wzmocnienie głębokie uczenie

Technologia AlphaGo została stworzona w oparciu o metodę wzmocnienia głębokiego uczenia, rodzaj uczenia maszynowego. Według artykułu w Artificial Intelligence Depot „pozwala maszynom i agentom oprogramowania automatycznie określać idealne zachowanie w określonym kontekście, aby zmaksymalizować jego wydajność”. Kiedy sztuczna inteligencja gra na przykład w Go, prosta informacja zwrotna o nagrodach pomaga AI uczyć się na podstawie doświadczenia i nazywa się to „sygnałem wzmacniającym”.

AlphaGo i AlphaGo Zero

Jak AlphaGo nauczyło się obserwując innych i grając w więcej gier Go, uczyło się nie tylko z porażek, ale także z wygranych. Następnie do wiedzy o grach dodawano dane historyczne, dopóki nie przetworzył ponad 30 milionów gier. AlphaGo Zero, ulepszona wersja, pokonała AlphaGo 100 gier do zera w 2017 roku. O dziwo, ten wyczyn był możliwy po zaledwie trzech dniach nauki gry przez AlphaGo Zero. Dodatkowo AlphaZero, zmodyfikowana AlphaGo Zero, stała się nadludzką umiejętnością w szachach i shogi, ucząc się wyłącznie poprzez samodzielną grę.

Identyfikacja zdrowia i chorób oczu DeepMind

W 2016 roku DeepMind nawiązał współpracę z Moorsfield Eye Hospital w celu opracowania aplikacji AI dla opieki zdrowotnej. Skupiali się na poprawie sposobów leczenia i kierowania pacjentów na choroby oczu.

Obecnie specjaliści zajmujący się okulistą wykorzystują skany optycznej tomografii koherentnej (OCT) do pomocy w diagnozowaniu chorób oczu. Skany OCT to obrazy 3D, które odwzorowują tylną stronę oka. Są bardzo trudne do odczytania i wymagają analizy eksperckiej, aby uzyskać dalsze zrozumienie. Między długim czasem analizy a samą liczbą skanów dziennie (około 1000 dziennie w Moorfields) czas między skanem a leczeniem może być dość opóźniony – nawet w przypadku pilnej opieki. Niestety oznacza to, że w przypadku nagłego wystąpienia problemu, takiego jak krwawienie, opóźnienie między skanem a leczeniem może nawet kosztować wzrok pacjenta.

Artykuł DeepMind donosi, że ich system AI „może szybko zinterpretować skany oczu z rutynowej praktyki klinicznej z niespotykaną dotąd dokładnością”, a następnie zalecić kursy leczenia „tak dokładnie, jak wiodący na świecie lekarze eksperci”. System może wykryć obecność choroby oczu w ciągu kilku sekund, a także nadać priorytet pacjentom, którzy najbardziej potrzebują pilnej opieki. Dzięki tej technologii czas oczekiwania między skanowaniem a leczeniem zostanie drastycznie skrócony, pomagając osobom zagrożonym i zmniejszając ryzyko utraty wzroku z powodu upływu czasu.

Identyfikacja zdrowia i chorób oczu DeepMind

Na początku tego roku DeepMind nawiązał współpracę z Cancer Research UK Imperial Center, aby ocenić, czy technologia AI może pomóc profesjonalistom w diagnozowaniu raka piersi na podstawie mammografii skuteczniej i szybciej niż może to zrobić człowiek. Prace trwają, ponieważ DeepMind ma nadzieję, że przyczyni się do poprawy rozpoznawania raka piersi, tak jak miało to miejsce w przypadku chorób oczu.

4 października 2018 r. artykuł DeepMind ogłosił, że projekt DeepMind Health został rozszerzony na Jikei University Hospital – jedną z wiodących japońskich instytucji medycznych – w ramach pięcioletniego partnerstwa. Celem sparowania jest analiza historycznych, pozbawionych identyfikacji mammografii pochodzących od około 30 000 kobiet wraz z historyczną, pozbawioną identyfikacji danych mammograficzną dostarczoną przez Wielką Brytanię, aby sprawdzić, czy technologia może skuteczniej lokalizować oznaki tkanki nowotworowej na zdjęciach rentgenowskich niż obecne techniki.

Jednak badania muszą być prowadzone ostrożnie, ponieważ stronniczość może wystąpić, gdy system AI jest szkolony na danych, które nie odzwierciedlają dokładnie tych, które próbuje pomóc lub ocenić. Na przykład mogą występować różnice w gęstości piersi między grupami etnicznymi, co może przypadkowo spowodować, że niektórzy pacjenci zostaną uznani za chorych na raka, podczas gdy w rzeczywistości ich gęstość była po prostu wyższa.

DeepMind i przewidywanie chorób oczu

Podobnie jak DeepMind Health wykorzystało skany OCT do odnotowania obecności choroby, tak specjaliści próbują sprawdzić, czy można go również wykorzystać do przewidywania zbliżającej się choroby, zanim ona się pojawi. Analizując 7000 pacjentów w Moorfield Eye Hospital, którzy otrzymali leczenie tylko w jednym oku, maszyna może spróbować przewidzieć pogorszenie w drugim oku.

Według artykułu DeepMind „przewidywanie potencjalnych wskaźników choroby jest znacznie bardziej skomplikowanym i wymagającym obliczeniowo zadaniem niż identyfikacja istniejących znanych objawów”. Aby dopasować możliwości do potrzeb obliczeniowych, DeepMind i Moorfields zgodzili się korzystać z infrastruktury chmury obliczeniowej Google z Wielkiej Brytanii i USA.

Składanie białek AlphaFold

Niedawno najnowszy program AI DeepMind, AlphaFold, pokonał konkurencję jednym szczególnie wyczerpującym wyczynem: przewidywaniem trójwymiarowych kształtów białek. Chociaż może to być mało dyskutowane poza kręgami akademickimi, fałdowanie białek dotyczy wszystkich. Jest to forma „molekularnego origami”, jak ujął to artykuł w The Guardian. Naukowcy zwykle używają mikroskopii krioelektronowej, krystalografii rentgenowskiej i magnetycznego rezonansu jądrowego w celu określenia kształtu białek, ale zależy to od prób i błędów, czasu i pieniędzy.

Im większe białko, tym trudniej jest poprawnie modelować, ponieważ istnieje więcej interakcji, które należy wziąć pod uwagę. Na przykład DNA zawiera informacje o aminokwasach, które tworzą długie łańcuchy. Przewidywanie struktury tych łańcuchów i sposobu, w jaki formują się one w trójwymiarowe kształty, jest „problemem fałdowania białek”. Jak zauważa artykuł w DeepMind, paradoks Levinthala stwierdza, że ​​„wyliczenie wszystkich możliwych konfiguracji typowego białka przed osiągnięciem właściwej struktury 3D zajęłoby więcej czasu niż wiek wszechświata”.

Zrozumienie kształtu białka to długa droga do zrozumienia jego funkcji. Już sam akt przewidywanego przez sztuczną inteligencję fałdowania białek może przynieść ogromny proces dla dziedzin naukowych i medycznych. Weź pod uwagę, że kiedy białka splątają się lub nieprawidłowo sfałdują, mogą prowadzić do cukrzycy, choroby Parkinsona, Huntingtona, mukowiscydozy i choroby Alzheimera.

Istnieje nadzieja, że ​​jeśli naukowcy potrafią przewidzieć kształt białka na podstawie jego składu chemicznego, będą mogli ustalić, co ono robi i jak może się niepoprawnie składać i powodować szkody. Co więcej, aplikacje sztucznej inteligencji mogą nawet projektować nowe białka w celu zwalczania chorób lub wykonywania obowiązków, zapoczątkowując nową erę medycyny.