DeepMind de la Google ar putea inaugura o nouă eră a medicinei

Recent, cercurile tehnologice au fost pline de vești că DeepMind de la Google a atins un nivel și mai ridicat de aplicare. S-au dus vremurile jocului de pong sau șah. Încă din 2016, DeepMind începea să aibă implicații în sectoarele de sănătate. În ultimul timp, abilitățile DeepMind ar putea fi acum capabile să ne transforme într-o nouă eră a medicinei. Să explorăm de unde a venit DeepMind, cum a devenit atât de inteligent și cum ar putea schimba cu totul viitorul medicinei.

Originile DeepMind

DeepMind a fost un startup din 2010 fondat inițial de trei persoane: Shane Legg, Demis Hassabis și Mustafa Suleyman. Într-un interviu, Hassabis a remarcat că au lucrat la tehnologia inteligenței artificiale, alegând jocuri primitive din anii 1970 și 1980 pentru ca AI să le poată juca. Ca și cum ar fi din Ready Player One, aparatul AI a jucat gen ca Space Invaders, Breakout și chiar clasicul retro, Pong.

Pe măsură ce IA a fost introdusă, a învățat prin joc, fără a fi spus regulile anterior. După ce a jucat jocul și a eșuat pentru un timp, AI-ul ar învăța și stăpâni jocul. De exemplu, acest videoclip ilustrează AI mastering Atari Breakout. Potrivit unui articol din Forbes, se spune că procesele cognitive ale IA sunt „foarte asemănătoare celor pe care un om care nu a văzut niciodată jocul le-ar folosi” pentru a înțelege conceptele cheie și apoi a deveni expert în ele.

Jocurile ca instrument evolutiv

AlphaGo, un program Go pentru computer dezvoltat de DeepMind, l-a învins pe campionul european Go Fan Hui (un doi dan din nouă), cinci la zero în octombrie 2015. Acesta a fost o etapă importantă pentru tehnologia AI, deoarece a fost prima dată când un computerul a fost capabil să învingă un jucător profesionist Go. Motivul din spatele acestui lucru este nivelul de complexitate. Go este mult mai dificil de câștigat pentru computere -- în comparație cu alte jocuri, cum ar fi șahul -- din cauza unei game extinse de posibilități, ceea ce face mai dificil pentru AI să folosească metode de căutare exhaustive pentru a câștiga.

Apoi, în martie 2016, AlphaGo l-a învins pe Lee Sedol (un nouă dan din nouă), unul dintre cei mai bine clasați jucători de Go la nivel global într-un meci de patru la unu. În anul următor, AlphaGo a câștigat un meci de trei jocuri împotriva lui Ke Jie, care ocupase locul 1 mondial pentru Go în ultimii doi ani. Pentru a învăța, AI a folosit tehnici de învățare supravegheată, studiind multe jocuri pe care oamenii le-au jucat unul împotriva celuilalt.

Întărirea învățării profunde

Tehnologia AlphaGo a fost creată pe baza metodei de învățare profundă de întărire, un tip de învățare automată. Potrivit unui articol al Artificial Intelligence Depot, acesta „permite mașinilor și agenților software să determine automat comportamentul ideal într-un anumit context, pentru a-și maximiza performanța”. Când AI joacă Go, de exemplu, feedback-ul simplu de recompensă ajută AI să învețe din experiență și acesta se numește „semnal de întărire”.

AlphaGo și AlphaGo Zero

Pe măsură ce AlphaGo a învățat urmărindu-i pe alții și jucând mai multe jocuri Go în sine, a învățat nu numai din eșecuri, ci și din victorii. Apoi, datele istorice au fost adăugate în cunoștințele sale de jocuri până când a procesat peste 30 de milioane de jocuri. AlphaGo Zero, o versiune îmbunătățită, a învins AlphaGo 100 de jocuri la zero în 2017. În mod uimitor, această performanță a fost posibilă după doar trei zile de învățare a jocului AlphaGo Zero. În plus, AlphaZero, un AlphaGo Zero modificat, a devenit supraomenesc priceput la șah și la învățarea shogi doar prin joc propriu.

DeepMind Health și identificarea bolilor oculare

În 2016, DeepMind a intrat în colaborare cu Moorsfield Eye Hospital pentru a dezvolta aplicații AI pentru asistența medicală. Accentul lor a fost pe îmbunătățirea modalităților în care pacienții sunt tratați și îndrumați pentru boli oculare.

În prezent, profesioniștii din domeniul ochilor utilizează tomografia cu coerență optică (OCT) pentru a ajuta la diagnosticarea bolilor oculare. Scanările OCT sunt imagini 3D care cartografiază partea din spate a ochiului. Ele sunt notoriu greu de citit și au nevoie de analize de specialitate pentru a obține o înțelegere suplimentară. Între timpul lung de analiză și numărul mare de scanări pe zi (aproximativ 1.000 pe zi la Moorfields), timpul dintre scanare și tratament poate fi destul de întârziat - chiar și în cazul îngrijirilor de urgență. Din păcate, aceasta înseamnă că, dacă există o problemă cu debut brusc, cum ar fi sângerarea, întârzierea scanării până la tratament ar putea chiar să coste un pacient vederea.

Articolul DeepMind raportează că sistemul lor AI „poate interpreta rapid scanările oculare din practica clinică de rutină cu o acuratețe fără precedent” și apoi poate recomanda cursuri de tratament „la fel de precis ca medicii experți de top din lume”. Sistemul poate detecta prezența bolii oculare în câteva secunde și poate acorda prioritate pacienților care au cel mai mult nevoie de îngrijire urgentă. Datorită acestei tehnologii, timpul de așteptare dintre scanare și tratament va fi redus drastic, ajutându-i pe cei expuși riscului și scăzând șansele de pierdere a ochilor din cauza intervalului de timp.

DeepMind Health și identificarea bolilor oculare

La începutul acestui an, DeepMind a colaborat cu Cancer Research UK Imperial Center pentru a evalua dacă tehnologia AI ar putea ajuta profesioniștii în diagnosticarea cancerului de sân în mamografii mai eficient și mai rapid decât ar putea un profesionist uman. Lucrările continuă, deoarece DeepMind speră să ajute la îmbunătățirea recunoașterii cancerului de sân, așa cum a făcut-o în cazul bolilor oculare.

Pe 4 octombrie 2018, un articol DeepMind a anunțat că proiectul DeepMind Health a fost extins la Spitalul Universitar Jikei -- una dintre instituțiile medicale de top din Japonia -- pentru un parteneriat de cinci ani. Scopul împerecherii este de a analiza mamografii istorice, de-identificate de la aproximativ 30.000 de femei, alături de baza de date istorică, de-identificate de mamografii furnizată de Regatul Unit, pentru a vedea dacă tehnologia poate localiza mai eficient semnele de țesut canceros pe raze X. decât tehnicile actuale.

Cu toate acestea, cercetarea trebuie efectuată cu atenție, deoarece poate apărea părtinire atunci când un sistem AI este antrenat pe date care nu le reflectă cu acuratețe pe cele pe care încearcă să le ajute sau să le evalueze. De exemplu, pot exista variații în densitatea sânilor între grupurile etnice, un factor care ar putea determina accidental ca unii pacienți să fie etichetați ca fiind canceri, atunci când densitatea lor era doar mai mare.

DeepMind și previziunea bolilor oculare

La fel cum DeepMind Health a folosit scanările OCT pentru a observa prezența bolii, profesioniștii încearcă să vadă dacă poate fi folosită și pentru a prezice boala iminentă înainte de a se produce. Analizând 7.000 de pacienți de la Moorfield Eye Hospital care au primit tratament pentru ochi doar într-un ochi, aparatul poate încerca să prezică deteriorarea celuilalt ochi.

Potrivit unui articol DeepMind, „prevederea indicatorilor potențiali ai bolii este o sarcină mult mai complicată – și mai intensă din punct de vedere computațional – decât identificarea simptomelor cunoscute existente”. Pentru a potrivi capacitatea cu nevoile de calcul, DeepMind și Moorfields au convenit să utilizeze infrastructura de cloud computing a Google din Marea Britanie și SUA.

Plierea proteinelor AlphaFold

Recent, cel mai recent program de inteligență artificială al DeepMind, AlphaFold, a învins concurența la o faptă deosebit de obositoare: prezicerea formelor 3D ale proteinelor. Deși poate fi puțin discutat în afara cercurilor academice, plierea proteinelor implică pe toată lumea. Este o formă de „origami molecular”, așa cum spune un articol din The Guardian. Oamenii de știință folosesc de obicei microscopia crio-electronică, cristalografia cu raze X și rezonanța magnetică nucleară pentru a determina formele proteinelor, dar depinde de încercare și eroare, timp și bani.

Cu cât proteina este mai mare, cu atât este mai greu de modelat corect, deoarece sunt mai multe interacțiuni de luat în considerare. De exemplu, ADN-ul conține informații despre aminoacizi, care formează lanțuri lungi. Prezicerea structurii acelor lanțuri și a modului în care se formează în forme 3D este „problema plierii proteinelor”. După cum notează un articol DeepMind, paradoxul lui Levinthal afirmă că „ar dura mai mult decât vârsta universului pentru a enumera toate configurațiile posibile ale unei proteine ​​tipice înainte de a ajunge la structura 3D potrivită”.

Înțelegerea formei unei proteine ​​înseamnă a merge un drum lung în înțelegerea funcției acesteia. Numai acest act de pliere a proteinelor prezisă de IA ar putea aduce un proces masiv pentru domeniile științifice și medicale. Luați în considerare faptul că atunci când proteinele devin încurcate sau pliate greșit, ele pot duce la diabet, Parkinson, Huntington, fibroză chistică și boala Alzheimer.

Speranța este că, dacă oamenii de știință pot prezice forma unei proteine ​​din compoziția sa chimică, ei pot afla ce face și cum se poate plia incorect și poate cauza rău. Mai mult, aplicațiile de inteligență artificială ar putea chiar proiecta noi proteine ​​pentru a lupta împotriva bolilor sau pentru a îndeplini sarcini, deschizând o nouă eră a medicinei.