DeepMind от Google может открыть новую эру медицины

Недавно технические круги гудели от новостей о том, что DeepMind от Google вышел на еще более высокий уровень применения. Прошли те времена, когда играли в понг или шахматы. Еще в 2016 году DeepMind начал оказывать влияние на секторы здравоохранения. В последнее время способности DeepMind могут полностью перевести нас в новую эру медицины. Давайте исследуем, откуда появился DeepMind, как он стал таким умным и как он может полностью изменить будущее медицины.

Истоки DeepMind

DeepMind был стартапом 2010 года, первоначально основанным тремя людьми: Шейном Леггом, Демисом Хассабисом и Мустафой Сулейманом. В интервью Хассабис отметил, что они работали над технологией искусственного интеллекта, выбирая для ИИ примитивные игры 1970-х и 1980-х годов. Как будто из Ready Player One, машина AI играла в Space Invaders, Breakout и даже в ретро-классику Pong.

Когда был представлен ИИ, он учился в ходе игрового процесса, без предварительного ознакомления с правилами. Поиграв в игру и некоторое время терпя неудачу, ИИ изучал и овладевал игрой. Например, это видео показывает, как AI осваивает Atari Breakout. Согласно статье Forbes, когнитивные процессы ИИ «очень похожи на те, которые использует человек, который никогда не видел игру», чтобы понять ключевые концепции, а затем стать в них знатоком.

Игры как инструмент эволюции

AlphaGo, компьютерная программа Го, разработанная DeepMind, победила чемпиона Европы по Го Фан Хуэй (два дана из девяти) со счетом 5: 0 в октябре 2015 года. Это стало важной вехой для технологии ИИ, поскольку это был первый раз компьютер смог обыграть профессионального игрока в го. Причина этого - уровень сложности. Для компьютеров в го гораздо труднее выиграть - по сравнению с другими играми, такими как шахматы - из-за обширного диапазона возможностей, из-за чего ИИ сложнее использовать методы исчерпывающего поиска для победы.

Затем, в марте 2016 года, AlphaGo победила Ли Седола (девять данов из девяти), одного из лучших игроков в го в мире, в матче четыре на один. В следующем году AlphaGo выиграла матч из трех игр против Кэ Джи, который занимал первое место в мире по го в течение последних двух лет. Для обучения ИИ использовал контролируемые методы обучения, изучая множество игр, в которые люди играли друг против друга.

Глубокое обучение с подкреплением

Технология AlphaGo была создана на основе метода глубокого обучения с подкреплением, разновидности машинного обучения. Согласно статье Artificial Intelligence Depot, он «позволяет машинам и программным агентам автоматически определять идеальное поведение в конкретном контексте, чтобы максимизировать его производительность». Например, когда ИИ играет в го, простая обратная связь с вознаграждением помогает ИИ учиться на собственном опыте, и это называется «сигналом подкрепления».

AlphaGo и AlphaGo Zero

AlphaGo училась, наблюдая за другими и играя в другие игры в го, она извлекала уроки не только из неудач, но и из побед. Затем в его игровые знания были добавлены исторические данные, пока не было обработано более 30 миллионов игр. AlphaGo Zero, улучшенная версия, обошла AlphaGo 100 игр до нуля в 2017 году. Удивительно, но этот подвиг стал возможен всего после трех дней изучения игры AlphaGo Zero. Кроме того, AlphaZero, модифицированная AlphaGo Zero, приобрела сверхчеловеческие навыки в шахматах и ​​обучении сёги исключительно посредством игры самостоятельно.

DeepMind Health и идентификация глазных болезней

В 2016 году DeepMind начала сотрудничество с офтальмологической клиникой Мурсфилд для разработки приложений искусственного интеллекта для здравоохранения. Их внимание было сосредоточено на улучшении способов лечения и направления пациентов с глазными заболеваниями.

В настоящее время офтальмологи используют сканирование оптической когерентной томографии (ОКТ) для диагностики глазных заболеваний. ОКТ-сканирование - это трехмерное изображение, отображающее заднюю часть глаза. Их, как известно, трудно читать, и для их понимания необходим экспертный анализ. Из-за длительного времени анализа и огромного количества сканирований в день (примерно 1000 в день в Moorfields) время между сканированием и лечением может значительно увеличиться - даже в случае неотложной помощи. К сожалению, это означает, что при внезапном возникновении проблемы, такой как кровотечение, задержка от сканирования до лечения может даже стоить пациенту зрения.

В статье DeepMind сообщается, что их система искусственного интеллекта «может с беспрецедентной точностью быстро интерпретировать снимки глаз, полученные в результате повседневной клинической практики», а затем рекомендовать курсы лечения «так же точно, как ведущие мировые врачи-эксперты». Система может определять наличие глазных болезней за секунды, а также определять приоритеты пациентов, которые больше всего нуждаются в неотложной помощи. Благодаря этой технологии время ожидания между сканированием и лечением будет значительно сокращено, что поможет тем, кто находится в группе риска, и снизит вероятность потери зрения из-за таймлапса.

DeepMind Health и идентификация глазных болезней

Ранее в этом году DeepMind сотрудничал с Имперским центром Великобритании по исследованию рака, чтобы оценить, могут ли технологии искусственного интеллекта помочь специалистам в диагностике рака груди с помощью маммографии более эффективно и быстрее, чем это мог бы сделать специалист-человек. Работа продолжается, поскольку DeepMind надеется помочь улучшить распознавание рака груди, как это было с глазными заболеваниями.

4 октября 2018 года в статье DeepMind было объявлено, что проект DeepMind Health расширяется до университетской больницы Дзикей - одного из ведущих медицинских учреждений Японии - в рамках пятилетнего партнерства. Цель объединения в пары - проанализировать исторические обезличенные маммограммы примерно 30000 женщин вместе с исторической базой данных обезличенных маммографий, предоставленной Великобританией, чтобы увидеть, могут ли технологии более эффективно обнаруживать признаки раковой ткани на рентгеновских снимках. чем текущие методы.

Тем не менее, исследования должны проводиться осторожно, поскольку может возникнуть систематическая ошибка, когда система ИИ обучается на данных, которые не точно отражают те, которым она пытается помочь или оценить. Например, могут быть различия в плотности груди между этническими группами, фактор, из-за которого некоторые пациенты могут быть случайно названы злокачественными, хотя на самом деле их плотность была просто выше.

DeepMind и прогнозирование глазных болезней

Подобно тому, как DeepMind Health использовала сканирование OCT для определения наличия заболевания, профессионалы пытаются выяснить, можно ли его использовать для прогнозирования надвигающегося заболевания до того, как оно произойдет. Анализируя 7000 пациентов в офтальмологической клинике Мурфилд, которым была проведена коррекция зрения только на один глаз, аппарат может попытаться предсказать ухудшение состояния другого глаза.

Согласно статье DeepMind, «прогнозирование потенциальных индикаторов заболевания - гораздо более сложная и требовательная к вычислениям задача, чем выявление существующих известных симптомов». Чтобы обеспечить соответствие вычислительной мощности потребностям, DeepMind и Moorfields согласились использовать инфраструктуру облачных вычислений Google из Великобритании и США.

AlphaFold Protein Folding (Сворачивание протеина)

Недавно последняя программа искусственного интеллекта DeepMind, AlphaFold, обошла конкурентов в одном особенно изнурительном подвиге: предсказании трехмерных форм белков. Хотя за пределами академических кругов это мало обсуждается, сворачивание белка затрагивает всех. Как говорится в статье в The Guardian, это форма «молекулярного оригами». Ученые обычно используют криоэлектронную микроскопию, рентгеновскую кристаллографию и ядерный магнитный резонанс для определения формы белков, но это зависит от проб и ошибок, времени и денег.

Чем больше белок, тем сложнее правильно смоделировать, потому что необходимо учитывать больше взаимодействий. Например, ДНК содержит информацию об аминокислотах, которые образуют длинные цепи. Предсказание структуры этих цепей и того, как они превращаются в трехмерные формы, и есть «проблема сворачивания белка». Как отмечается в статье DeepMind, парадокс Левинталя гласит, что «потребуется больше времени, чем возраст Вселенной, чтобы перечислить все возможные конфигурации типичного белка до достижения правильной трехмерной структуры».

Понимание формы белка имеет большое значение для понимания его функции. Сам по себе этот акт сворачивания белков, предсказанный ИИ, может привести к массовым изменениям в научных и медицинских областях. Учтите, что когда белки запутываются или неправильно свертываются, они могут привести к диабету, болезни Паркинсона, Хантингтона, муковисцидозу и болезни Альцгеймера.

Есть надежда, что если ученые смогут предсказать форму белка по его химическому составу, они смогут выяснить, что он делает и как он может неправильно складываться и причинять вред. Кроме того, приложения искусственного интеллекта могут даже создавать новые белки для борьбы с болезнями или выполнения обязанностей, открывая новую эру медицины.