Google'ın DeepMind'i Tıpta Yeni Bir Çağın Başlangıcı Olabilir

Son zamanlarda, teknoloji çevreleri, Google'ın DeepMind'inin daha da yüksek bir uygulama düzeyine ulaştığı haberleriyle dolup taşıyor. Pong veya satranç oynama günleri geride kaldı. DeepMind, 2016 yılının başlarında sağlık sektörlerinde önemli etkilere sahip olmaya başlamıştı. Son zamanlarda, DeepMind'in yetenekleri artık bizi tamamen yeni bir tıp çağına kaydırma yeteneğine sahip olabilir. DeepMind'in nereden geldiğini, nasıl bu kadar akıllı hale geldiğini ve tıbbın geleceğini nasıl tamamen değiştirebileceğini keşfedelim.

DeepMind'ın Kökenleri

DeepMind, başlangıçta üç kişi tarafından kurulan 2010'da bir girişimdi: Shane Legg, Demis Hassabis ve Mustafa Suleyman. Bir röportajda Hassabis, yapay zekanın oynaması için 1970'ler ve 1980'lerden ilkel oyunları seçerek yapay zeka teknolojisi üzerinde çalıştıklarını belirtti. Hazır Oyuncu Bir'den çıkmış gibi, AI makinesi Space Invaders, Breakout ve hatta retro klasik Pong gibi oyunları oynadı.

AI tanıtıldığında, daha önce kurallar söylenmeden oyun yoluyla öğrendi. Oyunu oynadıktan ve bir süre başarısız olduktan sonra, AI oyunu öğrenecek ve ustalaşacaktı. Örneğin, bu video AI mastering Atari Breakout'u göstermektedir. Bir Forbes makalesine göre, AI'nın bilişsel süreçlerinin, "oyunu hiç görmemiş bir insanın kullanacağı gibi" olduğu söyleniyor, anahtar kavramları kavramak ve sonra bunda ustalaşmak için.

Evrimsel Bir Araç Olarak Oyun Oynamak

DeepMind tarafından geliştirilen bir bilgisayar Go programı olan AlphaGo, Ekim 2015'te Avrupa Go şampiyonu Fan Hui'yi (dokuz üzerinden iki dan) beşe sıfır yendi. bilgisayar profesyonel bir Go oyuncusunu yenebilmişti. Bunun nedeni karmaşıklık düzeyidir. Go, bilgisayarların kazanması için çok daha zor - satranç gibi diğer oyunlara kıyasla - çok çeşitli olasılıklar nedeniyle, AI'nın kazanmak için kapsamlı arama yöntemlerini kullanmasını zorlaştırıyor.

Ardından, Mart 2016'da AlphaGo, dünyanın en yüksek puanlı Go oyuncularından biri olan Lee Sedol'u (dokuz üzerinden dokuz dan) bire bir maçta yendi. Sonraki yıl, AlphaGo, Go için son iki yıldır dünyada 1 numara olan Ke Jie'ye karşı üç maçlık bir maç kazandı. Yapay zeka, öğrenmek için insanların birbirine karşı oynadığı birçok oyunu inceleyerek denetimli öğrenme tekniklerini kullandı.

Takviye Derin Öğrenme

AlphaGo teknolojisi, bir tür Makine Öğrenimi olan pekiştirici derin öğrenme yöntemine dayalı olarak oluşturulmuştur. Yapay Zeka Deposu'nun bir makalesine göre, "makinelerin ve yazılım aracılarının performansını en üst düzeye çıkarmak için belirli bir bağlamda ideal davranışı otomatik olarak belirlemesine izin verir." Örneğin, AI Go oynadığında, basit ödül geri bildirimi, AI'nın deneyimlerden öğrenmesine yardımcı olur ve buna "pekiştirme sinyali" denir.

AlphaGo ve AlphaGo Sıfır

AlphaGo, başkalarını izlemekten ve daha fazla Go oyunu oynamaktan öğrendiği gibi, yalnızca başarısızlıklardan değil, aynı zamanda galibiyetlerden de öğrendi. Ardından, 30 milyondan fazla oyunu işleyene kadar oyun bilgisine geçmiş veriler eklendi. Geliştirilmiş bir sürüm olan AlphaGo Zero, 2017'de AlphaGo 100 oyunlarını sıfıra indirdi. Şaşırtıcı bir şekilde bu başarı, AlphaGo Zero'nun oyunu öğrenmesinden yalnızca üç gün sonra mümkün oldu. Ek olarak, değiştirilmiş bir AlphaGo Zero olan AlphaZero, satranç ve shogi öğrenmede tamamen kendi kendine oynama yoluyla insanüstü bir beceri kazandı.

DeepMind Sağlık ve Göz Hastalıkları Tanımlama

DeepMind, 2016 yılında sağlık hizmetleri için yapay zeka uygulamaları geliştirmek üzere Moorsfield Göz Hastanesi ile işbirliğine gitti. Odak noktaları, hastaların göz hastalıkları için tedavi edilme ve sevk edilme yöntemlerini geliştirmekti.

Şu anda, göz sağlığı uzmanları, göz hastalıklarının teşhisine yardımcı olmak için optik koherens tomografi (OCT) taramalarını kullanmaktadır. OCT taramaları, gözün arka tarafını haritalayan 3 boyutlu görüntülerdir. Herkesin bildiği gibi okunması zordur ve daha fazla anlayış kazanmak için uzman analizine ihtiyaç duyarlar. Uzun analiz süresi ve günde çok sayıda tarama (Moorfields'de günde yaklaşık 1.000) arasında, tarama ve tedavi arasındaki süre, acil bakım durumunda bile oldukça gecikebilir. Ne yazık ki bu, kanama gibi ani başlayan bir sorun varsa, taramadan tedaviye kadar olan gecikmenin hastanın görme kaybına bile yol açabileceği anlamına gelir.

DeepMind makalesi, AI sistemlerinin "rutin klinik uygulamalardan alınan göz taramalarını benzeri görülmemiş bir doğrulukla hızlı bir şekilde yorumlayabildiğini" ve ardından "dünya lideri uzman doktorlar kadar doğru bir şekilde" tedavi kursları önerdiğini bildiriyor. Sistem, göz hastalığının varlığını saniyeler içinde tespit edebiliyor ve en acil bakıma ihtiyacı olan hastalara öncelik verebiliyor. Bu teknoloji sayesinde, tarama ve tedavi arasındaki bekleme süresi büyük ölçüde azaltılarak risk altındakilere yardımcı olunacak ve zaman aşımı nedeniyle göz kaybı şansları azaltılacaktır.

DeepMind Sağlık ve Göz Hastalıkları Tanımlama

Bu yılın başlarında DeepMind, AI teknolojisinin profesyonellere mamogramlarda meme kanserini teşhis etmede bir profesyonel insandan daha etkili ve hızlı bir şekilde yardımcı olup olamayacağını değerlendirmek için Cancer Research UK Imperial Center ile ortaklık kurdu. DeepMind, oküler hastalıkta olduğu gibi meme kanseri tanımanın iyileştirilmesine yardımcı olmayı umduğu için çalışmalar devam ediyor.

4 Ekim 2018'de bir DeepMind makalesi, DeepMind Health projesinin beş yıllık bir ortaklık için Japonya'nın önde gelen tıbbi kurumlarından biri olan Jikei Üniversite Hastanesi'ne genişletildiğini duyurdu. Eşleştirmenin amacı, teknolojinin kanserli doku belirtilerini x-ışınları üzerinde daha etkili bir şekilde bulup bulamayacağını görmek için, Birleşik Krallık tarafından sağlanan tarihi, kimliği belirsizleştirilmiş mamografi veri tabanının yanı sıra kabaca 30.000 kadına ait tarihi, kimliği belirsiz mamogramları analiz etmektir. mevcut tekniklerden daha fazla.

Bununla birlikte, bir AI sistemi, yardım etmeye veya değerlendirmeye çalıştıklarını doğru bir şekilde yansıtmayan veriler üzerinde eğitildiğinde yanlılık meydana gelebileceğinden, araştırma dikkatli bir şekilde yapılmalıdır. Örneğin, etnik gruplar arasında meme yoğunluğunda farklılıklar olabilir; bu, bazı hastaların yoğunlukları gerçekten daha yüksekken yanlışlıkla kanserli olarak etiketlenmesine neden olabilen bir faktör olabilir.

DeepMind ve Göz Hastalıklarını Öngörme

DeepMind Health'in hastalığın varlığını not etmek için OCT taramalarını kullanması gibi, profesyoneller de yaklaşan hastalığı ortaya çıkmadan önce tahmin etmek için kullanılıp kullanılamayacağını görmeye çalışıyorlar. Makine, Moorfield Göz Hastanesi'nde sadece bir gözünde göz tedavisi görmüş 7.000 hastayı analiz ederek, diğer gözdeki bozulmayı tahmin etmeye çalışabilir.

Bir DeepMind makalesine göre, "hastalık için potansiyel göstergeleri tahmin etmek, mevcut bilinen semptomları tanımlamaktan çok daha karmaşık ve hesaplama açısından yoğun bir görevdir." DeepMind ve Moorfields, yeteneği bilgi işlem ihtiyacıyla eşleştirmek için Google'ın Birleşik Krallık ve ABD'deki bulut bilişim altyapısını kullanmayı kabul etti.

AlphaFold Protein Katlanması

Son zamanlarda, DeepMind'in en son AI programı AlphaFold, özellikle yorucu bir başarıda rekabeti geride bıraktı: proteinlerin 3D şekillerini tahmin etmek. Akademik çevrelerin dışında çok az tartışılabilse de, protein katlanması herkesi ilgilendiriyor. The Guardian'daki bir makalenin belirttiği gibi, bir "moleküler origami" biçimidir. Bilim adamları, protein şekillerini belirlemek için genellikle kriyo-elektron mikroskobu, X-ışını kristalografisi ve nükleer manyetik rezonans kullanır, ancak bu deneme yanılma, zaman ve paraya bağlıdır.

Protein ne kadar büyükse, hesaba katılması gereken daha fazla etkileşim olduğu için doğru bir şekilde modellemek o kadar zor olur. Örneğin DNA, uzun zincirler oluşturan amino asitler hakkında bilgi içerir. Bu zincirlerin yapısını ve nasıl 3 boyutlu şekillere dönüştüklerini tahmin etmek "protein katlama problemi"dir. Bir DeepMind makalesinde belirtildiği gibi, Levinthal'ın paradoksu “doğru 3B yapıya ulaşmadan önce tipik bir proteinin tüm olası konfigürasyonlarını sıralamak evrenin yaşından daha uzun sürer” diyor.

Bir proteinin şeklini anlamak, işlevini anlamakta uzun bir yol kat etmektir. Yapay zekanın öngördüğü protein katlanmasının tek başına bu eylemi, bilimsel ve tıbbi alanlar için büyük bir süreç getirebilir. Proteinler birbirine karıştığında veya yanlış katlandığında diyabet, Parkinson, Huntington, kistik fibroz ve Alzheimer hastalığına yol açabileceğini unutmayın.

Umut şu ki, bilim adamları bir proteinin şeklini kimyasal bileşiminden tahmin edebilirlerse, onun ne yaptığını ve nasıl yanlış katlanıp zarar verebileceğini çözebilirler. Ayrıca, AI uygulamaları hastalıklarla savaşmak veya görevleri yerine getirmek için yeni bir tıp çağını başlatan yeni proteinler bile tasarlayabilir.