谷歌的 DeepMind 可能开创医学新时代

近日，科技界不断传出谷歌的DeepMind应用更上一层楼的消息。 打乒乓球或国际象棋的日子已经一去不复返了。 早在 2016 年，DeepMind 就开始对医疗保健行业产生影响。 最近，DeepMind 的能力现在可能能够将我们完全带入一个新的医学时代。 让我们来探索一下 DeepMind 从何而来，它如何变得如此智能，以及它如何可能彻底改变医学的未来。

DeepMind 的起源

DeepMind 是一家 2010 年的初创公司，最初由三个人创立：Shane Legg、Demis Hassabis 和 Mustafa Suleyman。 在接受采访时，哈萨比斯指出，他们通过选择 1970 年代和 1980 年代的原始游戏供人工智能玩来研究人工智能技术。 就像在《玩家一号》中一样，AI 机器播放了《太空入侵者》、《突围》甚至复古经典《乒乓》等游戏。

随着 AI 的引入，它通过游戏来学习，之前没有被告知规则。 在玩游戏并失败一段时间后，AI 将学习并掌握游戏。 例如，此视频说明了 AI 掌握 Atari Breakout。 根据福布斯的一篇文章，据说人工智能的认知过程“非常像一个从未见过游戏的人会使用的”，以便掌握关键概念，然后熟练掌握。

游戏作为一种进化工具

2015 年 10 月，DeepMind 开发的计算机围棋程序 AlphaGo 以 5 比零击败欧洲围棋冠军范慧（九段二段）。计算机已经能够击败职业围棋选手。 这背后的原因是复杂程度。 与国际象棋等其他游戏相比，计算机赢得围棋的难度要大得多，因为它具有广泛的可能性，这使得人工智能更难使用详尽的搜索方法来获胜。

然后，在 2016 年 3 月，AlphaGo 在四比一的比赛中击败了全球围棋排名最高的棋手之一李世石（九段九段）。 次年，AlphaGo 与过去两年保持围棋世界第一的柯洁在三局比赛中获胜。 为了学习，人工智能使用监督学习技术，研究人类相互对抗的许多游戏。

强化深度学习

AlphaGo 技术是基于强化深度学习方法创建的，这是一种机器学习。 根据人工智能仓库的一篇文章，它“允许机器和软件代理在特定环境中自动确定理想的行为，以最大限度地提高其性能。” 例如，当 AI 下围棋时，简单的奖励反馈有助于 AI 从经验中学习，这被称为“强化信号”。

AlphaGo 和 AlphaGo 零

由于 AlphaGo 通过观察他人和自己玩更多的围棋游戏来学习，它不仅从失败中学习，还从胜利中学习。 然后历史数据被添加到它的游戏知识中，直到它处理了超过 3000 万个游戏。 AlphaGo Zero 改进版在 2017 年以零比分击败了 AlphaGo 100 场比赛。 令人惊讶的是，这一壮举在 AlphaGo Zero 学习比赛仅三天后就成为可能。 此外，AlphaZero，一个经过修改的 AlphaGo Zero，在国际象棋和将棋学习方面变得超人，完全通过自我对弈。

DeepMind 健康与眼部疾病识别

2016 年，DeepMind 与 Moorsfield 眼科医院合作开发医疗保健 AI 应用程序。 他们的重点是改善患者治疗和转诊眼部疾病的方式。

目前，眼保健专业人员利用光学相干断层扫描 (OCT) 扫描来帮助诊断眼病。 OCT 扫描是绘制出眼睛背面的 3D 图像。 众所周知，它们难以阅读，需要专家分析才能进一步理解。 在漫长的分析时间和每天大量的扫描（Moorfields 每天大约 1,000 次）之间，扫描和治疗之间的时间可能会延迟——即使是在紧急护理的情况下。 不幸的是，这意味着如果出现突然发作的问题，例如出血，扫描到治疗的延迟甚至可能使患者失去视力。

DeepMind 文章报道称，他们的人工智能系统“可以以前所未有的准确度快速解释常规临床实践中的眼部扫描”，然后“像世界领先的专家医生一样准确地”推荐治疗方案。 该系统可以在几秒钟内检测到眼部疾病的存在，并优先考虑最需要紧急护理的患者。 由于这项技术，扫描和治疗之间的等待时间将大大减少，帮助那些处于危险中的人并降低他们因时间流逝而失眼的机会。

DeepMind 健康与眼部疾病识别

今年早些时候，DeepMind 与英国癌症研究帝国中心合作，评估人工智能技术是否可以帮助专业人员比人类专业人员更有效、更快速地通过乳房 X 光检查诊断乳腺癌。 DeepMind 希望帮助改善对乳腺癌的识别，就像它对眼部疾病所做的那样，工作仍在继续。

2018 年 10 月 4 日，DeepMind 的一篇文章宣布，DeepMind Health 项目正在扩展到日本领先的医疗机构之一的滋庆大学医院，进行为期五年的合作。 配对的目的是分析来自大约 30,000 名女性的历史性去身份化乳房 X 光照片以及英国提供的历史性去身份化乳房 X 光照片数据库，以查看技术是否可以更有效地在 X 射线上定位癌组织的迹象比目前的技术。

然而，研究必须谨慎进行，因为当人工智能系统接受的数据不能准确反映它试图帮助或评估的数据时，就会出现偏差。 例如，不同种族之间的乳房密度可能存在差异，这一因素可能会意外地导致一些患者被贴上癌症的标签，而实际上他们的密度只是更高。

DeepMind 和预测眼病

正如 DeepMind Health 使用 OCT 扫描来记录疾病的存在一样，专业人士正在尝试看看它是否也可以用于在疾病发生之前预测即将发生的疾病。 通过分析 Moorfield 眼科医院的 7,000 名仅接受过一只眼睛治疗的患者，该机器可以尝试预测另一只眼睛的恶化情况。

根据 DeepMind 的一篇文章，“预测疾病的潜在指标比识别现有的已知症状要复杂得多，而且计算量也很大。” 为了匹配计算需求的能力，DeepMind 和 Moorfields 已同意使用来自英国和美国的谷歌云计算基础设施。

AlphaFold 蛋白质折叠

最近，DeepMind 的最新人工智能程序 AlphaFold 在一项特别艰巨的任务中击败了竞争对手：预测蛋白质的 3D 形状。 虽然在学术圈外可能很少讨论，但蛋白质折叠涉及每个人。 正如《卫报》的一篇文章所说，这是一种“分子折纸”形式。 科学家通常使用冷冻电子显微镜、X 射线晶体学和核磁共振来确定蛋白质形状，但这取决于反复试验、时间和金钱。

蛋白质越大，正确建模就越困难，因为需要考虑更多的相互作用。 例如，DNA 包含有关形成长链的氨基酸的信息。 预测这些链的结构以及它们如何形成 3D 形状是“蛋白质折叠问题”。 正如 DeepMind 的一篇文章所指出的那样，莱文塔尔悖论指出，“在达到正确的 3D 结构之前，枚举典型蛋白质的所有可能配置需要比宇宙年龄更长的时间。”

了解蛋白质的形状对了解其功能大有帮助。 仅凭人工智能预测的蛋白质折叠这一行为就可以为科学和医学领域带来巨大的进程。 考虑到当蛋白质缠结或错误折叠时，它们会导致糖尿病、帕金森病、亨廷顿舞蹈病、囊性纤维化和阿尔茨海默病。

希望是，如果科学家能够从蛋白质的化学成分中预测蛋白质的形状，他们就能弄清楚它的作用以及它如何错误折叠并造成伤害。 此外，人工智能应用程序甚至可以设计新的蛋白质来对抗疾病或履行职责，开创医学的新时代。