谷歌的 DeepMind 可能開創醫學新時代

近日，科技界不斷傳出谷歌的DeepMind應用更上一層樓的消息。 打乒乓球或國際象棋的日子已經一去不復返了。 早在 2016 年，DeepMind 就開始對醫療保健行業產生影響。 最近，DeepMind 的能力現在可能能夠將我們完全帶入一個新的醫學時代。 讓我們來探索一下 DeepMind 從何而來，它如何變得如此智能，以及它如何可能徹底改變醫學的未來。

DeepMind 的起源

DeepMind 是一家 2010 年的初創公司，最初由三個人創立：Shane Legg、Demis Hassabis 和 Mustafa Suleyman。 在接受采訪時，哈薩比斯指出，他們通過選擇 1970 年代和 1980 年代的原始遊戲供人工智能玩來研究人工智能技術。 就像在《玩家一號》中一樣，AI 機器播放了《太空入侵者》、《突圍》甚至復古經典《乒乓》等遊戲。

隨著 AI 的引入，它通過遊戲來學習，之前沒有被告知規則。 在玩遊戲並失敗一段時間後，AI 將學習並掌握遊戲。 例如，此視頻說明了 AI 掌握 Atari Breakout。 根據福布斯的一篇文章，據說人工智能的認知過程“非常像一個從未見過遊戲的人會使用的”，以便掌握關鍵概念，然後熟練掌握。

遊戲作為一種進化工具

2015 年 10 月，DeepMind 開發的計算機圍棋程序 AlphaGo 以 5 比零擊敗歐洲圍棋冠軍範慧（九段二段）。計算機已經能夠擊敗職業圍棋選手。 這背後的原因是複雜程度。 與國際象棋等其他遊戲相比，計算機贏得圍棋的難度要大得多，因為它具有廣泛的可能性，這使得人工智能更難使用詳盡的搜索方法來獲勝。

然後，在 2016 年 3 月，AlphaGo 在四比一的比賽中擊敗了全球圍棋排名最高的棋手之一李世石（九段九段）。 次年，AlphaGo 與過去兩年保持圍棋世界第一的柯潔在三局比賽中獲勝。 為了學習，人工智能使用監督學習技術，研究人類相互對抗的許多遊戲。

強化深度學習

AlphaGo 技術是基於強化深度學習方法創建的，這是一種機器學習。 根據人工智能倉庫的一篇文章，它“允許機器和軟件代理在特定環境中自動確定理想的行為，以最大限度地提高其性能。” 例如，當 AI 下圍棋時，簡單的獎勵反饋有助於 AI 從經驗中學習，這被稱為“強化信號”。

AlphaGo 和 AlphaGo 零

由於 AlphaGo 通過觀察他人和自己玩更多的圍棋遊戲來學習，它不僅從失敗中學習，還從勝利中學習。 然後歷史數據被添加到它的遊戲知識中，直到它處理了超過 3000 萬個遊戲。 AlphaGo Zero 改進版在 2017 年以零比分擊敗了 AlphaGo 100 場比賽。 令人驚訝的是，這一壯舉在 AlphaGo Zero 學習比賽僅三天后就成為可能。 此外，AlphaZero，一個經過修改的 AlphaGo Zero，在國際象棋和將棋學習方面變得超人，完全通過自我對弈。

DeepMind 健康與眼部疾病識別

2016 年，DeepMind 與 Moorsfield 眼科醫院合作開發醫療保健 AI 應用程序。 他們的重點是改善患者治療和轉診眼部疾病的方式。

目前，眼保健專業人員利用光學相干斷層掃描 (OCT) 掃描來幫助診斷眼病。 OCT 掃描是繪製出眼睛背面的 3D 圖像。 眾所周知，它們難以閱讀，需要專家分析才能進一步理解。 在漫長的分析時間和每天大量的掃描（Moorfields 每天大約 1,000 次）之間，掃描和治療之間的時間可能會延遲——即使是在緊急護理的情況下。 不幸的是，這意味著如果出現突然發作的問題，例如出血，掃描到治療的延遲甚至可能使患者失去視力。

DeepMind 文章報導稱，他們的人工智能係統“可以以前所未有的準確度快速解釋常規臨床實踐中的眼部掃描”，然後“像世界領先的專家醫生一樣準確地”推薦治療方案。 該系統可以在幾秒鐘內檢測到眼部疾病的存在，並優先考慮最需要緊急護理的患者。 由於這項技術，掃描和治療之間的等待時間將大大減少，幫助那些處於危險中的人並降低他們因時間流逝而失眼的機會。

DeepMind 健康與眼部疾病識別

今年早些時候，DeepMind 與英國癌症研究帝國中心合作，評估人工智能技術是否可以幫助專業人員比人類專業人員更有效、更快速地通過乳房 X 光檢查診斷乳腺癌。 DeepMind 希望幫助改善對乳腺癌的識別，就像它對眼部疾病所做的那樣，工作仍在繼續。

2018 年 10 月 4 日，DeepMind 的一篇文章宣布，DeepMind Health 項目正在擴展到日本領先的醫療機構之一的滋慶大學醫院，進行為期五年的合作。 配對的目的是分析來自大約 30,000 名女性的歷史性去身份化乳房 X 光照片以及英國提供的歷史性去身份化乳房 X 光照片數據庫，以查看技術是否可以更有效地在 X 射線上定位癌組織的跡象比目前的技術。

然而，研究必須謹慎進行，因為當人工智能係統接受的數據不能準確反映它試圖幫助或評估的數據時，就會出現偏差。 例如，不同種族之間的乳房密度可能存在差異，這一因素可能會意外地導致一些患者被貼上癌症的標籤，而實際上他們的密度只是更高。

DeepMind 和預測眼病

正如 DeepMind Health 使用 OCT 掃描來記錄疾病的存在一樣，專業人士正在嘗試看看它是否也可以用於在疾病發生之前預測即將發生的疾病。 通過分析 Moorfield 眼科醫院的 7,000 名僅接受過一隻眼睛治療的患者，該機器可以嘗試預測另一隻眼睛的惡化情況。

根據 DeepMind 的一篇文章，“預測疾病的潛在指標比識別現有的已知症狀要復雜得多，而且計算量也很大。” 為了匹配計算需求的能力，DeepMind 和 Moorfields 已同意使用來自英國和美國的谷歌云計算基礎設施。

AlphaFold 蛋白質折疊

最近，DeepMind 的最新人工智能程序 AlphaFold 在一項特別艱鉅的任務中擊敗了競爭對手：預測蛋白質的 3D 形狀。 雖然在學術圈外可能很少討論，但蛋白質折疊涉及每個人。 正如《衛報》的一篇文章所說，這是一種“分子摺紙”形式。 科學家通常使用冷凍電子顯微鏡、X 射線晶體學和核磁共振來確定蛋白質形狀，但這取決於反複試驗、時間和金錢。

蛋白質越大，正確建模就越困難，因為需要考慮更多的相互作用。 例如，DNA 包含有關形成長鏈的氨基酸的信息。 預測這些鏈的結構以及它們如何形成 3D 形狀是“蛋白質折疊問題”。 正如 DeepMind 的一篇文章所指出的那樣，萊文塔爾悖論指出，“在達到正確的 3D 結構之前，枚舉典型蛋白質的所有可能配置需要比宇宙年齡更長的時間。”

了解蛋白質的形狀對了解其功能大有幫助。 僅憑人工智能預測的蛋白質折疊這一行為就可以為科學和醫學領域帶來巨大的進程。 考慮到當蛋白質纏結或錯誤折疊時，它們會導致糖尿病、帕金森病、亨廷頓舞蹈病、囊性纖維化和阿爾茨海默病。

希望是，如果科學家能夠從蛋白質的化學成分中預測蛋白質的形狀，他們就能弄清楚它的作用以及它如何錯誤折疊並造成傷害。 此外，人工智能應用程序甚至可以設計新的蛋白質來對抗疾病或履行職責，開創醫學的新時代。