211service.com
AI varētu palīdzēt ar nākamo pandēmiju, bet ne ar šo
Violeti cilvēki uz zaļas ielas Ms Tech / Unsplash
Tas bija mākslīgais intelekts, kas to pirmo reizi ieraudzīja, vismaz tā stāsta. 30. decembrī mākslīgā intelekta uzņēmums BlueDot, kas izmanto mašīnmācīšanos, lai uzraudzītu infekcijas slimību uzliesmojumus visā pasaulē, brīdināja klientus, tostarp dažādas valdības, slimnīcas un uzņēmumus, par neparastu pneimonijas gadījumu skaitu Uhaņā, Ķīnā. Paietu vēl deviņas dienas, pirms Pasaules Veselības organizācija oficiāli atzīmēs to, ko mēs visi esam iepazinuši ar Covid-19.
BlueDot nebija viens. Automātiskais pakalpojums HealthMap Bostonas Bērnu slimnīcā arī pamanīja šīs pirmās pazīmes. Tāpat kā modelis, kuru vadīja Metabiota, kas atrodas Sanfrancisko. Tas, ka mākslīgais intelekts var pamanīt uzliesmojumu otrā pasaules malā, ir diezgan pārsteidzošs, un agrīnie brīdinājumi glābj dzīvības.
Vairāk par koronavīrusu
Mūsu vissvarīgākais Covid-19 pārklājums ir bezmaksas, tostarp:
Kas ir ganāmpulka imunitāte?
Kā darbojas koronavīruss?
Kādas ir iespējamās ārstēšanas metodes?
Kuras zāles darbojas vislabāk?
Kāds ir pareizais sociālās distancēšanās veids?
Citi bieži uzdotie jautājumi par koronavīrusu
---
Biļetens: Coronavirus Tech Report
Tālummaiņas raidījums: Radio Corona
Skatīt arī:
Viss mūsu Covid-19 pārklājums
Covid-19 īpašais izdevums
Lūdzu, noklikšķiniet šeit, lai abonētu un atbalstītu mūsu bezpeļņas žurnālistiku .
Bet cik daudz AI patiešām ir palīdzējis cīnīties ar pašreizējo uzliesmojumu? Uz to ir grūti atbildēt. Uzņēmumi, piemēram, BlueDot, parasti skaidri norāda, kam tie sniedz informāciju un kā tā tiek izmantota. Un cilvēku komandas saka, ka ir pamanījušas uzliesmojumu tajā pašā dienā, kad AI. Citi projekti, kuros mākslīgais intelekts tiek pētīts kā diagnostikas rīks vai tiek izmantots, lai palīdzētu atrast vakcīnu, joprojām ir ļoti agrīnā stadijā. Pat ja tie būs veiksmīgi, būs vajadzīgs laiks, iespējams, mēneši, lai šīs inovācijas nonāktu to veselības aprūpes darbinieku rokās, kuriem tie ir nepieciešami.
Ažiotāža pārspēj realitāti. Faktiski stāstījums, kas ir parādījies daudzos ziņu ziņojumos un preses relīzēs, ka AI ir spēcīgs jauns ierocis cīņā pret slimībām, ir tikai daļēji patiess un var kļūt neproduktīvs. Piemēram, pārāk liela uzticēšanās mākslīgā intelekta spējām var novest pie slikti informētiem lēmumiem, kas valsts naudu novirza nepierādītiem AI uzņēmumiem uz pierādītu iejaukšanās pasākumu, piemēram, narkotiku programmu, rēķina. Tas kaitē arī pašai jomai: pārspīlētās, bet neapmierinātās cerības vairāk nekā vienu reizi pagātnē ir izraisījušas intereses par AI krahu un līdz ar to finansējuma zaudēšanu.
Tātad, šeit ir realitātes pārbaude: AI mūs neglābs no koronavīrusa — šoreiz noteikti ne. Bet pastāv visas iespējas, ka tam būs lielāka loma turpmākajās epidēmijās, ja mēs veiksim dažas lielas izmaiņas. Lielākajai daļai nebūs viegli. Dažas mums nepatiks.
Ir trīs galvenās jomas, kurās AI varētu palīdzēt: prognozēšana, diagnostika un ārstēšana.
Prognoze
Uzņēmumi, piemēram, BlueDot un Metabiota, izmanto virkni dabiskās valodas apstrādes (NLP) algoritmu, lai pārraudzītu ziņu izlaidumus un oficiālos veselības aprūpes ziņojumus dažādās valodās visā pasaulē, atzīmējot, vai tajos ir minētas augstas prioritātes slimības, piemēram, koronavīruss vai vairāk endēmiskas slimības. piemēram, HIV vai tuberkuloze. Viņu prognozēšanas rīki var izmantot arī gaisa satiksmes datus, lai novērtētu risku, ka tranzīta mezgli var redzēt inficētus cilvēkus, kas ierodas vai izbrauc.
Rezultāti ir pietiekami precīzi. Piemēram, Metabiota jaunākais publiskais ziņojums 25. februārī paredzēja, ka 3. martā visā pasaulē būs 127 000 kumulatīvo gadījumu. Tas pārsniedza aptuveni 30 000, taču uzņēmuma datu zinātnes direktors Marks Galivans saka, ka tas joprojām ir kļūdas robežās. Tajā arī uzskaitītas valstis, kuras, visticamāk, ziņos par jauniem gadījumiem, tostarp Ķīna, Itālija, Irāna un ASV. Atkal: nav slikti.
Citi arī seko sociālajiem medijiem. Stratifyd, datu analīzes uzņēmums, kas atrodas Šarlotē, Ziemeļkarolīnā, izstrādā mākslīgo intelektu, kas skenē ziņas tādās vietnēs kā Facebook un Twitter un saista tos ar slimību aprakstiem, kas iegūti no tādiem avotiem kā Nacionālie veselības institūti, Pasaules organizācija. Animal Health un globālā mikrobu identifikatoru datu bāze, kurā tiek glabāta informācija par genoma sekvencēšanu.
Šo uzņēmumu darbs noteikti ir iespaidīgs. Un tas parāda, cik tālu mašīnmācība ir attīstījusies pēdējos gados. Pirms dažiem gadiem Google mēģināja paredzēt slimības uzliesmojumus ar savu neveiksmīgo gripas izsekotāju, kas tika atlikts 2013. gadā, kad neizdevās paredzēt šī gada gripas pieaugumu. Kas mainījās? Tas galvenokārt ir saistīts ar jaunākās programmatūras spēju klausīties daudz plašākā avotu klāstā.
Nepārraudzīta mašīnmācība ir arī svarīga. Ļaujot mākslīgajam intelektam noteikt savus trokšņa modeļus, nevis apmācīt to pēc iepriekš atlasītiem piemēriem, tiek izceltas lietas, kuras jūs, iespējams, neiedomājāties meklēt. Veicot prognozes, jūs meklējat jaunu uzvedību, saka Stratifyd izpilddirektors Dereks Vangs.
Bet ko jūs darāt ar šīm prognozēm? Sākotnējā BlueDot prognoze pareizi norādīja uz dažām pilsētām vīrusa ceļā. Tas būtu varējis ļaut iestādēm sagatavoties, brīdināt slimnīcas un ieviest ierobežošanas pasākumus. Taču, pieaugot epidēmijas mērogam, prognozes kļūst mazāk specifiskas. Metabiota brīdinājums, ka nākamajā nedēļā tiks ietekmētas noteiktas valstis, varētu būt bijis pareizs, taču ir grūti zināt, ko darīt ar šo informāciju.
Turklāt visas šīs pieejas kļūs mazāk precīzas, epidēmijai progresējot, galvenokārt tāpēc, ka par Covid-19 ir bijis grūti iegūt tādus uzticamus datus, ar kuriem jābarojas AI. Ziņu avoti un oficiālie ziņojumi piedāvā pretrunīgus pārskatus. Pastāv neskaidrības par simptomiem un to, kā vīruss izplatās starp cilvēkiem. Plašsaziņas līdzekļi var mainīt lietas; varas iestādes var mazināt lietas. Un prognozēt, kur slimība var izplatīties no simtiem vietu desmitiem valstu, ir daudz biedējošāks uzdevums nekā zvanīt, kur varētu izplatīties viens uzliesmojums pirmajās dienās. Troksnis vienmēr ir mašīnmācības algoritmu ienaidnieks, saka Vans. Patiešām, Galivans atzīst, ka Metabiotas ikdienas prognozes bija vieglāk izdarīt pirmajās divās nedēļās.
Viens no lielākajiem šķēršļiem ir diagnostikas testu trūkums, saka Gallivans. Ideālā gadījumā mēs veiktu testu, lai nekavējoties atklātu jauno koronavīrusu, un pārbaudītu visus vismaz reizi dienā, viņš saka. Mēs arī īsti nezinām, kādu uzvedību cilvēki pieņem — kurš strādā no mājām, kurš atrodas karantīnā, kurš mazgā vai nemazgā rokas, vai kāda tā varētu būt ietekme. Ja vēlaties paredzēt, kas notiks tālāk, jums ir nepieciešams precīzs priekšstats par to, kas šobrīd notiek.
Nav arī skaidrs, kas notiek slimnīcās. Ahmers Inams no Pactera Edge, datu un AI konsultāciju uzņēmuma, saka, ka prognozēšanas rīki būtu daudz labāki, ja sabiedrības veselības dati netiktu bloķēti valdības aģentūrās, kā tas ir daudzās valstīs, tostarp ASV. Tas nozīmē, ka AI ir vairāk jāpaļaujas uz viegli pieejamiem datiem, piemēram, tiešsaistes ziņām. Brīdī, kad plašsaziņas līdzekļi uztver potenciāli jaunu veselības stāvokli, jau ir par vēlu, viņš saka.
Bet, ja AI ir nepieciešams daudz vairāk datu no uzticamiem avotiem, lai tie būtu noderīgi šajā jomā, stratēģijas tā iegūšanai var būt pretrunīgas. Vairāki cilvēki, ar kuriem es runāju, uzsvēra šo neērto kompromisu: lai iegūtu labākas prognozes no mašīnmācīšanās, mums ir jākopīgo ar uzņēmumiem un valdībām vairāk mūsu personas datu.
Darens Šulte, MD un Apixio izpilddirektors, kurš ir izveidojis AI, lai iegūtu informāciju no pacientu ierakstiem, uzskata, ka medicīniskie ieraksti no visas ASV ir jāatver datu analīzei. Tas varētu ļaut AI automātiski identificēt personas, kuras pamatslimības dēļ visvairāk apdraud Covid-19. Pēc tam resursus varētu koncentrēt uz tiem cilvēkiem, kuriem tie visvairāk nepieciešami. Šulte saka, ka pastāv tehnoloģija pacientu ierakstu nolasīšanai un dzīvības glābšanas informācijas iegūšanai. Problēma ir tā, ka šie ieraksti ir sadalīti vairākās datu bāzēs un tos pārvalda dažādi veselības dienesti, tāpēc tos ir grūtāk analizēt. Viņš saka, ka es vēlētos iemest savu AI šajā lielajā datu okeānā. Bet mūsu dati atrodas mazos ezeros, nevis lielā okeānā.
Veselības dati būtu jāapmainās arī starp valstīm, saka Inams: Vīrusi nedarbojas ģeopolitisko robežu ietvaros. Viņš uzskata, ka valstis ar starptautisku vienošanos būtu jāpiespiež publicēt reāllaika datus par diagnozēm un hospitalizāciju, ko pēc tam varētu ievadīt globāla mēroga pandēmijas mašīnmācības modeļos.
Protams, tā var būt vēlmju domāšana. Dažādās pasaules daļās medicīnisko datu privātuma noteikumi ir atšķirīgi. Un daudzi no mums jau tagad atsakās padarīt savus datus pieejamus trešajām pusēm. Jaunas datu apstrādes metodes, piemēram, atšķirīga privātuma aizsardzība un apmācība par sintētiskiem datiem, nevis reāliem datiem, varētu piedāvāt ceļu šajās debatēs. Taču šī tehnoloģija joprojām tiek pilnveidota. Vienošanās atrašana par starptautiskajiem standartiem prasīs vēl vairāk laika.
Pagaidām mums ir maksimāli jāizmanto mūsu rīcībā esošie dati. Vanga atbilde ir nodrošināt, lai cilvēki būtu blakus, lai interpretētu mašīnmācības modeļus, un noteikti jāatmet prognozes, kas neatbilst patiesībai. Ja kāds ir pārāk optimistisks vai paļaujas uz pilnībā autonomu prognozēšanas modeli, tas izrādīsies problemātiski, viņš saka. AI var atrast datos slēptos signālus, bet cilvēkiem ir jāsavieno punkti.
Agrīna diagnostika
Daudzi ne tikai prognozē epidēmijas gaitu, bet arī cer, ka mākslīgais intelekts palīdzēs identificēt inficētos cilvēkus. AI šeit ir pierādīti sasniegumi. Mašīnmācības modeļi medicīnisko attēlu pārbaudei var atklāt agrīnas slimību pazīmes, kuras cilvēku ārsti nepamana, sākot no acu slimībām, sirds slimībām un vēzi. Taču šiem modeļiem parasti ir nepieciešams daudz datu, no kuriem mācīties.
Dažu pēdējo nedēļu laikā tiešsaistē ir publicēti daži iepriekš nodrukāti papīri, kas liecina par to mašīnmācība var diagnosticēt Covid-19 no plaušu audu CT skenēšanas, ja ir apmācīts attēlos pamanīt slimības pazīmes. Aleksandrs Selvikvågs Lundervolds no Rietumnorvēģijas Lietišķo zinātņu universitātes Bergenā, Norvēģijā, kurš ir mašīnmācības un medicīniskās attēlveidošanas eksperts, saka, ka mums vajadzētu sagaidīt, ka AI galu galā spēs atklāt Covid-19 pazīmes pacientiem. Taču nav skaidrs, vai attēlveidošana ir pareizais ceļš. Pirmkārt, slimības fiziskās pazīmes skenēšanā var parādīties tikai kādu laiku pēc inficēšanās, tāpēc tas nav īpaši noderīgs kā agrīna diagnostika.
Dr. Fan Zhongjie, elpošanas speciālists, kurš ir atbildīgs par kritiskiem Covid-19 pacientiem Ķīnas centrālajā Hubei provincē, nolasa CT skenēšanas attēlu. AP attēli
Turklāt, tā kā līdz šim ir pieejams tik maz apmācības datu, ir grūti novērtēt tiešsaistē publicēto pieeju precizitāti. Lielākā daļa attēlu atpazīšanas sistēmu, tostarp tās, kas apmācītas ar medicīniskiem attēliem, ir pielāgotas modeļiem, kas vispirms tika apmācīti ImageNet — plaši izmantota datu kopa, kas ietver miljoniem ikdienas attēlu. Lai klasificētu kaut ko vienkāršu, kas ir tuvu ImageNet datiem, piemēram, suņu un kaķu attēlus, var veikt ar ļoti maz datu, saka Lundervolds. Smalki atklājumi medicīniskajos attēlos, ne tik daudz.
Tas nenozīmē, ka tas nenotiks, un, iespējams, varētu izveidot AI rīkus, lai noteiktu slimības agrīnās stadijas turpmākajos uzliesmojumos. Taču mums vajadzētu būt skeptiskiem pret daudziem mākslīgā intelekta ārstu apgalvojumiem, kuri šodien diagnosticē Covid-19. Arī vairāk pacientu datu kopīgošana palīdzēs, kā arī mašīnmācīšanās metodes, kas ļauj apmācīt modeļus pat tad, ja ir pieejams maz datu. Piemēram, dažu kadru mācīšanās , kur mākslīgais intelekts var apgūt modeļus tikai no dažiem rezultātiem, un pārneses mācības, kur AI, kas jau ir apmācīts darīt vienu lietu, var ātri pielāgot, lai veiktu kaut ko līdzīgu, ir daudzsološi sasniegumi, taču joprojām darbojas. procesā.
Izārstēt visu
Dati ir svarīgi arī tad, ja mākslīgais intelekts palīdz izstrādāt slimības ārstēšanu. Viens no paņēmieniem iespējamo zāļu kandidātu identificēšanai ir izmantot ģeneratīvus projektēšanas algoritmus, kas rada lielu skaitu potenciālo rezultātu un pēc tam izsijā tos, lai izceltu tos, kurus ir vērts aplūkot tuvāk. Šo paņēmienu var izmantot, lai ātri meklētu, piemēram, miljoniem bioloģisko vai molekulāro struktūru.
SRI International sadarbojas ar šādu AI rīku, kas izmanto dziļu mācīšanos, lai radītu daudz jaunu zāļu kandidātu, kuru efektivitāti zinātnieki pēc tam var novērtēt. Tas ir izmainīts narkotiku atklāšanā, taču joprojām var paiet daudzi mēneši, līdz daudzsološais kandidāts kļūst par dzīvotspējīgu ārstēšanu.
Teorētiski AI varētu izmantot, lai prognozētu arī koronavīrusa attīstību. Inam iedomājas palaist neuzraudzītus mācību algoritmus, lai simulētu visus iespējamos evolūcijas ceļus. Pēc tam maisījumam varētu pievienot potenciālās vakcīnas un noskaidrot, vai vīrusi mutē, lai attīstītu rezistenci. Tas ļaus virusologiem būt dažus soļus priekšā vīrusiem un izveidot vakcīnas, ja notiks kāda no šīm pastardienas mutācijām, viņš saka.
Tā ir aizraujoša iespēja, taču tā ir tāla. Mums vēl nav pietiekami daudz informācijas par vīrusa mutāciju, lai šoreiz varētu to simulēt.
Tikmēr galvenais šķērslis var būt atbildīgie cilvēki. Tas, ko es visvairāk vēlētos mainīt, ir attiecības starp politikas veidotājiem un AI, saka Vans. AI nespēs prognozēt slimību uzliesmojumus pats par sevi neatkarīgi no tā, cik daudz datu tas iegūst. Viņš saka, ka valdības, uzņēmumu un veselības aprūpes vadītāju uzticēšanās šiem rīkiem būtiski mainīs to, cik ātri mēs varam reaģēt uz slimību uzliesmojumiem. Taču šai uzticībai ir jārodas no reālistiska skatījuma uz to, ko AI var un ko nevar darīt tagad, un kas to varētu uzlabot nākamreiz.
Lai maksimāli izmantotu AI, būs nepieciešams daudz datu, laika un gudras koordinācijas starp daudziem dažādiem cilvēkiem. To visu šobrīd trūkst.