Podawanie leku dawki AI

Obraz koncepcyjny skanów medycznych i sztucznej inteligencji Jamie Jones

Od lat sztuczna inteligencja jest postrzegana jako kolejna wielka rzecz w medycynie. Teraz niektórzy profesorowie, studenci i absolwenci MIT podejmują działania, aby upewnić się, że tak będzie naprawdę.

Przez Klinika Abdul Latif Jameel zajmująca się uczeniem maszynowym w zdrowiu , czyli J-Clinic, ogłoszonej jesienią ubiegłego roku, naukowcy z MIT będą realizować projekty mające na celu opracowanie nowatorskich metod uczenia maszynowego w celu poprawy opieki klinicznej, projektowania nowych leków i obniżenia kosztów opieki zdrowotnej. Inicjatywa zastosuje sztuczną inteligencję do szerokiego zakresu chorób i opiera się na trwających badaniach MIT, w tym pracach nad odkryciem leków i wczesnymi postępami w diagnostyce raka przez Reginę Barzilay, profesor Delta Electronics na Wydziale Inżynierii Elektrycznej i Informatyki.

Barzilay mówi, że nadszedł czas, aby sztuczna inteligencja stała się standardową częścią opieki onkologicznej. W każdym ośrodku onkologicznym w Stanach Zjednoczonych, czy to przychodni społecznej, czy w czołowym ośrodku onkologicznym w kraju, istnieje poważna potrzeba wprowadzenia sztucznej inteligencji, mówi Barzilay, członek zarówno CSAIL, jak i MIT Institute for Integrative Cancer Research. Później jej rak piersi przeoczył przez kilka lat, zaczęła używać algorytmów przetwarzania obrazu do analizy mammografii. Chodzi o to, aby wyjść poza to, co ludzie widzą na skanie, aby wykryć wczesne zmiany w tkance, które wyznaczają drogę do raka.

Jamie Jones

Profesor Instytutu i laureat Nagrody Nobla Phillip Sharp, który przewodniczy radzie doradczej J-Clinic, mówi, że bez wątpienia sztuczna inteligencja i głębokie uczenie mogą – i muszą – zmienić opiekę medyczną. Sharp twierdzi, że sztuczna inteligencja, przyczyniając się do wcześniejszych diagnoz, może poprawić jakość i długość życia pacjentów. W szczególności uważa, że ​​może on przekształcić radiologię, nadać sens danym molekularnym i genetycznym, aby odróżnić komórki złośliwe od nieszkodliwych oraz wzorce plamkowe w danych medycznych, które mogą ostrzegać o zbliżających się problemach. Uważa również, że może to poprawić opłacalność opieki medycznej poprzez wcześniejsze diagnozowanie choroby, gdy leczenie jest tańsze i bardziej skuteczne. „Musimy być bardziej wydajni w dostarczaniu opieki zdrowotnej”, mówi.

Za pośrednictwem J-Clinic, mówi, MIT odegra kluczową rolę w rozwoju tych technologii i szkoleniu ich użytkowników, podobnie jak MIT w biologii molekularnej, biologii komórkowej, genetyce i biotechnologii. Barzilay i James Collins, profesor inżynierii medycznej i nauk ścisłych w Termeer, są współkierownikami wydziału w J-Clinic, głównym wspólnym przedsięwzięciu między MIT i Community Jameel, organizacją społeczno-przedsiębiorczą założoną i kierowaną przez Mohammeda Abdula Latifa Jameela '78 .

Uczenie maszynowe pojawia się w opiece zdrowotnej

Sztuczna inteligencja została zastosowana w opiece zdrowotnej dłużej niż w większości innych branż, ponieważ stawka jest tak wysoka. Jeśli Amazon wypróbuje nowy algorytm, który nie działa, firma może stracić trochę pieniędzy. W medycynie ludzie mogą umrzeć. Dlatego tylko 5% szpitali w USA zgłosiło użycie jakiejś formy sztucznej inteligencji w 2017 roku. Ale w końcu wszystko zaczyna się zmieniać. Główne szpitale i firmy farmaceutyczne odwołują się teraz do sztucznej inteligencji, gdy mówią o swojej przyszłości. Konferencje cieszą się dużą frekwencją, a medyczne startupy AI stają się coraz bardziej popularne. Komputery mogą teraz widzieć i czytać — nie tak dobrze, jak ludzie, ale osiągają to miejsce, mówi Michael Hayes, SM ’96, który w 2018 r. założył organizację non-profit CancerAI, aby wprowadzić na rynek narzędzia sztucznej inteligencji.

Dzisiejsza sztuczna inteligencja opiera się na algorytmach analizujących gigantyczne zbiory danych. Tak zwane głębokie uczenie, które rozwinęło się znacznie w ciągu ostatniej dekady, pozwala naukowcom wyciągać wnioski z ogromnych ilości danych. Technologie przetwarzania obrazu i języka naturalnego również uległy znacznej poprawie. A przechowywanie danych stało się znacznie tańsze.

Dziesięć lat temu nie było takiej ilości elektronicznej dokumentacji medycznej, jaką mamy dzisiaj, mówi Hayes. A nawet gdyby istniały, nie mieliśmy algorytmów, które potrafiłyby bardzo dobrze zrozumieć notatki lekarzy i nie mieliśmy wystarczająco tanich komputerów. Scena wygląda teraz zupełnie inaczej na wszystkich tych frontach. To, co 10 lat temu byłoby superkomputerem kosztującym milion dolarów – teraz taki poziom mocy obliczeniowych można kupić za kilka tysięcy dolarów, mówi. To bardzo zmieniło grę.

Od lewej wydział J-Clinic współprzewodniczą Regina Barzilay i James Collins oraz przewodniczący rady doradczej J-Clinic i profesor Instytutu Phillip Sharp.

Od czasu utworzenia ostatniej jesieni J-Clinic, która jest częścią MIT Quest for Intelligence i której przewodniczy dziekan Szkoły Inżynierskiej, Anantha Chandrakasan, wysłała prośbę o propozycje w ramach MIT. Do tej pory profesorowie i studenci zaproponowali 43 projekty badawcze, które wykorzystałyby te postępy z korzyścią dla pacjentów. Poprawa diagnozy, ukierunkowanie leczenia na poszczególnych pacjentów i zrozumienie postępu choroby to problemy z przewidywaniem, mówi Barzilay. A przewidywanie jest tam, gdzie AI przoduje.

Jedną z kwestii było jednak to, że dostosowywanie algorytmów uczenia maszynowego do warunków klinicznych wymaga trenowania ich za pomocą tego, co opisuje jako ogromne ilości ręcznie adnotowanych danych. Naukowcy z J-Clinic planują opracować algorytmy, które nie są tak zależne od ręcznie oznaczonych danych – i które mogą wykorzystywać dane z powiązanych domen, aby wypełnić luki w obszarze docelowym. Zamiast trenować systemy nadzorowanego uczenia się dla każdego indywidualnego systemu szpitalnego i dla każdej choroby, opracowujemy algorytmy, które można łatwo dostosować do nowych warunków i różnych chorób, wyjaśnia Barzilay.

Ochrona prywatności pacjentów i zapewnienie, że dane odzwierciedlają różnorodność populacji są również kluczowymi celami J-Clinic. Naukowcy opracowują algorytmy, które mogą wykonywać obliczenia na zaszyfrowanych danych, dzięki czemu pacjenci nie muszą obawiać się pozostawienia informacji o zdrowiu intymnym. A J-Clinic buduje dużą, międzynarodową sieć obejmującą wszystko, od klinik wiejskich po duże miejskie szpitale akademickie, aby wdrażać i testować opracowane przez siebie algorytmy. Istnieje nadzieja, że ​​dzięki temu ich praca będzie znacznie bardziej uogólniona niż inne opublikowane do tej pory algorytmy opieki zdrowotnej, z których większość opiera się na danych z jednego szpitala.

To, co 10 lat temu byłoby superkomputerem kosztującym milion dolarów — teraz taki poziom mocy obliczeniowych można kupić za kilka tysięcy dolarów. To bardzo zmieniło grę.

Stosowanie sztucznej inteligencji w mammografii

Prace, które już trwają w laboratorium Barzilaya, zdobywcy genialnego grantu MacArthura w 2017 roku i lidera w dziedzinie sztucznej inteligencji, dają wgląd w potencjał, który J-Clinic i startupy, takie jak CancerAI, mogą pomóc odblokować. Jednym z obszarów jej badań jest wykorzystanie uczenia maszynowego do przyspieszenia odkrywania leków. Ta praca pomaga programistom skupić się na cząsteczkach o obiecujących właściwościach w walce z rakiem i szeroką gamą innych chorób. (Zobacz AI zmienia sposób, w jaki wymyślamy, MIT Technology Review, marzec/kwiecień 2019 r.) Na froncie diagnostyki raka jest również jednym z pierwszych badaczy sztucznej inteligencji, którzy opracowali narzędzie, które faktycznie pomaga ludziom.

W papier opublikowanej w zeszłym roku w Radiology, ona i jej współpracownicy, w tym badacze z Massachusetts General Hospital, wykorzystali sztuczną inteligencję do opracowania metody oceny gęstości tkanki piersi. Dziś mammogramy chybić około 15% guzów piersi – i według kilku badań brakuje im ponad połowy, jeśli tkanka piersi jest gęsta, co sprawia, że ​​guzy są trudniejsze do zobaczenia. Ponad 40% amerykańskich kobiet ma gęstą tkankę piersi, co również zwiększa ryzyko raka piersi.

Jamie Jones

Barzilay i jej współpracownicy wykorzystali ponad 41 000 cyfrowych mammogramów, ocenionych i sklasyfikowanych przez ekspertów, aby wytrenować algorytm głębokiego uczenia się do oceny gęstości, aby można było zidentyfikować kobiety, które mogą wymagać dodatkowych badań przesiewowych. W sześciomiesięcznym badaniu obejmującym ponad 10 000 mammogramów model zgodził się z radiologami z Mass. w 94% przypadków, co czyni go pierwszym tego rodzaju głębokim uczeniem, które zastosowano z powodzeniem w warunkach klinicznych. Barzilay i jej współpracownicy mają teraz nadzieję na rozszerzenie swojego systemu na inne szpitale.

Barzilay wykorzystuje również sztuczną inteligencję do wykrywania najwcześniejszych zmian na drodze do raka piersi – zmian, których nie widzi patolog. Rak nie rozwija się od dziś do jutra. W rzeczywistości jest to bardzo długi proces, który powoduje wiele zmian w tkankach, powiedziała publiczności na konferencji Hello World, Hello MIT z okazji inauguracji MIT Schwarzman College of Computing w lutym. Pokazała dwie mammogramy, jedną od kobiety, która zachorowała na raka piersi dwa lata po badaniu. Logiczne pytanie brzmi: czy można wziąć maszynę i trenować ją na obrazach, kiedy znamy wynik za dwa lub pięć lat, żeby powiedzieć, co ma nadejść? Jak się okazuje, powiedziała, maszyna całkiem dobrze poradziła sobie z tym zadaniem. Barzilay, jej absolwent Adam Yala '16, MEng '17 i Constance Lehman, kierownik obrazowania piersi w Mass. General, opracowali model, który identyfikuje cechy często poprzedzające pojawienie się raka – i jeśli te cechy ujawniają się w mammografii, pacjent może zostać oflagowany.

Pod koniec lutego lekarze z Mass. General rozpoczęli testowanie tego modelu ryzyka. Kobieta, której mammografia plasuje ją w najbardziej ryzykownych 20%, mówi Barzilay, ma bardzo nietrywialną szansę zachorowania na raka piersi. Teraz lekarze z Mass. General pracują nad tym, jak wykorzystać te informacje, aby zmienić jej szanse.

Obietnica i zagrożenia związane ze sztuczną inteligencją w opiece zdrowotnej

Ta wizja sztucznej inteligencji jest daleka od obecnego wykorzystania technologii cyfrowej w gabinetach lekarskich, która ogranicza się głównie do elektronicznej dokumentacji medycznej, która jeszcze nie osiągnęła swojego potencjału. Takie systemy mogą wypalić lekarzy, zmuszając ich do poświęcania tak długich godzin na wprowadzanie danych, że spędzają więcej czasu przy ekranach komputerów niż pacjenci.

Michael Hayes Rak AI

Komercjalizacja AI bez motywu zysku

• Organizacja non-profit opracowuje narzędzia AI do walki z rakiem.

  
  W 2017 roku seryjny przedsiębiorca Michael Hayes, SM ’96, zaczął szukać nowej możliwości biznesowej, kiedy był gotowy do odejścia od swojej najnowszej firmy, firmy zajmującej się oprogramowaniem AI. Jako osoba, która przeżyła raka gardła, zdecydował, że uczenie maszynowe jest na tyle dojrzałe, że uzasadnia skoncentrowanie swojej nowej firmy na wykorzystaniu sztucznej inteligencji do walki z rakiem.
  
  Ale po przeprowadzeniu należytej staranności zdał sobie sprawę, że może przyciągnąć pracowników z misją i uzyskać lepszy dostęp do danych medycznych, zakładając swoją firmę, CancerAI, jako organizację non-profit. Ta decyzja opłaciła się w nieoczekiwany sposób, dając mu darmową przestrzeń biurową od WeWork, oferty legalnej pracy pro bono i programistów zgłaszających się do pracy za darmo.
  
  Spodziewałem się, że będę w stanie zatrudnić wspaniałych ludzi, ale nie spodziewałem się, że ludzie z zewnątrz powiedzą: „Będę chętny na wolontariat wieczory i weekendy, ponieważ chcę pomóc”, mówi Hayes, który posiada tytuł magistra inżynierii środowiska z MIT i magister w biznesie i polityce z Tufts. Gwarantuję, że nie zdarza się to w podmiotach nastawionych na zysk.
  
  Hayes, który przewodniczy zarządowi CancerAI, mówi, że firma wykorzystuje badania Reginy Barzilay jako jeden z fundamentów, ale nie wybrała swojego pierwszego produktu. (Barzilay jest również jednym z doradców CancerAI.) Firma zamierza zacząć od diagnostyki, być może poprzez wykorzystanie danych z dokumentacji medycznej do oznaczania osób, których dane biometryczne sugerują, że mogą być w grupie wysokiego ryzyka zachorowania na określone nowotwory. Wczesne testy, które wykrywają nowotwory, zanim się rozprzestrzenią, są prawdopodobnie najkrótszą drogą do zmniejszenia śmiertelności.

Ale z drugiej strony, elektroniczne zapisy pozwoliły szpitalom zgromadzić ogromne ilości danych pacjentów, które naukowcy zajmujący się sztuczną inteligencją mają nadzieję, że w końcu przyniosą dywidendy pacjentom, opiekunom, szpitalom i ubezpieczycielom.

Ponieważ J-Clinic i startupy, takie jak CancerAI, zaczynają czerpać z tych danych, Collins, inny współkierownik wydziału J-Clinic, mówi, że widzi, że J-Clinic nie tylko łączy ekspertów AI, ekspertów medycznych i zbiory danych w celu rozwoju badań medycznych, ale także pomagając przełożyć te badania na warunki kliniczne. Dokona tego, mówi, wprowadzając wczesne technologie do szpitali w celu testowania i walidacji oraz ułatwiając uruchamianie firmom ich komercjalizacji. Przewiduje również, że J-Clinic rozpocznie publiczną dyskusję na temat tego, co nazywa obietnicą i niebezpieczeństwami sztucznej inteligencji i opieki zdrowotnej – oraz zadawania trudnych pytań o to, jak ulepszyć istniejącą opiekę, zmniejszyć koszty, chronić prywatność pacjentów i etycznie uzyskiwać przydatne dane.

Chociaż innowacje technologiczne zwykle podnoszą koszty leczenia, ma nadzieję, że sztuczna inteligencja będzie wyjątkiem, być może dzięki maksymalizacji wykorzystania łóżek, ograniczeniu czasu spędzanego przez lekarzy na obowiązkach administracyjnych i bardziej ekonomicznym opracowywaniu leków. Jestem ciekaw, w jaki sposób sztuczna inteligencja może pomóc w poprawie wydajności w opiece zdrowotnej – czy chodzi o korzystanie z łóżek, planowanie, rachunki – aby wycisnąć tam koszty administracyjne, mówi Collins, którego żona jest lekarzem. Uważa, że ​​obciążenia administracyjne związane z elektroniczną dokumentacją medyczną można odwrócić dzięki lepszej technologii, potencjalnie prowadząc do oszczędności.

W swoim własnym laboratorium Collins, biolog syntetyczny, planuje wykorzystać platformy sztucznej inteligencji do lepszej identyfikacji między innymi nowych klas antybiotyków i leków przeciwnowotworowych. Chętnie zbadam, w jaki sposób sztuczna inteligencja może być szerzej wykorzystywana jako przydatny asystent w kontekście badań i potencjalnie w kontekście medycyny, mówi.

ukryć