211service.com
Sprawdzenie realności ambicji IBM w zakresie sztucznej inteligencji
IBM, numer 39 na naszej liście 50 najmądrzejszych firm, przecenił swój system uczenia maszynowego Watson, ale firma wciąż może mieć najlepszy dostęp do rodzaju danych potrzebnych do uczynienia medycyny znacznie inteligentniejszymi. 27 czerwca 2017 r.
Leonard Greco
Paul Tang był z żoną w szpitalu tuż po operacji wymiany stawu kolanowego, zabiegu przeprowadzanego co roku u około 700 000 osób w Stanach Zjednoczonych. Przyszedł chirurg i Tang, który sam jest lekarzem pierwszego kontaktu, zapytał, kiedy spodziewa się, że wróci do swoich normalnych zajęć, biorąc pod uwagę jego doświadczenie z pacjentami takimi jak ona. Chirurg wciąż udzielał niejasnych odpowiedzi. W końcu to mnie uderzyło, mówi Tang. Nie wiedział. Tang wkrótce dowiedziałby się, że większość lekarzy nie wie, jak ich pacjenci radzą sobie w zwykłych warunkach życia w domu i w pracy — środki, które mają największe znaczenie dla pacjentów.
Tang nadal postrzega pacjentów jako lekarza, ale jest także dyrektorem ds. transformacji zdrowia w firmie IBM Watson Health (patrz „50 Smartest Companies 2017”). To grupa biznesowa opracowująca aplikacje opieki zdrowotnej dla Watson, systemu uczenia maszynowego, którym w istocie jest IBM. stawiając na przyszłość. Watson mógłby dostarczyć informacji, których lekarze obecnie nie otrzymują, mówi Tang. Może na przykład powiedzieć lekarzowi, ile czasu zajęło pacjentom podobnym do żony Tanga chodzenie bez bólu lub wchodzenie po schodach. Może nawet pomóc w analizie obrazów i próbek tkanek oraz określeniu najlepszych metod leczenia dla danego pacjenta.
Ta historia była częścią naszego wydania z lipca 2017 r.
- Zobacz resztę numeru
- Subskrybuj
To właśnie dzięki takim możliwościom opieka zdrowotna jest jednym z najgorętszych segmentów rynku technologii uczenia maszynowego. Firma badawcza CB Insights liczy co najmniej 106 startupów, które powstały od 2013 roku i nadal działają.
Żadna z tych firm nie przyciągnęła nawet uwagi Watsona dzięki zwycięstwu w telewizyjnym teleturnieju Niebezpieczeństwo! w 2011 roku i od tamtej pory gorliwy marketing IBM. Ale ostatnio większość prasy dla Watsona była zła. Silnie promowana współpraca z Centrum Onkologicznym im. M.D. Andersona w Houston rozpadła się w tym roku. Ponieważ przychody IBM zmalały, a cena akcji zachwiała się, analitycy kwestionowali, kiedy Watson rzeczywiście przyniesie znaczną wartość. Watson to żart, Chamath Palihapitiya, wpływowy inwestor technologiczny, który założył firmę VC Social Capital, powiedział na CNBC w maju.
Jednak większość krytyki Watsona, nawet ze strony MD Andersona, nie wydaje się być zakorzeniona w żadnej konkretnej wadzie technologii. Zamiast tego jest to reakcja na nadmiernie optymistyczne twierdzenia IBM o tym, jak daleko byłby teraz Watson. W rzeczywistości nadal wydaje się prawdopodobne, że Watson Health będzie liderem w stosowaniu sztucznej inteligencji w problemach opieki zdrowotnej. Jeśli Watson do tej pory nie osiągnął zbyt wiele w tym zakresie, jednym z ważnych powodów jest to, że wymaga szkolenia pewnych typów danych. A w wielu przypadkach takich danych jest bardzo mało lub trudno jest uzyskać do nich dostęp. To nie jest problem charakterystyczny dla Watsona. To paragraf 22, z którym wiąże się cała dziedzina uczenia maszynowego w opiece zdrowotnej.
Chociaż problem brakujących i niedostępnych danych może spowolnić działanie Watsona, może to bardziej zaszkodzić konkurentom IBM. Dzieje się tak, ponieważ najlepszym sposobem na uzyskanie danych jest ścisła współpraca z dużymi organizacjami opieki zdrowotnej, które są technologicznie konserwatywne. I jedną rzeczą, którą IBM wciąż bardzo dobrze radzi sobie w porównaniu do startupów, a nawet gigantycznych rywali, takich jak Apple i Google, jest zdobycie zaufania kadry kierowniczej i menedżerów IT w dużych organizacjach. Pomimo specyficznych problemów z projektem MD Andersona, IBM ma zasadniczą przewagę. Dzięki temu Watson trafia do wielu ośrodków medycznych, grup administracyjnych opieki zdrowotnej i firm zajmujących się naukami przyrodniczymi, z których wszystkie są w stanie dostarczać krytyczne dane potrzebne do kształtowania przyszłości sztucznej inteligencji w medycynie.
Nierealistyczne terminy
Zerwanie z MD Andersonem wydawało się pokazywać IBM dławiącego się własnym szumem o Watsonie.
Centrum onkologiczne i IBM nawiązały współpracę w 2012 roku. Celem Watsona było odczytanie danych dotyczących wszelkich objawów, sekwencji genów i raportów patologicznych, połączenie ich z notatkami lekarzy na temat pacjenta i odpowiednimi artykułami w czasopismach, a następnie pomoc lekarzom w ustaleniu diagnozy i leczenie. Ale IBM i MD Anderson przewyższyli oczekiwania dotyczące technologii. IBM przejęte w 2013 roku pojawiła się nowa era informatyki i dała Forbes wrażenie, że Watson teraz zajmuje się badaniami klinicznymi i będzie stosowany u pacjentów w ciągu zaledwie kilku miesięcy. W 2015 roku Washington Post zacytował kierownika IBM Watson opisującego, jak Watson był zajęty tworzeniem modelu zbiorowej inteligencji między maszyną a człowiekiem. ten Poczta powiedział, że system komputerowy szkolił się razem z lekarzami, aby robić to, czego nie mogą.
Opieka zdrowotna w zawstydzający sposób późno przyjęła technologię, mówi Manish Kohli, lekarz i ekspert ds. informatyki opieki zdrowotnej w Cleveland Clinic.
W lutym tego roku University of Texas, który kieruje doktorem Andersonem, ogłosił, że zamknął projekt, pozostawiając centrum medycznemu 39 milionów dolarów płatności na rzecz IBM — na projekt pierwotnie zakontraktowany na 2,4 miliona dolarów. Po czterech latach nie wyprodukował narzędzia do użytku z pacjentami, które byłoby gotowe do wyjścia poza testy pilotażowe. MD Anderson nie skomentowałby mi konkretnie Watsona, ale wydaje się, że problemy wynikały głównie z wewnętrznych walk o to, jak projekt był zarządzany i finansowany.
Nie oznacza to, że IBM nie ma problemów z Watsonem. Rzeczywiście, są one większe niż to, co ujawnia jedna implementacja.
Aby zrozumieć, co spowalnia postęp, musisz zrozumieć, w jaki sposób trenowane są systemy uczenia maszynowego, takie jak Watson. Watson uczy się poprzez ciągłe zmienianie swoich wewnętrznych procedur przetwarzania w celu uzyskania jak największego odsetka poprawnych odpowiedzi na pewien zestaw problemów, takich jak to, które obrazy radiologiczne ujawniają raka. Prawidłowe odpowiedzi muszą być już znane, aby system mógł powiedzieć, kiedy coś zrobi dobrze, a kiedy coś źle. Im więcej problemów treningowych system może przeżuć, tym wyższy współczynnik trafień.
Jest to stosunkowo proste, jeśli chodzi o szkolenie systemu w celu identyfikacji nowotworów na zdjęciach rentgenowskich. Ale jeśli chodzi o potencjalnie przełomowe zagadki, które wykraczają daleko poza to, co już robią ludzie, na przykład wykrywanie związków między wariacjami genów a chorobami, Watson ma problem z kurczakiem i jajkiem: w jaki sposób trenuje na danych, których żaden ekspert jeszcze nie przeanalizował i nie odpowiednio uporządkował ? Jeśli uczysz samodzielnego prowadzenia samochodu, każdy może oznaczyć drzewo lub znak, aby system mógł nauczyć się je rozpoznawać, mówi Thomas Fuchs, patolog obliczeniowy w Memorial Sloan-Kettering, centrum onkologicznym w Nowym Jorku. Ale w wyspecjalizowanej dziedzinie medycyny możesz potrzebować ekspertów przeszkolonych przez dziesięciolecia, aby właściwie oznaczyć informacje, które przekazujesz komputerowi.
Jakaś wersja tej przeszkody pojawia się w każdej domenie, w której IBM ma nadzieję, że przyczyni się do udziału Watson — tak jak w przypadku rozwiązania do uczenia maszynowego dowolnej firmy. Aby nauczyć Watsona przechodzenia przez gigantyczne pule danych i wydobywania kilku informacji ważnych dla jednego pacjenta, ktoś musi najpierw zrobić to ręcznie, w tysiącach przypadków. Aby rozpoznać geny powiązane z chorobą, Watson potrzebuje tysięcy danych dotyczących pacjentów cierpiących na określone choroby i których DNA zostało przeanalizowane. Ale te kombinacje genów i danych pacjentów mogą być trudne do zdobycia. W wielu przypadkach dane po prostu nie istnieją w odpowiednim formacie — lub w jakiejkolwiek formie. Lub dane mogą być rozproszone w dziesiątkach różnych systemów i trudne w obsłudze.
Rozważmy na przykład cel, jakim jest poprawa podstawowej opieki zdrowotnej poprzez udostępnienie lekarzom lepszych danych. Kiedy lekarze tracą szansę na wyleczenie stosunkowo drobnych problemów podczas rutynowej wizyty podstawowej opieki zdrowotnej, zanim bardziej zaawansowany problem wyśle pacjentów na pogotowie lub do specjalisty, ich zdrowie cierpi, a koszty gwałtownie rosną. Około jedna trzecia każdego dolara wydanego na zdrowie jest prawdopodobnie niepotrzebna, mówi Anil Jain, dyrektor medyczny IBM Watson Health, który jest również praktykującym lekarzem podstawowej opieki zdrowotnej. Uczenie maszynowe jest powszechnie uznawane za możliwość rozwiązania tego problemu.
Aby naprawdę pomóc lekarzom uzyskać lepsze wyniki dla pacjentów, Watson będzie musiał znaleźć korelacje między tym, co czyta w dokumentacji medycznej, a tym, co Tang nazywa wszystkimi społecznymi determinantami zdrowia. Czynniki te obejmują to, czy pacjenci są wolni od narkotyków, unikanie niewłaściwego jedzenia, oddychanie czystym powietrzem i tak dalej. Jednak Tang przyznaje, że obecnie prawie żaden szpital ani gabinet lekarski nie otrzymują tych danych w sposób wiarygodny dla znacznego odsetka pacjentów. Częściowo problem polega na tym, że szpitale powoli przyjmują nowoczesne praktyki oparte na danych. Opieka zdrowotna została żenująco późno zaadoptowała technologię, mówi Manish Kohli, lekarz i ekspert w dziedzinie informatyki opieki zdrowotnej w Cleveland Clinic.
Tam, gdzie dane istnieją, IBM często je po prostu kupował. Przejęła firmy, takie jak Truven Health Analytics, Explorys i Phytel, z których wszystkie zajmowały się dużymi zestawami danych w szpitalach i populacjach pacjentów. I nawet po upadku umowy z MD Andersonem, IBM ma kilka krytycznych partnerstw, które zwiększają jego dostęp do danych pacjentów.
Jednym z nich jest Atrius Health, sieć prawie 900 lekarzy pierwszego kontaktu w rejonie Bostonu. Partnerstwo ma na celu opracowanie i przetestowanie systemu opartego na Watsonie, zdolnego do wydobycia bryłek informacji o krytycznym znaczeniu dla indywidualnego pacjenta z oceanu notatek, zapisów i artykułów. Jak mówi naczelny lekarz Atrius, Joe Kimura, poszukiwanie wszystkich istotnych informacji jest uciążliwym zadaniem dla lekarzy podstawowej opieki zdrowotnej. Dodaje, że elektroniczna dokumentacja medyczna mogła jeszcze pogorszyć problem, ponieważ pojawienie się takich systemów ogromnie zwiększyło ilość danych generowanych podczas każdej wizyty, bez zapewnienia standardowego formatu umożliwiającego łatwe wyszukiwanie.
Co najważniejsze, wiele najważniejszych notatek w dokumentacji pacjentów to zdania, których konwencjonalny system informatyczny nie może zrozumieć. Ale Watson może zastosować umiejętności przetwarzania języka naturalnego opracowane dla: Niebezpieczeństwo! aby wydobyć z nich znaczenie. W idealnym przypadku mogłoby to sugerować, w jaki sposób lekarze mogą pomóc pacjentom uniknąć potrzeby intensywnej opieki. Dlaczego powinniśmy skupiać się tylko na upewnieniu się, że wykonaliśmy jak najlepszą pracę z pacjentami, którzy złamali biodro, pyta Kimura, kiedy możemy spróbować przewidzieć, którzy pacjenci są narażeni na upadki i pomóc im w ogóle nie złamać biodra ? Musimy popchnąć naszą opiekę w górę rzeki.
Courtney DiNardo, lekarz zajmujący się białaczką w MD Anderson, użył systemu IBM Watson podczas konsultacji z pacjentem w 2013 roku.
IBM ogłosił w 2015 roku, że możliwości diagnostyczne Watsona zostaną wzmocnione danymi uzyskanymi od Merge Healthcare, firmy zarządzającej obrazowaniem medycznym, którą IBM kupił za około 1 miliard dolarów.
Watson Health współpracuje również z Central New York Care Collaborative, agencją finansowaną przez rząd stanowy, która współpracuje z około 2000 świadczeniodawcami opieki zdrowotnej w sześciu hrabstwach. Partnerstwo ma wspierać cel, jakim jest 25-procentowa redukcja przyjęć na izby przyjęć i ponownej hospitalizacji, gdy pacjenci, którzy zostali wypisani ze szpitala, muszą wrócić, aby rozwiązać związane z tym problemy. Zapewnia również potencjalny dostęp do ogromnej ilości danych pacjentów.
Są inne sposoby na uzyskanie takich danych. Jedna z siostrzanych firm Google próbuje uzyskać je bezpośrednio od samych pacjentów. Verily Life Sciences, oddział firmy Alphabet zajmujący się opieką zdrowotną, współpracuje z Duke i Stanford w celu opracowania wysoce ustrukturyzowanej bazy danych zdrowia dla około 10 000 wolontariuszy. Baza danych zostanie wypełniona informacjami nie tylko z ich wizyt klinicznych, ale także z nadających się do noszenia urządzeń monitorujących stan zdrowia. To może być obiecujący skok w dostępie do danych, chociaż uzyskanie wysoce użytecznych wyników może zająć dekadę lub dłużej.
Grupa Fuchsa w Memorial Sloan-Kettering ma nadzieję wytrenować system sztucznej inteligencji do odczytywania preparatów zawierających plamy z tkanek, co będzie wymagało dużej biblioteki preparatów z adnotacjami cyfrowymi z potwierdzonymi diagnozami i innymi krytycznymi danymi. Grupa szykuje się więc do samodzielnej produkcji 40 000 takich slajdów miesięcznie. To znacznie więcej niż ktokolwiek inny, mówi Fuchs. To ogromne zadanie ze względu na całą zmienność biologii.
Nawet lek. Andy Futreal, naukowiec prowadzący program, mówi, że połączenie informacji o pacjentach z danymi badawczymi będzie kluczowe dla tego rodzaju możliwości, jakie systemy takie jak Watson mogą zapewnić. Gdy mamy już dane, teraz możesz zająć się uczeniem maszynowym AI, odkrywając te czynniki, które dyktują, kto radzi sobie, a kto nie radzi sobie dobrze z różnymi metodami leczenia, mówi Futreal.
Ze swojej strony IBM nadal gromadzi dane z partnerstw. Tylko w zakresie diagnozowania i opieki nad rakiem firma nawiązała współpracę z Memorial Sloan-Kettering, Mayo Clinic, Broad Institute związanym z Harvardem i MIT oraz gigantem badań medycznych Quest Diagnostics. Współpraca Memorial Sloan-Kettering już stworzyła system, który przesiewa literaturę w czasopismach w celu podejmowania decyzji dotyczących leczenia, i został wdrożony w Jupiter Medical Center na Florydzie oraz w sieci szpitali w Indiach. Na froncie odkrywania leków Watson Health współpracuje z Barrow Neurological Institute, gdzie Watson pomógł znaleźć pięć genów powiązanych z ALS, które nigdy wcześniej nie były związane z chorobą, oraz z Ontario Brain Institute, gdzie Watson zidentyfikował 21 obiecujących potencjalnych leków kandydatów.
Czy Watson ostatecznie przyczyni się do poprawy wyników zdrowotnych i obniżenia kosztów? Prawdopodobnie, mówi Stephen Kraus, partner w firmie VC Bessemer Venture Partners, która koncentruje się na opiece zdrowotnej i zainwestowała w start-upy z zakresu AI Healthcare. To wszystko na serio, mówi Kraus. Nie chodzi o wypuszczanie vaporware w celu podniesienia cen akcji. Ale Kraus dołącza do większości ekspertów w ostrzeganiu przed nierealistycznymi terminami lub obietnicami — niektóre z nich pochodzą od samego IBM. To trudne, mówi. To się nie dzieje dzisiaj i może nie wydarzyć się za pięć lat. I nie zastąpi lekarzy.