211service.com
Sztuczna inteligencja może pomóc w następnej pandemii — ale nie w tej…
Fioletowi ludzie na zielonej ulicy Pani Tech / Unsplash
To sztuczna inteligencja jako pierwsza to zauważyła, a przynajmniej tak mówi historia. 30 grudnia firma BlueDot zajmująca się sztuczną inteligencją, która wykorzystuje uczenie maszynowe do monitorowania epidemii chorób zakaźnych na całym świecie, zaalarmowała klientów – w tym różne rządy, szpitale i firmy – o nietypowym wzroście przypadków zapalenia płuc w Wuhan w Chinach. Minie jeszcze dziewięć dni, zanim Światowa Organizacja Zdrowia oficjalnie oznaczy to, co wszyscy znamy jako Covid-19.
BlueDot nie był sam. Zautomatyzowana usługa o nazwie HealthMap w Szpitalu Dziecięcym w Bostonie również wychwyciła te pierwsze oznaki. Podobnie jak model prowadzony przez firmę Metabiota z siedzibą w San Francisco. To, że sztuczna inteligencja mogła wykryć epidemię po drugiej stronie świata, jest całkiem niesamowite, a wczesne ostrzeżenia ratują życie.
Więcej o koronawirusie
Nasz najważniejszy zasięg dotyczący covid-19 jest bezpłatny, w tym:
Czym jest odporność stada?
Jak działa koronawirus?
Jakie są potencjalne zabiegi?
Jakie leki działają najlepiej?
Jaki jest właściwy sposób na zachowanie dystansu społecznego?
Inne często zadawane pytania dotyczące koronawirusa
---
Biuletyn: Raport techniczny dotyczący koronawirusa
Zoom pokaż: Radio Corona
Zobacz też:
Cały nasz zasięg Covid-19
Wydanie specjalne covid-19
Kliknij tutaj, aby subskrybować i wspierać nasze dziennikarstwo non-profit .
Ale jak bardzo sztuczna inteligencja naprawdę pomogła w walce z obecną epidemią? To trudne pytanie. Firmy takie jak BlueDot zazwyczaj nie podają informacji, komu przekazują informacje i w jaki sposób są one wykorzystywane. i ludzkie zespoły twierdzą, że zauważyły epidemię tego samego dnia co AI. Inne projekty, w których sztuczna inteligencja jest badana jako narzędzie diagnostyczne lub wykorzystywana do pomocy w znalezieniu szczepionki, wciąż znajdują się na bardzo wczesnym etapie. Nawet jeśli odniosą sukces, potrzeba czasu – być może miesięcy – zanim te innowacje trafią w ręce pracowników służby zdrowia, którzy ich potrzebują.
Szum przewyższa rzeczywistość. W rzeczywistości narracja, która pojawiła się w wielu doniesieniach prasowych i zapierających dech w piersiach komunikatach prasowych – że sztuczna inteligencja jest potężną nową bronią przeciwko chorobom – jest tylko częściowo prawdziwa i może przynieść efekt przeciwny do zamierzonego. Na przykład zbyt duże zaufanie do możliwości sztucznej inteligencji może prowadzić do podejmowania źle poinformowanych decyzji, które kierują publiczne pieniądze do niesprawdzonych firm zajmujących się sztuczną inteligencją kosztem sprawdzonych interwencji, takich jak programy antynarkotykowe. Jest to również złe dla samej branży: przesadzone, ale rozczarowane oczekiwania niejednokrotnie w przeszłości doprowadziły do spadku zainteresowania sztuczną inteligencją, a w konsekwencji do utraty funduszy.
Oto test rzeczywistości: sztuczna inteligencja nie uratuje nas przed koronawirusem — z pewnością nie tym razem. Ale jest duża szansa, że odegra większą rolę w przyszłych epidemiach — jeśli wprowadzimy jakieś duże zmiany. Większość nie będzie łatwa. Niektóre nam się nie spodobają.
Istnieją trzy główne obszary, w których sztuczna inteligencja może pomóc: przewidywanie, diagnoza i leczenie.
Przepowiednia
Firmy takie jak BlueDot i Metabiota stosują szereg algorytmów przetwarzania języka naturalnego (NLP) do monitorowania serwisów informacyjnych i oficjalnych raportów opieki zdrowotnej w różnych językach na całym świecie, zaznaczając, czy wspominają o chorobach o wysokim priorytecie, takich jak koronawirus, czy o bardziej endemicznych takie jak HIV czy gruźlica. Ich narzędzia prognostyczne mogą również korzystać z danych dotyczących podróży lotniczych, aby ocenić ryzyko, że w węzłach tranzytowych mogą pojawić się lub odlecieć zainfekowane osoby.
Wyniki są dość dokładne. Na przykład ostatni publiczny raport Metabioty z 25 lutego przewidywał, że 3 marca na całym świecie będzie 127 000 skumulowanych przypadków. Przekroczono ją o około 30 000, ale Mark Gallivan, dyrektor ds. nauki danych w firmie, mówi, że nadal mieści się to w marginesie błędu. Wymieniono również kraje, które najprawdopodobniej zgłaszają nowe przypadki, w tym Chiny, Włochy, Iran i Stany Zjednoczone. Znowu: nieźle.
Inni również śledzą media społecznościowe. Stratifyd, firma zajmująca się analizą danych z siedzibą w Charlotte w Północnej Karolinie, opracowuje sztuczną inteligencję, która skanuje posty na stronach takich jak Facebook i Twitter i porównuje je z opisami chorób zaczerpniętymi ze źródeł takich jak National Institutes of Health, Światowa Organizacja ds. Zdrowia Animal Health oraz globalna baza danych identyfikatorów drobnoustrojów, która przechowuje informacje o sekwencjonowaniu genomu.
Praca tych firm jest z pewnością imponująca. I pokazuje, jak daleko posunęło się uczenie maszynowe w ostatnich latach. Kilka lat temu Google próbował przewidzieć epidemie za pomocą nieszczęsnego Flu Trackera, który został odłożony na półkę w 2013 r., Kiedy nie udało mu się przewidzieć tegorocznego gwałtownego wzrostu grypy. Co się zmieniło? Sprowadza się to głównie do zdolności najnowszego oprogramowania do nasłuchiwania o wiele szerszej gamy źródeł.
Kluczowe znaczenie ma również nienadzorowane uczenie maszynowe. Pozwalając sztucznej inteligencji identyfikować własne wzorce w hałasie, zamiast trenować ją na wcześniej wybranych przykładach, podkreśla rzeczy, o których mogłeś nie pomyśleć. Kiedy robisz przewidywanie, szukasz nowego zachowania, mówi dyrektor generalny Stratifyd, Derek Wang.
Ale co robisz z tymi przewidywaniami? Wstępna prognoza BlueDot prawidłowo wskazała kilka miast na ścieżce wirusa. Mogłoby to pozwolić władzom na przygotowanie się, zaalarmowanie szpitali i wprowadzenie środków powstrzymujących. Jednak wraz ze wzrostem skali epidemii przewidywania stają się mniej szczegółowe. Ostrzeżenie Metabioty, że niektóre kraje zostaną dotknięte w następnym tygodniu, mogło być poprawne, ale trudno jest wiedzieć, co zrobić z tymi informacjami.
Co więcej, wszystkie te podejścia będą stawać się mniej dokładne w miarę postępu epidemii, głównie dlatego, że trudno było uzyskać wiarygodne dane na temat Covid-19, których potrzebuje sztuczna inteligencja. Źródła wiadomości i oficjalne raporty oferują niespójne konta. Pojawiło się zamieszanie dotyczące objawów i sposobu, w jaki wirus przechodzi między ludźmi. Media mogą odtwarzać różne rzeczy; władze mogą bagatelizować sprawy. Przewidywanie, gdzie choroba może rozprzestrzenić się z setek miejsc w dziesiątkach krajów, jest o wiele bardziej zniechęcającym zadaniem niż telefonowanie, gdzie może rozprzestrzenić się pojedyncza epidemia w ciągu pierwszych kilku dni. Hałas jest zawsze wrogiem algorytmów uczenia maszynowego, mówi Wang. Rzeczywiście, Gallivan przyznaje, że codzienne prognozy Metabioty były łatwiejsze do wykonania w ciągu pierwszych dwóch tygodni.
Jedną z największych przeszkód jest brak testów diagnostycznych, mówi Gallivan. Idealnie byłoby, gdybyśmy mieli test na natychmiastowe wykrycie nowego koronawirusa i testowalibyśmy wszystkich przynajmniej raz dziennie, mówi. Nie wiemy też tak naprawdę, jakie zachowania przyjmują ludzie — kto pracuje w domu, kto poddaje się kwarantannie, kto myje ręce lub nie — ani jaki może to mieć efekt. Jeśli chcesz przewidzieć, co będzie dalej, potrzebujesz dokładnego obrazu tego, co dzieje się teraz.
Nie jest też jasne, co dzieje się w szpitalach. Ahmer Inam z Pactera Edge, firmy konsultingowej zajmującej się danymi i sztuczną inteligencją, twierdzi, że narzędzia prognostyczne byłyby znacznie lepsze, gdyby dane dotyczące zdrowia publicznego nie były zamknięte w agencjach rządowych, jak to ma miejsce w wielu krajach, w tym w USA. Oznacza to, że sztuczna inteligencja musi bardziej polegać na łatwo dostępnych danych, takich jak wiadomości online. Mówi, że zanim media podejmą informację o potencjalnie nowym schorzeniu, jest już za późno.
Ale jeśli sztuczna inteligencja potrzebuje znacznie więcej danych z wiarygodnych źródeł, aby była użyteczna w tym obszarze, strategie ich pozyskiwania mogą być kontrowersyjne. Kilka osób, z którymi rozmawiałem, zwróciło uwagę na ten niewygodny kompromis: aby uzyskać lepsze prognozy z uczenia maszynowego, musimy udostępniać więcej naszych danych osobowych firmom i rządom.
Darren Schulte, MD i dyrektor generalny firmy Apiksio, która zbudowała sztuczną inteligencję do wydobywania informacji z dokumentacji pacjentów, uważa, że dokumentację medyczną z całych Stanów Zjednoczonych należy udostępnić do analizy danych. Dzięki temu sztuczna inteligencja może automatycznie identyfikować osoby, które są najbardziej narażone na Covid-19 z powodu choroby podstawowej. Zasoby można wtedy skoncentrować na tych ludziach, którzy ich najbardziej potrzebują. Jak mówi Schulte, istnieje technologia umożliwiająca odczytywanie danych pacjentów i wydobywanie informacji ratujących życie. Problem polega na tym, że te rekordy są podzielone na wiele baz danych i zarządzane przez różne służby zdrowia, co utrudnia ich analizę. „Chciałbym wrzucić moją sztuczną inteligencję do tego wielkiego oceanu danych”, mówi. Ale nasze dane znajdują się w małych jeziorach, a nie w wielkim oceanie.
Dane dotyczące zdrowia powinny być również udostępniane między krajami, mówi Inam: Wirusy nie działają w granicach geopolitycznych. Uważa, że międzynarodowe porozumienie powinno zmusić kraje do udostępniania danych w czasie rzeczywistym na temat diagnoz i hospitalizacji, które następnie mogłyby zostać wykorzystane w globalnych modelach uczenia maszynowego pandemii.
Oczywiście może to być myślenie życzeniowe. W różnych częściach świata obowiązują różne przepisy dotyczące prywatności danych medycznych. Wielu z nas już teraz sprzeciwia się udostępnianiu naszych danych osobom trzecim. Nowe techniki przetwarzania danych, takie jak prywatność różnicowa i szkolenie na danych syntetycznych, a nie rzeczywistych , mogą pomóc w tej debacie. Ale ta technologia wciąż jest dopracowana. Osiągnięcie porozumienia w sprawie norm międzynarodowych zajmie jeszcze więcej czasu.
Na razie musimy jak najlepiej wykorzystać posiadane przez nas dane. Odpowiedzią Wanga jest upewnienie się, że ludzie są w pobliżu, aby zinterpretować to, co wypluwają modele uczenia maszynowego, upewniając się, że odrzucisz przewidywania, które nie są prawdziwe. Jeśli ktoś jest zbyt optymistyczny lub polega na w pełni autonomicznym modelu predykcyjnym, okaże się to problematyczne, mówi. Sztuczna inteligencja może znaleźć ukryte sygnały w danych, ale ludzie muszą połączyć kropki.
Wczesna diagnoza
Wielu ma nadzieję, że oprócz przewidywania przebiegu epidemii sztuczna inteligencja pomoże zidentyfikować osoby, które zostały zarażone. AI ma tutaj udokumentowane doświadczenie. Modele uczenia maszynowego do badania obrazów medycznych mogą wykrywać wczesne oznaki chorób, których nie zauważają lekarze, od chorób oczu po choroby serca i raka. Ale te modele zazwyczaj wymagają dużej ilości danych, z których można się uczyć.
Kilka artykułów z preprintem zostało opublikowanych w Internecie w ciągu ostatnich kilku tygodni, co sugeruje, że uczenie maszynowe może diagnozować Covid-19 ze skanów TK tkanki płucnej, jeśli wyszkolono je w wykrywaniu charakterystycznych objawów choroby na obrazach. Alexander Selvikvåg Lundervold z Zachodnionorweskiego Uniwersytetu Nauk Stosowanych w Bergen w Norwegii, który jest ekspertem w dziedzinie uczenia maszynowego i obrazowania medycznego, mówi, że powinniśmy oczekiwać, że sztuczna inteligencja będzie w stanie w końcu wykryć objawy Covid-19 u pacjentów. Ale nie jest jasne, czy obrazowanie jest właściwą drogą. Po pierwsze, fizyczne oznaki choroby mogą nie pojawić się na obrazach do pewnego czasu po zakażeniu, co sprawia, że nie jest to zbyt przydatne jako wczesna diagnostyka.
Dr Fan Zhongjie, specjalista chorób układu oddechowego odpowiedzialny za krytycznych pacjentów z COVID-19 w prowincji Hubei w środkowych Chinach, odczytuje obraz tomografii komputerowej. Obrazy AP
Co więcej, ponieważ do tej pory dostępnych jest tak mało danych treningowych, trudno jest ocenić dokładność podejść publikowanych online. Większość systemów rozpoznawania obrazów — w tym te wytrenowane na obrazach medycznych — zostało zaadaptowanych z modeli przeszkolonych najpierw w ImageNet, powszechnie używanym zestawie danych obejmującym miliony obrazów codziennego użytku. Jak mówi Lundervold, sklasyfikowanie czegoś prostego, zbliżonego do danych ImageNet, na przykład zdjęć psów i kotów, można przeprowadzić przy bardzo małej ilości danych. Subtelne odkrycia na obrazach medycznych, nie tak bardzo.
Nie oznacza to, że tak się nie stanie — a narzędzia sztucznej inteligencji można potencjalnie zbudować do wykrywania wczesnych stadiów choroby w przyszłych epidemiach. Powinniśmy jednak być sceptyczni wobec wielu twierdzeń lekarzy AI diagnozujących dziś Covid-19. Ponownie, pomocne będzie udostępnianie większej ilości danych pacjentów, podobnie jak techniki uczenia maszynowego, które umożliwiają trenowanie modeli nawet wtedy, gdy dostępnych jest niewiele danych. Na przykład uczenie się kilkoma strzałami, w którym sztuczna inteligencja może uczyć się wzorców tylko na podstawie kilku wyników, i uczenie się transferu, w którym sztuczna inteligencja już przeszkolona do robienia jednej rzeczy może być szybko dostosowana do robienia czegoś podobnego, to obiecujące postępy, ale nadal działa w trakcie.
Wyleczyć wszystko
Dane są również niezbędne, jeśli sztuczna inteligencja ma pomóc w opracowywaniu metod leczenia choroby. Jedną z technik identyfikacji potencjalnych kandydatów na leki jest użycie algorytmów projektowania generatywnego, które dają ogromną liczbę potencjalnych wyników, a następnie przesiewanie ich w celu wyróżnienia tych, którym warto się bliżej przyjrzeć. Technikę tę można na przykład wykorzystać do szybkiego przeszukiwania milionów struktur biologicznych lub molekularnych.
SRI International współpracuje nad takim narzędziem AI, które wykorzystuje głębokie uczenie do generowania wielu nowych kandydatów na leki, które naukowcy mogą następnie ocenić pod kątem skuteczności. Jest to przełom w dziedzinie odkrywania leków, ale może minąć wiele miesięcy, zanim obiecujący kandydat stanie się realną terapią .
Teoretycznie sztuczna inteligencja może być również wykorzystywana do przewidywania ewolucji koronawirusa. Inam wyobraża sobie uruchamianie nienadzorowanych algorytmów uczenia się, aby symulować wszystkie możliwe ścieżki ewolucji. Następnie można dodać do mieszanki potencjalne szczepionki i sprawdzić, czy wirusy mutują, aby wytworzyć oporność. To pozwoli wirusologom wyprzedzić wirusy o kilka kroków i stworzyć szczepionki na wypadek wystąpienia którejkolwiek z tych mutacji zagłady, mówi.
To ekscytująca możliwość, ale odległa. Nie mamy jeszcze wystarczających informacji na temat mutacji wirusa, aby tym razem móc go zasymulować.
W międzyczasie ostateczną barierą mogą być ludzie rządzący. To, co najbardziej chciałbym zmienić, to relacje między decydentami a sztuczną inteligencją, mówi Wang. Sztuczna inteligencja nie będzie w stanie sama przewidzieć wybuchów choroby, bez względu na ilość uzyskanych danych. Mówi, że przekonanie liderów rządów, firm i opieki zdrowotnej do zaufania tym narzędziom zasadniczo zmieni szybkość, z jaką możemy zareagować na epidemie chorób. Ale to zaufanie musi pochodzić z realistycznego spojrzenia na to, co sztuczna inteligencja może, a czego nie może zrobić teraz – i co może sprawić, że następnym razem będzie lepiej.
Optymalne wykorzystanie sztucznej inteligencji zajmie dużo danych, czasu i inteligentnej koordynacji między wieloma różnymi osobami. Wszystkiego brakuje w tej chwili.