211service.com
AI galėtų padėti kilus kitai pandemijai, bet ne šiai
Violetiniai žmonės žalioje gatvėje Ponia Tech / Unsplash
Tai buvo dirbtinis intelektas, kuris pirmą kartą pamatė, kad tai ateina, arba taip pasakojama istorija. Gruodžio 30 d. dirbtinio intelekto įmonė „BlueDot“, kuri naudoja mašininį mokymąsi infekcinių ligų protrūkiams visame pasaulyje stebėti, įspėjo klientus, įskaitant įvairias vyriausybes, ligonines ir įmones, apie neįprastą pneumonijos atvejų skaičių Uhane, Kinijoje. Praeitų dar devynios dienos, kol Pasaulio sveikatos organizacija oficialiai paskelbs tai, ką mes visi žinojome kaip Covid-19.
„BlueDot“ nebuvo vienas. Šiuos pirmuosius požymius pastebėjo ir Bostono vaikų ligoninės automatizuota paslauga, pavadinta HealthMap. Kaip ir modelis, kurį valdo „Metabiota“, įsikūrusi San Franciske. Tai, kad dirbtinis intelektas gali pastebėti protrūkį kitoje pasaulio pusėje, yra nuostabu, o ankstyvieji įspėjimai gelbsti gyvybes.
Daugiau apie koronavirusą
Mūsų svarbiausias COVID-19 draudimas yra nemokamas, įskaitant:
Kas yra bandos imunitetas?
Kaip veikia koronavirusas?
Kokie galimi gydymo būdai?
Kokie vaistai veikia geriausiai?
Koks yra teisingas socialinio atsiribojimo būdas?
Kiti dažnai užduodami klausimai apie koronavirusą
---
Naujienlaiškis: Coronavirus Tech Report
Priartinimo laida: „Radio Corona“.
Taip pat žiūrėkite:
Visa mūsų Covid-19 aprėptis
Specialusis COVID-19 numeris
Spustelėkite čia, kad užsiprenumeruotumėte ir paremtumėte mūsų ne pelno siekiančią žurnalistiką .
Tačiau kiek AI iš tikrųjų padėjo kovojant su dabartiniu protrūkiu? Į tai sunku atsakyti. Tokios įmonės kaip „BlueDot“ paprastai nekalba apie tai, kam teikia informaciją ir kaip ji naudojama. Ir žmonių komandos teigia pastebėję protrūkį tą pačią dieną kaip ir AI. Kiti projektai, kuriuose dirbtinis intelektas tiriamas kaip diagnostikos įrankis arba naudojamas padėti rasti vakciną, vis dar yra labai ankstyvose stadijose. Net jei jie bus sėkmingi, prireiks laiko, galbūt mėnesių, kol šios naujovės pateks į sveikatos priežiūros darbuotojų, kuriems jų reikia, rankas.
Ažiotažas pranoksta realybę. Tiesą sakant, pasakojimas, kuris pasirodė daugelyje naujienų ataskaitų ir kvapą gniaužiančių pranešimų spaudai, kad dirbtinis intelektas yra galingas naujas ginklas prieš ligas, yra tik iš dalies tiesa ir gali tapti priešinga. Pavyzdžiui, per didelis pasitikėjimas dirbtinio intelekto galimybėmis gali lemti netinkamai pagrįstus sprendimus, kuriais viešieji pinigai nukreipiami neįrodytoms dirbtinio intelekto įmonėms įrodytų intervencijų, pvz., vaistų programų, sąskaita. Tai taip pat kenkia pačiai sričiai: pernelyg išpūsti, bet nusivylę lūkesčiai lėmė, kad susidomėjimas AI žlugo ir dėl to buvo prarastas finansavimas, ne kartą.
Taigi čia yra tikrovės patikrinimas: AI neišgelbės mūsų nuo koronaviruso – šį kartą tikrai ne. Tačiau yra visos galimybės, kad ateityje epidemijose jis vaidins didesnį vaidmenį, jei atliksime keletą didelių pokyčių. Daugumai nebus lengva. Kai kurie mums nepatiks.
Yra trys pagrindinės sritys, kuriose AI galėtų padėti: prognozavimas, diagnozė ir gydymas.
Numatymas
Tokios įmonės kaip „BlueDot“ ir „Metabiota“ naudoja įvairius natūralios kalbos apdorojimo (NLP) algoritmus, kad stebėtų naujienų kanalus ir oficialias sveikatos priežiūros ataskaitas įvairiomis kalbomis visame pasaulyje, pažymėdamos, ar jose minimos svarbiausios ligos, tokios kaip koronavirusas, ar labiau endeminės. tokių kaip ŽIV ar tuberkuliozė. Jų nuspėjamieji įrankiai taip pat gali remtis kelionių oro transportu duomenimis, kad įvertintų riziką, kad tranzito centrai gali pamatyti užkrėstus žmones atvykstančius arba išvykstančius.
Rezultatai yra pakankamai tikslūs. Pavyzdžiui, naujausioje viešoje Metabiota ataskaitoje, vasario 25 d., prognozuojama, kad kovo 3 d. visame pasaulyje bus 127 000 kumuliacinių atvejų. Jis viršijo maždaug 30 000, tačiau Markas Gallivanas, įmonės duomenų mokslo direktorius, teigia, kad tai vis dar yra paklaidos ribose. Jame taip pat išvardytos šalys, kurios greičiausiai praneš apie naujus atvejus, įskaitant Kiniją, Italiją, Iraną ir JAV. Dar kartą: neblogai.
Kiti taip pat stebi socialinę žiniasklaidą. „Stratifyd“, duomenų analizės įmonė, įsikūrusi Šarlotėje, Šiaurės Karolinoje, kuria dirbtinį intelektą, kuris nuskaito įrašus tokiose svetainėse kaip „Facebook“ ir „Twitter“ ir daro juos kryžmines nuorodas su ligų aprašymais, paimtais iš tokių šaltinių kaip Nacionaliniai sveikatos institutai, Pasaulio organizacija. Animal Health ir pasaulinė mikrobų identifikatorių duomenų bazė, kurioje saugoma genomo sekos nustatymo informacija.
Šių įmonių darbas tikrai įspūdingas. Ir tai parodo, kaip mašininis mokymasis pastaraisiais metais pažengė į priekį. Prieš kelerius metus „Google“ bandė nuspėti protrūkius naudodama nelaimingą gripo stebėjimo priemonę, kuri buvo atidėta 2013 m., kai nepavyko numatyti tų metų gripo smailės. Kas pasikeitė? Tai daugiausia lemia naujausios programinės įrangos galimybė klausytis daug įvairesnių šaltinių.
Neprižiūrimas mašininis mokymasis taip pat yra labai svarbus. Leisdami AI nustatyti savo triukšmo modelius, užuot mokę jį pagal iš anksto pasirinktus pavyzdžius, išryškina dalykus, kurių galbūt nė negalvojote ieškoti. Kai darote prognozes, ieškote naujo elgesio, sako „Stratifyd“ generalinis direktorius Derekas Wangas.
Bet ką daryti su šiomis prognozėmis? Pirminė „BlueDot“ prognozė teisingai nurodė keletą miestų viruso kelyje. Tai galėjo leisti valdžios institucijoms pasiruošti, įspėti ligonines ir imtis izoliavimo priemonių. Tačiau augant epidemijos mastui, prognozės tampa ne tokios konkrečios. „Metabiota“ įspėjimas, kad kitą savaitę bus paveiktos tam tikros šalys, galėjo būti teisingas, tačiau sunku žinoti, ką daryti su ta informacija.
Be to, epidemijai progresuojant, visi šie metodai taps ne tokie tikslūs, daugiausia dėl to, kad buvo sunku gauti patikimų duomenų apie Covid-19, kuriais reikia maitintis dirbtiniu intelektu. Naujienų šaltiniuose ir oficialiuose pranešimuose pateikiamos nenuoseklios ataskaitos. Kyla painiavos dėl simptomų ir viruso plitimo tarp žmonių. Žiniasklaida gali viską išjudinti; valdžios institucijos gali sumenkinti dalykus. Numatyti, kur liga gali išplisti iš šimtų vietų dešimtyse šalių, yra daug sunkesnė užduotis nei skambinti, kur vienas protrūkis gali išplisti per pirmąsias kelias dienas. Triukšmas visada yra mašininio mokymosi algoritmų priešas, sako Wang. Gallivanas pripažįsta, kad kasdienes Metabiota prognozes buvo lengviau atlikti per pirmąsias dvi savaites.
Viena didžiausių kliūčių yra diagnostinių tyrimų trūkumas, sako Gallivanas. Idealiu atveju turėtume testą, kad iš karto aptiktume naująjį koronavirusą, ir visus tikrintume bent kartą per dieną, sako jis. Taip pat nelabai žinome, kokio elgesio žmonės elgiasi – kas dirba namuose, kas laikosi karantino, kas plauna rankas ar neplauna – ar kokį poveikį tai gali turėti. Jei norite nuspėti, kas nutiks toliau, jums reikia tikslaus vaizdo, kas vyksta dabar.
Taip pat neaišku, kas vyksta ligoninėse. Ahmer Inam iš Pactera Edge, duomenų ir AI konsultacinės įmonės, teigia, kad prognozavimo įrankiai būtų daug geresni, jei visuomenės sveikatos duomenys nebūtų užrakinti vyriausybinėse agentūrose, kaip tai daroma daugelyje šalių, įskaitant JAV. Tai reiškia, kad dirbtinis intelektas turi labiau remtis lengvai prieinamais duomenimis, pvz., internetinėmis naujienomis. Kol žiniasklaida imasi informacijos apie galimai naują sveikatos būklę, jau per vėlu, sako jis.
Tačiau jei dirbtiniam intelektui reikia daug daugiau duomenų iš patikimų šaltinių, kad jie būtų naudingi šioje srityje, jų gavimo strategijos gali būti prieštaringos. Keli žmonės, su kuriais kalbėjausi, pabrėžė šį nepatogų kompromisą: norėdami gauti geresnes mašininio mokymosi prognozes, turime dalytis daugiau savo asmeninių duomenų su įmonėmis ir vyriausybėmis.
Darrenas Schulte'as, MD ir „Apixio“ generalinis direktorius, sukūręs dirbtinį intelektą, skirtą informacijai iš pacientų įrašų gauti, mano, kad medicininiai įrašai iš visos JAV turėtų būti atverti duomenų analizei. Tai leistų AI automatiškai nustatyti asmenis, kuriems dėl pagrindinės būklės gresia didžiausias Covid-19 pavojus. Tada ištekliai galėtų būti skirti tiems žmonėms, kuriems jų labiausiai reikia. Egzistuoja technologija, skirta skaityti pacientų įrašus ir išgauti gyvybę gelbstinčią informaciją, sako Schulte. Problema ta, kad šie įrašai yra padalinti į kelias duomenų bazes ir tvarkomi skirtingų sveikatos priežiūros paslaugų, todėl juos sunkiau analizuoti. Norėčiau įmesti savo AI į šį didelį duomenų vandenyną, sako jis. Tačiau mūsų duomenys yra mažuose ežeruose, o ne dideliame vandenyne.
Sveikatos duomenys taip pat turėtų būti dalijami tarp šalių, sako Inamas: Virusai neveikia geopolitinių ribų. Jis mano, kad šalys tarptautiniu susitarimu turėtų būti priverstos skelbti duomenis apie diagnozes ir hospitalizavimą realiuoju laiku, kurie vėliau galėtų būti įtraukti į pasaulinio masto mašininio mokymosi pandemijos modelius.
Žinoma, tai gali būti noras. Įvairiose pasaulio dalyse taikomos skirtingos medicininių duomenų privatumo taisyklės. Ir daugelis iš mūsų jau atsisako, kad mūsų duomenys būtų prieinami trečiosioms šalims. Nauji duomenų apdorojimo būdai, pvz., diferencijuotas privatumas ir mokymas apie sintetinius duomenis, o ne tikrus duomenis, gali padėti išspręsti šią diskusiją. Tačiau ši technologija vis dar tobulinama. Susitarimo dėl tarptautinių standartų paieška užtruks dar daugiau laiko.
Šiuo metu turime kuo geriau išnaudoti turimus duomenis. Wang atsakymas yra užtikrinti, kad žmonės būtų šalia, kad suprastų, ką mašininio mokymosi modeliai išspjauna, ir būtinai atmeskite prognozes, kurios neatitinka tikrovės. Jis sako, kad jei žmogus yra pernelyg optimistiškas arba priklausomas nuo visiškai savarankiško nuspėjimo modelio, tai bus problematiška. AI gali rasti paslėptus signalus duomenyse, tačiau žmonės turi sujungti taškus.
Ankstyva diagnozė
Daugelis tikisi, kad ne tik prognozuoja epidemijos eigą, bet ir AI padės nustatyti užsikrėtusius žmones. AI čia turi pasitvirtinusių rezultatų. Mašininio mokymosi modeliai medicininiams vaizdams tirti gali aptikti ankstyvus ligų požymius, kurių gydytojai nepastebi – nuo akių ligų iki širdies ligų iki vėžio. Tačiau šiems modeliams paprastai reikia daug duomenų, kad būtų galima mokytis.
Per pastarąsias kelias savaites internete buvo paskelbta keletas išankstinio spausdinimo popierių, rodančių tai Mašininis mokymasis gali diagnozuoti Covid-19 iš plaučių audinio kompiuterinės tomografijos nuskaitymo, jei jie mokomi vaizduose pastebėti įspėjamuosius ligos požymius. Alexanderis Selvikvågas Lundervoldas iš Vakarų Norvegijos taikomųjų mokslų universiteto Bergene (Norvegija), mašininio mokymosi ir medicininio vaizdavimo ekspertas, sako, kad turėtume tikėtis, kad AI galiausiai galės aptikti pacientų Covid-19 požymius. Tačiau neaišku, ar vaizdavimas yra tinkamas būdas. Viena vertus, fiziniai ligos požymiai gali pasirodyti tik po kurio laiko po užsikrėtimo, todėl tai nėra labai naudinga kaip ankstyva diagnostika.
Dr. Fan Zhongjie, kvėpavimo specialistas, atsakingas už kritinius COVID-19 pacientus centrinėje Kinijos Hubėjaus provincijoje, skaito kompiuterinės tomografijos vaizdą. AP vaizdai
Be to, kadangi iki šiol yra tiek mažai treniruočių duomenų, sunku įvertinti internete paskelbtų metodų tikslumą. Dauguma vaizdų atpažinimo sistemų, įskaitant tas, kurios apmokytos medicininiams vaizdams, yra pritaikytos modeliams, pirmą kartą apmokytam naudojant ImageNet – plačiai naudojamą duomenų rinkinį, apimantį milijonus kasdienių vaizdų. Lundervoldas sako, kad klasifikuoti ką nors paprasto, artimo „ImageNet“ duomenims, pvz., šunų ir kačių vaizdus, galima atlikti naudojant labai mažai duomenų. Subtilūs radiniai medicininiuose vaizduose, ne tiek daug.
Tai nereiškia, kad tai neįvyks – AI įrankiai gali būti sukurti, kad būtų galima nustatyti ankstyvas ligos stadijas būsimų protrūkių metu. Tačiau turėtume skeptiškai vertinti daugelį AI gydytojų teiginių, šiandien diagnozuojančių Covid-19. Vėlgi, padėtų dalytis daugiau pacientų duomenų, taip pat padės mašininio mokymosi metodai, leidžiantys apmokyti modelius net tada, kai turima mažai duomenų. Pavyzdžiui, kelių kadrų mokymasis, kai dirbtinis intelektas gali išmokti modelius iš kelių rezultatų, ir mokymosi perkėlimas, kai dirbtinis intelektas, jau išmokytas daryti vieną dalyką, gali būti greitai pritaikytas daryti kažką panašaus, yra daug žadanti pažanga, bet vis tiek veikia. vyksta.
Išgydyti viską
Duomenys taip pat būtini, jei dirbtinis intelektas padeda sukurti šios ligos gydymo būdus. Vienas iš galimų vaistų kandidatų nustatymo būdų yra naudoti generatyvaus projektavimo algoritmus, kurie duoda daug galimų rezultatų, o paskui juos perbraukia, kad paryškintų tuos, į kuriuos verta pažvelgti atidžiau. Šis metodas gali būti naudojamas, pavyzdžiui, norint greitai ieškoti milijonų biologinių ar molekulinių struktūrų.
SRI International bendradarbiauja kuriant tokį AI įrankį, kuris naudoja gilų mokymąsi, kad sukurtų daug naujų vaistų kandidatų, kurių veiksmingumą mokslininkai gali įvertinti. Tai gali pakeisti vaistų atradimą, tačiau vis tiek gali praeiti daug mėnesių, kol perspektyvus kandidatas taps perspektyviu gydymo būdu.
Teoriškai dirbtinis intelektas taip pat gali būti naudojamas koronaviruso evoliucijai prognozuoti. Inamas įsivaizduoja, kad paleidžia neprižiūrimus mokymosi algoritmus, kad imituotų visus galimus evoliucijos kelius. Tada galite pridėti galimų vakcinų į mišinį ir pamatyti, ar virusai mutuoja, kad išsivystytų atsparumas. Tai leis virusologams būti keliais žingsniais priekyje virusų ir sukurti vakcinas, jei įvyktų kuri nors iš šių pasaulio pabaigos mutacijų, sako jis.
Tai jaudinanti galimybė, bet tolima. Dar neturime pakankamai informacijos apie tai, kaip virusas mutuoja, kad šį kartą galėtume jį imituoti.
Tuo tarpu didžiausia kliūtis gali būti atsakingi žmonės. Labiausiai norėčiau pakeisti santykius tarp politikos formuotojų ir AI, sako Wang. AI negalės pats numatyti ligų protrūkių, kad ir kiek duomenų ji gautų. Jis sako, kad vyriausybės, verslo ir sveikatos priežiūros lyderių pasitikėjimas šiomis priemonėmis iš esmės pakeis tai, kaip greitai galime reaguoti į ligų protrūkius. Tačiau šis pasitikėjimas turi kilti iš tikro požiūrio į tai, ką dirbtinis intelektas gali ir ko negali padaryti dabar, o kas kitą kartą gali tai padaryti geriau.
Norint išnaudoti visas dirbtinio intelekto galimybes, reikės daug duomenų, laiko ir sumanaus daugelio skirtingų žmonių koordinavimo. Visų šiuo metu trūksta.