211service.com
AI kan hjelpe med neste pandemi - men ikke med denne
Lilla mennesker på en grønn gate Ms Tech / Unsplash
Det var en AI som først så det komme, eller så historien sier. Den 30. desember varslet et selskap med kunstig intelligens kalt BlueDot, som bruker maskinlæring for å overvåke utbrudd av infeksjonssykdommer rundt om i verden, klienter – inkludert ulike myndigheter, sykehus og virksomheter – om en uvanlig støt i tilfeller av lungebetennelse i Wuhan, Kina. Det skulle gå ytterligere ni dager før Verdens helseorganisasjon offisielt flagget det vi alle har blitt kjent med som Covid-19.
BlueDot var ikke alene. En automatisert tjeneste kalt HealthMap ved Boston Children's Hospital fanget også de første tegnene. Det samme gjorde en modell drevet av Metabiota, basert i San Francisco. At AI kunne oppdage et utbrudd på den andre siden av verden er ganske utrolig, og tidlige advarsler redder liv.
Mer om koronaviruset
Vår viktigste dekning av covid-19 er gratis, inkludert:
Hva er flokkimmunitet?
Hvordan fungerer koronaviruset?
Hva er potensielle behandlinger?
Hvilke medikamenter fungerer best?
Hva er den riktige måten å gjøre sosial distansering på?
Andre vanlige spørsmål om koronavirus
---
Nyhetsbrev: Coronavirus Tech Report
Zoomshow: Radio Corona
Se også:
All vår covid-19-dekning
Covid-19 spesialutgaven
Klikk her for å abonnere og støtte vår non-profit journalistikk.
Men hvor mye har AI egentlig hjulpet med å takle det nåværende utbruddet? Det er et vanskelig spørsmål å svare på. Selskaper som BlueDot er vanligvis ordknappe om nøyaktig hvem de gir informasjon til og hvordan den brukes. Og menneskelige team sier at de oppdaget utbruddet samme dag som AI-ene. Andre prosjekter der AI blir utforsket som et diagnostisk verktøy eller brukt til å finne en vaksine, er fortsatt i de tidlige stadiene. Selv om de lykkes, vil det ta tid – muligens måneder – å få disse innovasjonene i hendene på helsepersonell som trenger dem.
Hypen overgår virkeligheten. Faktisk er narrativet som har dukket opp i mange nyhetsreportasjer og åndeløse pressemeldinger – at AI er et kraftig nytt våpen mot sykdommer – bare delvis sann og risikerer å bli kontraproduktiv. For mye tillit til AIs evner kan for eksempel føre til dårlig informerte beslutninger som sender offentlige penger til uprøvde AI-selskaper på bekostning av velprøvde intervensjoner som medikamentprogrammer. Det er også dårlig for feltet selv: overdrevne, men skuffede forventninger har ført til en krasj i interessen for AI, og påfølgende tap av finansiering, mer enn en gang tidligere.
Så her er en realitetssjekk: AI vil ikke redde oss fra koronaviruset – absolutt ikke denne gangen. Men det er stor sjanse for at det vil spille en større rolle i fremtidige epidemier - hvis vi gjør noen store endringer. De fleste vil ikke være enkle. Noen vil vi ikke like.
Det er tre hovedområder hvor AI kan hjelpe: prediksjon, diagnose og behandling.
Prediksjon
Selskaper som BlueDot og Metabiota bruker en rekke algoritmer for naturlig språkbehandling (NLP) for å overvåke nyhetskanaler og offisielle helserapporter på forskjellige språk rundt om i verden, og flagger om de nevner høyprioriterte sykdommer, som koronavirus eller mer endemiske sykdommer. slike, som HIV eller tuberkulose. Deres prediktive verktøy kan også trekke på flyreisedata for å vurdere risikoen for at transittknutepunkter kan se infiserte mennesker enten ankomme eller reise.
Resultatene er rimelig nøyaktige. For eksempel spådde Metabiotas siste offentlige rapport, 25. februar, at 3. mars ville det være 127 000 kumulative tilfeller over hele verden. Det overskredet med rundt 30 000, men Mark Gallivan, firmaets direktør for datavitenskap, sier at dette fortsatt er godt innenfor feilmarginen. Den listet også opp landene som mest sannsynlig vil rapportere nye tilfeller, inkludert Kina, Italia, Iran og USA. Igjen: ikke dårlig.
Andre holder øye med sosiale medier også. Stratifyd, et dataanalyseselskap med base i Charlotte, North Carolina, utvikler en AI som skanner innlegg på nettsteder som Facebook og Twitter og kryssreferanser dem med beskrivelser av sykdommer hentet fra kilder som National Institutes of Health, Verdensorganisasjonen for Animal Health, og den globale mikrobielle identifikatordatabasen, som lagrer genomsekvenseringsinformasjon.
Arbeidet til disse selskapene er absolutt imponerende. Og det viser hvor langt maskinlæring har kommet de siste årene. For noen år siden prøvde Google å forutsi utbrudd med sin skjebnesvangre Flu Tracker, som ble skrinlagt i 2013 da den ikke klarte å forutsi årets influensaøkning. Hva endret seg? Det kommer for det meste ned på muligheten til den nyeste programvaren til å lytte til et mye bredere spekter av kilder.
Uovervåket maskinlæring er også nøkkelen. Å la en AI identifisere sine egne mønstre i støyen, i stedet for å trene den på forhåndsvalgte eksempler, fremhever ting du kanskje ikke hadde tenkt å se etter. Når du gjør spådommer, leter du etter ny atferd, sier Stratifyds administrerende direktør, Derek Wang.
Men hva gjør du med disse spådommene? Den første spådommen fra BlueDot pekte riktig ut en håndfull byer i virusets vei. Dette kunne ha latt myndighetene forberede seg, varsle sykehus og iverksette inneslutningstiltak. Men etter hvert som omfanget av epidemien vokser, blir spådommene mindre spesifikke. Metabiotas advarsel om at enkelte land ville bli berørt i den påfølgende uken kan ha vært riktig, men det er vanskelig å vite hva man skal gjøre med den informasjonen.
Dessuten vil alle disse tilnærmingene bli mindre nøyaktige etter hvert som epidemien skrider frem, hovedsakelig fordi pålitelige data av den typen som AI trenger å spise har vært vanskelig å få om Covid-19. Nyhetskilder og offisielle rapporter tilbyr inkonsistente kontoer. Det har vært forvirring over symptomer og hvordan viruset passerer mellom mennesker. Media kan spille ting opp; myndighetene kan bagatellisere ting. Og å forutsi hvor en sykdom kan spre seg fra hundrevis av steder i dusinvis av land er en langt mer skremmende oppgave enn å ringe hvor et enkelt utbrudd kan spre seg i løpet av de første dagene. Støy er alltid fienden til maskinlæringsalgoritmer, sier Wang. Faktisk erkjenner Gallivan at Metabiotas daglige spådommer var lettere å lage de første to ukene eller så.
En av de største hindringene er mangelen på diagnostisk testing, sier Gallivan. Ideelt sett ville vi ha en test for å oppdage det nye koronaviruset umiddelbart og teste alle minst én gang om dagen, sier han. Vi vet heller ikke egentlig hvilken atferd folk tar i bruk – hvem som jobber hjemmefra, hvem som er i karantene, hvem som vasker hender eller ikke – eller hvilken effekt det kan ha. Hvis du vil forutsi hva som kommer til å skje videre, trenger du et nøyaktig bilde av hva som skjer akkurat nå.
Det er heller ikke klart hva som skjer inne på sykehus. Ahmer Inam ved Pactera Edge, et data- og AI-konsulentfirma, sier at prediksjonsverktøy ville vært mye bedre hvis folkehelsedata ikke var låst inne i offentlige etater, slik det er i mange land, inkludert USA. Dette betyr at en AI må lene seg sterkere på lett tilgjengelige data som nettnyheter. Når media tar opp en potensielt ny medisinsk tilstand, er det allerede for sent, sier han.
Men hvis AI trenger mye mer data fra pålitelige kilder for å være nyttig på dette området, kan strategier for å få det være kontroversielle. Flere personer jeg snakket med fremhevet denne ubehagelige avveiningen: for å få bedre spådommer fra maskinlæring, må vi dele flere av våre personlige data med selskaper og myndigheter.
Darren Schulte, MD og administrerende direktør i Apixio, som har bygget en AI for å trekke ut informasjon fra pasientjournaler, mener at medisinske journaler fra hele USA bør åpnes for dataanalyse. Dette kan tillate en AI å automatisk identifisere individer som er mest utsatt for Covid-19 på grunn av en underliggende tilstand. Ressurser kan da fokuseres på de menneskene som trenger dem mest. Teknologien for å lese pasientjournaler og trekke ut livreddende informasjon finnes, sier Schulte. Problemet er at disse postene er delt på tvers av flere databaser og administrert av ulike helsetjenester, noe som gjør dem vanskeligere å analysere. Jeg vil gjerne slippe AI-en min inn i dette store havet av data, sier han. Men dataene våre ligger i små innsjøer, ikke et stort hav.
Helsedata bør også deles mellom land, sier Inam: Virus fungerer ikke innenfor geopolitiske grenser. Han mener land bør tvinges av internasjonal avtale til å frigi sanntidsdata om diagnoser og sykehusinnleggelser, som deretter kan mates inn i global-skala maskinlæringsmodeller av en pandemi.
Selvfølgelig kan dette være ønsketenkning. Ulike deler av verden har ulike personvernregler for medisinske data. Og mange av oss vegrer seg allerede for å gjøre dataene våre tilgjengelige for tredjeparter. Nye databehandlingsteknikker, som differensiert personvern og opplæring på syntetiske data i stedet for ekte data, kan være en vei gjennom denne debatten. Men denne teknologien finesseres fortsatt. Å finne enighet om internasjonale standarder vil ta enda mer tid.
Foreløpig må vi få mest mulig ut av dataene vi har. Wangs svar er å sørge for at mennesker er i nærheten for å tolke hva maskinlæringsmodeller spytter ut, og sørge for å forkaste spådommer som ikke stemmer. Hvis man er for optimistisk eller avhengig av en fullt autonom prediktiv modell, vil det vise seg problematisk, sier han. AI-er kan finne skjulte signaler i dataene, men mennesker må koble sammen prikkene.
Tidlig diagnose
I tillegg til å forutsi forløpet av en epidemi, håper mange at AI vil bidra til å identifisere personer som har blitt smittet. AI har en bevist merittliste her. Maskinlæringsmodeller for å undersøke medisinske bilder kan fange tidlige tegn på sykdom som menneskelige leger savner, fra øyesykdommer til hjertesykdommer til kreft. Men disse modellene krever vanligvis mye data å lære av.
En håndfull fortrykte papirer har blitt lagt ut på nettet de siste ukene som tyder på det maskinlæring kan diagnostisere Covid-19 fra CT-skanninger av lungevev hvis de er opplært til å oppdage tydelige tegn på sykdommen i bildene. Alexander Selvikvåg Lundervold ved Høgskolen på Vestlandet i Bergen, Norge, som er ekspert på maskinlæring og medisinsk bildebehandling, sier at vi kan forvente at AI etter hvert skal kunne oppdage tegn på Covid-19 hos pasienter. Men det er uklart om bildediagnostikk er veien å gå. For det første kan det hende at fysiske tegn på sykdommen ikke vises i skanninger før en tid etter infeksjon, noe som gjør det lite nyttig som en tidlig diagnostikk.
Dr. Fan Zhongjie, en respirasjonsspesialist med ansvar for kritiske COVID-19-pasienter i Hubei-provinsen i det sentrale Kina, leser et CT-skanningsbilde. AP-bilder
Dessuten, siden så lite treningsdata er tilgjengelig så langt, er det vanskelig å vurdere nøyaktigheten til tilnærmingene som er lagt ut på nettet. De fleste bildegjenkjenningssystemer – inkludert de som er trent på medisinske bilder – er tilpasset fra modeller som først ble trent på ImageNet, et mye brukt datasett som omfatter millioner av hverdagsbilder. Å klassifisere noe enkelt som ligger nær ImageNet-data, som bilder av hunder og katter, kan gjøres med svært lite data, sier Lundervold. Subtile funn i medisinske bilder, ikke så mye.
Det er ikke å si at det ikke vil skje - og AI-verktøy kan potensielt bygges for å oppdage tidlige stadier av sykdom i fremtidige utbrudd. Men vi bør være skeptiske til mange av påstandene fra AI-leger som diagnostiserer Covid-19 i dag. Igjen, deling av flere pasientdata vil hjelpe, og det vil også maskinlæringsteknikker som lar modeller trenes selv når lite data er tilgjengelig. For eksempel er læring med få skudd , der en AI kan lære mønstre fra bare en håndfull resultater, og overføringslæring , hvor en AI som allerede er trent til å gjøre én ting raskt kan tilpasses til å gjøre noe lignende, er lovende fremskritt – men fungerer fortsatt i prosess.
Cure-all
Data er også avgjørende hvis AI skal bidra til å utvikle behandlinger for sykdommen. En teknikk for å identifisere mulige medikamentkandidater er å bruke generative designalgoritmer, som produserer et stort antall potensielle resultater og deretter sile gjennom dem for å fremheve de som er verdt å se nærmere på. Denne teknikken kan brukes til raskt å søke gjennom millioner av biologiske eller molekylære strukturer, for eksempel.
SRI International samarbeider om et slikt AI-verktøy, som bruker dyp læring for å generere mange nye medikamentkandidater som forskere deretter kan vurdere for effektivitet. Dette er en game-changer for legemiddeloppdagelse, men det kan fortsatt ta mange måneder før en lovende kandidat blir en levedyktig behandling.
I teorien kan AI-er også brukes til å forutsi utviklingen av koronaviruset. Inam forestiller seg å kjøre uovervåket læringsalgoritmer for å simulere alle mulige evolusjonsveier. Du kan deretter legge til potensielle vaksiner i blandingen og se om virusene muterer for å utvikle resistens. Dette vil tillate virologer å være noen få skritt foran virusene og lage vaksiner i tilfelle noen av disse dommedagsmutasjonene oppstår, sier han.
Det er en spennende mulighet, men en fjern. Vi har ennå ikke nok informasjon om hvordan viruset muterer til å kunne simulere det denne gangen.
I mellomtiden kan den ultimate barrieren være de ansvarlige. Det jeg aller helst vil endre er forholdet mellom beslutningstakere og AI, sier Wang. AI vil ikke være i stand til å forutsi sykdomsutbrudd av seg selv, uansett hvor mye data den får. Å få ledere i myndigheter, bedrifter og helsevesen til å stole på disse verktøyene vil fundamentalt endre hvor raskt vi kan reagere på sykdomsutbrudd, sier han. Men den tilliten må komme fra et realistisk syn på hva AI kan og ikke kan gjøre nå – og hva som kan gjøre det bedre neste gang.
Å få mest mulig ut av AI vil kreve mye data, tid og smart koordinering mellom mange forskjellige mennesker. Alt dette er mangelvare akkurat nå.