En virkelighetssjekk for IBMs AI-ambisjoner

IBM, nummer 39 på listen vår over de 50 smarteste selskapene, overhypet Watsons maskinlæringssystem, men selskapet kunne fortsatt ha den beste tilgangen til den typen data som trengs for å gjøre medisinen mye smartere. Av

• David H. Freedman arkivside

27. juni 2017

Leonard Greco

Paul Tang var sammen med sin kone på sykehuset like etter hennes kneproteseoperasjon, en prosedyre utført på rundt 700 000 mennesker i USA hvert år. Kirurgen kom innom, og Tang, som selv er primærlege, spurte når han forventet at hun skulle være tilbake til sine normale rutiner, gitt hans erfaring med pasienter som henne. Kirurgen ga stadig vage ikke-svar. Endelig slo det meg, sier Tang. Han visste ikke. Tang vil snart lære at de fleste leger ikke vet hvordan pasientene deres gjør det i de vanlige målene i livet hjemme og på jobb — tiltakene som betyr mest for pasientene.

Tang ser fortsatt på pasienter som en lege, men han er også sjef for helsetransformasjon for IBMs Watson Health (se '50 Smartest Companies 2017.') Det er forretningsgruppen som utvikler helsetjenester-applikasjoner for Watson, maskinlæringssystemet som IBM egentlig er. satser fremtiden sin på. Watson kan levere informasjon som leger ikke får nå, sier Tang. Det kan for eksempel fortelle en lege hvor lang tid det tok før pasienter som ligner på Tangs kone å gå uten smerter eller gå i trapper. Det kan til og med hjelpe til med å analysere bilder og vevsprøver og bestemme de beste behandlingene for en gitt pasient.

Denne historien var en del av vår utgave av juli 2017

• Se resten av saken
• Abonnere

Det er på grunn av muligheter som dette at helsevesenet er et av de hotteste segmentene på markedet for maskinlæringsteknologier. Forskningsfirmaet CB Insights teller minst 106 startups som har dukket opp siden 2013 og fortsatt er i virksomhet.

Ingen av disse selskapene har fått i nærheten av oppmerksomheten som Watson har, takket være seieren i tv-quizprogrammet Fare! i 2011 og ivrig markedsføring fra IBM siden den gang. Men i det siste har mye av pressen for Watson vært dårlig. Et sterkt promotert samarbeid med M.D. Anderson Cancer Center i Houston falt fra hverandre i år. Ettersom IBMs inntekter har sviktet og aksjekursen har vippet, har analytikere stilt spørsmål ved når Watson faktisk vil levere mye verdi. Watson er en spøk, sa Chamath Palihapitiya, en innflytelsesrik teknologiinvestor som grunnla VC-firmaet Social Capital, på CNBC i mai.

Imidlertid virker det meste av kritikken av Watson, selv fra M.D. Anderson, ikke forankret i noen spesiell feil i teknologien. I stedet er det en reaksjon på IBMs altfor optimistiske påstander om hvor langt på vei Watson nå ville være. Faktisk virker det fortsatt sannsynlig at Watson Health vil være ledende i å bruke AI på helsevesenets problemer. Hvis Watson foreløpig ikke har oppnådd mye i denne retningen, er en stor grunn at den trenger visse typer data for å trenes opp. Og i mange tilfeller er slike data svært mangelfulle eller vanskelig tilgjengelige. Det er ikke et problem som er unikt for Watson. Det er en catch-22 som står overfor hele feltet av maskinlæring for helsevesenet.

Selv om problemet med manglende og utilgjengelige data kan bremse Watsons fart, kan det skade IBMs konkurrenter mer. Det er fordi det beste alternativet for å få dataene ligger i nære partnerskap med store helseorganisasjoner som har en tendens til å være teknologisk konservative. Og en ting IBM fortsatt gjør veldig bra sammenlignet med startups, eller til og med gigantiske rivaler som Apple og Google, er å få tillit fra ledere og IT-sjefer i store organisasjoner. Til tross for de spesifikke problemene med M.D. Anderson-prosjektet, har IBM en avgjørende fordel. Det får Watson inn i et bredt spekter av medisinske sentre, helseadministrasjonsgrupper og biovitenskapsselskaper, som alle er posisjonert for å gi de kritiske dataene som trengs for å forme AIs fremtid innen medisin.

Urealistiske tidslinjer

Bruddet med M.D. Anderson så ut til å vise at IBM kveles av sin egen hype om Watson.

Kreftsenteret og IBM inngikk samarbeid i 2012. Målet var at Watson skulle lese data om enhver pasients symptomer, gensekvens og patologirapporter, kombinere dem med legenes notater om pasienten og relevante journalartikler, og deretter hjelpe leger med å finne frem diagnoser og behandlinger. Men IBM og M.D. Anderson overdrev begge forventningene til teknologien. IBM hevdet i 2013 at en ny æra innen databehandling har dukket opp og gitt Forbes inntrykket av at Watson takler nå kliniske studier og vil være i bruk med pasienter i løpet av bare noen måneder. I 2015 ble Washington Post siterte en IBM Watson-sjef som beskrev hvordan Watson var opptatt med å etablere en kollektiv etterretningsmodell mellom maskin og menneske. De Post sa at datasystemet trente sammen med leger for å gjøre det de ikke kan.

Helsevesenet har vært en pinlig sen bruker av teknologi, sier Manish Kohli, en lege og helseinformatikkekspert ved Cleveland Clinic.

I februar i år kunngjorde University of Texas, som driver MD Anderson, at de hadde stengt prosjektet, og etterlot medisinsk senter utbetalinger på 39 millioner dollar til IBM — for et prosjekt opprinnelig kontrahert til 2,4 millioner dollar. Etter fire år hadde den ikke produsert et verktøy for bruk med pasienter som var klart til å gå utover pilottester. M.D. Anderson ville ikke kommentere Watson spesifikt til meg, men det ser ut til at problemene hovedsakelig stammet fra interne kamper om hvordan prosjektet ble administrert og finansiert.

Det betyr ikke at IBM ikke har noen problemer med Watson. De er faktisk større enn hva en implementering avslører.

For å forstå hva som bremser fremgangen, må du forstå hvordan maskinlæringssystemer som Watson trenes. Watson lærer ved å kontinuerlig endre sine interne behandlingsrutiner for å produsere høyest mulig prosentandel av riktige svar på et sett med problemer, for eksempel hvilke radiologiske bilder som avslører kreft. De riktige svarene må være kjent allerede, slik at systemet kan bli fortalt når det blir noe riktig og når det blir noe galt. Jo flere treningsproblemer systemet kan tygge seg gjennom, jo ​​bedre blir treffraten.

Det er relativt enkelt når det gjelder å trene systemet til å identifisere maligniteter i røntgen. Men for potensielt banebrytende gåter som går langt utover det mennesker allerede gjør, som å oppdage forholdet mellom genvariasjoner og sykdom, har Watson et kylling-og-egg-problem: hvordan trener det på data som ingen eksperter allerede har silt gjennom og organisert på riktig måte ? Hvis du underviser en selvkjørende bil, kan hvem som helst merke et tre eller et skilt slik at systemet kan lære å gjenkjenne det, sier Thomas Fuchs, en beregningspatolog ved Memorial Sloan-Kettering, et kreftsenter i New York. Men i et spesialisert domene innen medisin kan du trenge eksperter som er opplært i flere tiår for å merke informasjonen du mater til datamaskinen på riktig måte.

En versjon av den snublesteinen dukker opp i alle domener der IBM håper å få Watson til å bidra — som det gjør for enhver bedrifts maskinlæringsløsning. For å trene Watson til å gå gjennom gigantiske samlinger av data og trekke ut de få informasjonene som er viktige for en enkelt pasient, må noen gjøre det for hånd først, i tusenvis og tusenvis av tilfeller. For å gjenkjenne gener knyttet til sykdom, trenger Watson tusenvis av registreringer av pasienter som har spesifikke sykdommer og hvis DNA er analysert. Men disse kombinasjonene av gener og pasienter kan være vanskelige å finne. I mange tilfeller eksisterer ikke dataene i riktig format — eller i noen form i det hele tatt. Eller dataene kan være spredt over dusinvis av forskjellige systemer, og vanskelig å jobbe med.

Tenk for eksempel på målet om å forbedre primærhelsetjenesten ved å plassere bedre data tilgjengelig for klinikere. Når leger går glipp av sjanser til å behandle relativt små bekymringer under et rutinemessig besøk i primærhelsetjenesten, før et mer avansert problem sender pasienter til en legevakt eller en spesialist, lider helsen deres og kostnadene eksploderer. Omtrent en tredjedel av hver dollar som brukes på helse er sannsynligvis unødvendig, sier Anil Jain, IBM Watson Healths medisinske overlege, som også er en praktiserende primærlege. Maskinlæring er allment anerkjent som en mulighet til å løse dette problemet.

For å virkelig hjelpe leger med å få bedre resultater for pasienter, vil Watson imidlertid trenge å finne sammenhenger mellom det den leser i helsejournaler og det Tang kaller alle de sosiale determinantene for helse. Disse faktorene inkluderer om pasienter er medisinfrie, unngår feil mat, puster ren luft, og videre og videre. Men Tang innrømmer at i dag får nesten ingen sykehus eller medisinsk praksis disse dataene pålitelig for en betydelig prosentandel av pasientene. Noe av problemet er at sykehus har vært trege med å ta opp moderne, datadrevet praksis. Helsevesenet har vært en pinlig sen bruker av teknologi, sier Manish Kohli, en lege og helseinformatikkekspert ved Cleveland Clinic.

Der dataene finnes, har IBM ofte rett og slett gått ut og kjøpt dem. Det har kjøpt opp selskaper som Truven Health Analytics, Explorys og Phytel, som alle var aktive i å håndtere store datasett på tvers av sykehus og pasientpopulasjoner. Og selv etter opphøret av M.D. Anderson-avtalen, har IBM noen kritiske partnerskap som fremmer tilgangen til pasientdata.

En av dem er med Atrius Health, et nettverk av nesten 900 primærleger i hele Boston-området. Partnerskapet tar sikte på å utvikle og teste et Watson-basert system som er i stand til å trekke ut klumper av informasjon som er kritisk for en individuell pasient fra et hav av notater, journaler og artikler. Å søke all relevant informasjon er en tyngende jobb for primærleger slik ting eksisterer i dag, sier Atrius sin medisinske overlege, Joe Kimura. Elektroniske helsejournaler kan ha gjort problemet enda verre, legger han til, fordi bruken av slike systemer har enormt økt mengden data som genereres ved hvert besøk, uten å ha gitt et standardformat for enkel gjenfinning.

Kritisk er mange av de viktigste notatene i pasientjournaler setninger som et konvensjonelt IT-system ikke kan gi mening om. Men Watson kan bruke ferdighetene som er utviklet for naturlig språkbehandling Fare! for å hente ut mening fra dem. Ideelt sett kan det foreslå måter leger kan hjelpe pasienter med å unngå behovet for omfattende omsorg. Hvorfor skal vi kun fokusere på å sørge for at vi har gjort en så god jobb som mulig med pasienter som bryter en hofte, spør Kimura, når vi kan prøve å forutsi hvilke pasienter som er utsatt for fall og hjelpe dem til å ikke bryte hoften i det hele tatt ? Vi må presse omsorgen vår oppstrøms.

En leukemilege ved M.D. Anderson, Courtney DiNardo, brukte IBMs Watson-system mens han konsulterte en pasient i 2013.

IBM kunngjorde i 2015 at Watsons diagnostiske evner ville bli forsterket av data hentet fra Merge Healthcare, et medisinsk bildebehandlingsselskap som IBM kjøpte for rundt 1 milliard dollar.

Watson Health samarbeider også med Central New York Care Collaborative, et statlig finansiert byrå som samarbeider med rundt 2000 helsepersonell i seks fylker. Partnerskapet er ment å støtte målet om 25 prosent reduksjon i akuttinnleggelser og sykehusreinnleggelser, når pasienter som er skrevet ut fra sykehus må tilbake for å ta opp relaterte problemer. Det gir også potensiell tilgang til enorme mengder pasientdata.

Det finnes andre måter å få slike data på. Et av Googles søsterselskaper prøver å få det direkte fra pasientene selv. Verily Life Sciences, en helseavdeling i Alphabet, samarbeider med Duke og Stanford for å utvikle en svært strukturert helsedatabase på rundt 10 000 frivillige. Databasen vil bli fylt med informasjon ikke bare fra deres kliniske besøk, men også fra bærbare helseovervåkingsenheter. Det kan være et lovende sprang i datatilgang, selv om det kan ta et tiår eller mer å produsere svært brukbare resultater.

Fuchs' gruppe ved Memorial Sloan-Kettering håper å trene et AI-system til å lese vevsfargede lysbilder, en prosess som vil kreve et stort bibliotek med digitalt kommenterte lysbilder med bekreftede diagnoser og andre kritiske data. Så gruppen forbereder seg på å produsere 40 000 slike lysbilder i måneden på egen hånd. Det er langt mer enn noen andre, sier Fuchs. Det er en enorm oppgave på grunn av all variasjonen i biologi.

Til og med MD Anderson, til tross for skjebnen til Watson-prosjektet, fortsetter et stort program som startet rundt samme tid, med fokus på å samle 1700 typer kliniske data om hver pasient som går inn dørene. Andy Futreal, vitenskapsmannen som driver programmet, sier å kombinere denne pasientinformasjonen med forskningsdata vil være avgjørende for hva slags muligheter systemer som Watson kan tilby. Når vi har dataene på plass, kan du nå gå inn i virksomheten med AI-maskinlæring og avdekke de faktorene som dikterer hvem som gjør det og hvem som ikke gjør det bra med forskjellige behandlinger, sier Futreal.

IBM fortsetter på sin side å samle inn data fra partnerskap. For kreftdiagnose og pleie alene har selskapet inngått samarbeid med Memorial Sloan-Kettering, Mayo Clinic, Harvard- og MIT-tilknyttede Broad Institute og medisinske testgiganten Quest Diagnostics. Memorial Sloan-Kettering-samarbeidet har allerede produsert et system som siler gjennom journallitteratur for å informere behandlingsbeslutninger, og det har blitt rullet ut til Jupiter Medical Center i Florida og en sykehuskjede i India. På legemiddeloppdagelsesfronten jobber Watson Health med Barrow Neurological Institute, der Watson hjalp til med å finne fem gener knyttet til ALS som aldri før hadde vært assosiert med sykdommen, og med Ontario Brain Institute, der Watson identifiserte 21 lovende potensielle medisiner. kandidater.

Vil Watson til slutt gjøre en forskjell i å forbedre helseresultater og senke kostnadene? Sannsynligvis, sier Stephen Kraus, en partner i VC-firmaet Bessemer Venture Partners som fokuserer på helsevesen og har investert i AI-helsetjenester oppstart. Det hele er på ordentlig, sier Kraus. Dette handler ikke om å sette ut vaporware for å øke aksjekursene. Men Kraus slutter seg til de fleste eksperter i å advare mot urealistiske tidslinjer eller løfter — noen av dem har kommet fra IBM selv. Dette er vanskelig, sier han. Det skjer ikke i dag, og det vil kanskje ikke skje om fem år. Og det kommer ikke til å erstatte leger.

gjemme seg