211service.com
Gi medisin en dose AI
Konseptuellt bilde av medisinske skanninger og kunstig intelligens Jamie Jones
I årevis har kunstig intelligens blitt sett på som det neste store innen medisin. Nå går noen MIT-professorer, studenter og alumner opp for å sikre at det virkelig blir det.
Gjennom Abdul Latif Jameel Clinic for Machine Learning in Health , eller J-Clinic, annonsert i fjor høst, vil forskere fra hele MIT forfølge prosjekter som tar sikte på å utvikle nye maskinlæringsmetoder for å forbedre klinisk behandling, designe nye medisiner og redusere helsekostnader. Initiativet vil bruke AI på et bredt spekter av sykdommer og bygger på pågående MIT-forskning, inkludert arbeid med legemiddeloppdagelse og tidlige fremskritt innen kreftdiagnostikk av Regina Barzilay, Delta Electronics Professor ved Institutt for elektroteknikk og informatikk.
Barzilay sier at det er på tide at kunstig intelligens blir en standard del av kreftbehandlingen. I hvert eneste kreftsenter i USA, enten det er en samfunnsklinikk eller det beste kreftsenteret i landet, er det et alvorlig behov for å bringe AI inn, sier Barzilay, medlem av både CSAIL og MITs Koch Institute for Integrative Cancer Research. Etter henne brystkreft ble savnet i flere år, begynte hun å bruke bildebehandlingsalgoritmer for å analysere mammografi. Tanken er å gå utover det mennesker kan se i en skanning for å oppdage tidlige endringer i vev som markerer veien mot kreft.
Jamie Jones
Instituttprofessor og nobelprisvinner Phillip Sharp, som leder J-Clinics rådgivende styre, sier at det er ingen tvil om at kunstig intelligens og dyp læring kan – og må – transformere medisinsk behandling. Sharp sier at ved å bidra til tidligere diagnoser kan AI forbedre pasientenes kvalitet og levetid. Spesielt tror han det kan transformere radiologi, gi mening med molekylære og genetiske data for å skille mellom ondartede og ufarlige celler, og oppdage mønstre i medisinske data som kan varsle om forestående problemer. Han tror også det kan forbedre kostnadseffektiviteten til medisinsk behandling ved å diagnostisere sykdom tidligere, når behandlingen er rimeligere og mer effektiv. Vi må bli mer effektive i levering av helsetjenester, sier han.
Gjennom J-Clinic, sier han, vil MIT spille en avgjørende rolle i å utvikle disse teknologiene og trene brukerne deres, akkurat som MIT har gjort innen molekylærbiologi, cellebiologi, genetikk og bioteknologi. Barzilay og James Collins, Termeer-professoren i medisinsk ingeniørvitenskap og vitenskap, fungerer som fakultetsledere for J-Clinic, en stor samarbeidsinnsats mellom MIT og Community Jameel, den sosiale foretaksorganisasjonen grunnlagt og ledet av Mohammed Abdul Latif Jameel '78 .
Maskinlæring kommer i helsevesenet
AI har tatt lengre tid å bli brukt i helsevesenet enn de fleste andre bransjer fordi innsatsen er så høy. Hvis Amazon prøver ut en ny algoritme som ikke fungerer, kan selskapet være ute av penger. I medisin kan folk dø. Det er derfor bare 5 % av amerikanske sykehus rapporterte at de brukte en eller annen form for kunstig intelligens i 2017. Men ting begynner endelig å endre seg. Store sykehus og farmasøytiske selskaper bruker nå AI når de snakker om fremtiden deres. Konferanser får bred oppslutning, og oppstart av medisinsk AI blir mer vanlig. Datamaskiner kan nå se og lese – ikke like godt som folk, men de kommer dit, sier Michael Hayes, SM ’96, som lanserte den ideelle oppstarten CancerAI i 2018 for å bringe kunstig intelligens-verktøy til markedet.
Dagens kunstige intelligens er basert på algoritmer som analyserer gigantiske datasett. Såkalt dyp læring, som har utviklet seg betydelig det siste tiåret, lar forskere trekke konklusjoner fra enorme mengder data. Visuelle og naturlige prosesseringsteknologier har også forbedret seg dramatisk. Og datalagring har blitt betydelig billigere.
For ti år siden var det ikke den mengden elektroniske medisinske journaler det er i dag, sier Hayes. Og selv om de fantes, hadde vi ikke algoritmer som kunne forstå legenes notater veldig godt, og som ikke hadde billige nok datamaskiner. Scenen ser nå veldig annerledes ut på alle disse frontene. Det som for 10 år siden ville ha vært en superdatamaskin som kostet 1 million dollar - det datanivået nå kan kjøpes for noen få tusen dollar, sier han. Det har endret spillet i stor grad.
Fra venstre leder J-Clinic-fakultetet Regina Barzilay og James Collins og leder for J-Clinic rådgivende styre og instituttprofessor Phillip Sharp.
Siden den ble dannet i fjor høst, har J-Clinic, som er en del av MIT Quest for Intelligence og ledet av dekanen ved School of Engineering, Anantha Chandrakasan, sendt ut en forespørsel om forslag innen MIT. Så langt har professorer og studenter foreslått 43 forskningsprosjekter som vil bruke disse fremskrittene til fordel for pasienter. Å forbedre diagnosen, målrette behandlinger til individuelle pasienter og forstå sykdomsprogresjon er alle prediksjonsproblemer, sier Barzilay. Og prediksjon er der AI utmerker seg.
Et problem har imidlertid vært at tilpasning av maskinlæringsalgoritmer for kliniske innstillinger innebærer å trene dem med det hun beskriver som enorme mengder manuelt annoterte data. J-Clinic-forskere planlegger å utvikle algoritmer som ikke er like avhengige av håndmerkede data – og som kan bruke data fra relaterte domener for å fylle ut hull i målområdet. I stedet for å trene opp veiledede læringssystemer for hvert enkelt sykehussystem og for hver sykdom, utvikler vi algoritmer som enkelt kan tilpasses nye innstillinger og ulike sykdommer, forklarer Barzilay.
Å beskytte pasientens personvern og sikre at dataene gjenspeiler mangfoldet i befolkningen er også sentrale mål for J-Clinic. Forskere utvikler algoritmer som kan utføre beregninger på krypterte data, slik at pasienter ikke trenger å frykte at intim helseinformasjon blir liggende i det åpne. Og J-Clinic bygger et stort, internasjonalt nettverk som spenner over alt fra landlige klinikker til store urbane akademiske sykehus for å implementere og teste algoritmene de utvikler. Håpet er at dette vil gjøre arbeidet deres mye mer generaliserbart enn andre helsetjenesters algoritmer publisert til dags dato, hvorav de fleste er trent på data fra et enkelt sykehus.
Det som for 10 år siden ville vært en superdatamaskin som kostet 1 million dollar – det datanivået nå kan kjøpes for noen få tusen dollar. Det har endret spillet i stor grad.
Bruker AI til mammografi
Arbeidet som allerede er i gang i laboratoriet til Barzilay, en MacArthur genistipendvinner fra 2017 og en leder innen AI-feltet, gir et innblikk i potensialet som J-Clinic og startups som CancerAI kan hjelpe til med å låse opp. Et område av forskningen hennes involverer bruk av maskinlæring for å akselerere oppdagelsen av legemidler. Dette arbeidet hjelper utviklere med å finne molekyler med lovende egenskaper for å bekjempe kreft og en lang rekke andre sykdommer. (Se AI gjenoppfinner måten vi oppfinner på, MIT Technology Review, mars/april 2019.) På kreftdiagnostikkfronten er hun også en av de første AI-forskerne som har utviklet et verktøy som faktisk hjelper mennesker.
I en papir publisert i fjor i Radiology, brukte hun og hennes kolleger, inkludert forskere fra Massachusetts General Hospital, AI for å utvikle en metode for å vurdere tettheten av brystvev. I dag, mammografi gå glipp av omtrent 15 % av brystsvulstene – og de savner mer enn halvparten, ifølge flere studier, hvis brystvevet er tett, noe som gjør svulster vanskeligere å se. Mer enn 40% av amerikanske kvinner har tett brystvev, noe som også setter dem i høyere risiko for brystkreft.
Jamie Jones
Barzilay og hennes kolleger brukte mer enn 41 000 digitale mammografier, evaluert og klassifisert av eksperter, for å trene en dyplæringsalgoritme for å vurdere tetthet slik at kvinner som kan trenge ekstra screening kan identifiseres. I en seks måneder lang studie med over 10 000 mammografi, stemte modellen med Mass. Generelle radiologer 94 % av tiden, noe som gjør det til første gang denne typen dyp læring ble brukt med suksess i en klinisk setting. Barzilay og hennes samarbeidspartnere håper nå å skalere systemet opp til andre sykehus.
Barzilay bruker også kunstig intelligens for å oppdage de tidligste endringene på veien til brystkreft – endringer som en patolog ikke kan se. Kreft vokser ikke fra i dag til i morgen. Det er faktisk en veldig lang prosess, som gjør mange endringer i vev, fortalte hun publikum på Hello World, Hello MIT-konferansen som feiret lanseringen av MIT Schwarzman College of Computing i februar. Hun viste to mammografier, ett fra en kvinne som hadde fått brystkreft to år etter skanningen. Det logiske spørsmålet er: kan du ta maskinen og trene den på bildene, når vi vet utfallet om to år eller fem år, for å si hva som kommer? Som det viser seg, sa hun, var maskinen i stand til å gjøre denne oppgaven ganske bra. Barzilay, hennes gradsstudent Adam Yala '16, MEng '17, og Constance Lehman, leder for brystavbildning ved Mass. General, utviklet en modell som identifiserte egenskaper som ofte går før kreftens utseende – og hvis disse karakteristikkene viser seg i et mammografi, pasienten kan flagges.
I slutten av februar begynte leger ved Mass. General å teste den risikomodellen. En kvinne hvis mammografi plasserer henne i de mest risikable 20 %, sier Barzilay, har en veldig ubetydelig sjanse til å få brystkreft. Nå jobber leger ved Mass. General med å finne ut hvordan de kan bruke denne informasjonen til å endre oddsen hennes.
Løftet og farene ved AI i helsevesenet
Denne visjonen for kunstig intelligens er langt unna dagens bruk av digital teknologi på legekontorer, som for det meste er begrenset til elektroniske medisinske journaler som ennå ikke har levd opp til potensialet sitt. Slike systemer kan gjøre legene utbrente, og tvinge dem til å bruke så lange timer på å legge inn data at de bruker mer tid på dataskjermene sine enn pasientene.
Michael Hayes CancerAI
Kommersialisering av AI uten profittmotiv
Nonprofit utvikler AI-verktøy for å bekjempe kreft.
I 2017 gikk seriegründer Michael Hayes, SM ’96, på jakt etter en ny forretningsmulighet da han var klar til å gå videre fra sitt siste selskap, et AI-programvarefirma. Som en overlevende halskreft bestemte han seg for at maskinlæring hadde modnet nok til å rettferdiggjøre å fokusere det nye selskapet sitt på å bruke AI for å bekjempe kreft.
Men etter å ha gjort sin due diligence, innså han at han kunne tiltrekke seg oppdragsdrevne ansatte og få bedre tilgang til medisinske data ved å grunnlegge selskapet sitt, CancerAI, som en ideell organisasjon. Denne avgjørelsen betalte seg på uventede måter, og ga ham gratis kontorplass fra WeWork, tilbud om pro bono juridisk arbeid og programmerere som meldte seg frivillig til å jobbe for ingenting.
Jeg forventet å kunne ansette flotte folk, men jeg forventet ikke at folk utenfra skulle si «Jeg ville vært villig til å være frivillig på netter og helger, fordi jeg vil hjelpe,» sier Hayes, som har en mastergrad i miljøteknikk. fra MIT og en mastergrad i business and policy fra Tufts. Jeg garanterer deg at det ikke skjer i for-profit-enheter.
Hayes, som leder CancerAIs styre, sier at selskapet bruker Regina Barzilays forskning som et av grunnlagene, men har ikke valgt sitt første produkt. (Barzilay fungerer også som en av CancerAIs rådgivere.) Selskapet har som mål å starte innen diagnostikk, kanskje ved å bruke medisinske journaldata for å flagge personer hvis biometri tyder på at de kan ha høy risiko for bestemte kreftformer. Tidlig testing som finner kreft før de har spredt seg, sier han, er muligens den korteste veien til å redusere dødeligheten.
Men på plussiden har elektroniske journaler gjort det mulig for sykehus å samle enorme mengder pasientdata som AI-forskere håper til slutt vil gi utbytte for pasienter, omsorgspersoner, sykehus og forsikringsselskaper.
Når J-Clinic og startups som CancerAI begynner å bruke disse dataene, sier Collins, J-Clinics andre fakultetsmedleder, at han ser at J-Clinic ikke bare samler AI-eksperter, medisinske eksperter og datasett for å fremme medisinsk forskning, men også hjelpe til med å oversette denne forskningen til den kliniske settingen. Det vil gjøre dette, sier han, ved å få tidlig teknologi inn i sykehus for testing og validering, og ved å lette lanseringen av selskaper for å kommersialisere dem. Han ser også for seg at J-Clinic skal starte en offentlig diskusjon rundt det han kaller løftet og farene ved AI og helsevesen – og stille harde spørsmål om hvordan man kan forbedre eksisterende omsorg, redusere kostnader, beskytte pasientens personvern og etisk skaffe nyttige data.
Selv om teknologisk innovasjon vanligvis øker medisinske kostnader, håper han at kunstig intelligens vil være et unntak, kanskje ved å maksimere sengebruken, begrense tiden leger bruker på administrative oppgaver og utvikle medisiner mer økonomisk. Jeg er nysgjerrig på hvordan kunstig intelligens kan hjelpe med effektivitet i helsevesenet – enten det er sengebruk, planlegging, fakturering – for å presse ut de administrative overheadene der, sier Collins, hvis kone er lege. Han mener at den administrative byrden ved elektroniske journaler kan reverseres med bedre teknologi, noe som potensielt kan føre til besparelser.
I sitt eget laboratorium planlegger Collins, en syntetisk biolog, å bruke AI-plattformer for å bedre identifisere nye klasser av antibiotika og kreftmedisiner, blant andre. Jeg er opptatt av å utforske på hvilken måte AI kan brukes bredere som en nyttig assistent i forskningssammenheng og potensielt i medisinsammenheng, sier han.