211service.com
AI kunne hjælpe med den næste pandemi - men ikke med denne
Lilla mennesker på en grøn gade Ms Tech / Unsplash
Det var en AI, der først så det komme, eller det siger historien. Den 30. december advarede en kunstig intelligens-virksomhed ved navn BlueDot, som bruger maskinlæring til at overvåge udbrud af infektionssygdomme rundt om i verden, kunder – inklusive forskellige regeringer, hospitaler og virksomheder – om et usædvanligt stød i tilfælde af lungebetændelse i Wuhan, Kina. Der ville gå endnu ni dage, før Verdenssundhedsorganisationen officielt markerede det, vi alle har lært at kende som Covid-19.
BlueDot var ikke alene. En automatiseret tjeneste kaldet HealthMap på Boston Children's Hospital fangede også disse første tegn. Det samme gjorde en model drevet af Metabiota, baseret i San Francisco. At AI kunne få øje på et udbrud på den anden side af verden er ret fantastisk, og tidlige advarsler redder liv.
Mere om coronavirus
Vores vigtigste dækning af covid-19 er gratis, herunder:
Hvad er flokimmunitet?
Hvordan virker coronavirus?
Hvad er de potentielle behandlinger?
Hvilke lægemidler virker bedst?
Hvad er den rigtige måde at gøre social distancering på?
Andre ofte stillede spørgsmål om coronavirus
---
Nyhedsbrev: Coronavirus Tech Report
Zoom-show: Radio Corona
Se også:
Al vores covid-19 dækning
Covid-19 særnummeret
Klik venligst her for at abonnere og støtte vores non-profit journalistik.
Men hvor meget har kunstig intelligens egentlig hjulpet med at tackle det nuværende udbrud? Det er et svært spørgsmål at besvare. Virksomheder som BlueDot er typisk fåmælte om, præcis hvem de giver information til, og hvordan de bruges. Og menneskelige hold siger, at de opdagede udbruddet samme dag som AI'erne. Andre projekter, hvor AI udforskes som et diagnostisk værktøj eller bruges til at hjælpe med at finde en vaccine, er stadig i deres meget tidlige stadier. Selvom de lykkes, vil det tage tid – muligvis måneder – at få disse innovationer i hænderne på de sundhedspersonale, der har brug for dem.
Hypen overgår virkeligheden. Faktisk er den fortælling, der er dukket op i mange nyhedsrapporter og forpustede pressemeddelelser – at AI er et kraftfuldt nyt våben mod sygdomme – kun delvist sand og risikerer at blive kontraproduktiv. For eksempel kan for meget tillid til AI's evner føre til dårligt informerede beslutninger, der sender offentlige penge til udokumenterede AI-virksomheder på bekostning af dokumenterede interventioner såsom lægemiddelprogrammer. Det er også dårligt for selve feltet: overdrevne, men skuffede forventninger har ført til et nedbrud af interesse for kunstig intelligens, og deraf følgende tab af finansiering, mere end én gang tidligere.
Så her er et realitetstjek: AI vil ikke redde os fra coronavirus - bestemt ikke denne gang. Men der er enhver chance for, at det vil spille en større rolle i fremtidige epidemier - hvis vi laver nogle store ændringer. De fleste vil ikke være nemme. Nogle vil vi ikke kunne lide.
Der er tre hovedområder, hvor AI kan hjælpe: forudsigelse, diagnose og behandling.
Forudsigelse
Virksomheder som BlueDot og Metabiota bruger en række NLP-algoritmer (natural-language processing) til at overvåge nyhedsmedier og officielle sundhedsrapporter på forskellige sprog rundt om i verden, og markerer, om de nævner højt prioriterede sygdomme, såsom coronavirus eller mere endemiske. sådanne, såsom hiv eller tuberkulose. Deres forudsigende værktøjer kan også trække på flyrejsedata for at vurdere risikoen for, at transitknudepunkter kan se inficerede mennesker enten ankomme eller afgå.
Resultaterne er rimelig nøjagtige. For eksempel forudsagde Metabiotas seneste offentlige rapport, den 25. februar, at der den 3. marts ville være 127.000 kumulative tilfælde på verdensplan. Det overskred med omkring 30.000, men Mark Gallivan, firmaets direktør for datavidenskab, siger, at dette stadig er godt inden for fejlmarginen. Den listede også de lande, der mest sandsynligt vil rapportere nye tilfælde, herunder Kina, Italien, Iran og USA. Igen: ikke dårligt.
Andre holder også øje med sociale medier. Stratifyd, en dataanalysevirksomhed baseret i Charlotte, North Carolina, udvikler en kunstig intelligens, der scanner opslag på websteder som Facebook og Twitter og krydshenviser dem med beskrivelser af sygdomme hentet fra kilder som National Institutes of Health, Verdensorganisationen for Animal Health og den globale mikrobielle identifikatordatabase, som gemmer information om genomsekventering.
Arbejdet fra disse virksomheder er bestemt imponerende. Og det viser, hvor langt maskinlæring er kommet i de seneste år. For et par år siden forsøgte Google at forudsige udbrud med sin skæbnesvangre Flu Tracker, som blev skrinlagt i 2013, da det ikke lykkedes at forudsige det års influenza-stigning. Hvad ændrede sig? Det kommer for det meste ned til den nyeste softwares evne til at lytte til en meget bredere vifte af kilder.
Uovervåget maskinlæring er også nøglen. At lade en AI identificere sine egne mønstre i støjen i stedet for at træne den på forudvalgte eksempler, fremhæver ting, du måske ikke havde tænkt på at kigge efter. Når du laver forudsigelse, leder du efter ny adfærd, siger Stratifyds administrerende direktør, Derek Wang.
Men hvad gør du med disse forudsigelser? Den indledende forudsigelse af BlueDot pegede korrekt på en håndfuld byer i virussens vej. Dette kunne have givet myndighederne mulighed for at forberede sig, alarmere hospitaler og indføre indeslutningsforanstaltninger. Men efterhånden som epidemiens omfang vokser, bliver forudsigelser mindre specifikke. Metabiotas advarsel om, at visse lande ville blive berørt i den følgende uge, kunne have været korrekt, men det er svært at vide, hvad man skal gøre med den information.
Desuden vil alle disse tilgange blive mindre nøjagtige, efterhånden som epidemien skrider frem, hovedsagelig fordi pålidelige data af den slags, som AI skal fodre på, har været svære at få om Covid-19. Nyhedskilder og officielle rapporter tilbyder inkonsistente beretninger. Der har været forvirring over symptomer og hvordan virussen passerer mellem mennesker. Medierne kan spille tingene op; myndigheder kan bagatellisere tingene. Og at forudsige, hvor en sygdom kan sprede sig fra hundredvis af steder i snesevis af lande, er en langt mere skræmmende opgave end at ringe til, hvor et enkelt udbrud kan sprede sig i de første par dage. Støj er altid maskinlæringsalgoritmernes fjende, siger Wang. Faktisk erkender Gallivan, at Metabiotas daglige forudsigelser var nemmere at lave i de første to uger eller deromkring.
En af de største forhindringer er manglen på diagnostisk testning, siger Gallivan. Ideelt set ville vi have en test for at opdage den nye coronavirus med det samme og teste alle mindst én gang om dagen, siger han. Vi ved heller ikke rigtig, hvilken adfærd folk indtager – hvem der arbejder hjemmefra, hvem der er i selvkarantæne, hvem der vasker hænder eller ikke – eller hvilken effekt det kan have. Hvis du vil forudsige, hvad der skal ske næste gang, har du brug for et præcist billede af, hvad der sker lige nu.
Det er heller ikke klart, hvad der foregår på hospitalerne. Ahmer Inam hos Pactera Edge, et data- og kunstig intelligens-konsulentfirma, siger, at forudsigelsesværktøjer ville være meget bedre, hvis folkesundhedsdata ikke var låst inde i offentlige myndigheder, som det er i mange lande, inklusive USA. Dette betyder, at en AI skal læne sig mere op af let tilgængelige data som online nyheder. På det tidspunkt, hvor medierne tager fat i en potentielt ny medicinsk tilstand, er det allerede for sent, siger han.
Men hvis AI har brug for meget mere data fra pålidelige kilder for at være nyttige på dette område, kan strategier for at få det være kontroversielle. Flere personer, jeg talte med, fremhævede denne ubehagelige afvejning: For at få bedre forudsigelser fra maskinlæring er vi nødt til at dele flere af vores personlige data med virksomheder og regeringer.
Darren Schulte, MD og CEO for Apixio, som har bygget en AI til at udtrække information fra patienters journaler, mener, at lægejournaler fra hele USA bør åbnes for dataanalyse. Dette kunne gøre det muligt for en AI automatisk at identificere personer, der er mest udsatte for Covid-19 på grund af en underliggende tilstand. Ressourcer kan derefter fokuseres på de mennesker, der har mest brug for dem. Teknologien til at læse patientjournaler og udtrække livreddende information findes, siger Schulte. Problemet er, at disse optegnelser er opdelt på tværs af flere databaser og administreres af forskellige sundhedstjenester, hvilket gør dem sværere at analysere. Jeg vil gerne droppe min AI i dette store hav af data, siger han. Men vores data ligger i små søer, ikke et stort hav.
Sundhedsdata bør også deles mellem lande, siger Inam: Vira fungerer ikke inden for rammerne af geopolitiske grænser. Han mener, at lande i henhold til international aftale skal tvinges til at frigive realtidsdata om diagnoser og hospitalsindlæggelser, som derefter kan føres ind i global-skala maskinlæringsmodeller af en pandemi.
Det kan selvfølgelig være ønsketænkning. Forskellige dele af verden har forskellige privatlivsbestemmelser for medicinske data. Og mange af os afviser allerede med at gøre vores data tilgængelige for tredjeparter. Nye databehandlingsteknikker, såsom differentieret privatliv og træning i syntetiske data frem for rigtige data, kan muligvis tilbyde en vej gennem denne debat. Men denne teknologi bliver stadig finesseret. At finde enighed om internationale standarder vil tage endnu længere tid.
Indtil videre skal vi få mest muligt ud af de data, vi har. Wangs svar er at sikre, at mennesker er til stede for at fortolke, hvad maskinlæringsmodeller spytter ud, og sørge for at forkaste forudsigelser, der ikke stemmer overens. Hvis man er alt for optimistisk eller afhængig af en fuldt autonom prædiktiv model, vil det vise sig problematisk, siger han. AI'er kan finde skjulte signaler i dataene, men mennesker skal forbinde prikkerne.
Tidlig diagnose
Ud over at forudsige forløbet af en epidemi håber mange, at kunstig intelligens vil hjælpe med at identificere mennesker, der er blevet smittet. AI har en dokumenteret track record her. Maskinlæringsmodeller til undersøgelse af medicinske billeder kan fange tidlige tegn på sygdom, som menneskelige læger savner, fra øjensygdomme til hjertesygdomme til kræft. Men disse modeller kræver typisk en masse data at lære af.
En håndfuld fortrykte papirer er blevet lagt ud på nettet i de sidste par uger, der tyder på det maskinlæring kan diagnosticere Covid-19 fra CT-scanninger af lungevæv, hvis de er trænet til at se afslørende tegn på sygdommen på billederne. Alexander Selvikvåg Lundervold ved Western Norway University of Applied Sciences i Bergen, Norge, som er ekspert i maskinlæring og medicinsk billeddannelse, siger, at vi skal forvente, at AI til sidst vil være i stand til at opdage tegn på Covid-19 hos patienter. Men det er uklart, om billeddannelse er vejen at gå. For det første viser sig fysiske tegn på sygdommen muligvis ikke i scanninger før et stykke tid efter infektion, hvilket gør den ikke særlig nyttig som en tidlig diagnostik.
Dr. Fan Zhongjie, en respirationsspecialist med ansvar for kritiske COVID-19-patienter i det centrale Kinas Hubei-provins, læser et CT-scanningsbillede. AP billeder
Hvad mere er, da så få træningsdata er tilgængelige indtil videre, er det svært at vurdere nøjagtigheden af de tilgange, der er lagt online. De fleste billedgenkendelsessystemer – inklusive dem, der er trænet i medicinske billeder – er tilpasset fra modeller, der først blev trænet på ImageNet, et meget brugt datasæt, der omfatter millioner af hverdagsbilleder. At klassificere noget simpelt, der er tæt på ImageNet-data, såsom billeder af hunde og katte, kan gøres med meget lidt data, siger Lundervold. Subtile fund i medicinske billeder, ikke så meget.
Det betyder ikke, at det ikke vil ske - og AI-værktøjer kan potentielt bygges til at opdage tidlige stadier af sygdom i fremtidige udbrud. Men vi bør være skeptiske over for mange af påstandene fra AI-læger, der diagnosticerer Covid-19 i dag. Igen vil deling af flere patientdata hjælpe, og det samme vil maskinlæringsteknikker, der gør det muligt at træne modeller, selv når der er få data til rådighed. For eksempel er læring med få skud, hvor en AI kan lære mønstre fra kun en håndfuld resultater, og transfer learning, hvor en AI, der allerede er trænet til at gøre én ting, hurtigt kan tilpasses til at gøre noget lignende, lovende fremskridt – men fungerer stadig i gang.
Cure-all
Data er også afgørende, hvis AI skal hjælpe med at udvikle behandlinger for sygdommen. En teknik til at identificere mulige lægemiddelkandidater er at bruge generative designalgoritmer, som producerer et stort antal potentielle resultater og derefter gennemsøge dem for at fremhæve dem, der er værd at se nærmere på. Denne teknik kan bruges til hurtigt at søge gennem millioner af biologiske eller molekylære strukturer, for eksempel.
SRI International samarbejder om et sådant AI-værktøj, som bruger dyb læring til at generere mange nye lægemiddelkandidater, som videnskabsmænd derefter kan vurdere for effektivitet. Dette er en game-changer for opdagelse af lægemidler, men det kan stadig tage mange måneder, før en lovende kandidat bliver en levedygtig behandling.
I teorien kunne AI'er også bruges til at forudsige udviklingen af coronavirus. Inam forestiller sig at køre uovervågede læringsalgoritmer for at simulere alle mulige udviklingsveje. Du kan derefter tilføje potentielle vacciner til blandingen og se, om viraene muterer for at udvikle resistens. Dette vil give virologer mulighed for at være et par skridt foran vira og skabe vacciner, hvis nogen af disse dommedagsmutationer opstår, siger han.
Det er en spændende mulighed, men en fjern. Vi har endnu ikke nok information om, hvordan virussen muterer til at kunne simulere den denne gang.
I mellemtiden kan den ultimative barriere være de ansvarlige. Det, jeg allerhelst vil ændre, er forholdet mellem politiske beslutningstagere og AI, siger Wang. AI vil ikke være i stand til at forudsige sygdomsudbrud af sig selv, uanset hvor meget data den får. At få ledere i regering, virksomheder og sundhedsvæsen til at stole på disse værktøjer vil fundamentalt ændre, hvor hurtigt vi kan reagere på sygdomsudbrud, siger han. Men den tillid skal komme fra et realistisk syn på, hvad AI kan og ikke kan gøre nu – og hvad der kan gøre det bedre næste gang.
At få mest muligt ud af AI vil tage en masse data, tid og smart koordinering mellem mange forskellige mennesker. Alt sammen en mangelvare lige nu.