At give medicin en dosis AI

Konceptuelt billede af medicinske scanninger og kunstig intelligens Jamie Jones

I årevis er kunstig intelligens blevet set som den næste store ting inden for medicin. Nu går nogle MIT-professorer, studerende og alumner op for at sikre sig, at det virkelig bliver det.

Gennem Abdul Latif Jameel Clinic for Machine Learning in Health , eller J-Clinic, annoncerede sidste efterår, vil forskere fra hele MIT forfølge projekter, der sigter mod at udvikle nye maskinlæringsmetoder til at forbedre den kliniske pleje, designe ny medicin og reducere sundhedsomkostningerne. Initiativet vil anvende AI på en bred vifte af sygdomme og bygger på igangværende MIT-forskning, herunder arbejde med lægemiddelopdagelse og tidlige fremskridt inden for cancerdiagnostik af Regina Barzilay, Delta Electronics Professor i Institut for Elektroteknik og Datalogi.

Barzilay siger, at det er på tide, at kunstig intelligens bliver en standard del af kræftbehandlingen. I hvert enkelt cancercenter i USA, hvad enten det er en samfundsklinik eller det bedste cancercenter i landet, er der et alvorligt behov for at bringe AI ind, siger Barzilay, medlem af både CSAIL og MITs Koch Institute for Integrative Cancer Research. Efter hende brystkræft blev savnet i flere år, begyndte hun at bruge billedbehandlingsalgoritmer til at analysere mammografi. Ideen er at gå ud over, hvad mennesker kan se i en scanning for at opdage tidlige ændringer i væv, der markerer vejen mod kræft.

Jamie Jones

Institutprofessor og nobelpristager Phillip Sharp, som er formand for J-Clinics rådgivende bestyrelse, siger, at der ikke er tvivl om, at kunstig intelligens og dyb læring kan - og skal - transformere lægebehandlingen. Sharp siger, at ved at bidrage til tidligere diagnoser kan AI forbedre patienternes kvalitet og levetid. Specifikt mener han, at det kan transformere radiologi, give mening i molekylære og genetiske data for at skelne mellem maligne og harmløse celler og spotte mønstre i medicinske data, der kan advare om forestående problemer. Han mener også, at det kan forbedre omkostningseffektiviteten af ​​lægebehandling ved at diagnosticere sygdom tidligere, når behandlingen er billigere og mere effektiv. Vi er nødt til at blive mere effektive i leveringen af ​​sundhedsydelser, siger han.

Gennem J-Clinic, siger han, vil MIT spille en afgørende rolle i at udvikle disse teknologier og træne deres brugere, ligesom MIT har gjort inden for molekylærbiologi, cellulær biologi, genetik og bioteknologi. Barzilay og James Collins, Termeer-professoren i medicinsk teknik og videnskab, fungerer som fakultetsledere for J-Clinic, en stor samarbejdsindsats mellem MIT og Community Jameel, den sociale virksomhedsorganisation grundlagt og ledet af Mohammed Abdul Latif Jameel '78 .

Maskinlæring kommer i sundhedsvæsenet

AI har taget længere tid at blive anvendt i sundhedsvæsenet end de fleste andre industrier, fordi indsatsen er så høj. Hvis Amazon afprøver en ny algoritme, der ikke virker, er virksomheden måske ude af nogle penge. I medicin kan folk dø. Derfor rapporterede kun 5% af de amerikanske hospitaler, at de brugte en form for kunstig intelligens i 2017. Men tingene begynder endelig at ændre sig. Store hospitaler og medicinalvirksomheder påberåber sig nu AI, når de taler om deres fremtid. Konferencer får bred deltagelse, og medicinsk AI-startups bliver mere almindelige. Computere kan nu se og læse – ikke lige så godt som mennesker, men de når dertil, siger Michael Hayes, SM '96, som lancerede nonprofit-startupen CancerAI i 2018 for at bringe kunstig intelligens-værktøjer på markedet.

Nutidens kunstige intelligens er baseret på algoritmer, der analyserer gigantiske datasæt. Såkaldt deep learning, som er gået betydeligt frem i det sidste årti, giver forskere mulighed for at drage konklusioner ud fra enorme mængder data. Visuelle og naturlige sprogbehandlingsteknologier er også forbedret dramatisk. Og datalagring er blevet væsentligt billigere.

For ti år siden var der ikke den mængde elektroniske lægejournaler, der er i dag, siger Hayes. Og selvom de fandtes, havde vi ikke algoritmer, der kunne forstå lægernes notater særlig godt, og som ikke havde computere billigt nok. Scenen ser nu meget anderledes ud på alle de fronter. Det, der for 10 år siden ville have været en supercomputer, der kostede 1 million dollars - det niveau af databehandling nu kan købes for et par tusinde dollars, siger han. Det har ændret spillet på en stor måde.

Fra venstre leder J-Clinic-fakultetet sammen Regina Barzilay og James Collins og formanden for J-Clinic's rådgivende bestyrelse og institutprofessor Phillip Sharp.

Siden den blev dannet sidste efterår, har J-Clinic, som er en del af MIT Quest for Intelligence og ledes af dekanen for School of Engineering, Anantha Chandrakasan, udsendt en anmodning om forslag inden for MIT. Indtil videre har professorer og studerende foreslået 43 forskningsprojekter, der ville bruge disse fremskridt til gavn for patienterne. At forbedre diagnosen, målrette behandlinger til individuelle patienter og forstå sygdomsprogression er alle forudsigelsesproblemer, siger Barzilay. Og forudsigelse er, hvor AI udmærker sig.

Et problem har dog været, at tilpasning af maskinlæringsalgoritmer til kliniske indstillinger involverer træning af dem med, hvad hun beskriver som enorme mængder af manuelt annoterede data. J-Clinic-forskere planlægger at udvikle algoritmer, der ikke er så afhængige af håndmærkede data - og som kan bruge data fra relaterede domæner til at udfylde huller i målområdet. I stedet for at træne superviserede læringssystemer for hvert enkelt hospitalssystem og for hver sygdom, udvikler vi algoritmer, der nemt kan tilpasses til nye rammer og forskellige sygdomme, forklarer Barzilay.

Beskyttelse af patientens privatliv og sikring af, at data afspejler befolkningens mangfoldighed er også centrale mål for J-Clinic. Forskere udvikler algoritmer, der kan udføre beregninger på krypterede data, så patienterne ikke behøver at frygte, at intime helbredsoplysninger bliver efterladt i det fri. Og J-Clinic er ved at opbygge et stort, internationalt netværk, der spænder over alt fra landklinikker til større akademiske hospitaler i byerne for at implementere og teste de algoritmer, de udvikler. Håbet er, at dette vil gøre deres arbejde meget mere generaliserbart end andre hidtil offentliggjorte sundhedsalgoritmer, hvoraf de fleste er trænet på data fra et enkelt hospital.

Hvad der for 10 år siden ville have været en supercomputer, der kostede 1 million dollars - det niveau af databehandling nu kan købes for et par tusinde dollars. Det har ændret spillet på en stor måde.

Anvendelse af kunstig intelligens til mammografi

Det arbejde, der allerede er i gang i laboratoriet hos Barzilay, en MacArthur geni-stipendivinder i 2017 og en leder inden for kunstig intelligens, giver et indblik i det potentiale, som J-Clinic og startups som CancerAI kan hjælpe med at frigøre. Et område af hendes forskning involverer at bruge maskinlæring til at fremskynde opdagelsen af ​​lægemidler. Det arbejde hjælper udviklere med at finde molekyler med lovende egenskaber til at bekæmpe kræft og en lang række andre sygdomme. (Se AI genopfinder måden vi opfinder på, MIT Technology Review, marts/april 2019.) På kræftdiagnostikfronten er hun også en af ​​de første AI-forskere til at udvikle et værktøj, der rent faktisk hjælper mennesker.

I en papir udgivet sidste år i Radiology, brugte hun og hendes kolleger, herunder forskere fra Massachusetts General Hospital, AI til at udvikle en metode til at vurdere tætheden af ​​brystvæv. I dag, mammografi gå glip af omkring 15 % af brysttumorerne – og de savner mere end halvdelen, ifølge flere undersøgelser, hvis brystvævet er tæt, hvilket gør tumorer sværere at se. Mere end 40% af amerikanske kvinder har tæt brystvæv, hvilket også sætter dem i højere risiko for brystkræft.

Jamie Jones

Barzilay og hendes kolleger brugte mere end 41.000 digitale mammografier, evalueret og klassificeret af eksperter, til at træne en dyb-læringsalgoritme til at vurdere tæthed, så kvinder, der kan have behov for ekstra screening, kan identificeres. I et seks-måneders forsøg, der kiggede på over 10.000 mammografier, stemte modellen med Mass. Generelle radiologer 94% af tiden, hvilket gør det til første gang, at denne form for dyb læring var blevet brugt med succes i en klinisk sammenhæng. Barzilay og hendes samarbejdspartnere håber nu at skalere deres system op til andre hospitaler.

Barzilay bruger også kunstig intelligens til at opdage de tidligste ændringer på vejen mod brystkræft - ændringer, som en patolog ikke kan se. Kræft vokser ikke fra i dag til i morgen. Det er faktisk en meget lang proces, som gør en masse ændringer i vævet, fortalte hun publikum på Hello World, Hello MIT-konferencen, der fejrede lanceringen af ​​MIT Schwarzman College of Computing i februar. Hun viste to mammografibilleder, det ene fra en kvinde, der var gået i gang med at få brystkræft to år efter scanningen. Det logiske spørgsmål er: kan du tage maskinen og træne den på billederne, når vi kender resultatet om to år eller fem år, for at sige, hvad der skal ske? Som det viser sig, sagde hun, var maskinen i stand til at udføre denne opgave ret godt. Barzilay, hendes kandidatstuderende Adam Yala '16, MEng '17, og Constance Lehman, leder af brystbilleddannelse ved Mass. General, udviklede en model, der identificerede karakteristika, der ofte går forud for forekomsten af ​​kræft – og hvis disse karakteristika viser sig i et mammografi, patienten kan markeres.

I slutningen af ​​februar begyndte læger ved Mass. General at teste den risikomodel. En kvinde, hvis mammografi placerer hende i de mest risikable 20 %, siger Barzilay, har en meget ikke-triviel chance for at få brystkræft. Nu arbejder læger ved Mass. General på at finde ud af, hvordan de kan bruge den information til at ændre hendes odds.

Løftet og farerne ved AI i sundhedssektoren

Den vision for kunstig intelligens er langt fra den nuværende brug af digital teknologi på lægekontorer, som for det meste er begrænset til elektroniske journaler, der endnu ikke har levet op til deres potentiale. Sådanne systemer kan efterlade læger udbrændte og tvinge dem til at bruge så lange timer på at indtaste data, at de bruger mere tid på deres computerskærme end deres patienter.

Michael Hayes CancerAI

Kommercialisering af kunstig intelligens uden profitmotivet

• Nonprofit udvikler AI-værktøjer til at bekæmpe kræft.

  
  I 2017 gik serieiværksætteren Michael Hayes, SM '96, på udkig efter en ny forretningsmulighed, da han var klar til at gå videre fra sit seneste firma, et AI-softwarefirma. Som overlevende af halskræft besluttede han, at maskinlæring var modnet nok til at berettige at fokusere sit nye firma på at bruge kunstig intelligens til at bekæmpe kræft.
  
  Men efter at have udført sin due diligence, indså han, at han kunne tiltrække missionsdrevne medarbejdere og få bedre adgang til medicinske data ved at stifte sit firma, CancerAI, som en nonprofit. Den beslutning betalte sig på uventede måder og gav ham gratis kontorplads fra WeWork, tilbud om pro bono juridisk arbejde og programmører, der meldte sig frivilligt til at arbejde for ingenting.
  
  Jeg forventede at kunne ansætte gode folk, men jeg havde ikke forventet, at folk udefra ville sige 'Jeg ville være villig til at være frivillig nætter og weekender, for jeg vil gerne hjælpe', siger Hayes, der er uddannet cand.merc. i miljøteknik. fra MIT og en master i business and policy fra Tufts. Jeg garanterer dig, at det ikke sker i for-profit-enheder.
  
  Hayes, som er formand for CancerAIs bestyrelse, siger, at virksomheden bruger Regina Barzilays forskning som et af dets grundlag, men har ikke valgt sit første produkt. (Barzilay fungerer også som en af ​​CancerAIs rådgivere.) Virksomheden sigter mod at starte inden for diagnostikområdet, måske ved at bruge medicinske journaldata til at markere personer, hvis biometri tyder på, at de kan have høj risiko for særlige kræftformer. Tidlig test, der finder kræftformer, før de har spredt sig, siger han, er muligvis den korteste vej til at reducere dødeligheden.

Men på den positive side har elektroniske optegnelser gjort det muligt for hospitaler at samle enorme mængder af patientdata, som AI-forskere håber i sidste ende vil betale udbytte til patienter, plejepersonale, hospitaler og forsikringsselskaber.

Efterhånden som J-Clinic og startups som CancerAI begynder at udnytte disse data, siger Collins, J-Clinics anden fakultets medleder, at han ser, at J-Clinic ikke kun samler AI-eksperter, medicinske eksperter og datasæt for at fremme medicinsk forskning, men også hjælpe med at omsætte den forskning til de kliniske rammer. Det vil gøre dette, siger han, ved at få tidlige teknologier ind på hospitaler til test og validering og ved at lette lanceringen af ​​virksomheder til at kommercialisere dem. Han forestiller sig også, at J-Clinic indleder en offentlig diskussion omkring det, han kalder løftet og farerne ved kunstig intelligens og sundhedspleje – og stille hårde spørgsmål om, hvordan man kan forbedre eksisterende pleje, reducere omkostninger, beskytte patientens privatliv og etisk indhente nyttige data.

Selvom teknologisk innovation normalt øger medicinske omkostninger, håber han, at kunstig intelligens vil være en undtagelse, måske ved at maksimere brugen af ​​sengen, begrænse den tid, lægerne bruger på administrative opgaver, og udvikle lægemidler mere økonomisk. Jeg er nysgerrig efter, hvordan kunstig intelligens kan hjælpe med effektivitet i sundhedsvæsenet – hvad enten det er sengebrug, planlægning, fakturering – for at presse de administrative omkostninger ud der, siger Collins, hvis kone er læge. Han mener, at den administrative byrde ved elektroniske journaler kunne vendes med bedre teknologi, hvilket potentielt kan føre til besparelser.

I sit eget laboratorium planlægger Collins, en syntetisk biolog, at bruge AI-platforme til bedre at identificere nye klasser af antibiotika og kræftlægemidler, blandt andre. Jeg er opsat på at undersøge, på hvilken måde AI kan bruges bredere som en nyttig assistent i forskningssammenhæng og potentielt i medicinsammenhæng, siger han.

skjule