Et virkelighedstjek for IBMs AI-ambitioner

IBM, nummer 39 på vores liste over de 50 smarteste virksomheder, overhypede sit Watson maskinlæringssystem, men virksomheden kunne stadig have den bedste adgang til den slags data, der er nødvendig for at gøre medicin meget smartere. Ved

• David H. Freedman arkiv side

27. juni 2017

Leonard Greco

Paul Tang var sammen med sin kone på hospitalet lige efter hendes knæudskiftningsoperation, en procedure udført på omkring 700.000 mennesker i USA hvert år. Kirurgen kom forbi, og Tang, der selv er primærlæge, spurgte, hvornår han forventede, at hun ville være tilbage til sine normale rutiner, givet hans erfaring med patienter som hende. Kirurgen blev ved med at give vage ikke-svar. Endelig ramte det mig, siger Tang. Han vidste det ikke. Tang ville snart erfare, at de fleste læger ikke ved, hvordan deres patienter klarer sig i det almindelige liv, derhjemme og på arbejdet — de tiltag, der betyder mest for patienterne.

Tang ser stadig patienter som en læge, men han er også chief health transformation officer for IBM's Watson Health (se ' 50 Smartest Companies 2017 .') Det er forretningsgruppen, der udvikler sundhedsapplikationer til Watson, det maskinlæringssystem, som IBM i bund og grund er satser sin fremtid på. Watson kunne levere information, som læger ikke får nu, siger Tang. Det kunne for eksempel fortælle en læge, hvor lang tid det tog for patienter, der ligner Tangs kone, at gå uden smerter eller gå op ad trapper. Det kunne endda hjælpe med at analysere billeder og vævsprøver og bestemme de bedste behandlinger for enhver given patient.

Denne historie var en del af vores juli 2017-udgave

• Se resten af ​​problemet
• Abonner

Det er på grund af muligheder som denne, at sundhedspleje er et af de hotteste segmenter af markedet for maskinlæringsteknologier. Analysefirmaet CB Insights tæller mindst 106 startups, der er opstået siden 2013 og stadig er i gang.

Ingen af ​​disse virksomheder har opnået i nærheden af ​​den opmærksomhed, Watson har, takket være sin sejr i tv-quiz-showet Fare! i 2011 og nidkær markedsføring af IBM lige siden. Men på det seneste har meget af pressen for Watson været dårlig. Et stærkt promoveret samarbejde med M.D. Anderson Cancer Center i Houston faldt fra hinanden i år. Efterhånden som IBMs omsætning er faldet i svime, og aktiekursen har vippet, har analytikere stillet spørgsmålstegn ved, hvornår Watson rent faktisk vil levere meget værdi. Watson er en joke, sagde Chamath Palihapitiya, en indflydelsesrig tech-investor, der grundlagde VC-firmaet Social Capital, på CNBC i maj.

Det meste af kritikken af ​​Watson, selv fra M.D. Anderson, synes dog ikke at være forankret i nogen særlig fejl i teknologien. I stedet er det en reaktion på IBMs alt for optimistiske påstande om, hvor langt Watson ville være nu. Faktisk virker det stadig sandsynligt, at Watson Health vil være førende i at anvende AI på sundhedsvæsenets problemer. Hvis Watson endnu ikke har opnået ret meget i den retning, er en stor grund, at det har brug for visse typer data for at blive trænet. Og i mange tilfælde er sådanne data meget mangelfulde eller svære at få adgang til. Det er ikke et problem, der er unikt for Watson. Det er en catch-22, der står over for hele feltet af maskinlæring til sundhedspleje.

Selvom problemet med manglende og utilgængelige data kan bremse Watsons fart, kan det skade IBMs konkurrenter mere. Det er fordi det bedste bud på at få dataene ligger i tætte partnerskaber med store sundhedsorganisationer, der har tendens til at være teknologisk konservative. Og en ting, IBM stadig gør meget godt i forhold til startups, eller endda gigantiske rivaler som Apple og Google, er at vinde tillid fra ledere og it-chefer i store organisationer. På trods af de specifikke problemer med M.D. Anderson-projektet har IBM en afgørende fordel. Det får Watson ind i en bred vifte af medicinske centre, sundhedsadministrationsgrupper og lifescience-virksomheder, som alle er positioneret til at levere de kritiske data, der er nødvendige for at forme AI's fremtid inden for medicin.

Urealistiske tidslinjer

Bruddet med M.D. Anderson så ud til at vise, at IBM kvælede i sin egen hype om Watson.

Kræftcentret og IBM samarbejdede i 2012. Målet var, at Watson skulle læse data om enhver patients symptomer, gensekvens og patologirapporter, kombinere dem med lægens notater om patienten og relevante tidsskriftsartikler og derefter hjælpe læger med at komme med. diagnoser og behandlinger. Men IBM og M.D. Anderson overdrev begge forventningerne til teknologien. IBM hævdede i 2013, at en ny æra inden for computing er opstået og gav Forbes indtrykket af, at Watson tackler nu kliniske forsøg og ville være i brug hos patienter i løbet af få måneder. I 2015 blev Washington Post citerede en IBM Watson-chef, der beskrev, hvordan Watson havde travlt med at etablere en kollektiv intelligensmodel mellem maskine og menneske. Det Stolpe sagde, at computersystemet trænede sammen med lægerne i at gøre det, de ikke kan.

Sundhedspleje har været en pinlig sen bruger af teknologi, siger Manish Kohli, en læge og sundhedsinformatikekspert ved Cleveland Clinic.

I februar i år meddelte University of Texas, som driver MD Anderson, at det havde lukket projektet, hvilket efterlod lægecentret ud med $39 millioner i betalinger til IBM — for et projekt, der oprindeligt var indgået i kontrakt til 2,4 millioner dollars. Efter fire år havde den ikke produceret et værktøj til brug for patienter, der var klar til at gå ud over pilottests. M.D. Anderson ville ikke kommentere specifikt til mig om Watson, men det ser ud til, at problemerne hovedsageligt stammede fra interne kampe om, hvordan projektet blev styret og finansieret.

Det betyder ikke, at IBM ikke har nogen problemer med Watson. Faktisk er de større end hvad en implementering afslører.

For at forstå, hvad der bremser fremskridtet, er du nødt til at forstå, hvordan maskinlæringssystemer som Watson trænes. Watson lærer ved løbende at ændre sine interne behandlingsrutiner for at producere den højest mulige procentdel af korrekte svar på nogle problemer, såsom hvilke radiologiske billeder, der afslører kræft. De rigtige svar skal være kendt allerede, så systemet kan få at vide, hvornår det får noget rigtigt, og hvornår det går galt. Jo flere træningsproblemer systemet kan tygge sig igennem, jo ​​bedre bliver dets hitrate.

Det er relativt enkelt, når det kommer til at træne systemet til at identificere maligniteter i røntgenstråler. Men for potentielt banebrydende gåder, der går langt ud over, hvad mennesker allerede gør, som at opdage forholdet mellem genvariationer og sygdom, har Watson et kylling-og-æg-problem: hvordan træner det på data, som ingen eksperter allerede har gennemset og organiseret ordentligt ? Hvis du underviser i en selvkørende bil, kan enhver mærke et træ eller et skilt, så systemet kan lære at genkende det, siger Thomas Fuchs, en computerpatolog ved Memorial Sloan-Kettering, et kræftcenter i New York. Men i et specialiseret domæne inden for medicin har du muligvis brug for eksperter, der er uddannet i årtier til korrekt at mærke den information, du tilfører computeren.

En eller anden version af den anstødssten dukker op i hvert domæne, hvor IBM håber at få Watson til at bidrage — som det gør for enhver virksomheds maskinlæringsløsning. For at træne Watson til at gennemgå gigantiske puljer af data og trække de få stykker information, der er vigtige for en enkelt patient, ud, skal nogen først gøre det i hånden, i tusinder og atter tusinder af tilfælde. For at genkende gener forbundet med sygdom har Watson brug for tusindvis af registreringer af patienter, der har specifikke sygdomme, og hvis DNA er blevet analyseret. Men disse kombinationer af gen-og-patient-rekord kan være svære at finde. I mange tilfælde eksisterer dataene simpelthen ikke i det rigtige format — eller i nogen form overhovedet. Eller dataene kan være spredt ud over snesevis af forskellige systemer og vanskelige at arbejde med.

Overvej for eksempel målet om at forbedre den primære sundhedspleje ved at placere bedre data lige ved hånden af ​​klinikere. Når læger går glip af chancer for at behandle relativt mindre bekymringer under et rutinemæssigt primærbesøg, før et mere avanceret problem sender patienter til en skadestue eller en specialist, lider deres helbred, og omkostningerne eksploderer. Omkring en tredjedel af hver dollar, der bruges på sundhed, er sandsynligvis unødvendig, siger Anil Jain, IBM Watson Healths overlæge, som også er en praktiserende læge i primærplejen. Maskinlæring er bredt anerkendt som en mulighed for at løse dette problem.

For virkelig at hjælpe læger med at få bedre resultater for patienterne, bliver Watson dog nødt til at finde sammenhænge mellem det, den læser i sundhedsjournaler, og det, Tang kalder alle de sociale determinanter for sundhed. Disse faktorer inkluderer, om patienter er stoffri, undgår de forkerte fødevarer, trækker vejret ren luft og så videre. Men Tang indrømmer, at næsten ingen hospitaler eller lægepraksis i dag får disse data pålideligt for en betydelig procentdel af patienterne. En del af problemet er, at hospitaler har været langsomme til at tage moderne, datadrevet praksis op. Sundhedspleje har været en pinlig sen bruger af teknologi, siger Manish Kohli, en læge og sundhedsinformatikekspert ved Cleveland Clinic.

Hvor dataene findes, har IBM ofte bare gået ud og købt dem. Det har opkøbt virksomheder som Truven Health Analytics, Explorys og Phytel, som alle var aktive i at håndtere store datasæt på tværs af hospitaler og patientpopulationer. Og selv efter M.D. Anderson-aftalens ophør har IBM nogle kritiske partnerskaber, der fremmer dets adgang til patientdata.

En af dem er med Atrius Health, et netværk af næsten 900 primære læger i hele Boston-området. Partnerskabet har til formål at udvikle og teste et Watson-baseret system, der er i stand til at trække klumper af information, der er kritisk for en individuel patient, ud fra et hav af noter, optegnelser og artikler. At søge alle de relevante oplysninger er et besværligt job for primære læger, som tingene eksisterer i dag, siger Atrius' overlæge, Joe Kimura. Elektroniske helbredsjournaler kan have gjort problemet endnu værre, tilføjer han, fordi fremkomsten af ​​sådanne systemer enormt har øget mængden af ​​data, der genereres i hvert besøg, uden at give et standardformat, der muliggør nem genfinding.

Kritisk er mange af de vigtigste notater i patientjournaler sætninger, som et konventionelt it-system ikke kan give mening i. Men Watson kan anvende de naturlige sprogbehandlingsfærdigheder udviklet til Fare! for at få mening ud af dem. Ideelt set kunne det så foreslå måder, læger kan hjælpe patienter med at undgå behovet for omfattende pleje. Hvorfor skal vi kun fokusere på at sikre, at vi har gjort et så godt stykke arbejde som muligt med patienter, der brækker en hofte, spørger Kimura, når vi kan forsøge at forudsige, hvilke patienter der er i risiko for at falde og hjælpe dem til slet ikke at brække hoften ? Vi er nødt til at skubbe vores omsorg opstrøms.

En leukæmilæge hos M.D. Anderson, Courtney DiNardo, brugte IBMs Watson-system, mens han konsulterede en patient i 2013.

IBM annoncerede i 2015, at Watsons diagnostiske evner ville blive styrket af data indhentet fra Merge Healthcare, et medicinsk billedbehandlingsfirma, som IBM købte for omkring 1 mia.

Watson Health samarbejder også med Central New York Care Collaborative, et statsligt finansieret agentur, der arbejder med omkring 2.000 sundhedsudbydere i seks amter. Partnerskabet skal understøtte målet om en reduktion på 25 procent i skadestueindlæggelser og hospitalsgenindlæggelser, når patienter, der er blevet udskrevet fra et hospital, skal vende tilbage for at løse relaterede problemer. Det giver også potentiel adgang til enorme mængder patientdata.

Der er andre måder at få sådanne data på. Et af Googles søsterselskaber forsøger at få det direkte fra patienterne selv. Verily Life Sciences, en sundhedsafdeling af Alphabet, samarbejder med Duke og Stanford om at udvikle en meget struktureret sundhedsdatabase med omkring 10.000 frivillige. Databasen vil blive fyldt med information ikke kun fra deres kliniske besøg, men også fra bærbare sundhedsovervågningsenheder. Det kunne være et lovende spring i dataadgang, selvom det kan tage et årti eller mere at producere meget brugbare resultater.

Fuchs' gruppe ved Memorial Sloan-Kettering håber at træne et AI-system til at læse vævsfarvede dias, en proces, der vil kræve et stort bibliotek af digitalt kommenterede dias med bekræftede diagnoser og andre kritiske data. Så gruppen forbereder sig på at producere 40.000 sådanne dias om måneden på egen hånd. Det er langt mere end nogen anden, siger Fuchs. Det er en enorm opgave på grund af al variationen i biologi.

Selv M.D. Anderson fortsætter på trods af Watson-projektets skæbne et stort program, der startede omkring samme tid, fokuseret på at indsamle 1.700 typer kliniske data om hver patient, der træder ind af dens døre. Andy Futreal, videnskabsmanden, der driver programmet, siger, at kombinationen af ​​denne patientinformation med forskningsdata vil være afgørende for den slags muligheder, som systemer som Watson kunne give. Når vi har dataene på plads, kan du nu komme ind i AI-maskinlæringsbranchen ved at afdække de faktorer, der dikterer, hvem der gør, og hvem der ikke gør det godt med forskellige behandlinger, siger Futreal.

IBM på sin side fortsætter med at samle data fra partnerskaber. Alene til kræftdiagnose og -pleje har virksomheden indgået et samarbejde med Memorial Sloan-Kettering, Mayo Clinic, det Harvard- og MIT-tilknyttede Broad Institute og den medicinske testgigant Quest Diagnostics. Memorial Sloan-Kettering-samarbejdet har allerede produceret et system, der gennemsøger journallitteratur for at informere behandlingsbeslutninger, og det er blevet rullet ud til Jupiter Medical Center i Florida og en hospitalskæde i Indien. På lægemiddelopdagelsesfronten arbejder Watson Health med Barrow Neurological Institute, hvor Watson hjalp med at finde fem gener knyttet til ALS, som aldrig før havde været forbundet med sygdommen, og med Ontario Brain Institute, hvor Watson identificerede 21 lovende potentielle lægemidler kandidater.

Vil Watson i sidste ende gøre en forskel i at forbedre sundhedsresultater og sænke omkostningerne? Sandsynligvis, siger Stephen Kraus, en partner hos VC-firmaet Bessemer Venture Partners, som fokuserer på sundhedspleje og har investeret i AI-sundhedsstartups. Det hele er for alvor, siger Kraus. Dette handler ikke om at udsætte vaporware for at øge aktiekurserne. Men Kraus slutter sig til de fleste eksperter i at advare mod urealistiske tidslinjer eller løfter — hvoraf nogle er kommet fra IBM selv. Det er hårdt, siger han. Det sker ikke i dag, og det sker måske ikke om fem år. Og det kommer ikke til at erstatte læger.

skjule