За да лекува болестта, изкуственият интелект се нуждае от повече от нашите данни

Машините към този момент са надхитрили хората в играта на шах, идентифицирането на песента на птиците и предсказването на комплицирани протеинови структури. Но когато става въпрос за в действителност умни и интуитивни неща, като истински научни проучвания, ние, хората, обичаме да мислим, че към момента имаме преимуществото.

Може да се наложи да помислим още веднъж. На конференцията за изкуствен интелект RAAIS в Лондон по-рано този месец Даниел Коен, президент на канадската компания за разкриване на медикаменти Valence Labs, разиска примамливата, въпреки и леко изнервяща, опция за „ самостоятелно научно изобретение “. Обучени на профилирани данни, комплицираните AI модели скоро може да са в положение да генерират хипотези, да проектират и организират опити, да се учат от резултатите и да изплакват и повтарят 24/7. „ Нашата задача е да индустриализираме научните открития “, сподели той.

Не е нужно да говорите дълго с хора в компютърната биология, с цел да разберете тяхното неспокойствие по отношение на ИИ. Изследователската компания за изкуствен интелект Гугъл DeepMind даже отдели обособена компания, Isomorphic Labs, с цел да употребява този домейн, откакто нейната стратегия AlphaFold моделира 200 милиона протеинови структури.

Обещанието е, че изчислителната биология може да помогне за напредъка на научните проучвания, да форсира разкриване на медикаменти и възстановяване на резултатите за пациентите. Машините имат редица преимущества пред своите аналози за откриватели и лаборанти от плът и кръв. От една страна, те нямат потребност да спят, да се оправят с настинки, махмурлук или разхвърляни взаимоотношения.

„ Толкова съм окуражена от темпото, с което се движи полето “, Кристина Къртис, професор по генетика и биомедицина просвета за данните в Медицинския факултет на Станфордския университет, ми споделя. „ Това трансформира метода, по който разбираме заболяването, по какъв начин откриваме злокачествени болести и по какъв начин ги лекуваме и прихващаме. “

Къртис беше старши създател на публикация, оповестена в Science предишния месец, която изследва наследствеността на злокачествените болести в разнообразни подгрупи на рак. Използвайки техники за машинно образование, откривателите проучиха хиляди геноми от човеци с преинвазивни и инвазивни тумори на гърдата, с цел да изследват разликите в техния имунологичен отговор към заболяването. Те откриха, че методът, по който туморните кафези еволюират при индивидите, е „ изваян “ от генома на зародишната линия, който са наследили при зачеването.

Такива проучвания могат да доведат до по-ранно разкриване и по-персонализирани лекувания, подобрявайки възможностите за оцеляване. „ Повече от 50 % от диагностицираните ракови болести са в етап 4 или по-късно. Получаваме информация прекомерно късно, с цел да помогнем при вземането на решения “, споделя Къртис. „ В идеалния случай можем да създадем това по-превантивно. “

Има две огромни ограничавания. Първият е, че „ генетиката дава подмятания, а не отговори “, съгласно един изпълнителен шеф на промишлеността. Машините са маркирали доста цели за създаване на медикаменти, само че са пуснати малко сполучливи артикули. Дори технологията да докара до научни пробиви, лишава доста години, с цел да завоюва регулаторно утвърждение за нови медикаменти. 

Thore Graepel, световен началник за изчислителна просвета в Altos Labs, преди този момент оказа помощ за създаването на програмата AlphaGo в Гугъл DeepMind. Поражението на AlphaGo от най-силния състезател в света в античната игра Го беше възприето като умопомрачителен пробив в машинния разсъдък. Но Graepel сподели на конференцията на RAAIS, че биологичните сложности, с които той в този момент се сблъсква при подмладяването на клетките, са „ с порядък “ по-големи. „ Никога не съм виждал толкоз доста трудност с толкоз малко данни “, сподели той.

Второто ограничаване е неналичието на данни. Къртис твърди, че данните за пациентите са като „ течно злато “ за откривателите, само че към момента нямаме механизмите да ги улавяме рутинно. От най-голяма изгода би било комбинирането на генетичната информация на пациента с надлъжни здравни данни, събрани по време на тяхното лекуване и живот.

Преориентирането на системите за опазване на здравето към ранно наблюдаване и предварителна защита и надалеч от късно диагностициране и лекуване ще изисква монументална промяна на тромавите организации. Но английската Лейбъристка партия, която наподобява е подготвена да завоюва общите избори идната седмица, дава обещание да форсира тази промяна в Националната здравна работа. Манифестът на лейбъристите дава обещание да се сътвори фонд „ В сходство с бъдещето “, с цел да се удвои броят на скенерите за компютърна томография и ядрено-магнитен резонанс за разкриване на ранен етап на рак.

Гласоподавателите с право са скептични към политиците, които дават огромни обещания. Но напрежението върху обществените финанси в застаряващите общества може скоро да остави държавните управления без различен избор, с изключение на да следват този път. Както се допуска, че холандският мъдрец Дезидерий Еразъм ни е споделил преди пет века: „ Превенцията е по-добра от лекуването “. За тази цел AI може да е измежду най-големите ни активи.