211service.com
AI skulle kunna hjälpa till med nästa pandemi – men inte med den här
Lila människor på en grön gata Ms Tech / Unsplash
Det var en AI som först såg den komma, eller så säger historien. Den 30 december varnade ett företag med artificiell intelligens vid namn BlueDot, som använder maskininlärning för att övervaka utbrott av infektionssjukdomar runt om i världen, kunder – inklusive olika regeringar, sjukhus och företag – om en ovanlig stöt i fall av lunginflammation i Wuhan, Kina. Det skulle dröja ytterligare nio dagar innan Världshälsoorganisationen officiellt flaggade vad vi alla har lärt känna som Covid-19.
BlueDot var inte ensam. En automatiserad tjänst som heter HealthMap på Boston Children's Hospital fångade också de första tecknen. Liksom en modell som drivs av Metabiota, baserad i San Francisco. Att AI kunde upptäcka ett utbrott på andra sidan jorden är ganska fantastiskt, och tidiga varningar räddar liv.
Mer om coronaviruset
Vår viktigaste täckning av covid-19 är gratis, inklusive:
Vad är flockimmunitet?
Hur fungerar coronaviruset?
Vilka är de potentiella behandlingarna?
Vilka läkemedel fungerar bäst?
Vad är det rätta sättet att göra social distansering?
Andra vanliga frågor om coronaviruset
---
Nyhetsbrev: Coronavirus Tech Report
Zoomshow: Radio Corona
Se även:
All vår covid-19 täckning
Covid-19 specialnummer
Klicka här för att prenumerera och stödja vår ideella journalistik.
Men hur mycket har AI verkligen hjälpt till att hantera det nuvarande utbrottet? Det är en svår fråga att svara på. Företag som BlueDot är vanligtvis fåniga om exakt vem de ger information till och hur den används. Och mänskliga team säger att de upptäckte utbrottet samma dag som AI:erna. Andra projekt där AI undersöks som ett diagnostiskt verktyg eller används för att hitta ett vaccin är fortfarande i ett mycket tidigt skede. Även om de är framgångsrika kommer det att ta tid – möjligen månader – att få dessa innovationer i händerna på vårdpersonalen som behöver dem.
Hypen överträffar verkligheten. Faktum är att berättelsen som har dykt upp i många nyhetsrapporter och andfådda pressmeddelanden – att AI är ett kraftfullt nytt vapen mot sjukdomar – är bara delvis sann och riskerar att bli kontraproduktiv. Till exempel kan för mycket förtroende för AI:s kapacitet leda till dåligt informerade beslut som skickar offentliga pengar till oprövade AI-företag på bekostnad av beprövade interventioner som läkemedelsprogram. Det är också dåligt för själva fältet: överdrivna men besvikna förväntningar har lett till ett krasch av intresse för AI, och därav följande förlust av finansiering, mer än en gång tidigare.
Så här är en verklighetskontroll: AI kommer inte att rädda oss från coronaviruset – absolut inte den här gången. Men det finns stor chans att det kommer att spela en större roll i framtida epidemier – om vi gör några stora förändringar. De flesta blir inte lätta. Vissa kommer vi inte att gilla.
Det finns tre huvudområden där AI kan hjälpa: förutsägelse, diagnos och behandling.
Förutsägelse
Företag som BlueDot och Metabiota använder en rad algoritmer för bearbetning av naturligt språk (NLP) för att övervaka nyhetskanaler och officiella sjukvårdsrapporter på olika språk runt om i världen, och flagga om de nämner högprioriterade sjukdomar, som coronavirus eller mer endemiska. sådana, som HIV eller tuberkulos. Deras prediktiva verktyg kan också använda flygresedata för att bedöma risken för att transitknutpunkter kan se infekterade personer antingen anlända eller avgå.
Resultaten är någorlunda exakta. Till exempel, Metabiotas senaste offentliga rapport, den 25 februari, förutspådde att den 3 mars skulle det finnas 127 000 kumulativa fall över hela världen. Det överskred med cirka 30 000, men Mark Gallivan, företagets chef för datavetenskap, säger att detta fortfarande ligger väl inom felmarginalen. Den listade också de länder som mest sannolikt kommer att rapportera nya fall, inklusive Kina, Italien, Iran och USA. Återigen: inte illa.
Andra håller ett öga på sociala medier också. Stratifyd, ett dataanalysföretag baserat i Charlotte, North Carolina, utvecklar en AI som skannar inlägg på sajter som Facebook och Twitter och korsreferenser dem med beskrivningar av sjukdomar hämtade från källor som National Institutes of Health, Världsorganisationen för Animal Health, och den globala mikrobiella identifieringsdatabasen, som lagrar information om genomsekvensering.
Arbetet av dessa företag är verkligen imponerande. Och det visar hur långt maskininlärning har avancerat de senaste åren. För några år sedan försökte Google förutsäga utbrott med sin olyckliga influensaspårare, som lades på hyllan 2013 när den inte kunde förutsäga årets influensaökning. Vad förändrades? Det handlar mest om den senaste programvarans förmåga att lyssna på ett mycket bredare utbud av källor.
Oövervakad maskininlärning är också nyckeln. Att låta en AI identifiera sina egna mönster i bruset, snarare än att träna den på förvalda exempel, framhäver saker som du kanske inte tänkte leta efter. När du gör förutsägelser letar du efter nytt beteende, säger Stratifyds vd, Derek Wang.
Men vad gör du med dessa förutsägelser? Den första förutsägelsen av BlueDot pekade korrekt ut en handfull städer i virusets väg. Detta kunde ha gjort det möjligt för myndigheter att förbereda sig, larma sjukhus och införa inneslutningsåtgärder. Men när epidemins omfattning växer blir förutsägelser mindre specifika. Metabiotas varning om att vissa länder skulle påverkas nästa vecka kan ha varit korrekt, men det är svårt att veta vad man ska göra med den informationen.
Dessutom kommer alla dessa tillvägagångssätt att bli mindre exakta allt eftersom epidemin fortskrider, till stor del på grund av att tillförlitliga data av det slag som AI behöver livnära sig på har varit svåra att få om Covid-19. Nyhetskällor och officiella rapporter erbjuder inkonsekventa konton. Det har varit förvirring kring symtom och hur viruset passerar mellan människor. Media kan spela upp saker; myndigheter kan tona ner saker och ting. Och att förutsäga var en sjukdom kan spridas från hundratals platser i dussintals länder är en mycket mer skrämmande uppgift än att ringa upp var ett enda utbrott kan spridas under de första dagarna. Buller är alltid fienden till maskininlärningsalgoritmer, säger Wang. Gallivan erkänner faktiskt att Metabiotas dagliga förutsägelser var lättare att göra under de första två veckorna eller så.
Ett av de största hindren är bristen på diagnostiska tester, säger Gallivan. Helst skulle vi ha ett test för att upptäcka det nya coronaviruset omedelbart och testa alla minst en gång om dagen, säger han. Vi vet inte heller riktigt vilka beteenden människor antar – vem som jobbar hemifrån, vem som sätter sig i karantän, vem som tvättar händer eller inte – eller vilken effekt det kan ha. Om du vill förutsäga vad som kommer att hända härnäst behöver du en korrekt bild av vad som händer just nu.
Det är inte heller klart vad som händer på sjukhusen. Ahmer Inam på Pactera Edge, ett data- och AI-konsultföretag, säger att förutsägelseverktyg skulle vara mycket bättre om folkhälsodata inte var inlåst inom statliga myndigheter som det är i många länder, inklusive USA. Detta innebär att en AI måste luta sig mer mot lättillgänglig data som onlinenyheter. När media tar upp ett potentiellt nytt medicinskt tillstånd är det redan för sent, säger han.
Men om AI behöver mycket mer data från pålitliga källor för att vara användbar inom detta område, kan strategier för att få det vara kontroversiella. Flera personer jag pratade med lyfte fram denna obekväma avvägning: för att få bättre förutsägelser från maskininlärning måste vi dela mer av vår personliga data med företag och regeringar.
Darren Schulte, VD och VD för Apixio, som har byggt en AI för att extrahera information från patientjournaler, tycker att medicinska journaler från hela USA bör öppnas upp för dataanalys. Detta kan göra det möjligt för en AI att automatiskt identifiera individer som är mest utsatta för Covid-19 på grund av ett underliggande tillstånd. Resurser kan då fokuseras på de människor som behöver dem mest. Tekniken för att läsa patientjournaler och utvinna livräddande information finns, säger Schulte. Problemet är att dessa register är uppdelade över flera databaser och hanteras av olika hälsotjänster, vilket gör dem svårare att analysera. Jag skulle vilja släppa min AI i denna stora ocean av data, säger han. Men vår data finns i små sjöar, inte ett stort hav.
Hälsodata bör också delas mellan länder, säger Inam: Virus fungerar inte inom gränserna för geopolitiska gränser. Han tycker att länder bör tvingas genom internationell överenskommelse att släppa realtidsdata om diagnoser och sjukhusinläggningar, som sedan kan matas in i globala maskininlärningsmodeller av en pandemi.
Naturligtvis kan detta vara önsketänkande. Olika delar av världen har olika integritetsbestämmelser för medicinsk data. Och många av oss avskyr redan att göra vår data tillgänglig för tredje part. Nya databehandlingstekniker, såsom differentierad integritet och utbildning om syntetiska data snarare än riktiga data, kan erbjuda en väg genom denna debatt. Men den här tekniken finslipas fortfarande. Att komma överens om internationella standarder kommer att ta ännu mer tid.
För nu måste vi göra det bästa av vilken data vi har. Wangs svar är att se till att människor finns i närheten för att tolka vad maskinlärande modeller spottar ut, och se till att ignorera förutsägelser som inte stämmer. Om man är alltför optimistisk eller beroende av en helt autonom prediktiv modell kommer det att visa sig problematiskt, säger han. AI:er kan hitta dolda signaler i data, men människor måste koppla ihop prickarna.
Tidig diagnos
Förutom att förutsäga förloppet av en epidemi hoppas många att AI kommer att hjälpa till att identifiera personer som har blivit smittade. AI har en bevisad meritlista här. Maskininlärningsmodeller för att undersöka medicinska bilder kan fånga tidiga tecken på sjukdom som mänskliga läkare missar, från ögonsjukdomar till hjärtsjukdomar till cancer. Men dessa modeller kräver vanligtvis mycket data att lära av.
En handfull förtryckta papper har lagts ut online under de senaste veckorna som tyder på det maskininlärning kan diagnostisera Covid-19 från datortomografi av lungvävnad om tränad att upptäcka kontrollanta tecken på sjukdomen i bilderna. Alexander Selvikvåg Lundervold vid Western Norway University of Applied Sciences i Bergen, Norge, som är expert på maskininlärning och medicinsk bildbehandling, säger att vi kan förvänta oss att AI så småningom ska kunna upptäcka tecken på Covid-19 hos patienter. Men det är oklart om bildbehandling är vägen att gå. För det första kan fysiska tecken på sjukdomen inte dyka upp i skanningar förrän en tid efter infektion, vilket gör den inte särskilt användbar som en tidig diagnostik.
Dr Fan Zhongjie, en andningsspecialist med ansvar för kritiska covid-19-patienter i centrala Kinas Hubei-provins, läser en datortomografisk bild. AP-bilder
Dessutom, eftersom så lite träningsdata finns tillgänglig än så länge, är det svårt att bedöma riktigheten av de tillvägagångssätt som lagts ut online. De flesta bildigenkänningssystem – inklusive de som tränats på medicinska bilder – är anpassade från modeller som först tränades på ImageNet, en mycket använd datauppsättning som omfattar miljontals vardagliga bilder. Att klassificera något enkelt som ligger nära ImageNet-data, som bilder på hundar och katter, kan göras med väldigt lite data, säger Lundervold. Subtila fynd i medicinska bilder, inte så mycket.
Därmed inte sagt att det inte kommer att hända – och AI-verktyg kan potentiellt byggas för att upptäcka tidiga stadier av sjukdom i framtida utbrott. Men vi borde vara skeptiska till många av påståendena från AI-läkare som diagnostiserar Covid-19 idag. Återigen, att dela mer patientdata kommer att hjälpa, och så kommer maskininlärningstekniker som gör att modellerna kan tränas även när lite data är tillgänglig. Till exempel är inlärning med få skott, där en AI kan lära sig mönster från endast en handfull resultat, och transfer learning, där en AI som redan är utbildad för att göra en sak snabbt kan anpassas för att göra något liknande, lovande framsteg – men fungerar fortfarande pågående.
Bota allt
Data är också avgörande om AI ska hjälpa till att utveckla behandlingar för sjukdomen. En teknik för att identifiera möjliga läkemedelskandidater är att använda generativa designalgoritmer, som producerar ett stort antal potentiella resultat och sedan sålla igenom dem för att lyfta fram de som är värda att titta närmare på. Denna teknik kan användas för att snabbt söka igenom miljontals biologiska eller molekylära strukturer, till exempel.
SRI International samarbetar om ett sådant AI-verktyg, som använder djupinlärning för att generera många nya läkemedelskandidater som forskare sedan kan bedöma för effektivitet. Detta är en spelomvandlare för läkemedelsupptäckten, men det kan fortfarande ta många månader innan en lovande kandidat blir en livskraftig behandling.
I teorin kan AI också användas för att förutsäga utvecklingen av coronaviruset. Inam föreställer sig att köra oövervakade inlärningsalgoritmer för att simulera alla möjliga utvecklingsvägar. Du kan sedan lägga till potentiella vacciner till mixen och se om virusen muterar för att utveckla resistens. Detta kommer att göra det möjligt för virologer att ligga några steg före virusen och skapa vacciner om någon av dessa domedagsmutationer inträffar, säger han.
Det är en spännande möjlighet, men en avlägsen sådan. Vi har ännu inte tillräckligt med information om hur viruset muterar för att kunna simulera det den här gången.
Under tiden kan den ultimata barriären vara de ansvariga . Det jag helst skulle vilja förändra är relationen mellan beslutsfattare och AI, säger Wang. AI kommer inte att kunna förutsäga sjukdomsutbrott av sig själv, oavsett hur mycket data den får. Att få ledare inom myndigheter, företag och hälso- och sjukvård att lita på dessa verktyg kommer i grunden att förändra hur snabbt vi kan reagera på sjukdomsutbrott, säger han. Men det förtroendet måste komma från en realistisk syn på vad AI kan och inte kan göra nu – och vad som kan göra det bättre nästa gång.
Att få ut det mesta av AI kommer att ta mycket data, tid och smart koordinering mellan många olika människor. Alla som är en bristvara just nu.