211service.com
Att ge medicin en dos AI
Konceptuell bild av medicinska skanningar och artificiell intelligens Jamie Jones
I flera år har artificiell intelligens setts som nästa stora sak inom medicin. Nu kliver några MIT-professorer, studenter och alumner upp för att se till att det verkligen kommer att bli det.
Genom Abdul Latif Jameel klinik för maskininlärning inom hälsa , eller J-Clinic, tillkännagav förra hösten, forskare från hela MIT kommer att driva projekt som syftar till att utveckla nya maskininlärningsmetoder för att förbättra klinisk vård, designa nya mediciner och minska hälsovårdskostnaderna. Initiativet kommer att tillämpa AI på ett brett spektrum av sjukdomar och bygger på pågående MIT-forskning, inklusive arbete med läkemedelsupptäckt och tidiga framsteg inom cancerdiagnostik av Regina Barzilay, Delta Electronics Professor vid Institutionen för elektroteknik och datavetenskap.
Barzilay säger att det är dags för artificiell intelligens att bli en standard del av cancervården. I varje enskilt cancercenter i USA, oavsett om det är en samhällsklinik eller det bästa cancercentret i landet, finns det ett allvarligt behov av att ta in AI, säger Barzilay, medlem av både CSAIL och MIT:s Koch Institute for Integrative Cancer Research. Efter henne bröstcancer saknades i flera år började hon använda bildbehandlingsalgoritmer för att analysera mammografi. Tanken är att gå längre än vad människor kan se i en skanning för att upptäcka tidiga förändringar i vävnad som markerar vägen mot cancer.
Jamie Jones
Institutets professor och nobelpristagare Phillip Sharp, som är ordförande för J-Clinics rådgivande styrelse, säger att det inte råder tvivel om att artificiell intelligens och djupinlärning kan – och måste – förändra medicinsk vård. Sharp säger att genom att bidra till tidigare diagnoser kan AI förbättra patienternas kvalitet och livslängd. Specifikt tror han att det kan omvandla röntgen, göra meningsfulla molekylära och genetiska data för att skilja mellan maligna och ofarliga celler och upptäcka mönster i medicinska data som kan varna för kommande problem. Han tror också att det kan förbättra sjukvårdens kostnadseffektivitet genom att diagnostisera sjukdom tidigare, när behandlingen är billigare och mer effektiv. Vi måste bli mer effektiva i vården, säger han.
Genom J-Clinic, säger han, kommer MIT att spela en avgörande roll i att utveckla dessa teknologier och utbilda deras användare, precis som MIT har gjort inom molekylärbiologi, cellbiologi, genetik och bioteknik. Barzilay och James Collins, Termeer-professorn i medicinsk teknik och vetenskap, fungerar som fakultetsmedledare för J-Clinic, ett stort samarbete mellan MIT och Community Jameel, den sociala företagsorganisationen som grundades och leds av Mohammed Abdul Latif Jameel '78 .
Maskininlärning kommer till vården
AI har tagit längre tid att tillämpa inom hälso- och sjukvården än de flesta andra branscher eftersom insatserna är så höga. Om Amazon provar en ny algoritm som inte fungerar kan företaget ha lite pengar. Inom medicin kan människor dö. Det är därför bara 5 % av amerikanska sjukhus rapporterade att de använde någon form av artificiell intelligens 2017. Men saker börjar äntligen förändras. Stora sjukhus och läkemedelsföretag åberopar nu AI när de pratar om sin framtid. Konferenser får bred uppslutning och medicinska AI-startups blir allt vanligare. Datorer kan nu se och läsa – inte lika bra som människor, men de når dit, säger Michael Hayes, SM ’96, som lanserade den ideella startupen CancerAI 2018 för att ta ut verktyg för artificiell intelligens på marknaden.
Dagens artificiella intelligens är baserad på algoritmer som analyserar gigantiska datamängder. Så kallad djupinlärning, som har utvecklats avsevärt under det senaste decenniet, gör det möjligt för forskare att dra slutsatser från enorma mängder data. Visuella och naturliga bearbetningstekniker har också förbättrats dramatiskt. Och datalagring har blivit betydligt billigare.
För tio år sedan fanns det inte den mängd elektroniska journaler som finns idag, säger Hayes. Och även om de fanns så hade vi inte algoritmer som kunde förstå läkarnas anteckningar så bra och som inte hade tillräckligt billiga datorer. Scenen ser nu väldigt annorlunda ut på alla dessa fronter. Det som för 10 år sedan skulle ha varit en superdator som kostade 1 miljon dollar - den nivån av datoranvändning nu kan köpas för några tusen dollar, säger han. Det har förändrat spelet på ett stort sätt.
Från vänster leder J-Clinic fakulteten Regina Barzilay och James Collins och J-Clinics rådgivande styrelseordförande och institutprofessorn Phillip Sharp.
Sedan den bildades i höstas har J-Clinic, som är en del av MIT Quest for Intelligence och som leds av dekanus vid School of Engineering, Anantha Chandrakasan, lagt ut en begäran om förslag inom MIT. Hittills har professorer och studenter föreslagit 43 forskningsprojekt som skulle använda dessa framsteg för att gynna patienter. Att förbättra diagnosen, rikta behandlingar till enskilda patienter och förstå sjukdomsprogression är alla förutsägelseproblem, säger Barzilay. Och förutsägelse är där AI överträffar.
En fråga har dock varit att anpassning av maskininlärningsalgoritmer för kliniska miljöer innebär att man tränar dem med vad hon beskriver som enorma mängder manuellt kommenterade data. J-Clinic-forskare planerar att utveckla algoritmer som inte är lika beroende av handmärkta data – och som kan använda data från relaterade domäner för att fylla i luckor i målområdet. Istället för att utbilda system för övervakat lärande för varje enskilt sjukhussystem och för varje sjukdom, utvecklar vi algoritmer som enkelt kan anpassas till nya miljöer och olika sjukdomar, förklarar Barzilay.
Att skydda patienternas integritet och säkerställa att data speglar befolkningens mångfald är också centrala mål för J-Clinic. Forskare utvecklar algoritmer som kan utföra beräkningar på krypterad data, så att patienter inte behöver frukta att intim hälsoinformation lämnas i det fria. Och J-Clinic bygger ett stort, internationellt nätverk som spänner över allt från kliniker på landsbygden till stora urbana akademiska sjukhus för att implementera och testa de algoritmer de utvecklar. Förhoppningen är att detta kommer att göra deras arbete mycket mer generaliserbart än andra sjukvårdsalgoritmer som hittills publicerats, av vilka de flesta är tränade på data från ett enda sjukhus.
Det som för 10 år sedan skulle ha varit en superdator som kostade 1 miljon dollar - den nivån av datoranvändning kan nu köpas för några tusen dollar. Det har förändrat spelet på ett stort sätt.
Tillämpa AI på mammografi
Arbetet som redan pågår i labbet av Barzilay, en vinnare av MacArthur genistipendium 2017 och en ledare inom AI-området, ger en inblick i potentialen som J-Clinic och startups som CancerAI kan hjälpa till att låsa upp. Ett område av hennes forskning handlar om att använda maskininlärning för att påskynda upptäckten av läkemedel. Det arbetet hjälper utvecklare att komma in på molekyler med lovande egenskaper för att bekämpa cancer och en lång rad andra sjukdomar. (Se AI återuppfinner sättet vi uppfinner, MIT Technology Review, mars/april 2019.) På cancerdiagnostikfronten är hon också en av de första AI-forskarna som utvecklat ett verktyg som faktiskt hjälper människor.
I en papper publicerad förra året i Radiology, använde hon och hennes kollegor, inklusive forskare från Massachusetts General Hospital, AI för att utveckla en metod för att bedöma tätheten av bröstvävnad. Idag, mammografi Fröken cirka 15 % av brösttumörerna – och de missar mer än hälften, enligt flera studier, om bröstvävnaden är tät, vilket gör tumörerna svårare att se. Mer än 40% av amerikanska kvinnor har tät bröstvävnad, vilket också gör att de löper högre risk för bröstcancer.
Jamie Jones
Barzilay och hennes kollegor använde mer än 41 000 digitala mammografi, utvärderade och klassificerade av experter, för att träna en algoritm för djupinlärning för att bedöma densitet så att kvinnor som kan behöva extra screening kan identifieras. I en sexmånaders studie som tittade på över 10 000 mammografi, kom modellen överens med Mass. Allmänna radiologer 94 % av tiden, vilket gör det till första gången som denna typ av djupinlärning hade använts framgångsrikt i en klinisk miljö. Barzilay och hennes medarbetare hoppas nu kunna skala upp sitt system till andra sjukhus.
Barzilay använder också AI för att upptäcka de tidigaste förändringarna på vägen mot bröstcancer – förändringar som en patolog inte kan se. Cancer växer inte från idag till imorgon. Det är faktiskt en mycket lång process som gör många förändringar i vävnaden, sa hon till publiken på Hello World, Hello MIT-konferensen som firade lanseringen av MIT Schwarzman College of Computing i februari. Hon visade två mammografi, en från en kvinna som hade fått bröstcancer två år efter skanningen. Den logiska frågan är: kan du ta maskinen och träna den på bilderna, när vi vet resultatet om två eller fem år, för att säga vad som kommer? Som det visar sig, sa hon, kunde maskinen göra denna uppgift ganska bra. Barzilay, hennes doktorand Adam Yala '16, MEng '17, och Constance Lehman, chef för bröstavbildning vid Mass. General, utvecklade en modell som identifierade egenskaper som ofta föregick uppkomsten av cancer – och om dessa egenskaper dyker upp i ett mammografi, patienten kan flaggas.
I slutet av februari började läkare vid Mass. General testa den riskmodellen. En kvinna vars mammografi placerar henne i de mest riskfyllda 20%, säger Barzilay, har en mycket icke-trivial chans att få bröstcancer. Nu arbetar läkare vid Mass. General för att ta reda på hur man använder den informationen för att ändra hennes odds.
Löftet och farorna med AI inom hälsovård
Den visionen för artificiell intelligens är långt ifrån den nuvarande användningen av digital teknik på läkarmottagningar, som mestadels är begränsad till elektroniska journaler som ännu inte lever upp till sin potential. Sådana system kan göra läkare utbrända, vilket tvingar dem att ägna så långa timmar åt att mata in data att de spenderar mer tid med sina datorskärmar än sina patienter.
Michael Hayes CancerAI
Kommersialisering av AI utan vinstsyfte
Nonprofit utvecklar AI-verktyg för att bekämpa cancer.
2017 letade serieentreprenören Michael Hayes, SM ’96, efter en ny affärsmöjlighet när han var redo att gå vidare från sitt senaste företag, ett AI-programvaruföretag. Som överlevande halscancer bestämde han sig för att maskininlärning hade mognat tillräckligt för att motivera att fokusera sitt nya företag på att använda AI för att bekämpa cancer.
Men efter att ha gjort sin due diligence insåg han att han kunde attrahera uppdragsdrivna medarbetare och få bättre tillgång till medicinsk data genom att grunda sitt företag, CancerAI, som en ideell organisation. Det beslutet lönade sig på oväntade sätt och gav honom gratis kontorsutrymme från WeWork, erbjudanden om pro bono juridiskt arbete och programmerare som frivilligt arbetade för ingenting.
Jag förväntade mig att kunna anställa fantastiska människor, men jag förväntade mig inte att folk utifrån skulle säga 'Jag skulle vara villig att ställa upp som volontär på nätter och helger, för jag vill hjälpa till', säger Hayes, som har en masterexamen i miljöteknik. från MIT och en magisterexamen i affärer och politik från Tufts. Jag garanterar dig att det inte händer i vinstdrivande enheter.
Hayes, som är ordförande för CancerAI:s styrelse, säger att företaget använder Regina Barzilays forskning som en av sina grunder men har inte valt sin första produkt. (Barzilay fungerar också som en av CancerAI:s rådgivare.) Företaget siktar på att börja inom området diagnostik, kanske genom att använda medicinska journaldata för att flagga personer vars biometri tyder på att de kan ha hög risk för särskilda cancerformer. Tidiga tester som hittar cancer innan de har spridit sig, säger han, är möjligen den kortaste vägen till att minska dödligheten.
Men på plussidan, elektroniska register har gjort det möjligt för sjukhus att samla enorma mängder patientdata som AI-forskare hoppas så småningom kommer att ge utdelning till patienter, vårdgivare, sjukhus och försäkringsbolag.
När J-Clinic och nystartade företag som CancerAI börjar utnyttja denna data, säger Collins, J-Clinics andra fakultetsmedledare, att han ser att J-Clinic inte bara sammanför AI-experter, medicinska experter och datauppsättningar för att främja medicinsk forskning utan också hjälpa till att översätta den forskningen till den kliniska miljön. Det kommer att göra detta, säger han, genom att få in tidig teknik till sjukhus för testning och validering, och genom att underlätta lanseringen av företag för att kommersialisera dem. Han föreställer sig också att J-Clinic inleder en offentlig diskussion kring vad han kallar löften och farorna med AI och hälsovård – och ställer svåra frågor om hur man kan förbättra befintlig vård, minska kostnaderna, skydda patienternas integritet och etiskt skaffa användbar data.
Även om teknisk innovation vanligtvis driver upp medicinska kostnader, hoppas han att artificiell intelligens kommer att vara ett undantag, kanske genom att maximera sänganvändningen, begränsa den tid läkarna lägger på administrativa uppgifter och utveckla läkemedel mer ekonomiskt. Jag är nyfiken på hur AI kan hjälpa till med effektiviseringar inom hälso- och sjukvården – oavsett om det är sänganvändning, schemaläggning, fakturering – för att pressa ut de administrativa omkostnaderna där, säger Collins, vars fru är läkare. Han tror att den administrativa bördan av elektroniska journaler skulle kunna vändas med bättre teknik, vilket potentiellt kan leda till besparingar.
I sitt eget labb planerar Collins, en syntetisk biolog, att använda AI-plattformar för att bättre identifiera nya klasser av antibiotika och cancerläkemedel, bland annat. Jag är angelägen om att undersöka på vilket sätt AI kan användas mer allmänt som en användbar assistent i forskningssammanhang och potentiellt i medicinsammanhang, säger han.