En verklighetskontroll för IBM:s AI-ambitioner

IBM, nummer 39 på vår lista över de 50 smartaste företagen, överhypade sitt Watson maskininlärningssystem, men företaget kunde fortfarande ha den bästa tillgången till den typ av data som behövs för att göra medicinen mycket smartare. Förbi

• David H. Freedman arkivsida

27 juni 2017

Leonard Greco

Paul Tang låg med sin fru på sjukhuset precis efter hennes knäprotesoperation, en procedur som utförs på cirka 700 000 människor i USA varje år. Kirurgen kom förbi och Tang, som själv är primärvårdsläkare, frågade när han förväntade sig att hon skulle vara tillbaka i sina normala rutiner, med tanke på hans erfarenhet av patienter som hon. Kirurgen gav hela tiden vaga icke-svar. Äntligen slog det mig, säger Tang. Han visste inte. Tang skulle snart lära sig att de flesta läkare inte vet hur deras patienter klarar sig i det vanliga livet hemma och på jobbet — de åtgärder som har störst betydelse för patienterna.

Tang ser fortfarande patienter som en läkare, men han är också chef för hälsotransformation för IBM:s Watson Health (se '50 Smartest Companies 2017'). Det är affärsgruppen som utvecklar hälsovårdsapplikationer för Watson, det maskininlärningssystem som IBM i huvudsak är satsar sin framtid på. Watson skulle kunna leverera information som läkare inte får nu, säger Tang. Det kan till exempel berätta för en läkare hur lång tid det tog för patienter som liknar Tangs fru att gå utan smärta eller gå i trappor. Det kan till och med hjälpa till att analysera bilder och vävnadsprover och bestämma de bästa behandlingarna för en given patient.

Den här historien var en del av vårt julinummer 2017

• Se resten av frågan
• Prenumerera

Det är på grund av sådana här möjligheter som hälso- och sjukvård är ett av de hetaste segmenten på marknaden för maskininlärningsteknologier. Analysföretaget CB Insights räknar minst 106 startups som har vuxit upp sedan 2013 och som fortfarande är i verksamhet.

Inget av dessa företag har fått någonstans i närheten av den uppmärksamhet som Watson har, tack vare sin seger i tv-frågesporten Jeopardy! 2011 och nitisk marknadsföring av IBM sedan dess. Men den senaste tiden har mycket av pressen för Watson varit dålig. Ett starkt främjat samarbete med M.D. Anderson Cancer Center i Houston föll samman i år. Eftersom IBM:s intäkter har svimmat och dess aktiekurs har gungat, har analytiker ifrågasatt när Watson faktiskt kommer att leverera mycket värde. Watson är ett skämt, sa Chamath Palihapitiya, en inflytelserik teknikinvesterare som grundade VC-företaget Social Capital. CNBC i maj.

Men det mesta av kritiken mot Watson, även från M.D. Anderson, verkar inte bottna i något speciellt fel i tekniken. Istället är det en reaktion på IBM:s alltför optimistiska påståenden om hur långt med Watson nu skulle vara. Faktum är att det fortfarande verkar troligt att Watson Health kommer att vara ledande när det gäller att tillämpa AI på hälsovårdens problem. Om Watson ännu inte har åstadkommit en hel del i den riktningen, är en stor anledning att det behöver vissa typer av data för att tränas. Och i många fall är sådan data mycket bristfällig eller svår att komma åt. Det är inte ett problem som är unikt för Watson. Det är en catch-22 som möter hela området för maskininlärning för hälso- och sjukvård.

Även om problemet med saknade och otillgängliga data kan bromsa Watsons fart, kan det skada IBMs konkurrenter mer. Det beror på att det bästa alternativet för att få data ligger i nära partnerskap med stora hälsovårdsorganisationer som tenderar att vara tekniskt konservativa. Och en sak som IBM fortfarande gör mycket bra i jämförelse med nystartade företag, eller till och med gigantiska rivaler som Apple och Google, är att få förtroende från chefer och IT-chefer i stora organisationer. Trots de specifika problemen med M.D. Anderson-projektet har IBM en avgörande fördel. Det får Watson in i ett brett utbud av medicinska centra, vårdadministrativa grupper och life science-företag, som alla är positionerade för att tillhandahålla den kritiska data som behövs för att forma AI:s framtid inom medicin.

Orealistiska tidslinjer

Uppbrottet med M.D. Anderson verkade visa att IBM kvävdes av sin egen hype om Watson.

Cancercentret och IBM samarbetade 2012. Målet var att Watson skulle läsa data om alla patienters symptom, gensekvens och patologirapporter, kombinera det med läkarnas anteckningar om patienten och relevanta tidskriftsartiklar och sedan hjälpa läkare att komma med diagnoser och behandlingar. Men IBM och M.D. Anderson överblåste båda förväntningarna på tekniken. IBM hävdade 2013 att en ny era av datoranvändning har uppstått och gett Forbes intrycket att Watson hanterar nu kliniska prövningar och skulle vara i bruk med patienter inom bara några månader. Under 2015 har Washington Post citerade en IBM Watson-chef som beskrev hur Watson var upptagen med att etablera en kollektiv intelligensmodell mellan maskin och människa. De Posta sa att datorsystemet tränade tillsammans med läkare för att göra det de inte kan.

Hälso- och sjukvården har anammat tekniken pinsamt sent, säger Manish Kohli, en läkare och expert inom hälso- och sjukvårdsinformatik vid Cleveland Clinic.

I februari i år meddelade University of Texas, som driver M.D. Anderson, att det hade stängt projektet och lämnat vårdcentralen ut 39 miljoner dollar i betalningar till IBM — för ett projekt som ursprungligen kontrakterades för 2,4 miljoner dollar. Efter fyra år hade den inte tagit fram ett verktyg för användning med patienter som var redo att gå längre än pilottester. M.D. Anderson skulle inte kommentera specifikt till mig om Watson, men det verkar som om problemen huvudsakligen berodde på interna strider om hur projektet sköttes och finansierades.

Det betyder inte att IBM inte har några problem med Watson. De är faktiskt större än vad någon implementering avslöjar.

För att förstå vad som bromsar framstegen måste du förstå hur maskininlärningssystem som Watson tränas. Watson lär sig genom att ständigt ändra sina interna bearbetningsrutiner för att producera den högsta möjliga procentandelen korrekta svar på vissa problem, till exempel vilka radiologiska bilder som visar cancer. De rätta svaren måste vara kända redan, så att systemet kan få reda på när det blir rätt och när det blir fel. Ju fler träningsproblem systemet kan tugga igenom, desto bättre blir träfffrekvensen.

Det är relativt enkelt när det gäller att träna systemet för att identifiera maligniteter i röntgenstrålar. Men för potentiellt banbrytande pussel som går långt utöver vad människor redan gör, som att upptäcka sambandet mellan genvariationer och sjukdomar, har Watson ett höna-och-ägg-problem: hur tränar det på data som inga experter redan har sållat igenom och organiserat på rätt sätt ? Om du undervisar en självkörande bil kan vem som helst märka ett träd eller en skylt så att systemet kan lära sig att känna igen det, säger Thomas Fuchs, en beräkningspatolog vid Memorial Sloan-Kettering, ett cancercenter i New York. Men inom en specialiserad domän inom medicin kan du behöva experter som är utbildade i årtionden för att korrekt märka informationen du matar till datorn.

Någon version av den stötestenen dyker upp i varje domän där IBM hoppas få Watson att bidra — som det gör för alla företags maskininlärningslösning. För att träna Watson att gå igenom gigantiska datapooler och dra ut de få informationsbitar som är viktiga för en enskild patient, måste någon göra det för hand först, i tusentals och åter tusentals fall. För att känna igen gener kopplade till sjukdom behöver Watson tusentals register över patienter som har specifika sjukdomar och vars DNA har analyserats. Men dessa kombinationer av gen-och-patient-rekord kan vara svåra att få tag på. I många fall finns data helt enkelt inte i rätt format — eller i någon form alls. Eller så kan data vara utspridda i dussintals olika system och svåra att arbeta med.

Tänk till exempel på målet att förbättra primärvården genom att placera bättre data till hands för kliniker. När läkare missar chansen att behandla relativt små bekymmer under ett rutinmässigt primärvårdsbesök, innan ett mer avancerat problem skickar patienter till en akutmottagning eller en specialist, blir deras hälsa lidande och kostnaderna exploderar. Ungefär en tredjedel av varje dollar som spenderas på hälsa är förmodligen onödig, säger Anil Jain, IBM Watson Healths chefsläkare, som också är en praktiserande primärvårdsläkare. Maskininlärning är allmänt erkänt som en möjlighet att ta itu med det problemet.

För att verkligen hjälpa läkare att få bättre resultat för patienterna kommer Watson dock att behöva hitta samband mellan vad det läser i journaler och vad Tang kallar alla sociala bestämningsfaktorer för hälsa. Dessa faktorer inkluderar om patienter är drogfria, undviker fel mat, andas ren luft och så vidare. Men Tang medger att idag nästan inga sjukhus eller läkarmottagningar får den informationen på ett tillförlitligt sätt för en betydande andel av patienterna. En del av problemet är att sjukhusen har varit långsamma med att ta upp moderna, datadrivna metoder. Hälso- och sjukvården har anammat tekniken pinsamt sent, säger Manish Kohli, en läkare och expert inom hälso- och sjukvårdsinformatik vid Cleveland Clinic.

Där data finns har IBM ofta helt enkelt gått ut och köpt den. Det har förvärvat företag som Truven Health Analytics, Explorys och Phytel, som alla var aktiva i att hantera stora datamängder över sjukhus och patientpopulationer. Och även efter upphörandet av M.D. Anderson-affären har IBM några viktiga partnerskap som främjar dess tillgång till patientdata.

En av dem är med Atrius Health, ett nätverk av nästan 900 främst primärvårdsläkare i hela Boston-området. Partnerskapet syftar till att utveckla och testa ett Watson-baserat system som kan dra ut mängder av information som är avgörande för en enskild patient från en ocean av anteckningar, register och artiklar. Att söka all relevant information är ett betungande jobb för primärvårdsläkare eftersom saker och ting existerar idag, säger Atrius chefsläkare, Joe Kimura. Elektroniska journaler kan ha gjort problemet ännu värre, tillägger han, eftersom tillkomsten av sådana system har enormt ökat mängden data som genereras vid varje besök, utan att tillhandahålla ett standardformat som möjliggör enkel hämtning.

Kritiskt sett är många av de viktigaste anteckningarna i patientjournaler meningar som ett konventionellt IT-system inte kan förstå. Men Watson kan tillämpa färdigheter som bearbetar naturligt språk som utvecklats för Jeopardy! för att få fram mening ur dem. Helst skulle det kunna föreslå sätt läkare kan hjälpa patienter att undvika behovet av omfattande vård. Varför ska vi bara fokusera på att se till att vi har gjort ett så bra jobb som möjligt med patienter som bryter en höft, frågar Kimura, när vi kan försöka förutse vilka patienter som löper risk att falla och hjälpa dem att inte bryta höften alls ? Vi måste driva vår vård uppströms.

En leukemiläkare vid M.D. Anderson, Courtney DiNardo, använde IBMs Watson-system under konsultation med en patient 2013.

IBM meddelade 2015 att Watsons diagnostiska kapacitet skulle förstärkas av data som erhållits från Merge Healthcare, ett företag för medicinsk bildhantering som IBM köpte för cirka 1 miljard dollar.

Watson Health samarbetar också med Central New York Care Collaborative, en statligt finansierad byrå som arbetar med cirka 2 000 vårdgivare i sex län. Samarbetet är tänkt att stödja målet om en 25-procentig minskning av akutmottagningar och återinläggningar på sjukhus, när patienter som skrivits ut från ett sjukhus måste återvända för att ta itu med relaterade problem. Det ger också potentiell tillgång till stora mängder patientdata.

Det finns andra sätt att få sådan data. Ett av Googles systerföretag försöker få det direkt från patienterna själva. Verily Life Sciences, en hälsovårdsavdelning inom Alphabet, samarbetar med Duke och Stanford för att utveckla en mycket strukturerad hälsodatabas med cirka 10 000 frivilliga. Databasen kommer att fyllas med information inte bara från deras kliniska besök utan också från bärbara hälsoövervakningsenheter. Det kan vara ett lovande steg i dataåtkomst, även om det kan ta ett decennium eller mer att producera mycket användbara resultat.

Fuchs grupp vid Memorial Sloan-Kettering hoppas kunna träna ett AI-system för att läsa vävnadsfärgade objektglas, en process som kommer att kräva ett stort bibliotek av digitalt kommenterade objektglas med bekräftade diagnoser och andra kritiska data. Så gruppen förbereder sig för att producera 40 000 sådana bilder i månaden på egen hand. Det är mycket mer än någon annan, säger Fuchs. Det är en enorm uppgift på grund av all variation inom biologi.

Även M.D. Anderson fortsätter, trots Watson-projektets öde, ett stort program som började ungefär samtidigt, fokuserat på att samla in 1 700 typer av kliniska data om varje patient som går in i dess dörrar. Andy Futreal, vetenskapsmannen som driver programmet, säger att kombinationen av patientinformation med forskningsdata kommer att vara avgörande för den typ av möjligheter som system som Watson kan tillhandahålla. När vi väl har data på plats kan du nu börja arbeta med AI-maskininlärning och avslöja de faktorer som dikterar vem som gör och vem som inte gör det bra med olika behandlingar, säger Futreal.

IBM, å sin sida, fortsätter att samla in data från partnerskap. Enbart för cancerdiagnos och vård har företaget samarbetat med Memorial Sloan-Kettering, Mayo Clinic, Harvard- och MIT-anslutna Broad Institute och medicinska testjätten Quest Diagnostics. Memorial Sloan-Kettering-samarbetet har redan producerat ett system som sållar igenom journallitteratur för att informera behandlingsbeslut, och det har rullats ut till Jupiter Medical Center i Florida och en sjukhuskedja i Indien. När det gäller läkemedelsupptäcktsfronten arbetar Watson Health med Barrow Neurological Institute, där Watson hjälpte till att hitta fem gener kopplade till ALS som aldrig tidigare hade associerats med sjukdomen, och med Ontario Brain Institute, där Watson identifierade 21 lovande potentiella läkemedel kandidater.

Kommer Watson så småningom att göra skillnad när det gäller att förbättra hälsoresultaten och sänka kostnaderna? Förmodligen, säger Stephen Kraus, en partner på VC-företaget Bessemer Venture Partners som fokuserar på hälsovård och har investerat i AI-hälsovårdsstartups. Allt är på riktigt, säger Kraus. Det här handlar inte om att lägga ut vaporware för att öka aktiekurserna. Men Kraus ansluter sig till de flesta experter när det gäller att varna för orealistiska tidslinjer eller löften — varav några har kommit från IBM självt. Det här är svårt, säger han. Det händer inte idag, och det kanske inte kommer att hända om fem år. Och det kommer inte att ersätta läkare.

Dölj