211service.com
AI kan helpen bij de volgende pandemie, maar niet bij deze
Paarse mensen op een groene straat Mevr. Tech / Unsplash
Het was een AI die het voor het eerst zag aankomen, of zo gaat het verhaal. Op 30 december waarschuwde een kunstmatige-intelligentiebedrijf genaamd BlueDot, dat machine learning gebruikt om uitbraken van infectieziekten over de hele wereld te volgen, klanten - waaronder verschillende regeringen, ziekenhuizen en bedrijven - voor een ongebruikelijke toename van longontstekingsgevallen in Wuhan, China. Het zou nog negen dagen duren voordat de Wereldgezondheidsorganisatie officieel markeerde wat we allemaal hebben leren kennen als Covid-19.
BlueDot was niet de enige. Een geautomatiseerde service genaamd HealthMap in het Boston Children's Hospital ving ook die eerste tekenen op. Net als een model van Metabiota, gevestigd in San Francisco. Dat AI een uitbraak aan de andere kant van de wereld zou kunnen detecteren, is behoorlijk verbazingwekkend, en vroege waarschuwingen redden levens.
Meer over het coronavirus
Onze meest essentiële dekking van covid-19 is gratis, waaronder:
Wat is kudde-immuniteit?
Hoe werkt het coronavirus?
Wat zijn de mogelijke behandelingen?
Welke medicijnen werken het beste?
Wat is de juiste manier om aan social distancing te doen?
Andere veelgestelde vragen over het coronavirus
---
Nieuwsbrief: Coronavirus Tech Report
Zoomshow: Radio Corona
Zie ook:
Al onze covid-19 dekking
Het covid-19 speciale nummer
Klik hier om u te abonneren en onze non-profit journalistiek te steunen.
Maar hoeveel heeft AI echt geholpen bij het aanpakken van de huidige uitbraak? Dat is een moeilijke vraag om te beantwoorden. Bedrijven zoals BlueDot houden doorgaans de mond vol over aan wie ze informatie verstrekken en hoe deze wordt gebruikt. En menselijke teams zeggen dat ze de uitbraak hebben gezien dezelfde dag als de AI's. Andere projecten waarin AI wordt onderzocht als diagnostisch hulpmiddel of wordt gebruikt om een vaccin te vinden, staan nog in de kinderschoenen. Zelfs als ze succesvol zijn, zal het enige tijd duren - mogelijk maanden - om die innovaties in handen te krijgen van de gezondheidswerkers die ze nodig hebben.
De hype overtreft de realiteit. In feite is het verhaal dat in veel nieuwsberichten en ademloze persberichten is verschenen - dat AI een krachtig nieuw wapen tegen ziekten is - slechts gedeeltelijk waar en dreigt het contraproductief te worden. Te veel vertrouwen in de mogelijkheden van AI kan bijvoorbeeld leiden tot slecht geïnformeerde beslissingen die overheidsgeld naar onbewezen AI-bedrijven leiden ten koste van bewezen interventies zoals geneesmiddelenprogramma's. Het is ook slecht voor het veld zelf: overdreven maar teleurgestelde verwachtingen hebben in het verleden geleid tot een ineenstorting van de interesse in AI en als gevolg daarvan verlies van financiering.
Dus hier is een realiteitscheck: AI zal ons niet redden van het coronavirus - zeker deze keer niet. Maar de kans is groot dat het een grotere rol zal spelen bij toekomstige epidemieën, als we grote veranderingen doorvoeren. De meeste zullen niet gemakkelijk zijn. Sommige zullen we niet leuk vinden.
Er zijn drie hoofdgebieden waar AI kan helpen: voorspelling, diagnose en behandeling.
Voorspelling
Bedrijven zoals BlueDot en Metabiota gebruiken een reeks algoritmen voor natuurlijke taalverwerking (NLP) om nieuwsuitzendingen en officiële rapporten over de gezondheidszorg in verschillende talen over de hele wereld te monitoren, waarbij ze aangeven of ze ziekten met hoge prioriteit noemen, zoals het coronavirus, of meer endemisch zoals HIV of tuberculose. Hun voorspellende tools kunnen ook gebruikmaken van vliegreisgegevens om het risico te beoordelen dat transithubs geïnfecteerde mensen zien aankomen of vertrekken.
De resultaten zijn redelijk nauwkeurig. Het laatste openbare rapport van Metabiota, op 25 februari, voorspelde bijvoorbeeld dat er op 3 maart wereldwijd 127.000 cumulatieve gevallen zouden zijn. Het overschreed met ongeveer 30.000, maar Mark Gallivan, directeur data science van het bedrijf, zegt dat dit nog steeds ruim binnen de foutenmarge ligt. Het vermeldde ook de landen die het meest waarschijnlijk nieuwe gevallen melden, waaronder China, Italië, Iran en de VS. Nogmaals: niet slecht.
Anderen houden ook social media in de gaten. Stratifyd, een data-analysebedrijf gevestigd in Charlotte, North Carolina, ontwikkelt een AI die berichten op sites zoals Facebook en Twitter scant en deze vergelijkt met beschrijvingen van ziekten uit bronnen zoals de National Institutes of Health, de Wereldorganisatie voor Animal Health, en de wereldwijde database met microbiële identificatiegegevens, waarin informatie over genoomsequenties wordt opgeslagen.
Het werk van deze bedrijven is zeker indrukwekkend. En het laat zien hoe ver machine learning de afgelopen jaren is gevorderd. Een paar jaar geleden probeerde Google uitbraken te voorspellen met zijn noodlottige Flu Tracker, die in 2013 werd opgeschort toen het de grieppiek van dat jaar niet kon voorspellen. Wat veranderde? Het komt vooral neer op het vermogen van de nieuwste software om naar een veel breder scala aan bronnen te luisteren.
Unsupervised machine learning is ook de sleutel. Door een AI zijn eigen patronen in de ruis te laten identificeren, in plaats van hem te trainen op vooraf geselecteerde voorbeelden, worden dingen benadrukt waar je misschien niet naar had gedacht. Als je voorspellingen doet, ben je op zoek naar nieuw gedrag, zegt Derek Wang, CEO van Stratifyd.
Maar wat doe je met deze voorspellingen? De eerste voorspelling van BlueDot wees een handvol steden op het pad van het virus correct aan. Dit had de autoriteiten in staat kunnen stellen zich voor te bereiden, ziekenhuizen te waarschuwen en inperkingsmaatregelen te nemen. Maar naarmate de omvang van de epidemie groter wordt, worden voorspellingen minder specifiek. De waarschuwing van Metabiota dat bepaalde landen in de volgende week zouden worden getroffen, was misschien correct, maar het is moeilijk om te weten wat te doen met die informatie.
Bovendien zullen al deze benaderingen minder nauwkeurig worden naarmate de epidemie vordert, grotendeels omdat betrouwbare gegevens van het soort dat AI nodig heeft om zich te voeden, moeilijk te verkrijgen zijn over Covid-19. Nieuwsbronnen en officiële rapporten bieden inconsistente accounts. Er is verwarring geweest over symptomen en hoe het virus tussen mensen overgaat. De media kunnen dingen opschudden; autoriteiten kunnen dingen bagatelliseren. En voorspellen waar een ziekte zich vanuit honderden locaties in tientallen landen kan verspreiden, is een veel grotere taak dan bellen naar waar een enkele uitbraak zich in de eerste paar dagen zou kunnen verspreiden. Ruis is altijd de vijand van machine learning-algoritmen, zegt Wang. Gallivan erkent inderdaad dat de dagelijkse voorspellingen van Metabiota gemakkelijker te maken waren in de eerste twee weken of zo.
Een van de grootste obstakels is het gebrek aan diagnostische tests, zegt Gallivan. Idealiter zouden we een test hebben om het nieuwe coronavirus onmiddellijk te detecteren en iedereen minstens één keer per dag te testen, zegt hij. We weten ook niet echt welk gedrag mensen aannemen - wie werkt vanuit huis, wie gaat in quarantaine, wie wel of niet handen wast - of welk effect het zou kunnen hebben. Als je wilt voorspellen wat er gaat gebeuren, heb je een nauwkeurig beeld nodig van wat er nu gebeurt.
Het is ook niet duidelijk wat er in ziekenhuizen gebeurt. Ahmer Inam van Pactera Edge, een data- en AI-adviesbureau, zegt dat voorspellingstools een stuk beter zouden zijn als volksgezondheidsgegevens niet opgesloten zouden worden in overheidsinstanties, zoals in veel landen, waaronder de VS. Dit betekent dat een AI zwaarder moet leunen op direct beschikbare gegevens zoals online nieuws. Tegen de tijd dat de media een mogelijk nieuwe medische aandoening oppikken, is het al te laat, zegt hij.
Maar als AI veel meer gegevens uit betrouwbare bronnen nodig heeft om op dit gebied nuttig te zijn, kunnen strategieën om deze te verkrijgen controversieel zijn. Verschillende mensen die ik sprak, benadrukten deze ongemakkelijke afweging: om betere voorspellingen te krijgen van machine learning, moeten we meer van onze persoonlijke gegevens delen met bedrijven en overheden.
Darren Schulte, een MD en CEO van Apixio, dat een AI heeft gebouwd om informatie uit patiëntendossiers te halen, vindt dat medische dossiers uit de hele VS moeten worden opengesteld voor gegevensanalyse. Hierdoor kan een AI automatisch personen identificeren die het meeste risico lopen op Covid-19 vanwege een onderliggende aandoening. Middelen kunnen dan worden gericht op die mensen die ze het meest nodig hebben. De technologie om patiëntendossiers te lezen en levensreddende informatie te extraheren bestaat, zegt Schulte. Het probleem is dat deze records zijn verdeeld over meerdere databases en worden beheerd door verschillende gezondheidsdiensten, waardoor ze moeilijker te analyseren zijn. Ik zou mijn AI in deze grote oceaan van gegevens willen laten vallen, zegt hij. Maar onze gegevens bevinden zich in kleine meren, niet in een grote oceaan.
Gezondheidsgegevens moeten ook tussen landen worden gedeeld, zegt Inam: Virussen opereren niet binnen de grenzen van geopolitieke grenzen. Hij is van mening dat landen door internationale overeenkomsten moeten worden gedwongen om realtime gegevens over diagnoses en ziekenhuisopnames vrij te geven, die vervolgens kunnen worden ingevoerd in wereldwijde machinale leermodellen van een pandemie.
Dit kan natuurlijk wishfull thinking zijn. Verschillende delen van de wereld hebben verschillende privacyregels voor medische gegevens. En velen van ons hebben al moeite om onze gegevens toegankelijk te maken voor derden. Nieuwe gegevensverwerkingstechnieken, zoals differentiële privacy en training over synthetische gegevens in plaats van echte gegevens, kunnen een manier zijn om dit debat te doorbreken. Maar deze technologie wordt nog steeds verfijnd. Het bereiken van overeenstemming over internationale normen zal nog meer tijd vergen.
Voor nu moeten we het beste maken van de gegevens die we hebben. Het antwoord van Wang is ervoor te zorgen dat er mensen in de buurt zijn om te interpreteren wat machine learning-modellen uitspugen, en ervoor zorgen dat voorspellingen die niet kloppen, worden genegeerd. Als men te optimistisch is of vertrouwt op een volledig autonoom voorspellend model, zal dat problematisch blijken te zijn, zegt hij. AI's kunnen verborgen signalen in de gegevens vinden, maar mensen moeten de punten met elkaar verbinden.
Vroege diagnose
Naast het voorspellen van het verloop van een epidemie, hopen velen dat AI zal helpen bij het identificeren van mensen die besmet zijn. AI heeft hier een bewezen staat van dienst. Modellen voor machinaal leren voor het onderzoeken van medische beelden kunnen vroege tekenen van ziekte opvangen die menselijke artsen missen, van oogaandoeningen tot hartaandoeningen tot kanker. Maar deze modellen vereisen doorgaans veel gegevens om van te leren.
Er zijn de afgelopen weken een handvol preprint-papieren online geplaatst, wat suggereert dat: machine learning kan Covid-19 diagnosticeren van CT-scans van longweefsel indien getraind om veelbetekenende tekenen van de ziekte in de afbeeldingen te herkennen. Alexander Selvikvåg Lundervold van de Western Norway University of Applied Sciences in Bergen, Noorwegen, die een expert is op het gebied van machine learning en medische beeldvorming, zegt dat we mogen verwachten dat AI uiteindelijk tekenen van Covid-19 bij patiënten kan detecteren. Maar het is onduidelijk of beeldvorming de juiste keuze is. Om te beginnen kunnen fysieke tekenen van de ziekte pas enige tijd na infectie op scans verschijnen, waardoor het niet erg nuttig is als vroege diagnose.
Dr. Fan Zhongjie, een ademhalingsspecialist die verantwoordelijk is voor kritieke COVID-19-patiënten in de provincie Hubei in het centrum van China, leest een CT-scanafbeelding voor. AP-afbeeldingen
Bovendien, aangezien er tot nu toe zo weinig trainingsgegevens beschikbaar zijn, is het moeilijk om de nauwkeurigheid van de online gepubliceerde benaderingen te beoordelen. De meeste beeldherkenningssystemen, inclusief systemen die zijn getraind op medische beelden, zijn aangepast van modellen die eerst zijn getraind op ImageNet, een veelgebruikte dataset die miljoenen alledaagse beelden omvat. Om iets eenvoudigs te classificeren dat dicht bij ImageNet-gegevens ligt, zoals afbeeldingen van honden en katten, kan met heel weinig gegevens worden gedaan, zegt Lundervold. Subtiele bevindingen in medische beelden, niet zozeer.
Dat wil niet zeggen dat het niet zal gebeuren - en AI-tools kunnen mogelijk worden gebouwd om vroege stadia van ziekten bij toekomstige uitbraken te detecteren. Maar we moeten sceptisch zijn over veel van de beweringen van AI-artsen die vandaag Covid-19 diagnosticeren. Nogmaals, het delen van meer patiëntgegevens zal helpen, en dat geldt ook voor technieken voor machine learning waarmee modellen kunnen worden getraind, zelfs als er weinig gegevens beschikbaar zijn. Bijvoorbeeld, een paar keer leren, waarbij een AI patronen kan leren van slechts een handvol resultaten, en transfer learning, waarbij een AI die al is getraind om één ding te doen, snel kan worden aangepast om iets soortgelijks te doen, zijn veelbelovende vooruitgang, maar werkt nog steeds bezig.
Geneesmiddel van alle ziekten
Gegevens zijn ook essentieel als AI moet helpen bij het ontwikkelen van behandelingen voor de ziekte. Een techniek voor het identificeren van mogelijke kandidaat-geneesmiddelen is het gebruik van generatieve ontwerpalgoritmen, die een groot aantal potentiële resultaten produceren en deze vervolgens doorzoeken om die te markeren die de moeite waard zijn om nader te bekijken. Met deze techniek kan bijvoorbeeld snel worden gezocht in miljoenen biologische of moleculaire structuren.
SRI International werkt samen aan zo'n AI-tool, die deep learning gebruikt om veel nieuwe kandidaat-geneesmiddelen te genereren die wetenschappers vervolgens kunnen beoordelen op werkzaamheid. Dit is een game-changer voor de ontdekking van geneesmiddelen, maar het kan nog vele maanden duren voordat een veelbelovende kandidaat een levensvatbare behandeling wordt.
In theorie zouden AI's ook kunnen worden gebruikt om de evolutie van het coronavirus te voorspellen. Inam stelt zich voor om leeralgoritmen zonder toezicht te gebruiken om alle mogelijke evolutiepaden te simuleren. Je zou dan potentiële vaccins aan de mix kunnen toevoegen en kijken of de virussen muteren om resistentie te ontwikkelen. Hierdoor kunnen virologen de virussen een paar stappen voor zijn en vaccins maken voor het geval een van deze doemscenario-mutaties optreedt, zegt hij.
Het is een opwindende mogelijkheid, maar een verre. We hebben nog niet genoeg informatie over hoe het virus muteert om het deze keer te kunnen simuleren.
In de tussentijd kunnen de mensen die de leiding hebben de ultieme barrière zijn. Wat ik het liefst zou willen veranderen, is de relatie tussen beleidsmakers en AI, zegt Wang. AI zal zelf geen uitbraken van ziekten kunnen voorspellen, hoeveel data het ook krijgt. Door leiders in de overheid, het bedrijfsleven en de gezondheidszorg te laten vertrouwen op deze tools, zal de snelheid waarmee we kunnen reageren op uitbraken van ziekten fundamenteel veranderen, zegt hij. Maar dat vertrouwen moet voortkomen uit een realistische kijk op wat AI nu wel en niet kan doen - en wat het de volgende keer misschien beter maakt.
Om het maximale uit AI te halen, zijn veel gegevens, tijd en slimme coördinatie tussen veel verschillende mensen nodig. Die zijn momenteel allemaal schaars.