211service.com
Medicijnen een dosis AI geven
Conceptueel beeld van medische scans en kunstmatige intelligentie Jamie Jones
Kunstmatige intelligentie wordt al jaren gezien als het volgende grote ding in de geneeskunde. Nu komen enkele MIT-professoren, studenten en alumni naar voren om ervoor te zorgen dat het echt zo zal zijn.
Door het Abdul Latif Jameel-kliniek voor machinaal leren in de gezondheidszorg , of J-Clinic, afgelopen herfst aangekondigd, zullen onderzoekers van het hele MIT projecten nastreven die gericht zijn op de ontwikkeling van nieuwe methoden voor machinaal leren om de klinische zorg te verbeteren, nieuwe medicijnen te ontwerpen en de kosten van de gezondheidszorg te verlagen. Het initiatief zal AI toepassen op een breed scala aan ziekten en bouwt voort op lopend MIT-onderzoek, waaronder werk aan het ontdekken van geneesmiddelen en vroege vooruitgang in de diagnostiek van kanker door Regina Barzilay, de Delta Electronics Professor in de afdeling Elektrotechniek en Computerwetenschappen.
Barzilay zegt dat het tijd is dat kunstmatige intelligentie een standaard onderdeel wordt van de kankerzorg. In elk kankercentrum in de VS, of het nu een gemeenschapskliniek is of het beste kankercentrum in het land, is er een grote behoefte om AI in te zetten, zegt Barzilay, een lid van zowel CSAIL als MIT's Koch Institute for Integrative Cancer Research. Na haar Omdat borstkanker jarenlang werd gemist, begon ze beeldverwerkingsalgoritmen te gebruiken om mammogrammen te analyseren. Het idee is om verder te gaan dan wat mensen kunnen zien in een scan om vroege veranderingen in weefsel te detecteren die het pad naar kanker markeren.
Jamie Jones
Instituutsprofessor en Nobelprijswinnaar Phillip Sharp, voorzitter van de adviesraad van J-Clinic, zegt dat kunstmatige intelligentie en deep learning de medische zorg ongetwijfeld kunnen en moeten transformeren. Sharp zegt dat AI, door bij te dragen aan eerdere diagnoses, de kwaliteit en levensduur van patiënten kan verbeteren. In het bijzonder denkt hij dat het de radiologie kan transformeren, moleculaire en genetische gegevens kan begrijpen om onderscheid te maken tussen kwaadaardige en onschadelijke cellen, en patronen in medische gegevens kan ontdekken die kunnen waarschuwen voor dreigende problemen. Hij denkt ook dat het de kostenefficiëntie van medische zorg kan verbeteren door ziekte eerder te diagnosticeren, wanneer de behandeling goedkoper en effectiever is. We moeten efficiënter worden in de zorgverlening, zegt hij.
Via J-Clinic, zegt hij, zal MIT een cruciale rol spelen bij de ontwikkeling van deze technologieën en het opleiden van hun gebruikers, net zoals MIT heeft gedaan in de moleculaire biologie, celbiologie, genetica en biotechnologie. Barzilay en James Collins, de Termeer Professor of Medical Engineering and Science, fungeren als facultaire co-leads voor J-Clinic, een belangrijk samenwerkingsverband tussen MIT en Community Jameel, de sociale ondernemingsorganisatie opgericht en voorgezeten door Mohammed Abdul Latif Jameel '78 .
Machine learning doet zijn intrede in de zorg
Het heeft meer tijd nodig gehad om AI in de gezondheidszorg toe te passen dan in de meeste andere sectoren, omdat er zo veel op het spel staat. Als Amazon een nieuw algoritme uitprobeert dat niet werkt, is het bedrijf misschien wat geld kwijt. In de geneeskunde kunnen mensen sterven. Dat is de reden waarom slechts 5% van de Amerikaanse ziekenhuizen in 2017 aangaf een of andere vorm van kunstmatige intelligentie te gebruiken. Maar dingen beginnen eindelijk te veranderen. Grote ziekenhuizen en farmaceutische bedrijven roepen nu AI in wanneer ze over hun toekomst praten. Conferenties krijgen een brede opkomst en medische AI-startups komen steeds vaker voor. Computers kunnen nu zien en lezen - niet zo goed als mensen, maar ze komen er wel, zegt Michael Hayes, SM '96, die in 2018 de non-profit startup CancerAI lanceerde om kunstmatige-intelligentietools op de markt te brengen.
De hedendaagse kunstmatige intelligentie is gebaseerd op algoritmen die gigantische datasets ontleden. Zogenaamd diep leren, dat de afgelopen tien jaar aanzienlijk is verbeterd, stelt onderzoekers in staat conclusies te trekken uit enorme hoeveelheden gegevens. Visuele en natuurlijke-taalverwerkingstechnologieën zijn ook drastisch verbeterd. En dataopslag is aanzienlijk goedkoper geworden.
Tien jaar geleden waren er niet zoveel elektronische medische dossiers als tegenwoordig, zegt Hayes. En zelfs als ze bestonden, hadden we geen algoritmen die de aantekeningen van artsen heel goed konden begrijpen en hadden we geen computers die goedkoop genoeg waren. Op al die fronten ziet het tafereel er nu heel anders uit. Wat tien jaar geleden een supercomputer zou zijn geweest die $ 1 miljoen kostte, kan nu voor een paar duizend dollar worden gekocht, zegt hij. Dat heeft het spel enorm veranderd.
Van links naar rechts leidt de faculteit van J-Clinic samen met Regina Barzilay en James Collins en voorzitter van de adviesraad van J-Clinic en professor Phillip Sharp van het instituut.
Sinds de oprichting afgelopen najaar heeft J-Clinic, dat deel uitmaakt van de MIT Quest for Intelligence en wordt voorgezeten door de decaan van de School of Engineering, Anantha Chandrakasan, een aanvraag ingediend voor voorstellen binnen MIT. Tot dusver hebben professoren en studenten 43 onderzoeksprojecten voorgesteld die deze vooruitgang zouden gebruiken om patiënten ten goede te komen. Het verbeteren van de diagnose, het richten van behandelingen op individuele patiënten en het begrijpen van ziekteprogressie zijn allemaal voorspellingsproblemen, zegt Barzilay. En voorspelling is waar AI uitblinkt.
Een probleem was echter dat het aanpassen van algoritmen voor machine learning voor klinische instellingen inhoudt dat ze worden getraind met wat ze beschrijft als enorme hoeveelheden handmatig geannoteerde gegevens. J-Clinic-onderzoekers zijn van plan algoritmen te ontwikkelen die niet zo afhankelijk zijn van met de hand gelabelde gegevens - en die gegevens uit gerelateerde domeinen kunnen gebruiken om hiaten in het doelgebied op te vullen. In plaats van gesuperviseerde leersystemen te trainen voor elk individueel ziekenhuissysteem en voor elke ziekte, ontwikkelen we algoritmen die gemakkelijk kunnen worden aangepast aan nieuwe situaties en verschillende ziekten, legt Barzilay uit.
Het beschermen van de privacy van patiënten en ervoor zorgen dat de gegevens de diversiteit van de bevolking weerspiegelen, zijn ook belangrijke doelen van J-Clinic. Onderzoekers ontwikkelen algoritmen die berekeningen kunnen uitvoeren op versleutelde gegevens, zodat patiënten niet bang hoeven te zijn dat intieme gezondheidsinformatie in het openbaar wordt achtergelaten. En J-Clinic bouwt aan een groot, internationaal netwerk dat alles omvat, van landelijke klinieken tot grote stedelijke academische ziekenhuizen om de algoritmen die ze ontwikkelen te implementeren en te testen. De hoop is dat dit hun werk veel algemener zal maken dan andere tot nu toe gepubliceerde algoritmen voor de gezondheidszorg, waarvan de meeste zijn getraind op gegevens van één enkel ziekenhuis.
Wat tien jaar geleden een supercomputer zou zijn geweest die $ 1 miljoen kostte, kan nu voor een paar duizend dollar worden gekocht. Dat heeft het spel enorm veranderd.
AI toepassen op mammografie
Het werk dat al aan de gang is in het laboratorium van Barzilay, winnaar van een MacArthur-genie in 2017 en een leider op het gebied van AI, biedt een kijkje in het potentieel dat J-Clinic en startups zoals CancerAI kunnen helpen ontsluiten. Een onderdeel van haar onderzoek is het gebruik van machine learning om het ontdekken van medicijnen te versnellen. Dat werk helpt ontwikkelaars om zich te concentreren op moleculen met veelbelovende eigenschappen voor de bestrijding van kanker en een breed scala aan andere ziekten. (Zie AI vindt de manier waarop we uitvinden opnieuw uit, MIT Technology Review, maart/april 2019.) Op het gebied van kankerdiagnostiek is ze ook een van de eerste AI-onderzoekers die een tool heeft ontwikkeld die mensen echt helpt.
In een papier vorig jaar gepubliceerd in Radiology, gebruikten zij en haar collega's, waaronder onderzoekers van het Massachusetts General Hospital, AI om een methode te ontwikkelen om de dichtheid van borstweefsel te beoordelen. Vandaag mammogrammen missen ongeveer 15% van de borsttumoren - en volgens verschillende onderzoeken missen ze meer dan de helft als het borstweefsel dicht is, waardoor tumoren moeilijker te zien zijn. Meer dan 40% van de Amerikaanse vrouwen heeft dicht borstweefsel, waardoor ze ook een hoger risico lopen op borstkanker.
Jamie Jones
Barzilay en haar collega's gebruikten meer dan 41.000 digitale mammogrammen, geëvalueerd en geclassificeerd door experts, om een diepgaand lerend algoritme te trainen om de dichtheid te beoordelen, zodat vrouwen die mogelijk extra screening nodig hebben, kunnen worden geïdentificeerd. In een proef van zes maanden waarbij meer dan 10.000 mammogrammen werden bekeken, was het model het in 94% van de gevallen eens met de algemene radiologen van de Mass. Algemene radiologen, waarmee het de eerste keer was dat dit soort diepgaand leren met succes werd gebruikt in een klinische setting. Barzilay en haar medewerkers hopen nu hun systeem op te schalen naar andere ziekenhuizen.
Barzilay gebruikt ook AI om de vroegste veranderingen op de weg naar borstkanker te detecteren - veranderingen die een patholoog niet kan zien. Kanker groeit niet van vandaag op morgen. Het is eigenlijk een heel lang proces, dat veel veranderingen in weefsel veroorzaakt, vertelde ze het publiek op de Hello World, Hello MIT-conferentie ter ere van de lancering van het MIT Schwarzman College of Computing in februari. Ze liet twee mammogrammen zien, één van een vrouw die twee jaar na de scan borstkanker had gekregen. De logische vraag is: kun je de machine pakken en op de beelden trainen, als we de uitkomst over twee jaar of vijf jaar weten, om te zeggen wat er gaat komen? Het bleek dat, zei ze, de machine deze taak redelijk goed kon doen. Barzilay, haar afstudeerder Adam Yala '16, MEng '17, en Constance Lehman, hoofd van borstbeeldvorming bij Mass. General, ontwikkelden een model dat kenmerken identificeerde die vaak voorafgaan aan het verschijnen van kanker - en als die kenmerken verschijnen in een mammogram, de patiënt kan worden gemarkeerd.
Eind februari begonnen de artsen van Mass. General met het testen van dat risicomodel. Een vrouw wiens mammogram haar in de meest risicovolle 20% plaatst, zegt Barzilay, heeft een zeer niet-triviale kans om borstkanker te krijgen. Nu zijn de artsen van Mass. General aan het uitzoeken hoe ze die informatie kunnen gebruiken om haar kansen te veranderen.
De belofte en gevaren van AI in de gezondheidszorg
Die visie op kunstmatige intelligentie staat ver af van het huidige gebruik van digitale technologie in dokterspraktijken, dat zich meestal beperkt tot elektronische medische dossiers die hun potentieel nog moeten waarmaken. Dergelijke systemen kunnen ervoor zorgen dat artsen een burn-out krijgen, waardoor ze zo veel uren moeten besteden aan het invoeren van gegevens dat ze meer tijd met hun computerschermen doorbrengen dan met hun patiënten.
Michael Hayes KankerAI
AI commercialiseren zonder winstoogmerk
Non-profit ontwikkelt AI-tools om kanker te bestrijden.
In 2017 ging serie-ondernemer Michael Hayes, SM '96, op zoek naar een nieuwe zakelijke kans toen hij klaar was om verder te gaan met zijn nieuwste bedrijf, een AI-softwarebedrijf. Als overlevende van keelkanker besloot hij dat machine learning voldoende volwassen was geworden om zijn nieuwe bedrijf te focussen op het gebruik van AI om kanker te bestrijden.
Maar nadat hij zijn due diligence had gedaan, realiseerde hij zich dat hij missiegedreven medewerkers kon aantrekken en betere toegang tot medische gegevens kon krijgen door zijn bedrijf, CancerAI, op te richten als een non-profitorganisatie. Die beslissing wierp zijn vruchten af op onverwachte manieren, waardoor hij gratis kantoorruimte kreeg van WeWork, aanbiedingen van pro bono juridisch werk en programmeurs die vrijwillig voor niets werkten.
Ik verwachtte dat ik geweldige mensen zou kunnen aannemen, maar ik verwachtte niet dat mensen van buiten zouden zeggen: 'Ik zou bereid zijn om 's avonds en in het weekend vrijwilligerswerk te doen, omdat ik wil helpen', zegt Hayes, die een master in milieutechniek heeft. van MIT en een master in bedrijfskunde en beleid van Tufts. Ik garandeer je dat dit niet gebeurt in organisaties met winstoogmerk.
Hayes, voorzitter van de raad van bestuur van CancerAI, zegt dat het bedrijf het onderzoek van Regina Barzilay als een van de fundamenten gebruikt, maar niet voor het eerste product heeft gekozen. (Barzilay fungeert ook als een van de adviseurs van CancerAI.) Het bedrijf wil beginnen op het gebied van diagnostiek, misschien door gegevens uit medische dossiers te gebruiken om mensen te markeren van wie de biometrische gegevens suggereren dat ze een hoog risico lopen op bepaalde vormen van kanker. Vroeg testen waarbij kankers worden gevonden voordat ze zich hebben verspreid, zegt hij, is mogelijk de kortste weg om de mortaliteit te verminderen.
Maar aan de positieve kant: dankzij elektronische dossiers hebben ziekenhuizen enorme hoeveelheden patiëntgegevens kunnen verzamelen waarvan AI-onderzoekers hopen dat ze uiteindelijk vruchten zullen afwerpen voor patiënten, zorgverleners, ziekenhuizen en verzekeraars.
Terwijl J-Clinic en startups zoals CancerAI beginnen met het aanboren van die gegevens, zegt Collins, de andere facultaire co-lead van J-Clinic, dat hij ziet dat J-Clinic niet alleen AI-experts, medische experts en datasets samenbrengt om medisch onderzoek te bevorderen, maar ook het helpen vertalen van dat onderzoek naar de klinische setting. Het zal dit doen, zegt hij, door vroege technologieën in ziekenhuizen te krijgen voor testen en validatie, en door de lancering van bedrijven te vergemakkelijken om ze te commercialiseren. Hij stelt zich ook voor dat J-Clinic een openbare discussie op gang brengt over wat hij de belofte en gevaren van AI en gezondheidszorg noemt - en moeilijke vragen stelt over hoe de bestaande zorg kan worden verbeterd, de kosten kunnen worden verlaagd, de privacy van de patiënt kan worden beschermd en op ethische wijze bruikbare gegevens kunnen worden verkregen.
Hoewel technologische innovatie meestal de medische kosten opdrijft, hoopt hij dat kunstmatige intelligentie een uitzondering zal zijn, misschien door het bedgebruik te maximaliseren, de tijd die artsen besteden aan administratieve taken te beperken en medicijnen zuiniger te ontwikkelen. Ik ben benieuwd naar de manieren waarop AI kan helpen met efficiëntieverbeteringen in de gezondheidszorg - of het nu gaat om bedgebruik, planning, facturering - om de administratieve overhead daar uit te persen, zegt Collins, wiens vrouw een arts is. Hij denkt dat de administratieve last van elektronische medische dossiers kan worden omgedraaid met betere technologie, wat mogelijk kan leiden tot besparingen.
In zijn eigen laboratorium is Collins, een synthetisch bioloog, van plan om AI-platforms te gebruiken om onder andere nieuwe klassen antibiotica en kankermedicijnen beter te identificeren. Ik wil graag onderzoeken op welke manier AI breder kan worden ingezet als nuttige assistent in de context van onderzoek en mogelijk in de context van de geneeskunde, zegt hij.