Το πλαίσιο τεχνητής νοημοσύνης αποκαλύπτει αποχρώσεις στην πολυτροπική τεχνητή νοημοσύνη στην εργασία για την υγεία | Νέα από το MIT

Τι κάνει ένα καλό εργαλείο; Ας υποθέσουμε ότι ένα καλό εργαλείο χαρακτηρίζεται ως αυτό που υπερέχει στον πρωταρχικό του σκοπό, ενώ ένα μέτριο εργαλείο σπάει εύκολα ή αποδίδει κακώς για τον σκοπό του. Ωστόσο, η πολυτροπική τεχνητή νοημοσύνη μπορεί να αλλάξει τον τρόπο με τον οποίο βλέπουμε πώς μπορεί να βελτιωθεί η απόδοση των εργαλείων τεχνητής νοημοσύνης.

Οι ερευνητές του MIT ανέπτυξαν ένα πολυτροπικό πλαίσιο ανάλυσης υγειονομικής περίθαλψης που ονομάζεται Ολιστική Τεχνητή Νοημοσύνη στην Ιατρική (HAIM), που πρόσφατα περιγράφηκε στο Nature NPJ Digital Medicine, το οποίο χρησιμοποιεί πολλαπλές πηγές δεδομένων για να δημιουργήσει πιο εύκολα προγνωστικά μοντέλα σε περιβάλλοντα υγειονομικής περίθαλψης: από τον εντοπισμό μιας σειράς παθολογιών του θώρακα όπως βλάβες στους πνεύμονες και οίδημα μέχρι την πρόβλεψη του κινδύνου θνησιμότητας 48 ωρών και της διάρκειας παραμονής του ασθενούς. Και για να το κάνουν αυτό, δημιούργησαν πάνω από 14.000 μοντέλα AI για δοκιμή.

Στην τεχνητή νοημοσύνη, τα περισσότερα εργαλεία είναι εργαλεία μιας μορφής, που σημαίνει ότι συνθέτουν μια κατηγορία πληροφοριών για να δημιουργήσουν αποτελέσματα—για παράδειγμα, τροφοδοτώντας ένα μοντέλο μηχανικής μάθησης χιλιάδες αξονικές τομογραφίες καρκίνου του πνεύμονα, ώστε να μάθει πώς να αναγνωρίζει σωστά τον καρκίνο του πνεύμονα από ιατρικές εικόνες .

Επιπλέον, τα περισσότερα εργαλεία πολυτροπικότητας εξαρτώνται σε μεγάλο βαθμό από την ιατρική απεικόνιση και τείνουν να σταθμίζουν άλλους λιγότερο σημαντικούς παράγοντες, αν και υπάρχουν διάφοροι τρόποι με τους οποίους οι γιατροί μπορούν να προσδιορίσουν εάν κάποιος έχει καρκίνο του πνεύμονα ή διατρέχει κίνδυνο για αυτόν. πόνος στο στήθος, απώλεια όρεξης, οικογενειακή επιβάρυνση, γενετική κ.λπ. Εάν το εργαλείο AI συμπληρωνόταν με μια πιο ολοκληρωμένη εικόνα των άλλων συμπτωμάτων και του ιστορικού υγείας ενός ασθενούς, θα μπορούσε να εντοπίσει τον καρκίνο του πνεύμονα ή άλλες ασθένειες ακόμη νωρίτερα και με μεγαλύτερη ακρίβεια;

«Αυτή η ιδέα της χρήσης μεμονωμένων δεδομένων για τη λήψη σημαντικών κλινικών αποφάσεων δεν είχε νόημα για εμάς», δήλωσε ο μεταδιδακτορικός και κύριος συν-συγγραφέας της μελέτης, Abdul Latif Jameel Clinic for Machine Learning in Health, Louis R. Soenksen. «Οι περισσότεροι γιατροί στον κόσμο εργάζονται με έναν ουσιαστικά πολυτροπικό τρόπο και δεν θα έκαναν ποτέ συστάσεις βασισμένες σε στενές μονοτροπικές ερμηνείες των καταστάσεων των ασθενών τους».

Πριν από περισσότερα από δύο χρόνια, ο τομέας της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη εκραγεί. Το ποσό της χρηματοδότησης σε νεοφυείς επιχειρήσεις ψηφιακής υγείας με τεχνητή νοημοσύνη έχει διπλασιαστεί από το προηγούμενο έτος στα 4,8 δισεκατομμύρια δολάρια και θα διπλασιαστεί ξανά το 2021 στα 10 δισεκατομμύρια δολάρια.

Εκείνη την εποχή, ο Soenksen, Διευθύνων Σύμβουλος Jameel Clinic Ignacio Fuentes και ο Δημήτρης Μπερτσιμάς, παγκόσμιος ηγέτης επιχειρήσεων της Boeing, καθηγητής διαχείρισης στο MIT Sloan School of Management και επικεφαλής της σχολής Jameel Clinic, αποφάσισαν να κάνουν ένα βήμα πίσω για να εξετάσουν τι είναι λείπει από το γήπεδο.

«Τα πράγματα έρχονταν στο φως και προς τα δεξιά, αλλά υπήρχε επίσης μια στιγμή που οι άνθρωποι απογοητεύτηκαν επειδή η υπόσχεση της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη δεν εκπληρώθηκε», θυμάται ο Soenksen. «Βασικά, συνειδητοποιήσαμε ότι θέλαμε να φέρουμε κάτι νέο στο τραπέζι, αλλά έπρεπε να το κάνουμε συστηματικά και να παρέχουμε την απαραίτητη απόχρωση για να εκτιμήσουν οι άνθρωποι τα πλεονεκτήματα και τα μειονεκτήματα της πολυτροπικότητας στην υγειονομική περίθαλψη».

Η νέα ιδέα που κατέληξαν ήταν φαινομενικά η κοινή λογική: η δημιουργία ενός πλαισίου για τη δημιουργία μοντέλων μηχανικής μάθησης με ευκολία ικανά να επεξεργάζονται διαφορετικούς συνδυασμούς πολλαπλών εισροών με τον τρόπο που ένας γιατρός μπορεί να εξετάσει τα συμπτώματα και το ιστορικό υγείας ενός ασθενούς πριν κάνει τη διάγνωση. Υπήρχε όμως μια αξιοσημείωτη απουσία πολυτροπικών πλαισίων υγείας, με λίγα μόνο άρθρα που δημοσιεύτηκαν σχετικά με αυτά που ήταν περισσότερο εννοιολογικά παρά συγκεκριμένα. Επιπλέον, όταν πρόκειται για την ανάπτυξη ενός ενοποιημένου και κλιμακούμενου πλαισίου που μπορεί να εφαρμοστεί με συνέπεια για την εκπαίδευση οποιουδήποτε πολυτροπικού μοντέλου, τα μοντέλα μεμονωμένων τρόπων συχνά ξεπερνούν τα αντίστοιχα πολυτροπικά τους.

Εξετάζοντας αυτό το κενό, αποφάσισαν ότι ήρθε η ώρα να συγκεντρώσουν μια ομάδα έμπειρων ερευνητών τεχνητής νοημοσύνης στο MIT και άρχισαν να κατασκευάζουν το HAIM.

«Με γοήτευσε πολύ η όλη ιδέα [HAIM] λόγω της δυνατότητάς του να επηρεάσει σημαντικά την υποδομή του τρέχοντος συστήματος υγειονομικής περίθαλψης για να γεφυρώσει το χάσμα μεταξύ του ακαδημαϊκού χώρου και της βιομηχανίας», λέει ο Yu Ma, φοιτητής διδάκτορα που συμβουλεύεται ο Bercimas και συν-συγγραφέας της εργασίας. “Πότε [Bertsimas] με ρώτησε αν θα ήθελα να συνεισφέρω και αμέσως μπήκα μέσα ».

Αν και οι μεγάλες ποσότητες δεδομένων συνήθως θεωρούνται πλεονέκτημα στη μηχανική μάθηση, στην περίπτωση αυτή η ομάδα συνειδητοποίησε ότι αυτό δεν συμβαίνει πάντα όταν χρησιμοποιούνται πολυτροπικά συστήματα. υπήρχε ανάγκη για μια πιο διαφοροποιημένη προσέγγιση για την αξιολόγηση των εισροών και των τρόπων αξιολόγησης.

«Πολλοί άνθρωποι κάνουν πολυτροπική μάθηση, αλλά είναι σπάνιο να έχουμε μια μελέτη για κάθε δυνατό συνδυασμό του μοντέλου, των πηγών δεδομένων, όλων των συνδυασμών υπερπαραμέτρων», λέει ο Ma. «Πραγματικά προσπαθούσαμε να καταλάβουμε πώς ακριβώς λειτουργεί η πολυτροπικότητα σε διαφορετικά σενάρια».

Σύμφωνα με τον Fuentes, το πλαίσιο «ανοίγει μια ενδιαφέρουσα λεωφόρο για μελλοντική εργασία, αλλά πρέπει να καταλάβουμε ότι τα πολυτροπικά εργαλεία AI σε κλινικές ρυθμίσεις αντιμετωπίζουν πολλαπλές προκλήσεις δεδομένων».

Τα σχέδια Μπερτσιμά για το HAIM 2.0 είναι ήδη στα σκαριά. Εξετάζεται η ενσωμάτωση περισσότερων τρόπων (π.χ. δεδομένα σήματος από ηλεκτροκαρδιογραφήματα και γονιδιωματικά δεδομένα) και τρόπων βοήθειας των επαγγελματιών υγείας στη λήψη αποφάσεων αντί της πρόβλεψης της πιθανότητας ορισμένων αποτελεσμάτων.

Το CHAIM είναι επίσης ένα αρκτικόλεξο που επινόησε ο Μπερζίμας, το οποίο τυχαίνει να είναι η εβραϊκή λέξη για τη «ζωή».

Αυτή η εργασία υποστηρίχθηκε από την Κλινική Abdul Latif Jameel for Machine Learning in Health και το National Science Foundation Graduate Research Fellowship.

Leave a Comment

Your email address will not be published. Required fields are marked *