AI i hälso- och sjukvård #9 – Potentiellt genombrott för läkemedel, AI har ett big data-problem

Intro

I Skåne har man annonserat en förstudie om att öppna en sydlig nod av det AI Innovation of Sweden som vi har sedan i våras i Göteborg.

Har du också sett att även chefer har börjat ladda upp sina diplom från kursen Elements of AI? Det har jag. Hinner chefen så hinner du! Seså, gå nu igenom den kursen, det är den värd!

//Avd Vårdens digitalisering, genom Marcus Österberg 

Genombrott för läkemedelsindustrin med AI?

Varje gång en maskin klår en människa på något blir det stora rubriker. Vi har sett maskinerna vinna i schack, Jeopardy, spelet Go och nyligen datorspelet Starcraft.

Nu tycks turen ha kommit till läkemedel. Att ta fram läkemedel kostar enorma summor och tar väldigt lång tid. AI:n gjorde viktiga delar av detta arbete på 46 dagar. Även fast fynd som dessa inte kommer förändra läkemedelsindustrin i en handvändning är det hoppfullt inför framtiden, om inte annat genom att undersöka AI:ns tillvägagångssätt.

”Insilico Medicine has succeeded in using AI to design a new molecule from scratch in 21 days and validate it in 25 days. This is the first time that the potential for AI in the Pharma industry has been validated in practice, moving from theory into reality.”

Pharma’s AlphaGo Moment: For the First Time AI Has Designed and Validated a New Drug Candidate in Days

AI-podden släppte i september ett avsnitt där de två minuter in pratar om detta – Kan AI göra medicin billigare?

Att hålla folk friska

Att förhindra sjukdom eller så snabbt som möjligt hitta ett problem kan spara både pengar och mycket lidande. Google-bolaget DeepMind jobbar med prediktion av om en patient behövde dialys:

”Via en app kan vårdpersonalen få indikationer på om ett blodprov visar att patienten har en akut njurskada på 14 minuter i snitt – något som tidigare har tagit flera timmar.”

Googlebolag skyndar på upptäckt av njurskador med AI  – Computer Sweden

Ett mer språkligt initiativ att försöka förebygga ohälsa publicerades i augusti. De undersökte vilka ord i produktrecensioner på Amazon som kunde associeras med att matvaror återkallats. 
Detecting reports of unsafe foods in consumer product reviews

Facebook, virala appar och känsliga personuppgifter

Både denna sommar och även under 2017 och 2018 var det populärt att använda appar för att dra nytta av AI för att se hur ens selfie kan omvandlas till en bebis, gammal person, eller som det andra könet. Anledningen till att det blev en diskussion sommaren 2019 var att det gjordes av ett ryskt företag, FaceApp. Dock hävdar FaceApp att all data hamnar i  Amazons eller Googles molntjänster, vilket landar inom amerikanskt rättsväsende, vilket inte imponerade på eSams jurister för drygt ett halvår sedan.

Ansiktsbilder kan framstår harmlösa, men då det räcker för att redan idag diagnosticera ett gäng genetiska sjukdomar är selfies i vissa fall medicinska och därmed känsliga personuppgifter. Sen har man som användare av dessa appar lovat bort bilden för evigt:

”FaceApp is a viral lark that takes a convincing guess at what you’ll look like when you’re old. FaceApp is also the product of a Russian company that sends photos from your device to its servers, retains rights to use them in perpetuity, and performs artificial intelligence black magic on them.”

Think FaceApp Is Scary? Wait Till You Hear About Facebook (Wired, juli 2019)

Om det inte vore för att en person ansikte redan med dagens teknik kan avslöja genetiska sjukdomar, utöver personens identitet, kanske det vore lugnt.

Medicinsk AI har problem med stora data

”The data underpinning the very first systems is often spotty, volatile and completely lacking in critical context, leading to a poor early record in the field.”

Medical AI has a big data problem

Att den data om patienter man samlar in på sjukhus inte alltid är representativ tycks vården vara medveten om. Standardexemplet är hur blodtrycket är i patientens vardag kontra när det mäts på ett sjukhus. 

Problemet med finkalibrerade system var något som professor Bruce J Tromberg från NIH ironiserade/nyanserade under Medicinteknikdagarna 2:a oktober 2019 i Linköping. “The big physics”, alltså den fina apparatur man har i sjukvården ger bara delar av bilden, kontra konsumentelektronik, eller implantat, som ständigt samlar in data. Mest extremt är väl bilddiagnostik som görs extremt sällan.

Så, vilka slutsatser kan vi och vår AI dra av den data sjukvården samlat in?

Enklare att använda “naturligt språk”

Du har kanske hört talas om BERT? Eller GPT-2 som under våren ansågs för bra på språkliga ting för att släppas fritt, eller andra landvinningar inom språkteknik? För de flesta som jobbar med utveckling eller mjukvara i största allmänhet så är det med hjälp av ramverk man får något gjort. Det vill säga att någon annan paketerat lösningar åt dig att bygga vidare på.

Nu finns några av de senaste fynden inom naturligt språk att använda inom ramverket PyTorch Transformers.

Begreppet: Features

Features är ganska samma sak som svenskans ord ’egenskaper’. När man inom maskininlärning vill ge data till maskinen att träna upp sig på är features de egenskaper som beskriver något, lite som den fakta som behövs. Som patientens längd, vikt, antal tår och binär status om blindtarmen är kvar. En annan typ av feature kan vara volymen på respektive hjärtkammare, eller antal dagar sedan kirurgi.

AI som bransch betraktat

Begreppet AI-vinter, att hajpen dör och en tid av realism infinner sig, har talats om ett tag. Inte minst nu senast som i exemplet från förra nyhetsbrevet om att en enda träning av djupinlärning motsvarade fem bilars totala utsläpp av koldioxid. Det rimmar illa med de globala hållbarhetsmålen, eller ja, åtminstone kommer AI behöva börja stå för stora besparingar för att kunna fortsätta.

Förra månadens uppgift om att datorn bakom AlphaGo skulle ha dragit 25 000 gånger mer energi än den mänskliga motspelare är möjligen i underkant. I vissa källor uppges det dubbla, alltså 50 000 gånger en människas energibehov.

AI-bolags ekonomi

En annan vinkel på AI är hur det går rent ekonomiskt för de som är duktiga och publicerar många framsteg. Googles bolag DeepMind blöder stora pengar. Närmare bestämt nästan 6 miljarder kronor förra året. Nu kanske det är för tidigt att räkna med vinster från AI-bolagen, men nog ger det en tankeställare när de som många tror är bäst inte är lönsamma.

DeepMind’s Losses and the Future of Artificial Intelligence | WIRED

Räcker djupinlärning?

En stor anledning till att AI är inne i en hajp just nu beror på kombinationen av tre saker:

  1. Djupinlärning
  2. Stora mängder datakraft
  3. Stora mängder strukturerade data (i vissa branscher)

Nu börjar pendeln kring djupinlärning att vända. Att djupinlärning inte är nog. En kritik är att historisk data speglar just historien och inte nödvändigtvis det vi vill framåt. Också att en kombination av mer manuella regler och djupinlärande skapar en säkrare maskin.

We can’t trust AI systems built on deep learning alone – MIT Technology Review

Poddar, nyhetsbrev och boktips

Har du sett att DeepMind har en podd

Nyhetsbrevet The Batch av deeplearning.ai är ett gränsfall när det komplicerade frågor de tar upp, men den nyfikne lär uppskatta strukturen där de berättar varför respektive nyhet spelar roll.

Böcker: