V dnešnej časti Health AI si pod skalpel zobral neurónové siete Oliver Velich. Jednoducho a stručne nám vysvetlí, čo to vlastne je neurónová sieť a ktoré druhy sa používajú na analýzu v zobrazovacej medicíne.

Health AI je pravidelná rubrika venovaná technologickým inováciam v oblasti medicíny a life sciences. Partnerom obsahu je firma Cognexa, ktorá vyvíja špecializované softvérové riešenia, založené na technológii tzv. umelej inteligencie, aj pre organizácie v oblasti medicíny a life sciences.

Čo je to umelá neurónová sieť

Umelá neurónová sieť (niekedy sa môžete stretnúť aj so skratkami NN alebo ANN z anglického (Artificial) Neural Network) je špeciálny druh počítačového programu. Zjednodušene teda pre každý vstup v tvare súboru čísel vráti výstup ako iný súbor čísel. Špecifický je v tom, že mu nepovieme, akými pravidlami má nový súbor vytvoriť. Namiesto toho necháme tento program skúsiť uhádnuť správny výstup. Keďže sa mu to na začiatku určite nepodarí, povieme neurónovej sieti, ako mal správny výstup vyzerať a necháme ju upraviť samu seba tak, aby sa nabudúce pomýlila o niečo menej.

To, akým spôsobom sa sieť k výstupnému súboru čísel dopracuje a ako môže samu seba upravovať, bolo voľne inšpirované prirodzenou neurónovou sieťou. Prirodzenej neurónovej sieti sa však tá umelá približuje iba názvom výpočtových jednotiek – neurónov. Zatiaľ čo prirodzená neurónová sieť vykonáva komplexnejšie výpočty na omnoho väčšom počte neurónov, ktoré spolu komunikujú zložitejšími spôsobmi a ešte k tomu dokáže byť aj energeticky úspornejšia, umelé neurónové siete zostávajú relatívne jednoduché, avšak inžiniersky neustále zdokonaľované na riešenie jednotlivých úloh.

Neuróny v umelej neurónovej sieti môžu plniť rôzne funkcie. Takzvané vstupné neuróny slúžia ako reprezentácia vstupného súboru čísiel, výstupné neuróny naopak ako reprezentácia výstupu. Aby bolo možné naučiť sa vzťah medzi vstupom a výstupom, musia byť jednotlivé neuróny medzi sebou prepojené. Vrstvu neurónov tvoria neuróny, ktoré nie sú prepojené medzi sebou, ale typicky je každý neurón v jednej vrstve prepojený s každým neurónom v susedných vrstvách. Výpočet potom prebieha tak, že informácia sa postupne prenáša zo vstupnej vrstvy do výstupnej a každé prepojenie, ktoré túto informáciu prenáša, ju buď podporí, alebo potlačí. Neurón potom všetky prichádzajúce spojenia kombinuje a preposiela ďalej.

Na to, aby bol výpočet v umelej neurónovej sieti užitočný pre reálnu aplikáciu, sieť musí obsahovať aj iné vrstvy neurónov ako tie vstupné a výstupné. Takéto vrstvy sa potom nazývajú “skryté”. Výskum správania umelých neurónových sietí ukazuje, že zvyšovanie počtu vrstiev umožňuje neurónovej sieti naučiť sa riešiť komplexnejšie úlohy. Výkon počítačov však veľmi dlho neumožňoval v rozumnom čase prepočítať neurónovú sieť s viac ako pár vrstvami neurónov. V súčasnosti ale môžeme vytvárať neurónové siete s desiatkami vrstiev. Takýmto sieťam sa potom hovorí hlboké neurónové siete. Často sa potom môžeme stretnúť s odvodeným termínom Deep learning, ktorý znamená použitie hlbokej neurónovej siete na to, aby sa naučila riešiť zložitý problém.

Upravené z https://www.3blue1brown.com/videos-blog/2017/10/9/neural-network

 

Čo je to konvolučná neurónová sieť

Vývojom  sa postupne neurónové siete nevylepšovali iba „prehlbovaním”, ale hlavne spôsobom, ako si medzi sebou neuróny prenášajú informácie. Na podporu schopnosti neurónovej siete extrahovať z problému dôležité vlastnosti, sa do sietí zaviedli zložitejšie funkcie, nazývané konvolúcie a tak vznikla konvolučná neurónová sieť. Tieto funkcie neprenášajú do ďalšej vrstvy neurónov pôvodnú informáciu, ale mieru toho, ako veľmi pôvodná vrstva obsahuje nejaký lokálny vzor. Čím intenzívnejšie je lokálny vzor prítomný v pôvodnej vrstve, tým intenzívnejšiu informáciu obsahuje vrstva vytvorená konvolúciou. Pri učení sa takejto siete sa optimalizuje to, aké vzory budú jednotlivé konvolúcie sledovať.

Najužitočnejšiou vlastnosťou konvolúcií je, že nepredpokladá usporiadanie neurónov sekvenčne za sebou ale v dvojrozmernom, prípadne trojrozmernom poli. A keďže všetky digitálne obrazové dáta sú priamo uložené ako súbor čísiel v poli, konvolučnou neurónovou sieťou môžeme v obrázkoch efektívne zachytiť dôležitú informáciu závislú na kontexte svojho okolia.

V špeciálnom prípade je možné štruktúru konvolučnej neurónovej siete upraviť tak, aby umožňovala napríklad identifikovať niekoľko objektov naraz a vytvoriť podrobnú mapu ich umiestnenia (tiež nazývanú maska). Keďže táto mapa obsahuje aj informáciu o tvare a veľkosti objektu, rozširuje to možnosti použitia neurónových sietí aj na aplikácie, kde je potreba okrem identifikácie objektov aj ich presná kvantifikácia. Kvantifikácia v tomto prípade nemusí predstavovať iba počet ale napríklad aj objem či pravidelnosť tvaru.

Keď sa k týmto vlastnostiam pridá všeobecná flexibilita neurónových sietí prispôsobiť sa rôznorodým problémom, konvolučné neurónové siete sa stávajú vedúcim nástrojom na riešenie medicínskych problémov založených na spracovaní obrazu.

Oliver Velich, Machine Learning Engineer

 

Viac informácií

E-learningová učebnica pre predmet Umělá inteligence pre odbor Matematická biologie na Masarykovej univerzite v Brne. Kapitola Neuronové sítě – jednotlivý neuron. https://portal.matematickabiologie.cz/index.php?pg=analyza-a-hodnoceni-biologickych-dat–umela-inteligence–neuronove-site-jednotlivy-neuron

 článok Detekcia a rozpoznávanie mikroskopických objektov v obraze https://s.ics.upjs.sk/~lhajdukova/bp/clanok-04-17.pdf

Článok U-Net: Convolutional Networks for Biomedical Image Segmentation https://arxiv.org/abs/1505.04597

V minulých dvoch častiach som sa pozrela na použitie umelej inteligencie (AI) vo výskume a vývoji liekov a na veľké technologické IT firmy v oblasti Health, dnes sa pozrieme na ďalší trend, a to na prienik AI do farmaceutických firiem.

Health AI je pravidelná rubrika venovaná technologickým inováciam v oblasti medicíny a life sciences. Partnerom obsahu je firma Cognexa, ktorá vyvíja špecializované softvérové riešenia, založené na technológii tzv. umelej inteligencie, aj pre organizácie v oblasti medicíny a life sciences.

Farmaceutické firmy a AI v roku 2019

Aj keď prienik AI do veľkých farmaceutických firiem stále zaostáva za ostatnými sektormi a má ešte veľa priestoru na zlepšenie, v roku 2019 sme videli veľa príkladov ich spájania sa s malými AI firmami. A ešte viac prípadov prenikania AI do života farma firiem sme pravdepodobne navonok nevideli, keďže sa jedná o oblasť so silnou konkurenciou, pravda?

V každom prípade však asi platí, tak ako v iných odvetviach, že prežije len ten, kto rôzne formy umelej inteligencie bude používať.

Aj keď niektoré reporty konštatujú, že partnerstiev, aspoň tých verejne komunikovaných, farmaceutických a AI firiem bolo v roku 2019 menej ako v roku 2018, aj tak sa našli niektoré zaujímavé prípady, o ktorých si povieme.

V tomto článku, ktorým som sa čiastočne inšpirovala aj ja, autor podáva veľmi informatívny prehľad o súčasnom stave AI vo farmaceutických firmách a dosiahnutých úspechoch. Napriek svojmu názvu tu nájdete prehľad stavu nielen z oblasti farmaceutických firiem ale celkovo z oblasti vývoja liečív a diagnostiky od skorých štádií výskumu až po klinické skúšania.

Takže, poďme na zaujímavé „cases“ v roku 2019. Keďže ide o farmaceutické firmy, drvivá časť príkladov bude z oblasti výskumu a vývoja liekov, a to len podtrhuje dôležitosť roku 2019 ako roku dôkazu koncepcie, že AI sa dá použiť aj pri výskume a vývoji liekov, o čom som už písala v 1. časti tejto minisérie. Uvidíte, že o niektoré firmy, využívajúce AI, majú obrovský záujem nielen farmaceutické firmy ale aj investori, a mnohé z doleuvedených majú spolupráce s viacerými partnermi, čo im môže v konečnom dôsledku priniesť obrovské množstvo peňazí. Aj keď hodnota zmluvy na začiatku nie je reálnym odrazom hodnoty technológií, a mnoho takýchto spoluprác potichučky končí po pár rokoch so stratou na strane farmaceutickej firmy, vidíme tu obrovský záujem o nové možnosti určitých AI technologických platforiem. Či sa tieto očakávania pretavia naozaj na nové, účinnejšie lieky s menšími vedľajšími účinkami či spoľahlivejšiu a citlivejšiu diagnostiku, ukáže čas. Viac úspešnosti potrebujú nielen farmaceutické firmy, ale aj my, pacienti.

Pre UK firmu Exscientia je spolupráca s veľkými farmaceutickými firmami pravidlom od svojho založenia v roku 2012-  už v 2013 začali spolupracovať s firmou Janssen a nasledovali japonské a kórejské farma firmy, v roku 2017 Sanofi a 250-milónový kontrakt, a tiež GSK. Firme sa tiež darí v získavaní investícií, v roku 2017 získala investíciu od Evotec, v roku 2019 úspešne zavŕšila B investičné kolo. Začiatkom roka 2019 oznámila spoluprácu s Roche, v ktorej sa budú dizajnovať nové lieky s použitím AI platformy „Centaur Chemist™”. V marci minulého roka Exscientia podpísala spoluprácu aj s Celgene a získala 25 milónov dolárov ako prvotnú platbu. Tu Exscientia bude vyvíjať liečivo od relevantého génu až po sľubného kandidáta na liek v oblasti onkológie a automunitných ochorení. No a v apríli prišiel úspech v podobe dosiahnutého míľniku s firmou GSK o ktorom som už písala v 1. časti minisérie. A to ešte stále nie sme na konci- jún 2019 a podpis spolupráce s GT Apeiron Therapeutics, v lete aj spolupráca s malou firmou Rallybio v oblasti zriedkavých ochorení, či pokračovanie spolupráce so Sanofi na vývoji bi-špecifickej molekuly pre imunologické stavy. Začiatkom roka 2020 aj spolupráca s gigantom Bayer AG na výskume  a vývoji liečív na kardiovaskulárne a onkologické ochorenia.

Maličká francúzska firma Iktos (rok založenia 2016) podpísala v marci výskumnú spoluprácu s nemeckým Merck-om. Technológia (Makya™ a Spaya™) Iktos-u je založená na hlbokých generatívnych modeloch, kde sa automaticky dizajnujú nové virtuálne molekuly, ktoré majú potenciál žiadanej aktivity potrebnej pre liečbu danej choroby. Táto technológia je úspešne využívaná v oblasti procesovania obrázkov či automatického prekladu, ale v chémii sa začala používať len nedávno. AI technológia firmy Iktos vlastne dizajnuje a aj optimizuje molekuly in silico. V praxi to znamená, že pomáha riešiť hlavné problémy prvých fáz výskumu liekov. Ide o identifikáciu molekúl, ktoré musia splniť paralelne všetky in vitro kritéria nevyhnutné na predklinického kandidáta na liek- musia mať vhodnú farmakologickú aktivitu a selektivitu a musia splniť ADME kritéria (absorpcia, distribúcia, metabolizmus a exkrécia). V predchádzajúcom roku začatá spolupráca s francúzskou firmou Servier sa v roku 2019 pretavila na úspešný míľnik a potvrdenie funkcionality technológie- predikcia vlastností identifikovaných molekúl in silico sa potvrdila reálnymi experimentami. Za zmienku stojí aj začiatok spolupráce s Janssen, Grünenthal, Almirall and Orion.

V apríli 2019 UK firma BenevolentAI (rok založenia 2013) začala spoluprácu s Astra Zeneca s cieľom vyvinúť nové lieky pre chronické ochorenie obličiek a idiopatickú pľúcnu fibrózu. Astra Zeneca má k dispozícii veľké množstvo dát z klinických štúdií a chemických a genetických analýz,   a spolupráca s BenevolentAI má pomôcť nájsť nové spojenia medzi týmito dátami a vedeckými dátami dostupnými v literatúre. Podobnú spoluprácu podpísala firma BenevolentAI v septembri 2019 aj s firmou Novartis– opäť tu pôjde o nájdenie nových súvislostí medzi klinickými dátami a vedeckými informáciami.

V júni 2019 AI firma Atomwise (USA, rok založenia 2012) podpísala spoluprácu s farmaceutickou firmou Eli Lilly, ktorá sa môže pretaviť v budúcnosti do 550 miliónov pre malú firmu. Čo vlastne Atomwise velkej firme ponúkol? Je to patentovaná AI technológia na predklinický výskum v oblasti hľadania nových liekov.  Cieľom je vlastne zrýchliť vývoj nových liekov, lebo, pravda, čas sa počíta vo vysoko konkurenčnej oblasti. V podstate sa tu spojí technológia Eli Lilly, ktorá má k dispozícii obrovské virtuálne knižnice chemických molekúl a rýchlu možnosť ich syntézy a AI technológia Atomwise, ktorá nájde pre tieto molekuly nové ciele, dôležité v určitých ochoreniach. Atomwise sa spojil v roku 2019 aj s inými menšími či väčšími hráčmi. Začiatkom roka 2020 má na konte ďalší úspech- pokračovanie spolupráce s Bayer. Stojí za to túto firmu sledovať.

Americká firma Insitro (rok založenia 2018) mala na rozdiel od ostatných menovaných firiem veľmi razantný nástup od začiatku- v 2019 začala spoluprácou s farmaceutickou firmou Gilead v oblasti NASH (nonalcoholic steatohepatitis) a táto spolupráca má teoretickú hodnotu 1 milardy dolárov. Technológia, ktoru Insitro disponuje, sa volá Insitro Human Platform a na rozdiel od predchádzajúcich technológií na identifikáciu liečív, táto vytvorí pre NASH experimentálne modely choroby, získa dáta, analyzuje ich a identifikuje ciele, ktoré sú pre ochorenie relevantné. Gilead potom použije svoje technológie a procesy, aby proti týmto cieľom identifikoval a vyvinul lieky.

Concerto HealthAI (rok založenia 2017) si pripísal v roku 2019 zaujímavé prvenstvo- v jednom týždni spoluprácu s Bristol-Myers Squibb aj s Pfizer. Firma používa „real-world“ dáta, „real-world evidence“ služby a AI s cieľom čo najlepšie pomôcť pacientom. Real-world dáta sú dáta, ktoré nepochádzajú z normálnych klinických štúdií, ale z používania liekov v bežnom režime. O tom, že technológia Concerto HealthAI je zaujímavá pre farmaceutické firmy svedčí aj ďaľšia spolupráca s Pfizer a nová spolupráca s Janssen začiatkom roka 2020. A tento záujem je pretavený aj do obrovskej investície do firmy, oznámenej teraz v januári- 150 milónov dolárov.

A na záver zopár krátkych správičiek: Bayer začal v lete 2019 aj spoluprácu s firmou Sensyne v oblasti analýzy anonymizovaných dát z NHS a aplikovaní výsledkov pri vývoji liekov pre kardiovaskulárne ochorenia. Astra Zeneca okrem spájania sa s AI firmami pre oblasť vývoja liečív, začala v roku 2019 používať umelú inteligenciu v koučovaní svojich predajcov. Novartis začal spolupracovať v oblasti AI s Microsoft.

Zrátané a podčiarknuté, verejne dostupné údaje ukazujú aktivity aj nasledujúcich farmaceutických firiem v Health AI v roku 2019: Astra Zeneca, Bayer, Bristol-Myers Squibb, Celgene, Evotec, Gilead, GSK, Eli Lilly, Janssen, nemecký Merck, Novartis, Pfizer, Roche, Sanofi, Servier. A že trend je nakopnutý, ukazujú aj už spomínané príklady z januára tohto roku.

Mnohé malé AI firmy to majú dobre našliapnuté v spoluprácach s veľkými farmaceutickými firmami. Ale za pozornosť stojí aj to, že máloktorej sa tieto spolupráce podarili hneď po založení.

Firmy najprv museli ukázať užitočnosť svojich AI technológií, aby pritiahli pozornosť veľkých hráčov. A keď sa to stalo, potom to už išlo ako na páse?

Health AI je pravidelná rubrika venovaná technologickým inováciam v oblasti medicíny a life sciences. Partnerom obsahu je firma Cognexa, ktorá vyvíja špecializované softvérové riešenia, založené na technológii tzv. umelej inteligencie, aj pre organizácie v oblasti medicíny a life sciences.

Rok 2019 sa stal rokom, v ktorom nielen pokračovalo zvyšovanie povedomia biomedicíny/ biotech/medtech ako takých na Slovensku, ale celkovo do HEALTH oblasti začala prenikať umelá inteligencia (AI) v oveľa vyššej miere ako roky predtým.

Vo všeobecnosti sa dá povedať, že drvivá väčšina priemyselných sektorov vchádza do 4. Priemyselnej revolúcie (áno, tak často omieľaná Industry 4.0). Medicína je však stále zaseknutá niekde v 3. priemyselnej revolúcii, ktorá začala v roku 1969 zavádzaním elektroniky a počítačov. Samozrejme, umelou inteligenciou tu myslíme jej všetky momentálne dostupné formy. Výborný krátky prehľad o AI ako aj zaujímavé zdroje môžete nájsť napríklad v článku Jána Szöllösa.

Január bude tentoraz výnimočne v týždňových príspevkoch patriť štyrom hlavným trendom AI v HEALTH za rok 2019. Dnes sa pozrieme na prvý z nich.

Vývoj liekov pomocou umelej inteligencie (AI)-  2019 ako rok „proof-of-concept“

Rok 2019 označujú niektorí za rok dôkazu koncepcie, že AI sa dá použiť aj pri výskume a vývoji liekov. Výskum a vývoj liečív je oblasť, v ktorej sa od začiatku generuje veľké množstvo dát. Sú to dáta zo základného výskumu, kde sa zisťuje, ktoré biochemické dráhy a molekuly sú zúčastnené na tom či onom ochorení. Pri tom sa používajú dáta z analýzy vzoriek pacientov, či už genetických analýz, alebo analýz RNA, bielkovín, metabolitov a ich korelácie s príslušným ochorením. Potom sú to dáta z vysokopacitných testov, kde sa zisťuje, ktoré chemické zlúčeniny z veľkých knižníc látok sa najpevnejšie naviažu na zistený cieľ v skúmavke. A nasledujú testy na bunkových kultúrach a na zvieratách.

Testy pokračujú na ľuďoch a pri všetkých týchto testoch je nevyhnutné brať do úvahy, že živý organizmus je nesmierna zložitá sústava, ktorá dostala do vienka určitú sústavu génov, žije v určitom prostredí, stravuje sa určitými potravinami a má určitý životný štýl. Podľa môjho názoru, oblasť vývoja liečív je extrémne zrelá na použitie všetkých foriem AI, aj tej, ktorá zatiaľ nie je- všeobecnej. Dať do súvislosti všetky hore menované faktory a stavy je úloha, ktorú už nedokážeme ľudským mozgom vykonať. Aj keď sú lieky čoraz sofistikovanejšie a cielenejšie, nepomôžu vždy, každému a bez nepriaznivých následkov.

Mnoho vecí je už „tam niekde“ vyslovených, spozorovaných a zapísaných, ale neboli dané do súvisu, pretože nás to zatiaľ nenapadlo alebo to nedokážeme.

Jedna tretina všetkých výdavkov na zdravotnú starostlivosť predstavujú lieky. V dokumente Global Innovation Index 2019 (Creating Healthy Lives—The Future of Medical Innovation), ktorú vydali Cornell University, INSEAD a WIPO, sa hovorí o tom, že AI môže nielen znížiť výdavky na R&D liečív, znížiť mieru zlyhania pri výskume liekov, ale aj vytvoriť lepší a účinnejší liek.

V októbri sme písali, ako AI dizajnuje lieky- firma Insilico Medicine vôbec prvýkrát nielen pomocou GAN (generatívnych) sietí nadizajnovala ale aj do určitého stupňa otestovala molekuly navrhnuté AI, v priebehu  64 dní. Insilico Medicine použila známy cieľ vo vybranom ochorení.

Deep Genomics na to išla z inej stránky- pomocou ich vlastnej platformy na vývoj liekov založenej na AI identifikovala nový cieľ a aj kandidáta na liečivo pre zriedkavú Wilsonovu chorobu. V priebehu 18 mesiacov odhalili v Deep Genomics pôsobenie genetickej mutácie pri danej chorobe, definovali chemické vlastnosti molekuly schopnej zasiahnúť túto mutáciu a identifikovali kandidáta na liečivo. Vedci sa už dve desaťročia snažili rozlúsknuť presný mechanizmus pôsobenia mutácie pri tomto ochorení, teraz sa to konečne podarilo. Použitím firemnej platformy sa nielen významne skrátil čas úvodných výskumných fáz pri vývoji liekov, ale sa dokonca objavili aj ďaľšie mutácie, ktoré môžu v budúcnosti pomôcť vyvinúť veľmi personalizovaný a precízny liek pre každého pacienta.

Firma Exscientia dosiahla míľnik vo výskume a vývoji nových liečív v projekte s GlaxoSmithKline (GSK) pomocou AI platformy Centaur Chemist™. Ich selektívny a účinný „in vivo“ kandidát na liečivo (čo znamená, že už bol testovaný na in vivo systémoch, čiže v zvieracích modeloch) bol objavený po testovaní iba 85 molekúl, čo je významne nižšie číslo ako sú tisíce až desaťtisíce chemikálií z chemických knižníc, ktoré sa bežne testujú najprv v skúmavke a potom, vybrané, v in vivo modeloch. Týchto 85 molekúl bolo nanovo syntetizovaných na základe identifikácie pomocou AI. Liečivo má liečiť chronickú obštrukčnú chorobu pľúc (COPD), na ktorú trpí vyše 300 miliónov ľudí na svete.

V roku 2019 rástol aj záujem investorov o startupy, ktoré majú AI platformy na výskum a vývoj liekov.

Startup Healx používa svoju platformu Healnet, ktorá využíva verejné aj vlastné biomedicínske dáta na identifikáciu liečív na zriedkavé ochorenia. Firma získala v B investičnom kole 56 miliónov dolárov na financovanie aj svojich AI projektov. Zaujímavosťou je, že Healnet prehľadáva už schválené lieky a identifikuje pomocou AI tie, ktoré môžu byť účinné pri rôznych druhoch zriedkavých ochorení. Keďže pri hypotéze vychádzajú úplne od začiatku, darí sa im nachádzať doposiaľ neobjavené súvislosti. Podľa vyjadrenia predstaviteľov firmy má ich platforma 70% úspešnosť v predikcii predklinických výstupov identifikovaných liečív. Dôležitou súčasťou takéhoto druhu firmy (v podstate in silico firmy) je spolupráca s biotech a farmaceutickými firmami, ktoré identifikované lieky ďalej vyvíjajú a testujú na ľuďoch.

Už spomínané Insilico Medicine ako aj Exscientia v roku 2019 tiež získali nové investície na rozvoj svojich AI platforiem. Okrem nich to boli aj ďaľšie firmy- napríklad Insitro, Notable Labs, Standigm, Recursion Pharmaceuticals, a iné.

 

Pre tých, ktorí sa chcú trochu viac systematicky pozrieť na výskum a vývoj liekov, kde všade sa môže AI použiť a ktoré firmy sa tým zaoberajú, odporúčam túto stránku, kde nájdete aj technológie, ktoré sú dôležité pri jednotlivých vývojových fázach a stupňoch. Tieto technológie patria k biotech technológiam a sú kandidátmi na to, aby boli spárované s AI.

A určite neprehliadnite ani „helikoptérový“ pohľad na AI vo výskume liekov.

V príspevku som použila okrem už uvedených zdrojov aj inšpiráciu z tohto článku.

Health AI je pravidelná rubrika venovaná technologickým inováciam v oblasti medicíny a life sciences. Partnerom obsahu je firma Cognexa , ktorá vyvíja špecializované softvérové riešenia, založené na technológii tzv. umelej inteligencie (AI), aj pre organizácie v oblasti medicíny a life sciences.

 

Predikcia úspešnosti imunoterapie rakoviny pľúc pomocou umelej inteligencie

Imunoterapia monoklonálnymi protilátkami je jedna z najnovších a najúčinnejších metód na liečbu rakoviny. Protilátky „blokujú“ kontrolný bod imunitnej odpovede organizmu proti nádorovým bunkám a umožňujú tak samotnému imunitnému systému úspešne zasiahnúť. V tom sa imunoterapia odlišuje od chemoterapie, kde nádorové bunky (a popri tom aj veľa zdravých) sú ničené priamo chemickými molekulami. „Check-point“  inhibítory sú však účinné len u asi 20% pacientov, a berúc do úvahy vysokú cenu liečby (okolo 200 000 EUR na rok na jedného pacienta), je nevyhnutné identifikovať tých správnych pacientov, ktorým táto liečba môže pomôcť.

Vedci z Case Western Reserve University sa pozreli na imunoterapiu rakoviny pľúc. Naučili software rozpoznať rozdiely medzi CT pľúc pri diagnóze a po niekoľkých cykloch imunoterapie. Nepozerali sa však len na veľkosť nádoru, ale predovšetkým na zmeny v jeho štruktúre, objeme a tvare. Niekedy sa stane, že nádor je po imunoterapii dokonca väčší ako pred liečbou, to môže byť spôsobené napríklad prasknutými cievami vo vnútri nádoru.

Vedci zároveň zistili, že pre určenie pacienta vhodného na imunoterapiu je dôležitá prítomnosť určitých buniek imunitného systému v biopsii nádoru pred začiatkom liečby. Prítomnosť určitého setu imunitných buniek v nádore pred liečbou (stanoveného  imunohistochemicky) predurčovala určité zmeny v štruktúre nádoru (stanoveného pomocou CT) a priamo korelovala s lepším prežívaním pacientov.

Pomocou strojového učenia sa na 50 CT skenoch pacientov s rakovinou pľúc určil algoritmus, ktorý bol neskôr použitý na identifikáciu zmien v nádore. Metóda bola použitá v dvoch rôznych klinických zariadeniach a po podaní troch rôznych imunoterapeutík. Výsledky boli veľmi porovnateľné. Model strojového učenia teda pomohol predpovedať odpoveď pacienta na základe počiatočného obrazu nádoru. V budúcnosti táto metóda umožní onkológovi od začiatku vybrať tú najvhodnejšiu liečbu pre daného človeka.

Centrum pre počítačové zobrazenie a personalizovanú diagnostiku (CCIPD) na hore spomínanej univerzite, kde sa uvedený výskum uskutočnil, je veľmi aktívne v detekcii, diagnóze a charakterizácii nádorových a iných ochorení s použitím lekárskych zobrazovacích metód, strojového učenia a umelej inteligencie. Už predtým použili metódu AI, založenú na vyhodnotení obrazu tkaniva nádoru na identifikáciu pacientov, ktorí budú profitovať z chemoterapie.

Môžeme nájsť príznaky srdcových chorôb na CT-čku pľúc?

Aj druhý príspevok bude o pľúcach. A bude aj o srdci. Ischemická choroba srdca, cievna mozgová príhoda a rakovina pľúc patria k najväčším zabijakom na Slovensku. Len tesne je rakovina pľúc nasledovaná rakovinou hrubého čreva, konečníka a zápalom pľúc. Takže, téma je nanajvýš relevantná pre Slovensko.

Na skríning rakoviny pľúc sa obyčajne používa (aspoň vo svete) CT zobrazenie za použitia nízkych dávok. Takéto CT však okrem rakovinových lézií dokáže zobraziť aj vápnik v koronárnych artériach, ktorý je odrazom plakov či zanesenia v artériach. Skóre prítomnosti vápnika v koronárnych artériach z CT srdca je zavedená metóda, ktorá pomáha lekárom vybrať, ktorí pacienti majú užívať lieky na zníženie cholesterolu- statíny.

Výskumníci nedávno vyvinuli a testovali techniku za použitia AI, ktorá automaticky merala a vyhodnocovala množstvo vápnika v koronárnych artériach. AI trénovali na kardiologických CT a pľúcnych CT, kde bola prítomnosť usadeného vápnika v artériach stanovená manuálne. Potom systém testovali na tisíckach ťažkých fajčiarov, ktorí boli kontrolovaní v národnom skríningovom projekte.

Zaujímavým výsledkom bolo nielen to, že manuálne (=ľudské) stanovenie prítomnosti vápnika a to strojové bolo podobné, ale aj to, že výsledky umelej inteligencie stanovenia vápnika významne korelovali s úmrtnosťou počas 6,5-ročného následného sledovania.

Hlboké učenie na stanovenie vápnika v artériach beží na pozadí vyhodnotenia CT pľúc na prítomnosť rakovinových lézií a neznamená nijaké zvýšenie času vyšetrenia.

Vedci zúčastnení na tomto výskume hovoria, že snímky pľúc môžu poskytnúť klinicky relevantné informácie aj mimo sledovania hlavnej diagnózy, pre ktorú bol takýto snímok robený.

Nie je čas na to, aby sme sa na niečo podobné dali aj my, na Slovensku? Počet úmrtí na ischemickú chorobu srdca by sa mohol znížiť pomocou bežných či takmer bežných zobrazení pľúc, ktoré sa predsa len robia častejšie ako špecializované vyšetrenia srdca a ciev.

Viete, čo je to „deep medicine“?

Takmer všetci sme už počuli o hlbokom učení ako jednej z vyšších foriem umelej inteligencie. Ale počuli ste už niekedy o „deep medicine“?

Eric Topol, americký lekár a publicista a veľký propagátor metód umelej inteligencie v medicíne, vydal nedávno veľmi zaujímavú knižku „Deep medicine“, ktorá hovorí o tom ako môže umelá inteligencia urobiť zdravotnú starostlivosť opäť ľudskou. Odporúčam túto knižku každému, kto pracuje v oblasti medicíny/zdravotnej starostlivosti, lebo je to nielen o úžasných technických zlepšeniach a nových digitálnych technológiach, ale hlavne o tom, ako sa opäť priblížiť k pacientovi a pomôcť mu- či už liečiť jeho problémy alebo im dokonca aj efektívne predchádzať.

Na úvod, len jeden poznatok z knihy: Kým v roku 1975 sa na jedného pacienta v USA minulo $550 za rok a každý pacient strávil v priemere 60 minút v ordinácii lekára pri úvodnej návšteve, dnes sa minie na jedného pacienta  $11.000 za rok a pacient vyjde z ordinácie po 12 minútach pri úvodnej a po 7 minútach pri opakovanej návšteve. Počet zdravotníckych pracovníkov sa v USA zvýšil 4-násobne, % HDP na zdravotnú starostlivosť 2-násobne a jeden deň v nemocnici stojí 46-krát viac ako v roku 1973. A výsledkom je 5-násobne kratší čas, kedy pacient vidí svojho lekára a má možnosť sa s ním rozprávať. Áno, môžete namietať, že kvalita starostlivosti sa zvýšila, ako sa zvýšila aj priemerná doba dožitia, atď. Ale stále zostáva tých 12 minút, ktoré sa vám lekár v ordinácii venuje. Sú to údaje z USA, ale poľahky môžu byť aplikované na ktorúkoľvek rozvinutú krajinu, Slovensko nevynímajúc. Sami máme svoje skúsenosti s tým, koľko čakáme u lekára a koľko sa nám nakoniec venuje.

Podľa Erica Topola je „deep medicine“ určená troma komponentami:

1. Definovanie každého individuálneho človeka za použita všetkých možných relevantných dát- zdravotná, sociálna a behaviorálna história, história rodiny, biológia zahŕňajúca anatómiu, fyziológiu a prostredie. Biológia má viacero úrovní- DNA, RNA, proteíny, metabolity, imunóm, mikrobióm, epigenóm, atď. Môžeme povedať, že sa jedná o „hlboké fenotypovanie“ každého jednotlivca.
2. Hlboké učenie, ktoré zahŕňa rozoznanie určitých vzorov a použitie strojového učenia na podporu diagnózy, ale aj ďaľšie aplikácie ako je napríklad virtuálny medicínsky kouč. Takýto kouč bude viesť klientov k tomu, aby lepšie manažovali svoje zdravie. Hlboké učenie sa môže použiť aj na nastavenia v zdravotníckych zariadeniach- zlepšenie bezpečnosti a kvality života pacienta, prípadne zníženie potreby priamych pobytov v nemocniciach zabezpečením efektívneho monitorovania v domácich podmienkach. Tu na svoju príležitosť AI vo veľkej miere ešte len  čaká.
3. Najdôležitejším komponentom „deep medicine“ je hlboká empatia a spojenie medzi pacientami a lekármi. Zdá sa, že to, čo chýba dnešnej zdravotnej starostlivosti je častokrát- starostlivosť. Tu sa ponúka veľká príležitosť práve pre AI- hlavnou úlohou umelej inteligencie nie je redukovať chyby alebo pracovnú záťaž alebo vyliečiť rakovinu, ale obnoviť vzácne spojenie a dôveru- ľudský dotyk- medzi pacientom a lekárom.

Stroje nenahradia lekárov, ale môžu im pomôcť dať to najdôležitejšie, čo chorý človek potrebuje- počúvanie, pochopenie a ľudský prístup.

 

Revolúcia v medicínskych technológiach

Posledný príspevok je trochu odlišný, budeme sa venovať technológiam, používaným v zdravotnej starostlivosti. Keďže už z predchádzajúceho blogpostu vieme, že technológie nie sú len doménou IT, tak nás neprekvapí, že vývoj technológií ide dopredu aj v tejto oblasti. Aj keď budete asi prekvapení, čo všetko nám pomohlo dostať sa na úroveň dneška.

Jednou z prvých technológií v zdravotnej starostlivosti je- stetoskop, objavený v roku 1816. V roku 1958 bol implantovaný prvý pacemaker do pacienta a v roku 1987 bola urobená prvá laserová operácia očnej šošovky.

V posledných rokoch je medicína čoraz viac ovplyvnená technológiami, pôvodne vyvinutými a používanými v iných sektoroch. DARPA vyvinula protetickú ruku, schopnú obojstrannej komunikácie medzi mozgom a strojom. Ak vám tento vynález pripadá povedomý, tak máte asi pravdu- v Star Wars epizóde V: Impérium vracia úder dostal Luke Skywalker práve takú ruku po jeho zranení.

A samozrejme- umelá inteligencia. Trhový potenciál AI v medicíne bol v roku 2018 $ 2,1 B. O 6 rokov sa už predpokladá, že toto číslo sa zvýši na $ 36 B.

Ak máte záujem si pozrieť pekné grafické časové línie vývoja technológií zdravotnej starostlivosti a prečítať si zopár ďaľších faktov, určite si kliknite na tento link, odkiaľ som čerpala aj ja.

Health AI je pravidelná rubrika venovaná technologickým inováciam v oblasti medicíny a life sciences.

Partnerom obsahu je firma Cognexa, ktorá vyvíja špecializované softvérové riešenia, založené na technológii tzv. umelej inteligencie, aj pre organizácie v oblasti medicíny a life sciences.
Autorom dnešného príspevku je Ján Szöllös.

Pojem Umelá Inteligencia (UI) je momentálne najskloňovanejší pojem, a to nielen v prostredí technologickej odbornej verejnosti. Popularita pojmu umelá inteligencia v médiách sa dá sčasti vysvetliť tým, že ľudia začali používať pojem aj na metódy, ktoré mali predtým odlišné názvy. Z praxe vieme, že pojem UI sa univerzálne používa aj na pomenovanie štatistických metód, obchodnú analytiku a dokonca pre manuálne naprogramované ak-potom pravidlá. Prečo je tomu tak?  A prečo je pojem umelá inteligencia v povedomí verejnosti spájaný skôr s oblasťou science-fiction, napriek tomu, že je bežne prítomný v našich životoch už nejakú tú dobu? Pozrime sa na niekoľko dôvodov podrobnejšie:

Dôvod 1. Neexistuje žiadna oficiálne schválená definícia

Ani najzainteresovanejší vedeckí výskumníci v oblasti UI sa nezhodnú na konkrétnej definícii. Sčasti je to preto, že UI ako vedecká disciplína sa neustále mení, niektoré metódy sa postupne vyraďujú z odboru UI a niektoré nové metódy zase pribúdajú.

V 80-tych rokoch minulého storočia sa v určitých “geeky” kruhoch začala používať neformálna definícia pre umelú inteligenciu “cool things that computers can’t do“ (super veci, ktoré počítače nedokážu). Iróniou takejto definície bolo, že podľa nej by UI nemohla napredovať, pretože akonáhle nájdeme spôsob ako počítače naučiť niečo, čo považujeme za cool, prestane sa to kvalifikovať ako UI. Napriek tomu bola v definícii ukrytá štipka pravdy. Pred päťdesiatimi rokmi boli metódy automatického vyhľadávania a plánovania považované za UI metódu. V dnešnej dobe sa však tieto metódy vyučujú na každej fakulte informačných technológií.

Podobný osud postretol technológiu OCR (optické rozpoznávanie znakov), ktorá bola viacerými inžiniermi a vedcami vyradená, respektíve neuznaná ako umelá inteligencia. Hlavným dôvodom je, že technológia sa stala natoľko bežnou, že nie je potrebné ju nazývať „inteligentnou“. Iné  technológie ako napríklad porozumenie ľudskému jazyku, súťaženie v strategických hrách, autonómna navigácia automobilov, vojenské simulácie alebo interpretovanie komplexných dát, sú považované za plnohodnotné umelé inteligencie.

Dôvod 2. Odkaz vedecko-fantastického žánru

K jestvujúcemu zmätku v definícií UI prispieva aj zobrazovanie UI v umeleckom zobrazení; vo vedecko-fantastickej literatúre a kinematografii. UI je zväčša zobrazovaná ako priateľská humanoidná entita, ktorá poslušne slúži svojim ľudským pánom, podáva monotónne faktické vysvetlenia alebo vedie s ľuďmi zaujímavé dialógy, až sa začnú zamýšľať, či sa nemôže zmeniť na človeka. Ďalšou kategóriou UI entít sú bezcitné stroje, ktoré majú pre ľudstvo zničujúce úmysly alebo sa obrátia proti svojim stvoriteľom, tak ako v starodávnom príbehu o pražskom Golemovi alebo v novšom podaní v notoricky známom Terminátorovi.

Dôvod 3. Čo sa na prvý pohľad zdá jednoduché, je v skutočnosti veľmi ťažké…

Pre bežného človeka je relatívne náročné odlíšiť jednoducho napodobniteľné úkony od tých, ktoré sú pre UI náročné na imitáciu. Skúsme si jednoduché cvičenie pre lepšie pochopenie:

Pozrite sa okolo seba a zdvihnite objekt, ktorý je najbližšie k vám. Zamyslite sa nad tým, aké úkony ste práve vykonali: najprv ste použili zrak na to, aby ste si zmapovali okolie a identifikovali objekt, ktorý chcete zdvihnúť. Objekt ste si vybrali a zvolili ste si jednu z možných trajektórií, po ktorej ste sa po objekt natiahli. Následne ste použili ruku, ktorú ste do procesu zapojili prostredníctvom svalov, ktoré ste aktivovali postupne podľa intuitívneho algoritmu. Podmienkou úspešného splnenia úlohy bolo zvolený objekt uchopiť tou správnou silou a udržať ho v ruke, a to ste dosiahli opäť zapojením intuitívneho odhadu hmotnosti a objemu objektu a následnej aplikácie potrebnej sily.

Na prvý sa pohľad sa tento proces môže zdať jednoduchý, avšak pridávajú sa tu mnohé neurčitosti- napríklad, že videný objekt môže byť ťažší ako sa zdá, alebo oveľa ľahší ako sa môže zdať. Objektom môže niekto manipulovať predtým, ako sa k nemu dostaneme a my budeme nútení prehodnotiť náš postup.

Náhle zmeny v komplexnom prostredí si vyžadujú schopnosť improvizovať a v tom sú ľudia vďaka miliónom rokov evolučného vývoja (zatiaľ) omnoho lepší ako súčasné stroje.

Dôvod 4. Čo sa na prvý pohľad zdá náročné, je v podstate jednoduché

Na opačnom konci spektra sa nachádzajú úlohy ako sú hranie šachu, či riešenie komplexných matematických úloh, ktoré my, ľudia, považujeme za náročné a ich zvládnutie si vyžadujú roky špeciálneho tréningu a schopnosť myslieť vo vyšších inštanciách. Výskum UI sa práve preto sústreďoval na podobné úlohy, keďže pre ľudstvo ich zvládnutie stelesňovalo podstatu inteligencie.

Odvtedy sa ukázalo, že hrať šach je pre počítače, ktoré sú prispôsobené na to, aby v rámci niekoľkých jednoduchých pravidiel vykonávali miliardy výpočtov za sekundu, relatívne jednoduchá úloha. Počítač Deep Blue napokon porazil úradujúceho šampióna Garyho Kasparova už v roku 1997. Z pohľadu UI technológie by bol náročnejší problém naučiť stroj chytať figúrky a manipulovať s nimi bez toho, aby sa pováľali po šachovnici.

Takže ako by znela definícia UI?

Jedným z možných prístupov k definícii by bolo definovať charakteristické vlastnosti UI. Odborníci sa zhodnú na tom, že každý umelo inteligentný systém musí disponovať dvoma hlavnými vlastnosťami:

Autonómia: schopnosť vykonávať činnosti v komplexnom prostredí bez sústavného riadenia používateľom.

Adaptabilita:  schopnosť zlepšovať výkon prostredníctvom učenia sa zo skúseností.

Na pomoc si môžeme zobrať definície niektorých zo zakladateľov vedeckej disciplíny UI:

Yoshua Bengio definuje UI, takto: „UI je o schopnosti učiť počítače užitočné schopnosti, ktoré ľudia dokážu, ale naše súčasne počítače to ešte nedokážu.“

Čo na to hovorí Geoffrey Hinton, najváženejšia osobnosť UI vedeckej disciplíny?

„UI je technológia vytvorená podľa princípov, na základe ktorých funguje náš mozog. Ľudský mozog je zložený z veľkej siete prepojení mozgových buniek (neurónov), ktorá prijíma a spracováva vstup (input) a formuluje výstup (output), ktorý zase závisí od sily prepojení jednotlivých buniek. Keď sa zmenia váhy jednotlivých prepojení, zmení sa výstup pre každý vstup. Moderné UI metódy vychádzajú z toho, že počítač sa neprogramuje a namiesto toho sa učí prostredníctvom veľkého množstva príkladov, ktoré mu postupne ukazujeme. Na základe výstupov sa postupne menia váhy jednotlivých prepojení a prebieha učenie, ktoré má za úlohu hľadať odpovede na otázky bez toho, aby bolo potrebné programovanie.“

Na záver by bolo vhodné spomenúť ešte niekoľko pojmov, ktoré s UI úzko súvisia. Pojem, ktorý sa s UI často zamieňa je strojové učenie (machine learning). Strojové učenie je však podkategóriou UI a charakterizovať by sa dalo ako systémový prístup vedúci k zlepšeným výkonom, akým počítač vykonáva určitú činnosť s pribúdajúcimi dátami a skúsenosťami.

Hlboké učenie (deep learning) je zase podkategóriou strojového učenia, ktoré využíva viacvrstvové neurónové siete na extrahovanie vzorov správania z tzv. surového inputu. V praxi to znamená, že počítač kŕmime dátami (napr. obrazovými dátami) a on sa učí hľadať vo vstupných dátach určité vzory alebo charakteristiky bez toho, aby dostal pokyny, čo presne má hľadať. Takéto učenie môže prebiehať asistovane, v spolupráci s človekom alebo môže prebiehať úplne autonómne. Hlboké učenie je metóda UI, ktorá sa čoraz viac využíva na výskum a predikcie v medicíne, a podrobnejšie si o tom povieme v ďalšom vydaní.

Ak vás téma UI zaujala a mali by ste záujem sa do problematiky ponoriť hlbšie, vrelo odporúčam absolvovať výborne spracovaný, interaktívny online kurz „Elements of AI“ na https://www.elementsofai.com/. Inšpiráciu pre tento blog-post sme čerpali práve zo zdrojov kurzu.

 

Referencie

https://blog.rossintelligence.com/post/ai-pioneers-bengio-hinton-ovbiagele-pm-trudeau

https://casopis.fit.cvut.cz/technologie/umela-inteligencia-ako-funguje-preco-dobre-sa-nu-zaujimat/

https://www.efocus.sk/kategoria/ict-technologie/clanok/poznavanie-umela-inteligencia-a-strojove-ucenie

https://www.elementsofai.com/