«Как найти синергию между ИИ и человеком?»

Это одна из ключевых тем Международной конференции по машинному обучению (ICML 2020). В то время как машинное обучение (ML) основано на идее, что машины должны иметь возможность обучаться и адаптироваться на основе опыта, ИИ strong> относится к более широкой идее, согласно которой машины могут выполнять задачи «умно». Искусственный интеллект применяет машинное обучение и другие методы для решения актуальных проблем.

Меня особенно интересует применение ИИ в секторе здравоохранения, поэтому я сосредоточился на основных докладах, панелях, семинарах и социальных мероприятиях, связанных со здравоохранением, во время ICML 2020, и я подытожил свои учения и размышления (с точки зрения дизайна) ниже.

Эта статья посвящена некоторым применениям ИИ в разработке лекарств, прогнозировании, управлении медицинскими ресурсами и проектировании здравоохранения.

BenevolentAI – это фармацевтическая технологическая компания, которая объединяет искусственный интеллект и человеческий интеллект для реорганизации процесса открытия и разработки лекарств.

Например, они разработали конвейер для определения подгрупп пациентов и их отличительных биологических механизмов. В частности, они визуализируют экспрессию генов каждого пациента в виде серии цветных квадратов и параллельно выравнивают экспрессию генов всех пациентов, чтобы сформировать тепловую карту. Затем применяется машинное обучение для определения экспрессии генов, общих для разных подгрупп пациентов.

Другой пример — обработка естественного языка (NLP). Первоначально между «болезнью» и «геном» было создано несколько специальных взаимосвязей. Руководствуясь этими отношениями, НЛП может найти тысячи кортежей за минуты. Это экономит много времени для ученых. Я думаю, что этот инструмент мог бы мне очень помочь, когда я писал систематический обзор в первый год работы над докторской диссертацией.

Компания BenovelentAI продемонстрировала, как в рамках проекта Evochem они объединяют лучшее от ИИ и ученых в своем рабочем процессе. В частности, ИИ не имеет предубеждений и экстраполирует результаты из обширных наборов данных, в отличие от ученых, у которых есть множество предубеждений. Предубеждения не обязательно плохи, поскольку предубеждения и опыт — две стороны одной медали. Поэтому и ученые, и ИИ используют родственные, но разные критерии для оценки соединений в BenovelentAI. Кроме того, ученые изучают результаты ИИ и предоставляют обратную связь ИИ.

В платформу встроена функция визуализации, позволяющая ученым интуитивно ориентироваться в результатах ИИ.

Другим применением сочетания ИИ и человеческого интеллекта является проект «Предиктор ML-AIM для прогнозирования рисков», представленный Михаэлой ван дер Шаар на ICML 2020. , Этот инструмент призван помочь клиницистам делать более информированные и динамичные оценки выживаемости рака каждого пациента, изучая данные диагноза и события пациента с течением времени.

В пользовательском интерфейсе клиницист может ввести информацию о пациенте, такую ​​как «возраст на момент постановки диагноза», «размер опухоли», «стадия рака», «стадия опухоли» и т. д., а также перетаскиванием клинические файлы пациента в систему. На основе этих данных система рассчитывает и представляет клиницистам параметры, необходимые для прогнозирования риска (например, риск смертности с течением времени, важность отдельных признаков) в визуально-интуитивных форматах.

В этом проекте применяется автоматическое машинное обучение (AutoML). AutoML — это процесс автоматизации процесса применения ML к реальным проблемам. Поскольку каждое заболевание отличается друг от друга, а создание модели для каждого заболевания требует больших ресурсов, AutoML позволяет машинному обучению самостоятельно создавать модели. Этот метод также снижает порог для применения ИИ на практике, что я рассматриваю как движение к демократизации ИИ:

«Высокая степень автоматизации в AutoML позволяет неспециалистам использовать модели и методы машинного обучения без необходимости сначала становиться экспертом в этой области».

Более того, автоматизация процесса комплексного применения машинного обучения дает преимущества создания более простых и быстрых решений, которые часто превосходят разработанные вручную модели.

Третий пример касается того, чем ИИ может помочь медицинским работникам в условиях пандемии COVID-19. Есть несколько важных решений, которые медицинские работники должны принять в больнице, чтобы эффективнее использовать ограниченные ресурсы, как показано на диаграмме ниже:

Лаборатория Михаэлы обучила разработанную ими систему AutoML с помощью обезличенного набора данных о пациентах с COVID-19, предоставленного Public Health England, и прогностическая точность этой модели намного превосходит существующее состояние. -современные техники. Эти сделанные прогнозы затем демонстрируются специалистам в области здравоохранения в легком для интерпретации и практическом формате.

Размышления об ИИ в дизайне здравоохранения

В дизайне здравоохранения часто требуется целостный подход. Для этого мы обрабатываем большое количество разнородных данных: некоторые количественные, некоторые качественные, некоторые невозможно описать числами или словами (например, атмосфера в больничной палате); некоторые из них являются структурированными данными, некоторые нет, некоторые находятся где-то посередине.

Я считаю, что один из способов, которым ИИ может помочь дизайнерам, — это совместный анализ этих данных.

Например, в контекстных опросах дизайнеры собирают большое количество данных, чтобы ознакомиться с контекстом и пользователями (посредством наблюдений, интервью, онлайн-исследований, посещений музеев и т. д.).

Для текстовых данных дизайнеры часто используют тематический анализ для выявления скрытых тем в этих данных и их связей. Обработка естественного языка (NLP) как решение для интеллектуального анализа текста для неструктурированных данных облегчила ученым обзор литературы в BenovelentAI. Я думаю, что НЛП также может помочь дизайнерам в тематическом анализе. Что касается фотографий, сделанных во время контекстных запросов, распознавание лиц в настоящее время является обычным явлением, и в ближайшем будущем ИИ сможет находить общие черты на фотографиях, которые не ограничиваются лицами и объектами.

Результатом этапа контекстного исследования обычно является несколько документов с визуализированной информацией, например, персонажем, картой пути пользователя, диаграммой взаимодействия и т. д. на этапе проектирования, визуально привлекательны и интуитивно понятны. С помощью ИИ дизайнеры могут создавать эти документы более эффективно.

Я считаю, что ИИ также был бы полезен во время сессий оценки, когда дизайнеры собирают отзывы заинтересованных сторон и пользователей о разработанном продукте/услуге/системе и т. д. Например, НЛП может используется для классификации отзывов по нескольким темам, и затем дизайнеры могут просматривать темы и вносить изменения, если это необходимо. Распознавание изображений/видео может извлекать невербальные отзывы, например. интерактивное поведение, мимика во время сеансов.

P.S. Похоже, что Medium давал оценку времени чтения поста на основе количества слов в этом посте. Было бы здорово, если бы Medium мог распознавать количество слов во встроенных изображениях, чтобы предоставить читателям более точную оценку.