Sztuczna inteligencja w medycynie: jak układy graficzne ratują życie?

Dlaczego branża medyczna wykorzystuje technologię układów graficznych, aby napędzać inteligentne maszyny? Ciekawymi spostrzeżeniami na ten temat, a także refleksjami o rozwoju zaawansowanych algorytmów, podzielił sięRaja Koduri, starszy wiceprezes i główny architekt w Radeon Technologies Group.

Sztuczna inteligencja przyciągnęła ostatnio dużo uwagi, ale wiele z najbardziej popularnych przykładów, jakie demonstrowały potencjalne korzyści, było mocno ezoterycznymi dowodami, jak np. wygrywanie w szachy czy wyszukiwanie filmów z kotami w internecie. Jakkolwiek te projekty pomogły utorować drogę dalszym przełomom, to pozostawiły one także wiele osób z pytaniami, gdzie są namacalne korzyści i co naprawdę dla świata znaczy tzw. era inteligencji maszynowej. Teraz wreszcie osiągamy punkt zwrotny, w którym wysiłki związane z tą technologią przestają przypominać pierwsze wprawki, i zaczynają przekładać się na odmieniające życie osiągnięcia mogące nawet rozwiązać nierozwiązywalne dotąd problemy.Opieka medyczna to dziś jedna z najbardziej wypełnionych danymi branż na świecie. Przechowywanie rozmaitych zapisów jest dziś integralną częścią praktyki, która ponadto stała się znacznie bardziej dostępna w miarę jak systemy medyczne na całym świecie przeszły na elektroniczne rejestry. Diagnostyka obrazowa, prześwietlenia, a także rezultaty tomografii i rezonansów są przechowywane cyfrowo. Podczas gdy wszystkie te wysiłki zmierzały w celu obniżenia kosztów, uproszczenia i zwiększenia efektywności opieki nad pacjentem, w erze inteligencji maszynowej mogą one tworzyć głębokie „jeziora” danych do analizy. To umożliwia realizowanie nowych badań i poszukiwań wzorców, co ogromnie podniesie możliwości rodzaju ludzkiego.

Same dane medyczne nie przynoszą przełomu. W rzeczywistości wiele z tych danych jest cyfrowa od lat, ale algorytmy, które były używane do ich analizy, nie mogły być przetwarzane wystarczająco szybko, aby dostarczyć cennych informacji w przewidywalnym czasie. To się jednak teraz zmienia, co jest zasługą nieprawdopodobnego zastosowania technologii układów graficznych.

Układy graficzne (GPU, Graphics Processing Units) były zwykle używane do renderingu grafiki i wideo napędzając wszystko od ekranów telewizyjnych po systemy służące do najbardziej wciągającej rozgrywki. Teraz jednak branża medyczna nauczyła się wykorzystać te układy na potrzeby tworzenia rozwiązań w dziedzinie inteligencji maszynowej.Ostatnie osiągnięcia w rozwoju technologii układów graficznych uczyniły równoległe przetwarzanie szybkim, niedrogim i potężnym. W połączeniu z rozwijającymi się otwartymi platformami, moc obliczeniowa może wreszcie dotrzymać kroku potrzebom niezwykle wymagających algorytmów typowych dla inteligencji maszynowej. Możliwość odszyfrowywania nieznanej ilości danych będzie miało głęboki wpływ na nasze zdrowie, systemy opieki zdrowotnej, w tym w przewidywaniu i leczeniu schorzeń.

Platformy inteligencji maszynowej dopiero zaczynają udowadniać swoją wartość w ulepszaniu profilaktyki medycznej i powstrzymywaniu rozwoju chorób, co jest zasadniczym składnikiem każdej strategii w opiece medycznej. 7 z 10 zgonów wśród Amerykanów każdego roku wynika z chronicznych schorzeń (takich jak rak czy nieprawidłowości pracy serca) i prawie jedna na dwie dorosłe osoby cierpi z powodu długotrwałych chorób, z których wiele było do uniknięcia.

Naukowcy niedawno stworzyli algorytm diagnostyczny w oparciu o sztuczną inteligencję działającą na układach graficznych połączonych i zaprogramowanych, aby działały jak sieć neuronowa. Poprzez dodanie mechanizmów „głębokiego uczenia” zespół nauczył tę sieć identyfikować i rozróżniać złośliwe i łagodne zmiany skórne. Rezultaty wykazały, że algorytm ten jest równie niezawodny w wykrywaniu raka skóry, co ludzki dermatolog, ale ma on przy tym potencjał przeprowadzać takie diagnozy znacznie szybciej i taniej. Przy 5,4 miliona nowych przypadków tego schodzenia w Stanach Zjednoczonych każdego roku, wczesne wykrycie może mieć olbrzymi wpływ na ogólną skuteczność leczenia.

Inteligencja maszynowa jest też już teraz wykorzystywana do przewidywania przyszłego stanu zdrowia zarówno poszczególnych osób, jak i całych populacji, co realizuje poprzez analizę klinicznych i nieklinicznych danych, a następnie identyfikację pacjentów wysokiego ryzyka zanim nadejdzie katastrofa. Wprowadzenie tych technologii na większą skalę może także prowadzić do lepszych rezultatów leczenia pacjentów oraz redukcji strat w systemach opieki medycznej poprzez wykrywanie problemów wynikających z nadmiernego leczenia i tego, co do niego prowadzi.W miarę jak te usługi staną się szerzej dostępne w przyszłości, można się spodziewać, że głębokie uczenie zwiększy dokładność i szybkość analiz oraz diametralnie obniży koszty opieki medycznej.

Inteligencja maszynowa kształtuje także nowe ścieżki badań tam, gdzie dotąd tradycyjne metody badawcze nie odnosiły sukcesów.

Historycznie koszt opracowania nowych metod leczenia rzadkich schorzeń był gargantuiczny i często z tego względu wykluczony. Liczba pacjentów żyjących z pojedynczymi rzadkimi chorobami jest mała, co powoduje, że trudno jest znaleźć uczestników do drogich prób klinicznych, a firmom farmaceutycznym odzyskać poniesiony wkład finansowy po tym, jak lek znajdzie się na rynku. Inteligencja maszynowa może jednak skrócić czas potrzebny do wprowadzenia na rynek i obniżyć bariery kosztów w badaniach medycznych, tym samym przyspieszając postęp tam, gdzie finansowa zachęta jest potencjalnie niewielka.

Istnieją firmy pionierskie, które już wykorzystują potencjał tej technologii łącząc nauki biologiczne z systemami głębokiego uczenia w celu odkrywania nowych metod leczenia rzadkich wad genetycznych z pominięciem długich i drogich badań nowych leków. Dane generowane w ten sposób mogą też z czasem stać się zbiorem do dalszych prac pomagając zrozumieć np. to, dlaczego niektóre leki działają albo zasugerować najbardziej obiecujące ścieżki poszukiwań.

Nie jest dziełem przypadku to, że badacze bardzo mocno polegają na otwartych inicjatywach przy wsparciu własnych poszukiwań, a otwarte ekosystemy coraz bardziej zyskują na znaczeniu. Wykorzystując wolne i szeroko dostępne internetowe bazy obrazów oraz platformy z otwartymi danymi badacze mogą dziś dołączać do współpracy, która jest udziałem całej branży, i która ma na celu poprawić efektywność medycyny przy wykorzystaniu sztucznej inteligencji.

Dlaczego otwarte źródła? Otwarte platformy oferują dziś bogate funkcjonalnie oprogramowanie przygotowane przez społeczność deweloperów, którzy są zorientowani na uzyskanie jak najlepszych efektów. Jednocześnie przenośność programów pomiędzy ekosystemami różnych dostawców sprzętu pozwala uniknąć uzależnienia od jednego rozwiązania przy zachowaniu optymalnej wydajności. Organizacje biznesowe, akademickie i rządowe nie powinny być przywiązane do jednego producenta.

Otwarte platformy, takie jak ROCm (Radeon Open Compute Platform), są niezbędne do zwiększania dostępu do bibliotek matematycznych i zapewnienia solidnej podstawy dla współczesnych języków programowania, które następnie mogą przyspieszyć opracowanie wydajnych i efektywnych energetycznie heterogenicznych systemów komputerowych. Z kolei elastyczne, programowane i zorientowane na intensywne obliczenia systemy, takie jak Radeon Instinct, zapewniają większy wybór na rynku, który już raz został zablokowany przez ograniczoną liczbą dostawców.W miarę jak przygoda ery inteligencji maszynowej trwa, nowe akceleratory graficzne w połączeniu z wysoce zoptymalizowanymi, otwartymi szkieletami programistycznymi (frameworkami) pomogą uporać się z niektórymi spośród największych wyzwań medycyny. Jesteśmy dopiero na początku tej fantastycznej podróży, ale już teraz jesteśmy świadkami obietnicy, jaką inteligencja maszynowa daje na rzecz uczynienia świata tak zdrowym, jak nigdy dotąd.