Hvordan kjemper AI mot koronavirusutbruddet?


Svar 1:

Kunstig intelligens kan bekjempe et fremtidig Coronavirus

.

Sykdomsutbrudd som koronaviruset utfolder seg ofte for raskt til at forskere kan finne en kur. Men i fremtiden kan kunstig intelligens hjelpe forskere å gjøre en bedre jobb.

Selv om det sannsynligvis er for sent for den nye teknologien å spille en stor rolle i den nåværende epidemien, er det håp for de neste utbruddene. AI er flink til å slå igjennom hauger med data for å finne sammenhenger som gjør det lettere å bestemme hva slags behandlinger som kan fungere eller hvilke eksperimenter du vil utføre neste gang.

Spørsmålet er hva Big Data vil komme med når det bare får magre utlysninger om en nyoppstått sykdom som Covid-19, som først dukket opp sent i fjor i Kina og har sykemeldt mer enn 75 000 mennesker på omtrent to måneder.

At forskere klarte å produsere gensekvensering av det nye viruset i løpet av uker etter de første rapporterte tilfellene, er lovende, siden det viser at det er langt mer umiddelbare data tilgjengelig nå når utbrudd skjer.

Andrew Hopkins, administrerende direktør i Oxford, England-basert oppstart Exscientia Ltd., er blant dem som jobber for å trene kunstig intelligens til narkotikafunn. Han regner med at nye behandlinger kan gå fra unnfangelse til klinisk testing på så lite som 18 til 24 måneder i løpet av det neste tiåret, takket være AI.

Exscientia designet en ny forbindelse for behandling av tvangslidelser som er klare til å testes i laboratoriet etter mindre enn ett år i den første forskningsfasen. Det er omtrent fem ganger raskere enn gjennomsnittet, ifølge selskapet.

Cambridge-baserte Healx har en lignende tilnærming, men den bruker maskinlæring for å finne nye bruksområder for eksisterende medisiner. Begge selskapene fôrer algoritmene sine med informasjon - hentet fra kilder som tidsskrifter, biomedisinske databaser og kliniske studier - for å hjelpe med å foreslå nye behandlinger av sykdommer.

Menneskelig tilsyn

De to selskapene bruker hvert sitt team av menneskelige forskere for å jobbe sammen med AI for å hjelpe prosessen. I Exscientias tilnærming, kalt Centaur Chemist, hjelper medikamentdesignere å lære algoritmestrategiene for å søke etter forbindelser. Healx legger AIs spådommer til forskere som analyserer resultatene og bestemmer hva de skal forfølge.

Neil Thompson, Healxs vitenskapssjef, sa at teknikken kunne brukes mot et utbrudd som koronaviruset så lenge den hadde nok data om den nye sykdommen. Healx jobber ikke med å takle coronavirus eller finpusse teknologien for utbrudd, men det vil ikke være en strekning.

"Vi er ganske nærme," sa Thompson i et intervju. “Vi trenger ikke å endre mye på AI-algoritmene vi bruker. Vi ser på å matche medisinegenskaper med sykdomsfunksjoner. ”

Kunstig intelligens algoritmer begynner allerede å kverne ut medisiner for sykdommene vi vet om. Forskere ved Massachusetts Institute of Technology sa torsdag at de hadde brukt metoden for å identifisere en kraftig ny antibiotikaforbindelse som kan drepe en rekke plagsomme bakterier, til og med noen som i dag er resistente mot andre behandlinger.

En fangst for alle disse teknologiene er klinisk testing. Selv medisiner som allerede er trygge for bruk for å kurere en sykdom, bør testes på nytt før de er foreskrevet til en annen. Prosessen med å vise at de er sikre og effektive for et stort antall mennesker, kan ta år før de går til regulatorer for vurdering.

For å være effektive, ville AI-baserte medikamentutviklere måtte planlegge på forhånd, plukke ut et virusgenom som sannsynligvis vil forårsake problemer i fremtiden og målrette det når det er få insentiver til å gjøre det.

Takk skal du ha.


Svar 2:

Spillet er allerede på!

Hvis ikke for coronavirus, i det minste for superbugs. Forskere ved MIT og Harvard brukte AI for å identifisere et nytt antibiotika som kan drepe mange medikamentresistente bakterier. De trente en maskinlæringsalgoritme for å analysere kjemiske forbindelser som er i stand til å bekjempe infeksjoner ved å bruke forskjellige mekanismer enn eksisterende medisiner.

De trente sin modell på 2500 molekyler for å identifisere en forbindelse (de kalte det Halicin) for testing av bakterier hentet fra pasienter og bakterier dyrket i laboratorier. "Halicin" kan drepe mange medikamentresistente bakterier, inkludert

mycobactirium tuberculosis, clostridium difficile

og

acinetobacter baumannii.

Halicin botet to mus infisert med

A.baumannii.

Forresten, mange amerikanske soldater i Irak og Afghanistan ble smittet med den samme feilen. Rapporten sa, en salve av Halicin påført huden på disse to musene herdet dem fullstendig bare innen 24 timer.

Å bruke prediktive datamodeller for medikamentell oppdagelse er ikke nytt, men den beste suksessen så langt er sett med Halicin.

I følge forskerne kan deres prediktive modell gjøre det som vil være uoverkommelig dyrt for tradisjonelle eksperimentelle tilnærminger.

Denne suksessen til Halicin kommer på et avgjørende stadium i menneskets historie. I 2050 kan verdensomspennende dødsfall på grunn av medikamentresistente bakterier nå 10 millioner.

Ytterligere arbeid er nødvendig for å gjøre Halicin brukbar hos mennesker. Selv om algoritmen deres er designet for bakterier, kan den være "oppgraderbar" for å bekjempe virus også.


Svar 3:

Se for deg at et sykehus i Kina har 1000 tilfeller med lignende symptomer, hva gjør sykehuset? Selv om all informasjon om symptomer og diagnose er dokumentert og tilgjengelig elektronisk, er helseavdelingen i stand til å treffe de nødvendige og passende tiltak.

AI er suveren og raskt med å oppdage mønstre, likheter for rask oppdagelse. Et eksempel på hvordan

Google-søk er i stand

å oppdage mulige sykdommer over hele verden. Bare med enkle søkemønstre alene, kan AI faktisk oppdage mulige trusler og epidemier som kan blåse ut i store proporsjoner over hele verden.

Når Kina kommer tilbake til Corona Virus, når Kina har dokumentert sykdomssymptomene, diagnostisert den, deler den denne informasjonen til alle andre offentlige organisasjoner som raskt kan få på plass termiske detektorer som kan skanne mennesker med disse symptomene og klassifisere dem som sannsynligvis infiserte eller bærere eller immun. Når virus muteres raskt, har de en tendens til å endre hvordan de ser ut, symptomene kan endre seg og være vanskelige å diagnostisere. Men med AI er Kina i stand til å hjelpe regjeringer med mennesker som har flyttet fra Kina, spesielt Wuhan og deretter flyttet internasjonalt over byer. Denne informasjonen kan analyseres av AI, for å oppdage nyhetene fra disse byene, sykehusene for å sette sammen brikkene.

Håper dette hjelper!


Svar 4:

I nyere termer, hvis vi har data fra flere pasienter enn vi kan identifisere og finne mønstre, av de koronapositive pasientene. Etter det kan vi se etter en ny pasient for å forutsi om denne pasienten kan være smittet eller ikke, sett fra mønsteret. Klassisk maskinlæring eller dyp læringsteknikker kan brukes til å skille dette.

I mer generelle vendinger må vi være veldig forsiktige og må samhandle med personer fra medisinsk felt for å analysere mønsteret for å generalisere hva som faktisk skjer, hva er endringene og mekanismene som utløses av viruset i kroppen for å bedre forstå modellen.


Svar 5:

Sykdomsutbrudd som koronaviruset utfolder seg ofte for raskt til at forskere kan finne en kur. Men i fremtiden kan kunstig intelligens hjelpe forskere å gjøre en bedre jobb.

Selv om det sannsynligvis er for sent for den nye teknologien å spille en stor rolle i den nåværende epidemien, er det håp for de neste utbruddene. AI er flink til å slå igjennom hauger med data for å finne sammenhenger som gjør det lettere å bestemme hva slags behandlinger som kan fungere eller hvilke eksperimenter du vil utføre neste gang.

Spørsmålet er hva Big Data vil komme med når det bare får magre utlysninger om en nyoppstått sykdom som Covid-19, som først dukket opp sent i fjor i Kina og har sykemeldt mer enn 75 000 mennesker på omtrent to måneder.

At forskere klarte å produsere gensekvensering av det nye viruset i løpet av uker etter de første rapporterte tilfellene, er lovende, siden det viser at det er langt mer umiddelbare data tilgjengelig nå når utbrudd skjer.

Andrew Hopkins, administrerende direktør i Oxford, England-basert oppstart Exscientia Ltd., er blant dem som jobber for å trene kunstig intelligens til narkotikafunn. Han regner med at nye behandlinger kan gå fra unnfangelse til klinisk testing på så lite som 18 til 24 måneder i løpet av det neste tiåret, takket være AI.

Exscientia designet en ny forbindelse for behandling av tvangslidelser som er klare til å testes i laboratoriet etter mindre enn ett år i den første forskningsfasen. Det er omtrent fem ganger raskere enn gjennomsnittet, ifølge selskapet.

Cambridge-baserte Healx har en lignende tilnærming, men den bruker maskinlæring for å finne nye bruksområder for eksisterende medisiner. Begge selskapene fôrer algoritmene sine med informasjon - hentet fra kilder som tidsskrifter, biomedisinske databaser og kliniske studier - for å hjelpe med å foreslå nye behandlinger av sykdommer.

Menneskelig tilsyn

De to selskapene bruker hvert sitt team av menneskelige forskere for å jobbe sammen med AI for å hjelpe prosessen. I Exscientias tilnærming, kalt Centaur Chemist, hjelper medikamentdesignere å lære algoritmestrategiene for å søke etter forbindelser. Healx legger AIs spådommer til forskere som analyserer resultatene og bestemmer hva de skal forfølge.

Neil Thompson, Healxs vitenskapssjef, sa at teknikken kunne brukes mot et utbrudd som koronaviruset så lenge den hadde nok data om den nye sykdommen. Healx jobber ikke med å takle coronavirus eller finpusse teknologien for utbrudd, men det vil ikke være en strekning.

"Vi er ganske nærme," sa Thompson i et intervju. “Vi trenger ikke å endre mye på AI-algoritmene vi bruker. Vi ser på å matche medisinegenskaper med sykdomsfunksjoner. ”

Kunstig intelligens algoritmer begynner allerede å kverne ut medisiner for sykdommene vi vet om. Forskere ved Massachusetts Institute of Technology sa torsdag at de hadde brukt metoden for å identifisere en kraftig ny antibiotikaforbindelse som kan drepe en rekke plagsomme bakterier, til og med noen som i dag er resistente mot andre behandlinger.

En fangst for alle disse teknologiene er klinisk testing. Selv medisiner som allerede er trygge for bruk for å kurere en sykdom, bør testes på nytt før de er foreskrevet til en annen. Prosessen med å vise at de er sikre og effektive for et stort antall mennesker, kan ta år før de går til regulatorer for vurdering.

For å være effektive, ville AI-baserte medikamentutviklere måtte planlegge på forhånd, plukke ut et virusgenom som sannsynligvis vil forårsake problemer i fremtiden og målrette det når det er få insentiver til å gjøre det.

En annen hindring er å finne kvalifisert personale.

"Det er vanskelig å finne mennesker som kan operere i krysset mellom AI og biologi, og det er vanskelig for store selskaper å ta raske beslutninger om teknologi som dette," sa Irina Haivas, en partner i venturekapitalfirmaet Atomico og tidligere kirurg som sitter på styret for Healx. "Det er ikke nok å være AI-ingeniør, du må forstå og komme inn på anvendelsene av biologi."


Svar 6:

Når en mystisk sykdom først dukker opp, er det vanskelig for myndigheter og offentlige helsemyndigheter å samle informasjon raskt og koordinere responsen. Men ny kunstig intelligenssteknologi kan automatisk gruves gjennom nyhetsrapporter og online innhold rundt om i verden, og hjelpe fagfolk til å identifisere potensielle lidelser som fører til en potensiell epidemi eller verre. Med andre ord, våre nye AI-sjefer kan hjelpe oss med å komme oss ut av neste pest.

Disse nye

AI

kapasitetene er i full gang med det nylige koronavirusutbruddet, identifisert av et kanadisk-basert selskap, BlueDat, som er en av flere organisasjoner som bruker data for å vurdere folkehelserisiko. De amerikanske Centers for Disease Control and Prevention (CDC) og Verdens helseorganisasjon (WHO) har gitt offisielle varsler om at byrået hevder å gjennomføre "automatisk overvåking av smittsomme sykdommer". Nå i slutten av januar har et luftveisvirus knyttet til byen Wuhan i Kina allerede mistet mer enn 100 menneskeliv. Tilfeller har oppstått i mange andre land, inkludert USA, og CDC advarer amerikanere om å unngå unødvendig reise til Kina.


Svar 7:

På det tidspunktet hvor en merkelig plage først dukker opp, kan det veldig vanskelig være for myndigheter og generelle velferdsmyndigheter å samle inn data raskt og lette en reaksjon. Uansett kan ny menneskeskapt resonnementinnovasjon naturlig komme gjennom nyhetsrapporter og nettbasert stoff fra hele verden, og hjelpe spesialister til å oppfatte uoverensstemmelser som kan føre til en potensiell pest eller, mer beklagelig, en pandemi. På slutten av dagen kan våre nye AI-overherrer virkelig hjelpe oss med å holde ut følgende sykdom.

Disse nye AI-evnene er i full utstillingsvindu med den pågående koronavirus-oppblussingen, som ble utmerket på rett tid av et kanadisk firma kalt BlueDot, som er en av forskjellige organisasjoner som bruker informasjon for å vurdere generelle farer for velvære. Organisasjonen, som sier at den gjennomfører "robotisert uimotståelig observasjon av sykdom", fortalte sine klienter om den nye typen coronavirus mot slutten av desember, dager før både de amerikanske sentre for sykdomskontroll og forebygging (CDC) og Verdens helseorganisasjon (WHO) ) formidlet offisiell varsling, som kunngjort av Wired. For øyeblikket nærmer seg slutten av januar, har luftveisinfeksjonen som har blitt koblet til byen Wuhan i Kina, nettopp drept i overkant av 100 individer. Tilfeller har også dukket opp i noen få nasjoner, inkludert USA, og CDC advarer amerikanerne om å opprettholde en strategisk avstand fra unødvendig reise til Kina.

Kamran Khan, en uimotståelig sykdomslege og BlueDots forfatter og administrerende direktør, klargjorde i et møte hvordan organisasjonens innledende formaningsramme utnytter menneskeskapt bevissthet, inkludert normal språkhåndtering og AI, for å følge mer enn 100 uimotståelige infeksjoner ved å bryte ned rundt 100 000 artikler i 65 dialekter konsekvent. Denne informasjonen gjør det mulig for organisasjonen å innse når de skal fortelle kundene sine om potensiell nærhet og spredning av en uimotståelig sykdom.

Annen informasjon, som ligner på explorer-plandata og flyveier, kan bidra til å gi organisasjonen ekstra indikasjoner på hvordan en sykdom sannsynligvis vil spre seg. Nylig forutså for eksempel BlueDot-spesialister forskjellige bysamfunn i Asia der koronaviruset ville dukke opp etter at det dukket opp på Kina.

Tanken bak BlueDots modell (hvis endelige utfall på denne måten blir undersøkt av menneskelige spesialister) er å skaffe data til sosialforsikringsarbeidere så raskt som mulig, med forventning om at de kan analysere - og om nødvendig koble fra - plaget og tenkelig smittsomme individer til en passende tid.

"De offisielle dataene er ikke i alle fall lykkelige," sa Khan til Recode. "Skillet mellom ett tilfelle i en oppdagelsesreisende og en oppblussing er avhengig av at din spesialist i menneskelige tjenester oppfatter at det er en spesifikk sykdom. Det kan være skillet i å holde en oppblussing fra å virkelig skje."

Khan inkluderte at rammeverket hans på samme måte kan bruke en rekke andre opplysninger - for eksempel data om et territoriets atmosfære, temperatur eller til og med husdyr i nærheten - for å forutse om noen forurenset med en sykdom sannsynligvis vil føre til oppblussing rundt der. Han trekker fram at BlueDot i 2016 hadde muligheten til å forutse tilstedeværelsen av Zika-infeksjonen i Florida et halvt år før den virkelig dukket opp der.

Også svøpe-sjekkorganisasjonen Metabiota bekreftet at Thailand, Sør-Korea, Japan og Taiwan hadde den mest forhøyede faren for å se infeksjonen vises over syv dager før tilfeller i disse nasjonene virkelig ble avslørt, noe ved å håpe på flyinformasjonen. Metabiota, som BlueDot, bruker vanlig språkhåndtering for å vurdere nettrapporter om potensiell sykdom, og den er i tillegg flisete bort ved å bygge opp en lignende innovasjon for nettbasert livsinformasjon.

Imprint Gallivan, Metabiotas informasjonsvitenskapsleder, tydeliggjør at stadier og diskusjoner på nettet på samme måte kan gi et tegn på at det er fare for en pandemi. Metabiota hevder på samme måte at den kan vurdere faren for at en sykdom blir spredt og forårsaker sosial og politisk forstyrrelse, med tanke på data som indikasjoner på en sykdom, dødsrate og tilgjengeligheten til behandling. For eksempel, på tidspunktet for distribusjonen av denne artikkelen, vurderte Metabiota faren for at det nye koronaviruset forårsaker åpen uro som "høy" i USA og Kina, men den vurderte denne faren for apekatinfeksjonen i Den demokratiske republikken Kongo ( der det er blitt regnskapsført for tilfeller av den infeksjonen) som "medium."

Det er vanskelig å innse nøyaktig hvor presist dette vurderingsrammet eller scenen i seg selv kan være, men Gallivan sier at organisasjonen jobber med det amerikanske kunnskapsnettverket og forsvarsdepartementet om problemer identifisert med coronavirus. Dette er et stykke av Metabiotas arbeid med In-Q-Tel, det ideelle firmaet tilknyttet Central Intelligence Agency. Regjeringskontorer er imidlertid ikke de viktigste potensielle kundene for disse rammene. Metabiota publiserer i tillegg grunnlaget sitt til gjenforsikringsorganisasjoner - gjenforsikring er i utgangspunktet beskyttelse for forsikringsbyråer - som skal håndtere de økonomiske farene knyttet til en sykdoms latente kapasitetsspredning.

Det kan være, som det kan, datastyrt resonnement kan være unektelig mer verdifullt enn å bare holde eksperter og myndigheter for sykdomsoverføring utdannet som en infeksjon dukker opp. Spesialister har fremstilt AI-baserte modeller som kan forutse episoder av Zika-infeksjonen gradvis, noe som kan utdanne hvordan spesialister reagerer på potensielle nødsituasjoner. Menneskeskapt bevissthet kan også brukes til å styre hvordan generelle velvære myndigheter sprer eiendeler under en nødsituasjon. Som et resultat vil AI være en annen første beskyttelseslinje mot sykdom.

Desto mer omfattende er AI å hjelpe til med å undersøke nye medisiner, håndtere uvanlige infeksjoner og identifisere ondartet vekst i brystet. Menneskeskapt intelligens ble til og med brukt for å skille skumle krav som spredte Chagas, en alvorlig og tenkelig dødelig sykdom som har plaget forventede 8 millioner individer i Mexico og Mellom- og Sør-Amerika. Det er i tillegg utvidet entusiasme for å bruke informasjon som ikke er velvære - som nettbaserte livsgaver - for å hjelpe velvære politikere og medisineringsorganisasjoner med å forstå bredden i en velværesituasjon. For eksempel AI som kan gruve liv på nettet på gaver med ulovlige narkotiske avtaler, og holde generelle velferdsmyndigheter opplært om disse kontrollerte stoffers spredning.

Disse rammene, inkludert Metabiotas og BlueDot, er bare på nivå med informasjonen de vurderer. Dessuten har AI - for det meste - et problem med tilbøyeligheter, som kan gjenspeile både arkitektene for et rammeverk og informasjonen det er forberedt på. Dessuten er AI som brukes innen legetjenester på ingen måte, form eller form som er sikker på det problemet.

Alt i betraktning taler disse fremskrittene til et progressivt idealistisk synspunkt for hva AI kan gjøre. Vanligvis er det ikke så bra med oppdateringer om AI-roboter som filtrerer gjennom enorme informasjonsskår. Vurder lovkrav ved å bruke ansiktsgjenkjenningsdatabaser basert på bilder som er utvunnet fra over nettet. Eller på den annen side verve regissører som nå vil kunne bruke AI til å forutse hvordan du vil fortsette å slipe bort, i lys av dine internettbaserte livsposter. Muligheten for at AI gjør bekjempelse av vill sykdom, gir en situasjon der vi kan føle oss noe mindre ukomfortable, om ikke gjennom og gjennom muntre. Kanskje denne innovasjonen - når den er skapt og utnyttet på riktig måte - virkelig kan bidra til å skåne noen få liv.