L'IA potrebbe aiutare con la prossima pandemia, ma non con questa

Gente viola su una strada verde

Gente viola su una strada verde Sig.ra Tech/Unsplash





È stata un'IA a vederlo arrivare per la prima volta, o almeno così racconta la storia. Il 30 dicembre, una società di intelligenza artificiale chiamata BlueDot, che utilizza l'apprendimento automatico per monitorare i focolai di malattie infettive in tutto il mondo, ha allertato i clienti, inclusi vari governi, ospedali e aziende, di un insolito aumento dei casi di polmonite a Wuhan, in Cina. Ci sarebbero voluti altri nove giorni prima che l'Organizzazione Mondiale della Sanità segnalasse ufficialmente ciò che tutti noi conosciamo come Covid-19.

BlueDot non era solo. Anche un servizio automatizzato chiamato HealthMap presso il Boston Children's Hospital ha colto quei primi segnali. Così come un modello gestito da Metabiota, con sede a San Francisco. Che l'IA possa individuare un focolaio dall'altra parte del mondo è piuttosto sorprendente e gli allarmi precoci salvano vite.

Altro sul coronavirus

  • La nostra copertura più essenziale per covid-19 è gratuita, tra cui:

    Cos'è l'immunità di gregge?



    Che cos'è il test sierologico?

    Come funziona il coronavirus?

    Quali sono i potenziali trattamenti?



    Quali farmaci funzionano meglio?

    Qual è il modo giusto per rispettare il distanziamento sociale?

    Altre domande frequenti sul coronavirus



    ---

    Newsletter: Rapporto tecnico sul coronavirus

    Zoom: Radio Corona

  • Guarda anche:

    Tutta la nostra copertura covid-19

    Il numero speciale covid-19

  • Fare clic qui per iscriversi e supportare il nostro giornalismo senza scopo di lucro.

Ma quanto l'IA ha davvero aiutato nell'affrontare l'attuale focolaio? È una domanda difficile a cui rispondere. Aziende come BlueDot in genere hanno le labbra serrate su esattamente a chi forniscono informazioni e come vengono utilizzate. e squadre umane affermano di aver individuato l'epidemia lo stesso giorno delle IA. Altri progetti in cui l'IA viene esplorata come strumento diagnostico o utilizzata per aiutare a trovare un vaccino sono ancora nelle fasi iniziali. Anche se avranno successo, ci vorrà tempo, forse mesi, per mettere queste innovazioni nelle mani degli operatori sanitari che ne hanno bisogno.

L'hype supera la realtà. In effetti, la narrativa che è apparsa in molti servizi giornalistici e comunicati stampa senza fiato - secondo cui l'IA è una nuova potente arma contro le malattie - è vera solo in parte e rischia di diventare controproducente. Ad esempio, troppa fiducia nelle capacità dell'IA potrebbe portare a decisioni male informate che incanalano denaro pubblico verso società di IA non comprovate a spese di interventi comprovati come i programmi farmacologici. È anche un male per il campo stesso: aspettative esagerate ma deluse hanno portato a un crollo dell'interesse per l'IA e alla conseguente perdita di fondi, più di una volta in passato.

Quindi ecco un controllo della realtà: l'IA non ci salverà dal coronavirus, di certo non questa volta. Ma ci sono tutte le possibilità che giocherà un ruolo più importante nelle future epidemie, se apportiamo grandi cambiamenti. La maggior parte non sarà facile. Alcuni non ci piaceranno.

Ci sono tre aree principali in cui l'IA potrebbe aiutare: previsione, diagnosi e trattamento.

Predizione

Aziende come BlueDot e Metabiota utilizzano una gamma di algoritmi di elaborazione del linguaggio naturale (NLP) per monitorare i notiziari e i rapporti sanitari ufficiali in diverse lingue in tutto il mondo, segnalando se menzionano malattie ad alta priorità, come il coronavirus, o più endemiche quelli, come l'HIV o la tubercolosi. I loro strumenti predittivi possono anche attingere ai dati sui viaggi aerei per valutare il rischio che gli hub di transito possano vedere persone infette arrivare o partire.

I risultati sono ragionevolmente accurati. Ad esempio, l'ultimo rapporto pubblico di Metabiota, il 25 febbraio, prevedeva che il 3 marzo ci sarebbero stati 127.000 casi cumulativi in ​​tutto il mondo. È stato superato di circa 30.000, ma Mark Gallivan, direttore della scienza dei dati dell'azienda, afferma che questo è ancora ben entro il margine di errore. Ha anche elencato i paesi con maggiori probabilità di segnalare nuovi casi, tra cui Cina, Italia, Iran e Stati Uniti. Ripeto: non male.

Altri tengono d'occhio anche i social media. Stratifyd, una società di analisi dei dati con sede a Charlotte, nella Carolina del Nord, sta sviluppando un'intelligenza artificiale che scansiona i post su siti come Facebook e Twitter e li incrocia con descrizioni di malattie tratte da fonti come il National Institutes of Health, l'Organizzazione mondiale per Animal Health e il database globale degli identificatori microbici, che memorizza le informazioni sul sequenziamento del genoma.

Il lavoro di queste aziende è sicuramente impressionante. E mostra fino a che punto è avanzato il machine learning negli ultimi anni. Alcuni anni fa Google ha cercato di prevedere le epidemie con il suo sfortunato Flu Tracker, che è stato accantonato nel 2013 quando non è riuscito a prevedere il picco di influenza di quell'anno. Cosa è cambiato? Si tratta principalmente della capacità del software più recente di ascoltare su una gamma molto più ampia di sorgenti.

Anche l'apprendimento automatico non supervisionato è fondamentale. Lasciare che un'IA identifichi i propri schemi nel rumore, piuttosto che addestrarla su esempi preselezionati, mette in evidenza cose che potresti non aver pensato di cercare. Quando fai previsioni, stai cercando un nuovo comportamento, afferma il CEO di Stratifyd, Derek Wang.

Ma cosa fai con queste previsioni? La previsione iniziale di BlueDot ha individuato correttamente una manciata di città sul percorso del virus. Ciò avrebbe potuto consentire alle autorità di prepararsi, allertare gli ospedali e mettere in atto misure di contenimento. Ma con l'aumentare della portata dell'epidemia, le previsioni diventano meno specifiche. L'avvertimento di Metabiota che alcuni paesi sarebbero stati colpiti nella settimana successiva avrebbe potuto essere corretto, ma è difficile sapere cosa fare con queste informazioni.

Inoltre, tutti questi approcci diventeranno meno accurati con il progredire dell'epidemia, soprattutto perché è stato difficile ottenere dati affidabili del tipo di cui l'IA ha bisogno per nutrirsi su Covid-19. Fonti di notizie e rapporti ufficiali offrono resoconti incoerenti. C'è stata confusione sui sintomi e su come il virus passa tra le persone. I media possono riprodurre le cose; le autorità possono minimizzare le cose. E prevedere dove una malattia può diffondersi da centinaia di siti in dozzine di paesi è un compito molto più scoraggiante che fare una chiamata su dove un singolo focolaio potrebbe diffondersi nei suoi primi giorni. Il rumore è sempre il nemico degli algoritmi di apprendimento automatico, afferma Wang. In effetti, Gallivan riconosce che le previsioni quotidiane di Metabiota erano più facili da fare nelle prime due settimane circa.

Uno dei maggiori ostacoli è la mancanza di test diagnostici, afferma Gallivan. Idealmente, avremmo un test per rilevare immediatamente il nuovo coronavirus e testare tutti almeno una volta al giorno, dice. Inoltre, non sappiamo davvero quali comportamenti stiano adottando le persone - chi lavora da casa, chi è in quarantena, chi si sta lavando o meno le mani - o quale effetto potrebbe avere. Se vuoi prevedere cosa accadrà dopo, hai bisogno di un quadro preciso di ciò che sta accadendo in questo momento.

Non è nemmeno chiaro cosa stia succedendo all'interno degli ospedali. Ahmer Inam di Pactera Edge, una società di consulenza sui dati e l'intelligenza artificiale, afferma che gli strumenti di previsione sarebbero molto migliori se i dati sulla salute pubblica non fossero rinchiusi nelle agenzie governative come in molti paesi, inclusi gli Stati Uniti. Ciò significa che un'IA deve basarsi maggiormente su dati prontamente disponibili come le notizie online. Quando i media rilevano una condizione medica potenzialmente nuova, è già troppo tardi, dice.

Ma se l'IA ha bisogno di molti più dati da fonti affidabili per essere utile in quest'area, le strategie per ottenerle possono essere controverse. Diverse persone con cui ho parlato hanno evidenziato questo scomodo compromesso: per ottenere previsioni migliori dall'apprendimento automatico, dobbiamo condividere più dati personali con aziende e governi.

Darren Schulte, MD e CEO di Apixio, che ha creato un'IA per estrarre informazioni dalle cartelle dei pazienti, ritiene che le cartelle cliniche di tutti gli Stati Uniti dovrebbero essere aperte per l'analisi dei dati. Ciò potrebbe consentire a un'IA di identificare automaticamente le persone più a rischio di Covid-19 a causa di una condizione sottostante. Le risorse potrebbero quindi essere concentrate sulle persone che ne hanno più bisogno. La tecnologia per leggere i record dei pazienti ed estrarre informazioni salvavita esiste, afferma Schulte. Il problema è che questi record sono suddivisi su più database e gestiti da diversi servizi sanitari, il che li rende più difficili da analizzare. Mi piacerebbe far cadere la mia intelligenza artificiale in questo grande oceano di dati, dice. Ma i nostri dati si trovano in piccoli laghi, non in un grande oceano.

I dati sanitari dovrebbero anche essere condivisi tra i paesi, afferma Inam: i virus non operano entro i confini dei confini geopolitici. Ritiene che i paesi dovrebbero essere costretti da un accordo internazionale a rilasciare dati in tempo reale su diagnosi e ricoveri ospedalieri, che potrebbero quindi essere inseriti in modelli di apprendimento automatico su scala globale di una pandemia.

Naturalmente, questo potrebbe essere un pio desiderio. Diverse parti del mondo hanno normative sulla privacy diverse per i dati medici. E molti di noi già esitano a rendere i nostri dati accessibili a terzi. Nuove tecniche di elaborazione dei dati, come la privacy differenziale e la formazione sui dati sintetici piuttosto che sui dati reali, potrebbero offrire una via attraverso questo dibattito. Ma questa tecnologia è ancora in fase di perfezionamento. Trovare un accordo sugli standard internazionali richiederà ancora più tempo.

Per ora, dobbiamo sfruttare al meglio i dati che abbiamo. La risposta di Wang è assicurarsi che gli esseri umani siano in giro per interpretare ciò che i modelli di apprendimento automatico sputano, assicurandosi di scartare le previsioni che non suonano vere. Se uno è eccessivamente ottimista o fa affidamento su un modello predittivo completamente autonomo, si rivelerà problematico, afferma. Le IA possono trovare segnali nascosti nei dati, ma gli esseri umani devono collegare i punti.

Diagnosi precoce

Oltre a prevedere il corso di un'epidemia, molti sperano che l'IA aiuterà a identificare le persone che sono state infettate. L'IA ha una comprovata esperienza qui. I modelli di apprendimento automatico per l'esame delle immagini mediche possono rilevare i primi segni di malattie che i medici umani non vedono, dalle malattie degli occhi alle malattie cardiache fino al cancro. Ma questi modelli in genere richiedono molti dati da cui imparare.

Una manciata di documenti prestampati sono stati pubblicati online nelle ultime settimane suggerendo questo l'apprendimento automatico può diagnosticare il Covid-19 dalle scansioni TC del tessuto polmonare se addestrato a individuare i segni rivelatori della malattia nelle immagini. Alexander Selvikvåg Lundervold dell'Università di scienze applicate della Norvegia occidentale a Bergen, in Norvegia, esperto di apprendimento automatico e imaging medico, afferma che dovremmo aspettarci che l'IA sia in grado di rilevare i segni di Covid-19 nei pazienti alla fine. Ma non è chiaro se l'imaging sia la strada da percorrere. Per prima cosa, i segni fisici della malattia potrebbero non apparire nelle scansioni fino a qualche tempo dopo l'infezione, rendendolo non molto utile come diagnosi precoce.

Il dottore punta alla TAC

Il dottor Fan Zhongjie, uno specialista della respirazione responsabile di pazienti critici con COVID-19 nella provincia di Hubei, nella Cina centrale, legge un'immagine di scansione TC. Immagini AP

Inoltre, poiché finora sono disponibili così pochi dati di formazione, è difficile valutare l'accuratezza degli approcci pubblicati online. La maggior parte dei sistemi di riconoscimento delle immagini, compresi quelli addestrati su immagini mediche, sono adattati da modelli addestrati per la prima volta su ImageNet, un set di dati ampiamente utilizzato che comprende milioni di immagini quotidiane. Classificare qualcosa di semplice che è vicino ai dati di ImageNet, come le immagini di cani e gatti, può essere fatto con pochissimi dati, afferma Lundervold. Reperti sottili nelle immagini mediche, non così tanto.

Questo non vuol dire che non accadrà e potrebbero essere creati strumenti di intelligenza artificiale per rilevare le prime fasi della malattia in futuri focolai. Ma dovremmo essere scettici su molte delle affermazioni dei medici di IA che diagnosticano oggi il Covid-19. Ancora una volta, la condivisione di più dati dei pazienti aiuterà, così come le tecniche di apprendimento automatico che consentono di addestrare i modelli anche quando sono disponibili pochi dati. Ad esempio, l'apprendimento in pochi scatti, in cui un'IA può apprendere schemi solo da una manciata di risultati, e l'apprendimento trasferito, in cui un'IA già addestrata a fare una cosa può essere rapidamente adattata per fare qualcosa di simile, sono progressi promettenti, ma funzionano comunque in corso.

Cura-tutto

I dati sono essenziali anche se l'intelligenza artificiale vuole aiutare a sviluppare trattamenti per la malattia. Una tecnica per identificare possibili farmaci candidati consiste nell'utilizzare algoritmi di progettazione generativa, che producono un vasto numero di potenziali risultati e poi li setacciano per evidenziare quelli che vale la pena guardare più da vicino. Questa tecnica può essere utilizzata per cercare rapidamente milioni di strutture biologiche o molecolari, ad esempio.

SRI International sta collaborando a un tale strumento di intelligenza artificiale, che utilizza il deep learning per generare molti nuovi farmaci candidati che gli scienziati possono quindi valutare per l'efficacia. Questo è un punto di svolta per la scoperta di farmaci, ma possono ancora volerci molti mesi prima che un candidato promettente diventi un trattamento praticabile.

In teoria, le IA potrebbero essere utilizzate anche per prevedere l'evoluzione del coronavirus. Inam immagina di eseguire algoritmi di apprendimento senza supervisione per simulare tutti i possibili percorsi evolutivi. Potresti quindi aggiungere potenziali vaccini al mix e vedere se i virus mutano per sviluppare resistenza. Ciò consentirà ai virologi di essere un passo avanti rispetto ai virus e creare vaccini nel caso in cui si verifichi una di queste mutazioni da giorno del giudizio, dice.

È una possibilità eccitante, ma lontana. Non abbiamo ancora abbastanza informazioni su come il virus muta per poterlo simulare questa volta.

Nel frattempo, l'ultima barriera potrebbero essere i responsabili. Quello che mi piacerebbe di più cambiare è il rapporto tra i decisori politici e l'IA, dice Wang. L'IA non sarà in grado di prevedere da sola le epidemie di malattie, indipendentemente dalla quantità di dati che ottiene. Convincere i leader del governo, delle imprese e dell'assistenza sanitaria a fidarsi di questi strumenti cambierà radicalmente la rapidità con cui possiamo reagire alle epidemie, afferma. Ma quella fiducia deve provenire da una visione realistica di ciò che l'IA può e non può fare ora e di ciò che potrebbe migliorarla la prossima volta.

Sfruttare al meglio l'IA richiede molti dati, tempo e un coordinamento intelligente tra molte persone diverse. Tutti scarseggiano in questo momento.

nascondere