Перевод искусственный интеллект. Can machines think
 Скачать 250.78 Kb.
|
|
Biomarker discovery with AI High-dimensional data, including multi-omics data, patient characteristics, medical laboratory test data, etc., are often used for generating various pre- dictive or prognostic models through DL or statistical modeling methods. For instance, the COVID-19 severity evaluation model was built through ML using proteomic and metabolomic profiling data of sera55; using integrated genetic, clinical, and demographic data, Taliaz et al. built an ML model to predict patient response to antidepressant medications56; prognostic models for multiple cancer types (such as liver cancer, lung cancer, breast cancer, gastric cancer, colorectal cancer, pancreatic cancer, prostate cancer, ovarian cancer, lymphoma, leukemia, sarcoma, melanoma, bladder cancer, renal cancer, thyroid cancer, head and neck cancer, etc.) were constructed through DL or statistical methods, such as least absolute shrinkage and selection operator (LASSO), combined with Cox proportional hazards regression model using genomic data.57 | Обнаружение биомаркеров с помощью ИИ Многомерные данные, включая данные мультиомики, характеристики пациентов, данные медицинских лабораторных тестов и т. Д., Часто используются для создания различных преддиктивных или прогностических моделей с помощью методов DL или статистического моделирования. Например, модель оценки тяжести COVID-19 была построена с помощью ML с использованием данных протеомного и метаболомического профилирования sera55; используя интегрированные генетические, клинические и демографические данные, Taliaz et al. построили модель ML для прогнозирования реакции пациентов на антидепрессанты56; Прогностические модели для нескольких типов рака (таких как рак печени, рак легких, рак молочной железы, рак желудка, колоректальный рак, рак поджелудочной железы, рак предстательной железы, рак яичников, лимфома, лейкемия, саркома, меланома, рак мочевого пузыря, рак почек, рак щитовидной железы, рак головы и шеи и т. Д.) Были построены с помощью DL или статистических методов, таких как наименьшее абсолютное сокращение и выбор оператора (LASSO) , в сочетании с моделью регрессии пропорциональных опасностей Кокса с использованием геномных данных.57 |
| Image-based medical AI Medical image AI is one of the most developed mature areas as there are numerous models for classification, detection, and segmentation tasks in CV. For the clinical area, CV algorithms can also be used for computer-aided diagnosis and treatment with ECG, CT, eye fundus imaging, etc. As human doc- tors may be tired and prone to make mistakes after viewing hundreds and hundreds of images for diagnosis, AI doctors can outperform a human med- ical image viewer due to their specialty at repeated work without fatigue. The first medical AI product approved by FDA is IDx-DR, which uses an AI model to make predictions of diabetic retinopathy. The smartphone app SkinVision can accurately detect melanomas.58 It uses “fractal analysis” to identify moles and their surrounding skin, based on size, diameter, and many other parameters, and to detect abnormal growth trends. AI-ECG of LEPU Medical can automatically detect heart disease with ECG images. Lianying Medical takes advantage of their hardware equipment to produce real-time high-defi- nition image-guided all-round radiotherapy technology, which successfully achieves precise treatment. | Медицинский ИИ на основе изображений ИИ медицинского изображения является одной из наиболее развитых зрелых областей, поскольку существует множество моделей для классификации, обнаружения и сегментации задач в CV. Для клинической области алгоритмы CV также могут использоваться для автоматизированной диагностики и лечения с помощью ЭКГ, КТ, визуализации глазного дна и т. Д. Поскольку люди-докторы могут быть уставшими и склонными к ошибкам после просмотра сотен и сотен изображений для диагностики, врачи ИИ могут превзойти человека-зрителя медицинских изображений из-за их специальности при повторной работе без усталости. Первым медицинским продуктом ИИ, одобренным FDA, является IDx-DR, который использует модель ИИ для прогнозирования диабетической ретинопатии. Приложение для смартфонов SkinVision может точно обнаруживать меланомы.58 Оно использует «фрактальный анализ» для идентификации родинок и окружающей их кожи, основываясь на размере, диаметре и многих других параметрах, а также для обнаружения аномальных тенденций роста. AI-ECG LEPU Medical может автоматически обнаруживать сердечные заболевания с помощью изображений ЭКГ. Lianying Medical использует свое аппаратное оборудование для производства в режиме реального времени высокопроизводительных Технология всесторонней лучевой терапии с визуальным контролем, которая успешно обеспечивает точное лечение. |
| Wearable devices for surveillance and early warning For wearable devices, AliveCor has developed an algorithm to automati- cally predict the presence of atrial fibrillation, which is an early warning sign of stroke and heart failure. The 23andMe company can also test saliva samples at a small cost, and a customer can be provided with information based on their genes, including who their ancestors were or potential dis- eases they may be prone to later in life. It provides accurate health manage- ment solutions based on individual and family genetic data. In the 20–30 years of the near feature, we believe there are several directions for further research: (1) causal inference for real-time in-hospital risk prediction. Clinical doctors usually acquire reasonable explanations for certain medical decisions, but the current AI models nowadays are usually black box models. The casual inference will help doctors to explain certain AI decisions and even discover novel ground truths. (2) Devices, including wearable instruments for multi-dimensional health monitoring. The multi-modality model is now a trend for AI research. With various devices to collect multi-modality data and a central processor to fuse all these data, the model can monitor the user’s overall real-time health condition and give precautions more precisely. (3) Automatic discovery of clinical markers for diseases that are difficult to diagnose. Diseases, such as ALS, are still difficult for clinical doctors to diag- nose because they lack any effective general marker. It may be possible for AI to discover common phenomena for these patients and find an effective marker for early diagnosis. | Носимые устройства для наблюдения и раннего предупреждения Для носимых устройств AliveCor разработала алгоритм для автоматизации прогнозирования наличия фибрилляции предсердий, которая является ранним предупреждающим признаком инсульта и сердечной недостаточности. Компания 23andMe также может тестировать образцы слюны по небольшой цене, и клиенту может быть предоставлена информация, основанная на его генах, в том числе о том, кем были их предки или потенциальные неудобства, к которым они могут быть склонны в дальнейшей жизни. Он предоставляет точные решения по управлению здоровьем, основанные на индивидуальных и семейных генетических данных. В течение 20-30 лет близкой особенности мы считаем, что есть несколько направлений для дальнейших исследований: (1) причинно-следственный вывод для прогнозирования риска в больнице в режиме реального времени. Клинические врачи обычно получают разумные объяснения для определенных медицинских решений, но современные модели ИИ в настоящее время обычно являются моделями черного ящика. Случайный вывод поможет врачам объяснить определенные решения ИИ и даже открыть новые истины. (2) Устройства, включая носимые приборы для многомерного мониторинга состояния. Мультимодальная модель в настоящее время является тенденцией для исследований ИИ. С различными устройствами для сбора мультимодальных данных и центральным процессором для слияния всех этих данных модель может отслеживать общее состояние здоровья пользователя в режиме реального времени и более точно давать меры предосторожности. (3) Автоматическое открытие клинических маркеров заболеваний, которые трудно диагностировать. Заболевания, такие как БАС, по-прежнему трудно диагностировать нос, потому что у них нет эффективного общего маркера. Возможно, ИИ сможет обнаружить общие явления для этих пациентов и найти эффективный маркер для ранней диагностики. |
| AI-aided drug discovery Today we have come into the precision medicine era, and the new targeted drugs are the cornerstones for precision therapy. However, over the past de- cades, it takes an average of over one billion dollars and 10 years to bring a new drug into the market. How to accelerate the drug discovery process, and avoid late-stage failure, are key concerns for all the big and fiercely competitive pharmaceutical companies. The highlighted emerging role of AI, including ML, DL, expert systems, and artificial neural networks (ANNs), has brought new insights and high efficiency into the new drug discovery processes. AI has been adopted in many aspects of drug discovery, including de novo molecule design, structure-based modeling for proteins and ligands, quantitative structure-activity relationship research, and druggable property judgments. DL-based AI appliances demonstrate superior merits in addressing some challenging problems in drug discovery. Of course, prediction of chemical synthesis routes and chemical process optimization are also valuable in accelerating new drug discovery, as well as lowering production costs. There has been notable progress in the AI-aided new drug discovery in recent years, for both new chemical entity discovery and the relating business area. Based on DNNs, DeepMind built the AlphaFold platform to predict 3D protein structures that outperformed other algorithms. As an illustration of great achievement, AlphaFold successfully and accurately predicted 25 scratch protein structures from a 43 protein panel without using previously built proteins models. Accordingly, AlphaFold won the CASP13 protein- folding competition in December 2018.59 Based on the GANs and other ML methods, Insilico constructed a modular drug design platform GENTRL system. In September 2019, they reported the discovery of the first de novo active DDR1 kinase inhibitor developed by the GENTRL system. It took the team only 46 days from target selection to get an active drug candi- date using in vivo data.60 Exscientia and Sumitomo Dainippon Pharma developed a new drug candidate, DSP-1181, for the treatment of obsessive- compulsive disorder on the Centaur Chemist AI platform. In January 2020, DSP-1181 started its phase I clinical trials, which means that, from program initiation to phase I study, the comprehensive exploration took less than 12 months. In contrast, comparable drug discovery using traditional methods usually needs 4–5 years with traditional methods. | Открытие лекарств с помощью ИИ Сегодня мы вступили в эру прецизионной медицины, и новые таргетные препараты являются краеугольными камнями прецизионной терапии. Однако за прошедшие де-кады требуется в среднем более одного миллиарда долларов и 10 лет, чтобы вывести на рынок новый препарат. Как ускорить процесс открытия лекарств и избежать неудачи на поздней стадии, является ключевым вопросом для всех крупных и жестко конкурирующих фармацевтических компаний. Подчеркнутая новая роль ИИ, включая ML, DL, экспертные системы и искусственные нейронные сети (ИНС), принесла новые идеи и высокую эффективность в новые процессы открытия лекарств. ИИ был принят во многих аспектах открытия лекарств, включая дизайн молекул de novo, структурное моделирование белков и лигандов, количественные исследования взаимосвязи структура-активность и суждения о лекарственных свойствах. Устройства ИИ на основе DL демонстрируют превосходные достоинства в решении некоторых сложных проблем в области открытия лекарств. Конечно, прогнозирование путей химического синтеза и оптимизация химических процессов также ценны для ускорения открытия новых лекарств, а также снижения производственных затрат. В последние годы был достигнут заметный прогресс в открытии новых лекарств с помощью ИИ, как для открытия новых химических предприятий, так и для соответствующей области бизнеса. Основываясь на DNN, DeepMind построил платформу AlphaFold для прогнозирования 3D-белковых структур, которые превзошли другие алгоритмы. В качестве иллюстрации больших достижений AlphaFold успешно и точно предсказал 25 скретч-белковых структур из 43 белковой панели без использования ранее построенных белковых моделей. Соответственно, AlphaFold выиграла конкурс CASP13 по сворачиванию белка в декабре 2018 года.59 Основываясь на GANs и других методах ML, Insilico построила модульную платформу проектирования лекарств GENTRL system. В сентябре 2019 года они сообщили об открытии первого de novo активного ингибитора киназы DDR1, разработанного системой GENTRL. Команде потребовалось всего 46 дней с момента выбора цели, чтобы получить активный препарат candi-date с использованием данных in vivo.60 Exscientia и Sumitomo Dainippon Pharma разработали новый препарат-кандидат, DSP-1181, для лечения обсессивно-компульсивного расстройства на платформе Centaur Chemist AI. В январе 2020 года DSP-1181 начал свои клинические испытания фазы I, что означает, что от начала программы до исследования фазы I всестороннее исследование заняло менее 12 месяцев. Напротив, сопоставимое открытие лекарств с использованием традиционных методов обычно требует 4-5 лет с традиционными методами. |
| How AI transforms medical practice: A case study of cervical cancer As the most common malignant tumor in women, cervical cancer is a disease that has a clear cause and can be prevented, and even treated, if de- tected early. Conventionally, the screening strategy for cervical cancer mainly adopts the “three-step” model of “cervical cytology-colposcopy-histopathology.”61 However, limited by the level of testing methods, the efficiency of cervical cancer screening is not high. In addition, owing to the lack of knowledge by doctors in some primary hospitals, patients cannot be provided with the best diagnosis and treatment decisions. In recent years, with the advent of the era of computer science and big data, AI has gradually begun to extend and blend into various fields. In particular, AI has been widely used in a variety of cancers as a new tool for data mining. For cervical cancer, a clinical database with millions of medical records and pathological data has been built, and an AI medical tool set has been developed.62 Such an AI analysis algorithm supports doctors to access the ability of rapid iterative AI model training. In addition, a prognostic prediction model established by ML and a web-based prognostic result calculator have been developed, which can accurately predict the risk of postoperative recurrence and death in cervical cancer patients, and thereby better guide decision-making in postoperative adjuvant treatment.63 | Как ИИ трансформирует медицинскую практику: тематическое исследование рака шейки матки Как наиболее распространенная злокачественная опухоль у женщин, рак шейки матки является заболеванием, которое имеет четкую причину и может быть предотвращено и даже вылечено, если его удалить на ранней стадии. Традиционно стратегия скрининга рака шейки матки в основном принимает «трехступенчатую» модель «цитология шейки матки-кольпоскопия-гистопатология». 61 Однако, ограниченная уровнем методов тестирования, эффективность скрининга рака шейки матки не высока. Кроме того, из-за отсутствия знаний у врачей в некоторых первичных больницах пациентам не могут быть предоставлены наилучшие решения по диагностике и лечению. В последние годы, с наступлением эры информатики и больших данных, ИИ постепенно начал расширяться и сливаться с различными областями. В частности, ИИ широко используется при различных видах рака в качестве нового инструмента для интеллектуального анализа данных. Для рака шейки матки была создана клиническая база данных с миллионами медицинских записей и патологических данных, а также разработан набор медицинских инструментов ИИ.62 Такой алгоритм анализа ИИ помогает врачам получить доступ к возможности быстрого итеративного обучения модели ИИ. Кроме того, была разработана прогностическая модель прогнозирования, установленная ML, и веб-калькулятор прогностических результатов, который может точно прогнозировать риск послеоперационного рецидива и смерти у пациентов с раком шейки матки и тем самым лучше направлять принятие решений в послеоперационном адъювантном лечении.63 |
| AI IN MATERIALS SCIENCE As the cornerstone of modern industry, materials have played a crucial role in the design of revolutionary forms of matter, with targeted properties for broad applications in energy, information, biomedicine, construction, transportation, national security, spaceflight, and so forth. Traditional strategies rely on the empirical trial and error experimental approaches as well as thetheoretical simulation methods, e.g., density functional theory, thermody- namics, or molecular dynamics, to discover novel materials.64 These methods often face the challenges of long research cycles, high costs, and low success rates, and thus cannot meet the increasingly growing demands of current materials science. Accelerating the speed of discovery and deploy- ment of advanced materials will therefore be essential in the coming era. With the rapid development of data processing and powerful algorithms, AI-based methods, such as ML and DL, are emerging with good potentials in the search for and design of new materials prior to actually manufacturing them.65,66 By integrating material property data, such as the constituent element, lattice symmetry, atomic radius, valence, binding energy, electroneg- ativity, magnetism, polarization, energy band, structure-property relation, and functionalities, the machine can be trained to “think” about how to improve material design and even predict the properties of new materials in a cost- effective manner (Figure 5). |