Forskere på Mayo Clinic har udviklet en innovativ AI-teknologi, kaldet "hypotesedrevet AI", som adskiller sig fra konventionelle datadrevne AI-modeller.
Traditionelle AI-metoder udmærker sig ved at identificere mønstre i store mængder data, f.eks. genetiske sekvenser eller diagnostiske billeder, men de kan ofte ikke inddrage eksisterende videnskabelig viden eller hypoteser direkte i deres læringsproces.
Hypotesedrevet AI udfordrer disse normer ved at inddrage medicinske hypoteser i sin læringsproces. Den lærer ikke bare af de data, den bliver fodret med - den bruger også hypoteser til at udforske data direkte.
Dokumentation af deres forskning i tidsskriftet CancersMayo Clinic anvender deres hypotesedrevne AI-systemer til at hjælpe med at opklare dynamikken i komplekse sygdomme som f.eks. kræft.
At skrive i en Mayo Clinic pressemeddelelseDr. Hu Li, undersøgelsens hovedforfatter, forklarede, hvordan hypotesedrevet AI gavner medicinsk forskning: "Dette fremmer en ny æra inden for design af målrettede og informerede AI-algoritmer til at løse videnskabelige spørgsmål, bedre forstå sygdomme og vejlede om individualiseret medicin."
Sådan her fungerer det:
- Udarbejdelse af data: Teamet, der ledes af Zilin Xianyu og kolleger på Mayo Clinic, indledte deres undersøgelse med at indsamle, herunder genomiske data (DNA), proteomiske (proteiner), transkriptomiske (RNA-meddelelser) og epigenetiske (arvelige ændringer, der ikke påvirker DNA-sekvensen) oplysninger fra tusindvis af kræftprøver.
- Udvikling af AI-systemet: På baggrund af de indsamlede data designede forskerne en ny klasse af AI-algoritmer kendt som "hypotesedrevet AI". I modsætning til traditionelle modeller var disse algoritmer unikt konstrueret til at integrere og teste videnskabelige hypoteser i deres læringsproces.
- Anvendelse på onkologisk forskning: Da algoritmerne var klar, anvendte forskerne deres hypotesedrevne AI på tværs af flere nøgleområder inden for onkologisk forskning, såsom tumorklassificering, patientstratificering og forudsigelse af lægemiddelrespons, og rapporterede om forbedret ydeevne i forhold til konventionelle metoder.
Daniel Billadeau, Ph.d., medopfinder af undersøgelsen og professor ved Mayo Clinics afdeling for immunologi, udtaler: "Denne nye klasse af kunstig intelligens åbner en ny vej til bedre at forstå samspillet mellem kræft og immunsystemet og giver et stort løfte om ikke blot at teste medicinske hypoteser, men også at forudsige og forklare, hvordan patienter vil reagere på immunterapier."
Der er selvfølgelig nogle begrænsninger. Dr. Li bemærker udfordringerne ved at skabe så avancerede algoritmer, herunder behovet for domænespecifik forskning og risikoen for bias.
Alligevel er han optimistisk og siger: "Ikke desto mindre muliggør hypotesedrevet AI aktive interaktioner mellem menneskelige eksperter og AI, som mindsker bekymringen for, at AI i sidste ende vil eliminere nogle professionelle job."
AI's rolle i medicinsk og sundhedsfaglig forskning er i konstant udvikling, og de seneste fremskridt inden for Ny forskning i antibiotika og syntetisere anti-aging medicin.
Mayo Clinic-forskere brugte for nylig GPT-4 som en diagnostisk værktøj til apopleksipatienter, og sidste år hjalp de med at udvikle en maskinlæringsmodel, der kunne diagnosticer diabetes ud fra stemmeoptagelser.
Men der er risici, som det blev fremhævet, da 100+ forskere skabte retningslinjer for Sikkert AI-proteindesign for at begrænse muligheden for misbrug.
