Биомедицински изследвания, базирани на изкуствен интелект: от алгоритмите до лабораторията

Въведение

Биомедицинските изследвания традиционно се свързват с лаборатории, микроскопи, клинични наблюдения и внимателно контролирани експерименти. Днес обаче друга среда е придобила не по-малко значение: цифровият свят. Огромни масиви от данни, изкуствен интелект (AI), машинно обучение и все по-сложни изчислителни модели променят начина, по който изследователите изучават човешката биология.

Съвременните лаборатории могат да генерират огромни количества информация. Геномното секвениране, медицинската визуализация, молекулярният скрининг, електронните здравни досиета, носимите устройства и автоматизираното лабораторно оборудване – всичко това допринася за разширяването на научната екосистема от данни. Предизвикателството вече не се състои просто в събирането на информация. Изследователите трябва да определят как ефективно да я организират, анализират и интерпретират.

Именно тук изкуственият интелект започва да играе важна роля.

Вместо да замести традиционните биомедицински изследвания, изкуственият интелект може да ги допълни. Алгоритмите могат да анализират милиони наблюдения, да идентифицират статистически модели и да помогнат на изследователите да решат кои хипотези заслужават по-нататъшно експериментално проучване. Резултатът е все по-свързана изследователска среда, в която компютърните науки и лабораторните науки работят заедно.

Защо биомедицинските изследвания стават ориентирани към данните

Научните изследвания винаги са зависели от данните, но мащабът на съвременната биомедицинска информация е коренно различен от този, с който изследователите работеха преди няколко десетилетия.

Един-единствен съвременен експеримент може да генерира хиляди или милиони измервания. Геномните проучвания могат да анализират вариации в цели популации. Болниците натрупват обширни клинични досиета, докато технологиите за образна диагностика генерират подробни цифрови изображения на човешкото тяло.

Изследователите могат също така да събират непрекъсната информация чрез технологии за носене. Сърдечната честота, сънят, физическата активност, температурата и други променливи могат потенциално да се наблюдават в продължение на дълги периоди.

Поотделно тези набори от данни предоставят полезна информация. Комбинирането им обаче създава значително по-голяма сложност.

Традиционните статистически методи остават от съществено значение, но изкуственият интелект и машинното обучение предоставят допълнителни начини за изследване на взаимоотношенията в големи набори от данни. Изследователите могат да използват изчислителни модели, за да идентифицират модели, които иначе биха останали скрити сред милиони наблюдения.

Машинното обучение като научен инструмент

Машинното обучение е една от най-важните технологии, стоящи в основата на съвременните изследвания, задвижвани от изкуствен интелект.

Вместо да програмират компютър с фиксирани инструкции за всеки възможен сценарий, изследователите могат да обучават модели за машинно обучение, използвайки съществуващи набори от данни. Системата научава статистическите взаимоотношения в информацията и след това може да класифицира или да прогнозира резултати за нови данни.

В биомедицинската наука тези методи имат много потенциални приложения.

Алгоритмите могат да анализират медицински изображения, да класифицират молекулни структури, да изследват генетични вариации и да сравняват лабораторни измервания. Те могат също да помогнат на изследователите да идентифицират групи от пациенти или експериментални проби, които споделят определени характеристики.

Машинното обучение обаче не определя автоматично защо съществува дадена биологична връзка.

Ако даден алгоритъм открие връзка между биомаркер и здравен резултат, учените все пак трябва да изследват основния биологичен механизъм. Компютърният анализ може да генерира обещаващи хипотези, но лабораторните експерименти и подходящо проектираните клинични проучвания остават от съществено значение за тяхното тестване.

От компютърни прогнози към лабораторни експерименти

Едно от най-интересните развития в биомедицинските изследвания е все по-тясната връзка между компютърните прогнози и физическите експерименти.

Традиционно изследователите разработват хипотеза и след това проектират лабораторни експерименти, за да я изследват. Изкуственият интелект въвежда още един етап в този процес.

Учените могат първо да анализират големи съществуващи масиви от данни и да използват изчислителни модели, за да идентифицират потенциални взаимоотношения. Тези прогнози могат след това да насочват лабораторните експерименти.

Представете си, че изследователи изучават биологичен рецептор, участващ в определен клетъчен процес. Компютърният скрининг може да проучи хиляди молекулни структури и да оцени кои съединения са най-вероятни да взаимодействат с рецептора.

Вместо да подлагат на физически скрининг всеки кандидат веднага, изследователите могат да дадат приоритет на по-малка група за лабораторно изследване.

Резултатите от експериментите могат впоследствие да бъдат върнати към изчислителния модел, създавайки цикъл на обратна връзка:

Данни → Алгоритъм → Прогноза → Експеримент → Нови данни

Този цикъл може да се превърне в една от определящите характеристики на бъдещите биомедицински лаборатории.

Изкуствен интелект и откриване на лекарства

Откриването на лекарства е особено подходящо за изследвания, основани на данни, тъй като броят на теоретично възможните молекули е огромен.

Изследователите не могат да изследват експериментално всяко потенциално съединение. Затова изчислителните техники могат да помогнат за стесняване на обхвата на търсенето.

Системите за изкуствен интелект могат да анализират молекулни структури, химични характеристики и съществуващи биологични данни, за да идентифицират кандидати, които заслужават по-нататъшно проучване. Някои модели могат да оценят свойства като молекулни взаимодействия или потенциална токсичност, преди изследователите да преминат към по-скъпи експериментални етапи.

Това не означава, че един алгоритъм може просто да „измисли лекарство“ и да го подготви за клинично приложение.

Генерираните от компютър прогнози изискват обширна валидация. Изследователите трябва да проучат фармакологията, токсичността, метаболизма, дозировката, взаимодействията и множество други променливи. Обещаващите съединения все пак могат да се провалят по време на лабораторни, животински или клинични изследвания.

Ценността на изкуствения интелект се състои преди всичко в това, че помага на учените да се ориентират по-ефективно в огромното пространство на търсенето.

Разширяващата се цифрова среда около изследователските съединения

Научната информация вече не се ограничава до академични списания и университетски библиотеки. Търсачките, онлайн базите данни, дигиталните общности и търговските уебсайтове улесняват значително достъпа на широката публика до информация за експериментални съединения и такива, свързани с определени характеристики.

Тази по-широка цифрова екосистема включва платформи като Dutch Sarms, което отразява нарастващата осведоменост на обществеността относно категориите съединения, които се обсъждат и в контекста на фармакологичните изследвания и изследванията, свързани с физическата работоспособност. Въпреки това, достъпността в интернет и научните доказателства са фундаментално различни неща. Фактът, че дадено съединение се обсъжда широко или е достъпно на пазара, не означава, че то е клинично безопасно, ефективно или одобрено от регулаторните органи.

Изкуственият интелект може в крайна сметка да помогне на изследователите и читателите да се ориентират в тази разширяваща се информационна среда, като организира научната литература, идентифицира противоречиви резултати и разграничава различните нива на доказателства.

Това може да стане все по-важно, тъй като обемът на биомедицинската информация, достъпна онлайн, продължава да нараства.

Биомаркери и предсказуема аналитика

Биомаркерите са измерими биологични характеристики, които могат да предоставят информация за физиологичните процеси.

Примери за това са концентрациите на хормони, протеини, ензими, генетични маркери и многобройни измервания, получени чрез анализ на кръв или тъкани.

Традиционно изследователите могат да изследват относително малък брой биомаркери наведнъж. Съвременните лабораторни технологии могат да измерват стотици или дори хиляди.

Машинното обучение може да помогне за идентифицирането на комбинации от маркери, които изглеждат свързани с конкретни биологични състояния.

Вместо да се питат дали едно измерване предсказва резултат, изследователите могат да проучат дали сложен модел, включващ много измервания, предоставя полезна информация.

Този подход е особено актуален в области като метаболитни изследвания, сърдечно-съдова наука, онкология и ендокринология.

ИИ и хормоналните изследвания

Хормоналните системи показват защо биологичните изследвания могат да се превърнат в изчислително предизвикателство.

Хормоните рядко функционират независимо. Те взаимодействат чрез сложни механизми за обратна връзка, включващи рецептори, органи, ензими и сигнални пътища. Възрастта, генетиката, сънят, храненето, медикаментите и многобройните фактори на околната среда могат допълнително да повлияят на тези системи.

Големите масиви от данни позволяват на изследователите да изследват тези взаимоотношения в по-големи популации.

Един пример за съединение, което се среща в ендокринната и фармакологичната литература, е енкломифен, който е изследван за ефектите си върху хипоталамо-хипофизно-гонадната ос и свързаните с тестостерона резултати при мъже със вторичен хипогонадизъм. Анализът, основан на данни, може да помогне на изследователите да сравняват измерванията в различните проучвания и да идентифицират въпроси за по-нататъшно изследване, но заключенията относно клиничното приложение все още зависят от подходящо проектирани клинични изпитвания и регулаторна оценка.

Това разграничение илюстрира важен принцип на медицината, базирана на изкуствен интелект: компютърният анализ може да разкрие модели, но тези модели все още изискват биологична интерпретация и клинична валидация.

Геномиката създава нов мащаб на данните

Малко области демонстрират мащаба на биомедицинските данни по-добре от геномиката.

Човешкият геном съдържа милиарди ДНК-базови двойки. Когато изследователите анализират генетична информация от хиляди или милиони хора, получените набори от данни стават огромни.

Изкуственият интелект може да помогне на учените да изследват връзките между генетичните вариации и биологичните характеристики.

Изследователите могат да комбинират геномна информация с лабораторни измервания, медицинска история и данни за околната среда, за да разработят по-подробни модели на заболяванията.

Това допринася за по-широкото развитие на прецизната медицина.

Вместо да се приема, че всеки индивид с една и съща диагноза има идентична биология, прецизната медицина се стреми да разбере разликите между пациентите и как тези разлики биха могли да повлияят на профилактиката, диагностиката или лечението.

Изкуственият интелект предоставя инструменти, способни да анализират много от тези променливи едновременно.

Медицинска визуализация и компютърно зрение

Изследванията, задвижвани от изкуствен интелект, променят и медицинската визуализация.

Рентгеновите снимки, компютърните томографии, магнитно-резонансните изображения и патологичните препарати съдържат огромно количество визуална информация. Системите за компютърно зрение могат да бъдат обучени да разпознават модели в тези изображения.

Изследователите проучват дали такива системи могат да помогнат за идентифициране на аномалии, количествено определяне на анатомични характеристики или откриване на фини модели, свързани с болести.

Алгоритъмът може да подчертае подозрителни области в изображението, което позволява на специалиста да ги разгледа по-внимателно.

Следователно най-практичното бъдеще може да включва сътрудничество между хората и изкуствения интелект.

Алгоритмите могат бързо да обработват огромно количество изображения, докато обучените медицински специалисти осигуряват клиничния контекст, оценяват необичайните находки и вземат решения, които изискват по-широка преценка.

Носими устройства и непрекъснати биологични данни

Биомедицинските масиви от данни също излизат извън пределите на болниците и лабораториите.

Умните часовници, фитнес тракерите и специализираните носими сензори могат да генерират непрекъснати потоци от информация за физическата активност и физиологичните показатели.

Традиционните клинични измервания често предоставят само моментна снимка. Например, на пациента може да му бъде измерена сърдечната честота или кръвното налягане по време на преглед.

Носимите устройства потенциално могат да предоставят данни за продължително наблюдение, обхващащи седмици, месеци или дори години.

За изследователите това създава възможности да проучват как физиологията се променя във времето.

Изкуственият интелект може да анализира тези непрекъснати набори от данни и да търси тенденции, които може да са трудни за идентифициране ръчно. В изследователска среда информацията от носимите устройства в крайна сметка може да бъде комбинирана с лабораторни биомаркери, медицински досиета и геномна информация.

Резултатът може да бъде много по-подробна картина на човешката физиология.

Автоматизацията и „умната лаборатория“

Биомедицинските изследвания, задвижвани от изкуствен интелект, не се ограничават до софтуера.

Физическите лаборатории стават все по-автоматизирани.

Роботизираните системи могат да изпълняват повтарящи се задачи като работа с течности, подготовка на проби и скрининг с висока производителност. Свързаните лабораторни инструменти могат автоматично да записват експерименталните измервания и да ги прехвърлят в централизирани бази данни.

След това изкуственият интелект може да анализира тези резултати.

В съвременни изследователски среди автоматизирана система може да провежда експерименти, да записва измервания и да използва компютърен анализ, за да определи кои експериментални условия трябва да бъдат тествани след това.

Учените продължават да носят отговорност за формулирането на изследователските цели и интерпретирането на резултатите, но автоматизацията може драстично да увеличи производителността на експериментите.

По този начин лабораторията се превръща както във физическа, така и в цифрова среда.

Проблемът с некачествените данни

Бързият растеж на изкуствения интелект не премахва един от най-старите принципи на науката: входните данни с лошо качество водят до ненадеждни заключения.

Биомедицинските набори от данни могат да съдържат липсващи измервания, неправилни етикети, непоследователни методи на събиране и отклонения при вземането на проби.

Алгоритъм, обучен на базата на неточна информация, може да даде също толкова неточни резултати.

Следователно изследователите трябва внимателно да проучат как са събрани наборите от данни и дали те адекватно представляват изследваната популация.

Външната валидация е особено важна.

Модел, който дава добри резултати при използване на данни от една болница, лаборатория или популация, може да се представи по различен начин на друго място.

Следователно системите за изкуствен интелект трябва да бъдат тествани с независими набори от данни, преди изследователите да приемат, че техните заключения могат да бъдат обобщени.

Поверителност и етика

Биомедицинската изкуствена интелигентност повдига и значителни етични въпроси.

Медицинските досиета, генетичната информация и данните от непрекъснатото наблюдение на здравното състояние могат да бъдат изключително чувствителни.

Изследователите и здравните институции трябва да защитят тази информация чрез подходящи процедури за сигурност, управление и защита на личните данни.

Друг проблем е свързан с прозрачността.

Някои сложни системи за изкуствен интелект могат да генерират прогнози, без да предоставят просто обяснение за това как са стигнали до тях. Това може да създаде затруднения, когато алгоритмите оказват влияние върху медицинските изследвания или клиничните решения.

Ето защо учените все по-често проучват „обяснимия изкуствен интелект“ — методи, предназначени да направят изчислителното разсъждение по-разбираемо за изследователите и специалистите в областта на здравеопазването.

Учените остават незаменими

Въпреки изключителните постижения в областта на изкуствения интелект, биомедицинската наука не може просто да бъде автоматизирана от начало до край.

Алгоритмите разпознават математически модели. Учените определят дали тези модели имат биологично значение.

Изследователите формулират хипотези, проектират експерименти, идентифицират смущаващи фактори и оценяват неочаквани резултати. Клиничните специалисти интерпретират резултатите в по-широкия контекст на отделните пациенти.

Човешката преценка е от съществено значение и за вземането на етични решения.

Следователно най-реалистичното бъдеще не е изкуственият интелект да замести учените. То е учените да използват все по-мощни изчислителни системи, за да изследват въпроси, които иначе биха били твърде сложни или изискващи голям обем данни.

Лабораторията на бъдещето

Границата между компютърните науки и биомедицинските науки става все по-трудна за определяне.

Лабораториите на бъдещето може да съчетават роботика, геномно секвениране, автоматизирана микроскопия, свързани инструменти, електронни изследователски записи и системи за машинно обучение в рамките на една изследователска среда.

Експериментите ще генерират данни автоматично. Алгоритмите ще анализират тази информация и ще идентифицират потенциални модели. Изследователите ще използват тези резултати, за да планират следващите експерименти.

Това непрекъснато взаимодействие между алгоритмите и лабораторната наука би могло значително да ускори напредъка в определени области на биомедицинските открития.

Въпреки това основните принципи на науката остават непроменени.

Прогнозите изискват тестване. Резултатите изискват повторение. Корелациите изискват внимателна интерпретация. Медицинските интервенции изискват подходящи доказателства.

Изкуственият интелект и големите данни предоставят на изследователите изключително мощни инструменти, но тяхната научна стойност в крайна сметка зависи от това колко отговорно се използват тези инструменти.

Възходът на биомедицинските изследвания, задвижвани от изкуствен интелект, следователно не е просто история за по-бързи компютри. Той представлява по-широка трансформация в начина, по който учените изследват биологията – от изолирани експерименти към взаимосвързани системи, в които лабораторните измервания, цифровата информация и изчислителните модели непрекъснато се допълват взаимно.

В такава среда алгоритмите могат да помогнат да се определи къде изследователите трябва да насочат вниманието си по-нататък, но строгото научно изследване ще продължи да носи отговорността за определянето на това какво всъщност означават доказателствата.