ИИ срещу коронавируса: как изкуственият интелект помага в борбата срещу COVID-19

2
410

От модериране на социалните мрежи до разгадаване на същността на COVID-19, ИИ ни помага в борбата с коронавируса по всякакви начини.

С продължителното разпространение на COVID-19 по света, компании и учени търсят начини, по които да използват изкуствения интелект, за да преодоляване на предизвикателствата около вируса. Ето някои от проектите, които използват ИИ в борбата срещу заразата.

Откриване на лекарства, които са ефективни срещу вируса с помощта на ИИ

Няколко научни проекта използват ИИ, за да открият лекарства, които са били създадени срещу други заболявания, но сега биха могли да се използват и срещу коронавируса. Чрез изучаването на молекулярната структура на съществуващите лекарства, компании се стремят да открият онези, които биха могли да попречат на работата на вируса.

BenevolentAI (Добронамерен ИИ), базирана в Лондон компания за откриване на лекарства, започна да насочва вниманието си към проблема с коронавируса в края на януари. Изкуственият интелект на компанията може да смила големи обеми от научна литература и биомедицински проучвания, за да открие връзки между генетичните и биологичните свойства на заразите и устройството и действието на лекарствата.

Компанията преди се е съсредоточавала върху хронични заболявания, но е успяла да нагоди системата си да работи по COVID-19 като я захранват с последните проучвания на вируса. „Заради количествата информация, които са произведени за COVID-19, и възможностите ни машинно да прочитаме голям брой документи в мащаб, успяхме да я пригодим така, че да набляга на концепции, които са сред по-важните в биологията, както и последната информация за самият COVID-19” коментира Оли Ойшла, главният софтуерен инженер зад BenevolentAI.

Въпреки че има голям брой биомедицински проучвания за хроничните заболявания през годините, за COVID-19 има проучвания само от няколко месеца. Но учените могат да използват информацията, която имат, за да открият други вируси с подобни елементи, да видят как работят те и след това да открият кои лекарства биха могли да обезвредят вируса.

„Инфекциозният процес на COVID-19 беше разгадан сравнително рано. Беше установено, че вирусът се свързва с определен протеин на повърхността на клетките наречен ACE2. След това, с нашата база данни можахме да погледнем процесите, които съпровождат заразяването с вируса и размножаването му, вместо нещо специфично в самият COVID-19. Това ни позволява да се опрем на много по-голяма част от литературата, която засяга различни коронавируси, включително SARS и др., и различните части на биологията, която участва в заразяването на клетките с вируси“ казва Ойшла.

Системата предложила няколко съединения, които биха могли да подействат върху COVID-19, като най-обещаващото сред тях било лекарство на име Барицитиниб. Лекарството вече се предписва за лекуване на ревматоиден артрит. Тъй като Барицитиниб отслабва възпалителните процеси, които могат да причинят симптомите на ревматоидния артрит, той би могъл да играе подобна роля и при COVID-19, който може да причини остра възпалителна реакция, която води пациентите до интензивните отделения.

Помага с разгадаването на структурата на COVID-19

DeepMind, ИИ отдела на компанията-майка на Google – Alphabet – използва информация за геноми, за да предскаже структурата на протеините в организмите, като по този начин може потенциално да ни разкрие кои лекарства биха проработили срещу COVID-19.

DeepMind публикува библиотека за deep-learning (дълбоко обучение), наречена AlphaFold, която използва невронни мрежи, за да предскаже как протеините могат да накарат организъм да се огъне или нагъне според генома си. Протеиновите структури определят формата на рецепторите в клетките на организма. След като знаеш каква е формата на рецептора, можеш да разбереш кои лекарства се свързват с него и възпира основни процеси в клетките. В случая на COVID-19 пречи на свързването на вируса с човешките клетки или забавя скоростта, с която се размножава.

След тренирането на AlphaFold върху големи геномни датасетове, които демонстрират връзките между геномът на организъм и как се образуват протеините му, DeepMind пусна AlphaFold да работи върху генома на COVID-19’s genome.

„Трябва да подчертаем, че тези предсказани структури не са били експериментално проверени, но се надяваме, че могат да допринесат към усилията на научната общност да разбере функционирането на вируса и да служи като платформа за генериране на хипотези, по които ще се води експерименталното търсене на медикаменти в бъдеще“ казаха от DeepMind. Или с други думи, DeepMind не е тествала прогнозите на AlphaFold извън компютър, но публикува резултати в случай, че учените искат да ги използват в разработването на лечения за COVID-19.

Засичане на епидемията и разпространението на нови зарази

Предполагаше се, че системите с изкуствен интелект са били сред първите, които са засекли, че епидемията, локализирана в китайския град Ухан, може да се превърне в глобална пандемия.

Смята се, че захранваната от ИИ HealthMap, която е свързана Бостънската педиатрична болница, е засякла нарастващото струпване на случаи с необяснена пневмония малко преди човешките изследователи, макар че е преценила сериозността на епидемията като „средна“.

„Засякохме ранните признаци на епидемия като „копахме“ китайскоезични сайтове за новини и социални мрежи – WeChat, Weibo – за да демонстрираме, че можете да използвате тези инструменти, за да разберете какво се случва в дадена популация“ каза Джон Браунщайн, професор в Харвардския медицински университет и главен иновационен директор в Бостънската педиатрична болница, пред виртуална конференция за COVID-19 на Станфордския институт по човешки-центриран изкуствен интелект.

Епидемиолози в ProMed, група за докладване на инфекциозни зарази, публикуваха тяхно собствено известие само половин час след HealthMap, като Браунщайн също призна важността на вирусолозите в изследването на разпространението на пандемията.

„Това, което бързо осъзнахме, е че колкото и да е лесно да претърсваш мрежата, за да си изградиш детайлен списък на случаите по-света, ти трябва армия от хора. Не може да се получи само с машинно обучение и търсене в мрежата“ каза той. HealthMap също използва и експертизата на изследователи от университети по света, като използват „официални и неофициални източници“, за да попълнят списъка.

Информацията генерирана от HealthMap е публична, за да могат учени и изследователи да я претърсят за връзки между заразата и определени популации, както и ефективността на различни ограничителни мерки. Информацията вече е комбинирана с информация от движението на хората, добита от Baidu, за да се провери как движението на хората и ограничителните мерки са повлияли на разпространението на вируса в Китай.

HealthMap продължава да следи разпространението на коронавируса, визуализирайки разпространението му по света по време и локации.

Откриване на признаци на COVID-19 в медицински изображения

Канадския стартъп DarwinAI е разработил невронна мрежа, която може да сканира рентгенови снимки за признаци на инфекция с COVID-19. Въпреки че стандартните тестове за коронавирус се състоят във вземане на проби от пациенти, анализирането на гръдни рентгенови снимки би могло да предложи алтернатива на болниците, които нямат достатъчно персонал или тестове, за да обработят всичките си пациенти бързо.

DarwinAI публикува COVID-Net като система с отворен код и „отзивите ни заляха като вълна“ казва главният изпълнителен директор на DarwinAI Шелдън Фернандез. „Имейлите ни са пълни с хора, които ни предлагат подобрения и надграждат това, което сме създали“ добави той. Добавени са още рентгенови изображения, за да се тренира системата, която досега е тренирала върху над 17 000 изображения. Те са изпратени от учени в Индонезия, Турция, Индия и други страни, които работят върху COVID-19. „След като го публикуваш, за отрицателно време имаш стотици погледи върху него, които бързо ще ти дадат предложения как да го подобриш“ каза Фернандез.

Сега компанията работи по превръщането на COVID-Net от технически инструмент в система, която може да се използва от здравните работници. Също така, тя работи и върху разработването на невронна мрежа за анализиране на рискови пациенти, които са се заразили с COVID-19. Целта ѝ е да разграничи тези, които могат да се възстановят вкъщи в самоизолация от онези, които ще е по-добре да се лекуват в болницата.

Наблюдение върху ефектите на вируса и самоизолацията върху душевното здраве

Йоханес Айхщед, главен асистент в факултета по психология на Станфордския университет, изследва публикации в Twitter, за да оцени как COVID-19 и промените, които той въведе в начина ни на живот засягат душевното ни здраве.

Използвайки ИИ алгоритъм за анализ на текст, Айхщед събрал над 2 милиона туита с тагове свързани с COVID-19 през февруари и март и ги комбинирал с информация за други съпътстващи фактори като общ брой заразени, смъртни случаи, демографики и други, за да проучи ефектите на вируса върху душевното ни здраве.

Анализът показал, че голяма част от разговорите на тема COVID-19 в градовете е бил свързан с адаптацията към живот с инфекцията, както и с предотвратяване на разпространението ѝ. В провинциалните региони адаптирането е дискутирано значително по-малко, което психологът свързва със сравнителното отсъствие на заразата в провинциалните региони. С други думи, тези в провинциите са се сблъсквали със заразата и последиците ѝ по-малко от тези в големите градове.

Има разлика и това как младите и възрастните коментират COVID-19. „В областите с по-възрастно население в САЩ се говори предимно за Тръмп и икономическите последствия, докато в областите с по-младо население хората се фокусират повече върху конкретни проблеми. Това, което се среща особено често при тях е фактът, че хората говорят много за миенето на ръцете си.“ Каза Айхщед.

„Наистина важно е да измерим ефектът на COVID-19 върху благосъстоянието на хората. А също толкова важно е бързо да измислим методи мащабна психологична подкрепа и сега е момента да мобилизираме ресурсите това да се случи.“ каза Айхщед пред виртуалната конференция на Станфорд.

Прогнозиране къде, как и защо ще се разпространят коронавируса и смъртните му случаи

Общността за машинно обучение Kaggle, която е собственост на Google, отправи няколко предизвикателства свързани с COVID-19 на членовете си, включително и прогнозирането на броя заразени и на броя смъртни случаи по градове, като по този начин да се открият причините, поради които някои градове са по-засегнати от други.

„Целта тук не е да се построи друг епидемиологичен модел… вече има достатъчно добри други такива. Всъщност, причината да отправим това предизвикателство е да насърчим нашата общност да си поиграе с информацията и да се опита да открие факторите, които стоят зад разликите в скоростта на разпространение на вируса по градове“ каза главният изпълнителен директор на Kaggle Антъни Голдблум пред конференцията на Станфорд.

В момента общността работи по информация за инфекции през последните два месеца от 163 страни, за да разработи модели и да извлече информация за факторите, които предсказват разпространението.

Голяма част от моделите на общността вече произвеждат сценарии, които разкриват кои елементи допринасят за разликите между броевете на случаите. Засега, казва Голдблум, географските дължина и ширина оказват влияние върху разпространението на COVID-19. Следващото поколение модели с машинно обучение ще изкарат наяве истинските причини за географските разлики.

„Не страните са причината за разликите в скоростта на пренасяне в различните страни. Ключът тук са политиките на страната или културните ѝ норми около прегръдките и целувките или температурите ѝ. Очакваме с усъвършенстването на моделите да видим по-прецизни датасетове и да започнем да виждаме тези модели да стават много по-интересни и да открояват най-важните фактори зад разликите между различните градове. Това си струва да се следи“ добави Голдблум.

0 0 глас
Оценете статията
Абонирай се
Извести ме за
guest
2 Коментара
стари
нови оценка
Отзиви
Всички коментари