AI wykrywa choroby jak szef. Wystarczył Apple Watch
Dzięki wiedzy z trzech milionów dni pomiarów, uczeni stworzyli model sztucznej inteligencji, który zaskakuje skutecznością wykrywania chorób. Wystarczyły niekompletne dane z zegarków Apple Watch i zmiana sposobu myślenia o tym, jak przetwarzać dane.
Apple Watch posłużył badaczom jako baza danych
Narzędzia sztucznej inteligencji mają potencjał do przetwarzania wiedzy na sposoby, które pozwolą efektywniej pracować z informacjami. Obecnie badacze analizujący przypadki medyczne muszą uzyskiwać dostęp do zapisu historii medycznej, aby skorzystać z danych zdrowotnych pacjentów. Co w sytuacji, gdy nie mamy dostępu do tych zapisków? Najczęściej oznacza to porzucenie zdobytych danych ze względu na zbyt małą kompleksowość.
Dobrze wyszkolona sztuczna inteligencja mogłaby zająć się uzupełnianiem luk, które mogą wynikać chociażby ze zdjęcia inteligentnego zegarka z nadgarstka na czas ładowania. Naukowcy z MIT oraz Empirical Health zbadali nowe podejście i postawili sobie za cel, by stworzyć model bazowy zdolny do przewidywania schorzeń z dużą dokładnością, a brakujące dane uzupełnić przewidywaniami wytrenowanego modelu AI.
JETS, czyli sposób na braki w zapiskach medycznych
Badacze pod przewodnictwem Yann LeCun, byłego szefa komórki badawczej AI w Mecie, rozwinęli jego autorski projekt JEPA – Joint-Embedding Predictive Architecture i stworzyli JETS (Joint Embedding for Time Series). To model pracujący zarówno z danymi, jak i z lukami w danych. Inaczej niż w przypadku większości narzędzi sztucznej inteligencji, nie stara się zgadywać, co mogło się znaleźć w brakujących częściach danych, a raczej rekonstruować dokładne parametry.
Czym właściwie jest wolność słowa? Czy potrzebne są nam regulacje?
Do tego celu wykorzystuje zarówno historię poprzednich pomiarów, jak i dane wszystkich użytkowników przy uwzględnieniu ich specyfiki. Badacze wykorzystali do treningu dane użytkowników z łącznie 3 milionów dni pomiarów, czyli łącznie aż 8219 lat. Wszystkie te dane pochodziły z zegarków Apple Watch.
Uwzględniono informacje o tętnie, jakości snu czy podejmowanych aktywnościach fizycznych. Tylko 15 proc. uczestników badań dostarczyło szczegółowe rejestry medyczne. Dla pozostałych 85 proc. wykorzystano umiejętności JETS, które nabył on poprzez nadzorowany trening, w którym też sam nadzorował swój postęp. Naukowcy musieli przetworzyć dane dotyczące dnia, zawartości i typu metryki w jednolite tokeny, które model wtłaczał do narzędzia przewidującego.
Skuteczność wyższa niż u innych modeli, ale droga jest jeszcze daleka
JETS porównano z innymi modelami opartymi o bazy danych, w tym o poprzednie wersje JETS oparte o architekturę Transformer, które skupiają się na podbijaniu znaczenia istotnych danych, przez co mają też tendencję do dyskryminowania mniej popularnych przypadków. Pod tym względem nowe rozwiązanie z MIT w testach na wiarygodność AUROC i AUPRC wykazuje znacząco mniejszy stosunek błędnych predykcji.
Model JETS najlepiej poradził sobie z rozpoznawaniem nadciśnienia (86,8 proc. przypadków), wykrywania zespołu chorego węzła zatokowo-przedsionkowego (86,8 proc.), chronicznego zmęczenia (81 proc.) i migotania przedsionków (70,5 proc.). Choć w dalszym ciągu nie jest to rezultat, który pozwoliłby na pewne diagnozy medyczne, tak jest kolejnym krokiem do lepszego przetwarzania danych ze smart urządzeń. Do tego daje nadzieję na lepsze pomiary, nawet gdy nie nosimy inteligentnych zegarków i opasek przez całą dobę.
