AI mot Covid-19: Hvordan kan AI hjelpe med Covid-19 sporing og forskning?

2020 har vært et merkelig år med Covid-19-viruset. Medisinske teknikere og forskere over hele verden er i ferd med å prøve å finne en vaksine, og å inneholde den. Dette er ikke bare viktig for menneskelivet, men for bedrifter og virkningen har det hatt globalt.

I følge Coronavstats per 21. september 2020 i Storbritannia var det for tiden 398 625 infeksjoner totalt og en dødstall på 41788. Den nåværende dødsraten på litt over 10% av de totale tilfellene er alarmerende. Det er fastslått at spredningen er eksponentiell. Derfor er inneslutning viktig, i teknologiverden blir AI brukt til å hjelpe til med å oppdage vaksine og inneslutning. AI kan brukes til å finne de riktige vaksinene raskere ved å analysere tidligere basert på lignende proteinstrukturer av infeksjonen og spredningen.

Helsestasjoner bruker i økende grad kunstig intelligens. Røntgenstråleskanningssystemer kan automatisk oppdage viruset og bruke bildegjenkjenning ved hjelp av AI-funksjoner. AI tilbyr mye raskere behandling. Regulatorer og offentlige etater samler deretter inn dataene og gjør dem tilgjengelige på tvers av flere enheter. Forskere og mikrobiologer bruker disse dataene og andre data for å lage bedre medisiner som analyserer virkningen av medisiner og identifiserer viruset og andre bakterier, som Leger Uten Grenser.

Leger uten grenser og Tenserflow Lite

Et eksempel på bruk av potensiell bruk av AI for å finne en vaksine kan bli funnet fra gjeldende medisinsk forskning på bakterieidentifikasjon, som det fremgår av denne YouTube-videoen. Leger uten grenser er en veldedighetsorganisasjon som gir medisinsk behandling over hele verden, og foreskriver en rekke antibiotika i over 70 land. De har oppdaget et økende antall pasienter er smittet med multiresistente bakterier. Det er mulig at det samme konseptet kan brukes for Covid-19, i deres bruk av AI, og Googles TensorFlow. TensorFlow er gratis og åpen kildekode-tilbud fra Google, og TensorFlow Lite (brukt av Leger Uten Grenser), mobilversjonen er tilgjengelig for nedlasting på iOS og Android.

Det Leger Uten Grenser oppdaget er at pasienter ofte får feil antibiotika, på grunn av manglende evne til å nøyaktig identifisere det eksakte viruset en pasient kan være smittet med. De bruker TensorFlow for å identifisere riktig antibiotika for pasientene.

Dette gir flere utfordringer. For å identifisere bakterier er det nødvendig med flere tester for å vite hvilken type bakterier de har å gjøre med. Det er et ekstra trinn som er å tolke resultatene i mange av landene der Leger Uten Grenser opererer. Dessverre er det ikke nok erfarent mikrobiologpersonell til å gjøre disse tolkningene. AI kan være en potensiell løsning på dette problemet, i stedet for å erstatte mikrobiologpersonell, hjelper de eksisterende ansatte med å tolke diagnosetester i kortere tidsskala ved å bruke TensorFlow lite, som er tilgjengelig på en rekke mobiltelefoner, i alle deres klinikker. . Søknaden trenger ikke å være online, så den kan brukes i områder med dårlig signalområde.

TensorFlow bruker datasyn og maskinlæring ved hjelp av Python for å oppdage interaksjoner mellom bakterier og antibiotika, og bruker bare et bilde av petriskålen. Som et resultat av bruken av denne teknologien klarte Leger uten grenser å trene en testmodell i løpet av få dager. Det viste seg også å være overraskende raskt og enkelt å oppnå. De har utviklet en prototype, med mål om å gjøre diagnostisk testing tilgjengelig, enkel og rimelig over hele verden. Denne applikasjonen kan være en spillveksler for å hjelpe millioner av mennesker over hele verden, spesielt hvis den kan tilpasses i jakten på en vaksine mot Covid-19, samt mange andre sykdommer. Det kan også bidra til å gi råd om beste ledelsespraksis.

Det fungerer gjennom gjenkjenning av objekter, ved hjelp av forhåndsnoterte bilder, av sykdomsbakterier og utføring av sammenligninger med et fotografi av en petriskål. Det er i stand til å komme med spådommer på mindre enn ett sekund. Det fine med systemet som TensorFlow gir, er at i stedet for å måtte skrive tusenvis av kodelinjer, er det et bibliotek med funksjoner som gjør det mulig å bygge forskjellige arkitekturer på mye kortere tid. Det kan krympe disse landlige nettverkene, for å kunne passe på en mobil enhet. Menneskelig innspill er avgjørende for prosessen. Det kan gå gjennom hundrevis av millioner bilder veldig raskt og kan tilpasses for å skape forskjellige typer nevrale nettverk.

I jakten på en vaksine for Covid-19, kan strategien brukt av Leger Uten Grenser være et godt sted å begynne i bruken av AI ved bruk av TenserFlow.

TensorFlow Lite på Android Eksempel

TensorFlow lar deg kjøre maskinlæringsmodeller på mobile enheter med lav ventetid raskt, slik at du kan utføre klassifiseringer uten å måtte foreta gjentatte nettverkssamtaler til en server. Den er tilgjengelig på Android og iOS via et C ++ API. Det er en Java-innpakning for Android-enheter som kan støtte den. Tolken bruker Android nevrale nettverk API for maskinvareakselerasjon.

Appen er bygget med en mobil nettmodell. Mobilnett er små og bruker lite strøm. Modeller kan utformes for å møte flere bruksområder som gjenstandsdeteksjon, for eksempel forskjellige typer planter eller trær. Det gir finkornet klassifisering. Det er flere pre-trente, hylle modeller tilgjengelig for å jobbe med.

Når du arbeider første gang med TensorFlow lite, anbefales det at du arbeider med disse ferdigbygde modellene. TensorFlow Lite støtter imidlertid ikke alle funksjonene i den fullstendige TensorFlow.

For å bruke TensorFlow på mobil må du inkludere TensorFlow lite-bibliotekene. Dette oppnås ved å redigere builds gradle-filen for å sikre at du inkluderer dem. Neste trinn er å importere en TensorFlow-tolk. Tolken laster inn en modell og lar deg kjøre den ved å gi den et sett med innganger. TensorFlow lite utfører modellen og skriver utgangene. Det er en enkel prosess, selv om teknologien bak er kompleks.

Modellen skal lagres i applikasjonsmidlene. Koden vil da lese modellen direkte derfra, selv om en modell kan lastes hvor som helst. Når modellen er lastet, kan en tolk instanseres.

Når det gjelder medisinsk forskning, leser applikasjonen rammer fra kameraet og gjør dem til bilder. Disse bildene (når det gjelder Leger Uten Grenser, en petriskål) brukes som innganger til modellen, som gir returverdier. Disse verdiene er en indeks til riktig etikett (i dette tilfellet bakterieidentifikasjon), og tusenvis av forhåndsforberedte, merkede bilder vil da matche den etiketten.

Du kan finne ut mer om å trene TensorFlow-modeller i denne videoveiledningen for å kjøre TensorFlow-modeller på Android.

Covid-19 påvisning ved bruk av UiPath Fabric

UiPath er et selskap som spesialiserer seg på AI-løsninger for automatisering. Forskere ved University of Waterloo og Darwin har brukt UiPath Fabric, som er et åpen kildekodeinitiativ, for å designe en nevral nettverksmodell for å oppdage COVID-19 tilfeller ved bruk av røntgenbilder av brystet. Modellen ble trent på et offentlig tilgjengelig datasett bestående av 76 bilder fra pasienter med covid 19 som illustrert i denne You Tube-videoen.

Arbeidsflyten er enkel, bestående av en fil og et røntgenbilde. Disse sendes til maskinlæringsmodellen som gir resultatene. Søknaden ber om et bilde. Alt dette trenger du for å trene modellen fra mennesker uten sykdom, og for å skille mellom personer med lungebetennelse og personer med COVID-19. Resultatet er et klassifiseringsresultat for maskinlæring.

Så for et røntgen- eller CT-skanningsbilde på brystet gir programvaren en prediksjon om at bildet kommer fra en pasient med Covid-19. På dette stadiet av forskningen er det ikke en produksjonsversjon, men et foreløpig eksperiment.

AI brukes til å bistå i forskning for å inneholde Covid-19 og muligens for å oppdage et virus. Mobilapper, for eksempel TensorFlow Lite, kan sjekke om en person har viruset ved å mate inn noen brukerinndata, få data automatisk om plasseringen og rangere dem på en viss risiko. Du kan forestille deg en situasjon der hvis en bekreftet pasients mobilplassering alltid er kjent, kan regjeringen varsle folk som har vært i kontakt med personen. Dette er kjent som "Track and Trace".

Bert, et annet Google AI-initiativ, blir brukt på dette enorme datasettet for å hente ut nyttig informasjon om viruset ved hjelp av Natural Language Processing (NLP). NLP kan brukes til å forstå proteinstrukturen, og til å utvikle potensielle vaksinasjoner raskere, inkludert å gi informasjon om områdene der mennesker er berørt.

Dette bør også hjelpe mikrobiologer til å forstå behandlingsalternativene, med tanke på eventuelle bivirkninger, og bestemme riktig dosering. Bert ser på ord og setninger fra begge retninger, fra venstre til høyre og høyre eller venstre, slik at de kan forstå og identifisere bestemte ord i en full sammenheng. Så med en kombinasjon av AI-modeller, for eksempel TensorFlow og Bert for naturlig språkbehandling for å hjelpe mikrobiologer, kan det hende at en vaksine for Covid-19 ikke er for langt unna, men det er fortsatt et pågående arbeid. AI viser seg nyttig som disse eksemplene har vist, for å gi en løsning på en potensiell Covid-19 vaksine og sporingsevne.