Sztuczna inteligencja przekształca narzędzia badawcze w biomedycynie
Davide Cirillo z Barcelona Supercomputing Center omawia wpływ sztucznej inteligencji na badania nad chorobami i wyzwania związane z danymi.
W Barcelona Supercomputing Center (BSC), gdzie znajduje się jeden z najpotężniejszych superkomputerów w Europie, MareNostrum 5, Davide Cirillo, kierownik jednostki Machine Learning for Biomedical Research, stosuje sztuczną inteligencję w badaniach nad rakiem, chorobami rzadkimi, chorobami sercowo-naczyniowymi oraz neurodegeneracyjnymi. Rozmawialiśmy z nim o odkryciach opartych na danych w biomedycynie oraz największych przeszkodach w badaniach naukowych wspomaganych przez AI.
Jaką rolę pełnisz w BSC?
Moja grupa badawcza wykorzystuje sztuczną inteligencję do rozwiązywania różnych problemów w biomedycynie, przyspieszając badania nad rakiem, chorobami rzadkimi, chorobami sercowo-naczyniowymi i neurodegeneracyjnymi. Obejmuje to pełne spektrum zastosowań biomedycznych, pracując z różnorodnymi typami danych, w tym danymi omicznymi, tekstowymi i obrazowymi, oraz uczestnicząc w wielu europejskich i krajowych projektach skoncentrowanych na AI.
Jakie ostatnie przełomy w badaniach biomedycznych przyspieszyła AI?
Obserwujemy transformację naszego obszaru badawczego i sposobu pracy. To prawdziwa zmiana paradygmatu.
Historycznie, wiele badań naukowych było opartych na hipotezach. Badacze formułowali hipotezy, a następnie zbierali dane, aby ocenić, czy dowody je potwierdzają, czy obalają. W biomedycynie, szczególnie po pierwszym opublikowaniu ludzkiego genomu w 2001 roku, odkryliśmy nowy poziom złożoności, generując ogromne ilości danych za pomocą technik eksperymentalnych o wysokiej przepustowości. To dostarczyło nam znacznie więcej informacji, niż mogliśmy przewidzieć w podejściu opartym wyłącznie na hipotezach.
Ta rewolucja rozpoczęła nową erę badań naukowych opartych na danych. Obecnie jest to dominujące podejście, nie tylko w biomedycynie i opiece zdrowotnej, ale także w wielu innych dziedzinach. Na przykład, pomyśl o dużych modelach językowych i postępach, które obserwujemy. Te modele opierają się na intensywnym przetwarzaniu danych i wymagają dużej mocy obliczeniowej. Zmiana paradygmatu polega na przejściu od testowania zdefiniowanych hipotez do nawigacji w ogromnych ilościach informacji w celu generowania nowych spostrzeżeń.
Odkrywamy wiele, zwłaszcza na poziomie mechanicznym, jak działają choroby i co leży u podstaw ich manifestacji i postępu. To bardzo przydatne w opracowywaniu nowych terapii. Jednak takie przełomy technologiczne wiążą się z poważnymi konsekwencjami.
Po pierwsze, jeśli produkujemy te wszystkie dane, potrzebujemy większych modeli i odpowiedniej infrastruktury do ich obsługi. To rodzi obawy o zrównoważony rozwój środowiska i potencjalne uzależnienie od prywatnych firm, które dysponują zasobami finansowymi do zapewnienia tych infrastruktur. W tym kontekście Barcelona Supercomputing Center jest przykładem: to publiczny instytut badawczy z pierwszorzędnymi możliwościami obliczeniowymi, a MareNostrum 5 jest jednym z najzielonych superkomputerów na świecie. Niestety, takie wysokie standardy nie zawsze są spełniane gdzie indziej.
Po drugie, przy tak dużej ilości informacji łatwiej jest stracić z oczu ważne kwestie, takie jak uprzedzenia w danych, w procesie modelowania czy w sposobie, w jaki modele są dostarczane i wykorzystywane w społeczeństwie. Masowe modele AI są często czarnymi skrzynkami, które wymagają głębokiej analizy przez cały cykl ich rozwoju, zgodnie z etycznymi wytycznymi dla odpowiedzialnej AI, które BSC promuje i stosuje we wszystkich swoich projektach. Tak, zmiana paradygmatu jest potężna i wpływowa, ale wymaga starannego rozważenia tych aspektów.
Po przyznaniu Nagrody Nobla dla AlphaFold w 2024 roku, czy zauważyłeś większą widoczność i finansowanie dla badań biomedycznych opartych na AI?
Zdecydowanie tak; jednak Nagroda Nobla i uwaga mediów nie są jedynymi czynnikami. Istnieje wiele kanałów, które pozwalają na dotarcie osiągnięć naukowych do szerokiej publiczności. W przeszłości można było przeczytać o nowym odkryciu w gazecie. Teraz można zobaczyć przełomy naukowe komunikowane bezpośrednio i często na wielu platformach, nawet w sieciach społecznościowych. Ta zwiększona widoczność wiąże się z kwestiami ekonomicznymi.
Rozwój leków od dawna kształtowany jest przez siły ekonomiczne, a firmy farmaceutyczne są filarami tej branży. Co się zmienia, to wejście firm technologicznych w obszar biomedyczny. Na przykład, GPU, pierwotnie opracowane do przetwarzania grafiki w latach 90., stały się niezbędnymi narzędziami w badaniach biomedycznych. Chociaż te technologie nie były pierwotnie zaprojektowane specjalnie do zastosowań biomedycznych, firmy farmaceutyczne szybko je przyjęły, aby wspierać odkrywanie i rozwój leków oparte na AI.
To sprzyja innowacjom, pozwalając firmom badać możliwości w opiece zdrowotnej.
Jednak warto rozróżnić trzy poziomy. Pierwszy to badania akademickie i przemysłowe, gdzie AI jest rozwijana i opisywana w recenzowanych artykułach i patentach. Drugi to poziom rynkowy i regulacyjny, gdzie oprogramowanie oparte na AI przeszło ścieżki zatwierdzające, takie jak zatwierdzenie FDA w Stanach Zjednoczonych lub zgodność z MDR w Europie. Trzeci to faktyczna adopcja, co oznacza, jakie komercyjne oprogramowanie AI szpitale faktycznie kupują i używają w praktyce.
Na poziomie rynkowym około 80 procent produktów AI w opiece zdrowotnej koncentruje się na obrazowaniu medycznym. Około 10 procent dotyczy chorób sercowo-naczyniowych, a pozostała część jest rozdzielona na inne obszary medyczne. Jednak jeśli spojrzeć na systemy zdrowotne na całym świecie, wykorzystanie w szpitalach pozostaje ograniczone, chociaż rośnie.
Na przykład w Stanach Zjednoczonych w 2025 roku około 22 procent szpitali miało już jakąś formę AI. To jeszcze nie jest powszechne, ale rośnie z roku na rok. Najczęściej przyjmowane aplikacje są bardzo praktyczne. Systemy Ambient AI, które rejestrują rozmowy lekarzy z pacjentami i generują podsumowania, są jednymi z najczęściej używanych. Szpitale przyjmują AI dla efektywności i bardzo konkretnych zadań.
Jak duże modele językowe i modele bazowe zmieniły badania biomedyczne od 2022 roku? Czy przekształcają sposób, w jaki generujemy hipotezy?
Były bardzo rewolucyjne. Interesujące jest to, że typy danych napędzające AI obecnie to głównie obrazy i tekst. To również dotyczy biomedycyny.
Duże modele językowe są bardzo przydatne do przetwarzania notatek medycznych i innych informacji tekstowych zbieranych w warunkach klinicznych. Obejmuje to tekst wolny w elektronicznych kartach zdrowia oraz audio, które mieszczą się w zakresie przetwarzania języka naturalnego.
Dlaczego obrazy i tekst? Te typy danych są bardziej dostępne i łatwiejsze do pozyskania. Duże modele językowe są bardzo złożone, mają miliardy parametrów i wymagają dużych wolumenów danych. Opracowanie porównywalnych modeli dla niszowych typów danych o ograniczonej dostępności jest znacznie trudniejsze.
W obrazowaniu modele bazowe stają się uniwersalnymi rozwiązaniami dla wielu zadań. Można je dostosować do segmentacji obrazów. Można wykorzystać ich osadzenia do generowania syntetycznych obrazów. Model bazowy jest elastyczny. Można go ponownie wykorzystać do różnych zadań w przetwarzaniu obrazów. To wpisuje się w szersze podejście Big Data, gdzie dążymy do nauki jak najwięcej z danych, a następnie zastosowania tej wiedzy w różnych sposób. Ta sama zasada, która zaczęła się od genomiki, teraz dotyczy innych typów danych o wysokiej przepustowości.
Co obecnie opóźnia postęp w naukach przyrodniczych opartych na AI? Regulacje, brak zasobów, brak danych?
Więcej niż regulacje, które uważam za konieczne, głównym ograniczeniem jest brak zasobów, szczególnie finansowania. Badania są złożone i wymagają finansowania. Eksploracja jest inherentna w badaniach. Kiedy mówimy o badaniach, rynku i adopcji, badania to faza, w której eksplorujemy, co jest możliwe. To prowadzi do innowacji i nowych produktów, ale wymaga inwestycji na poziomie krajowym i globalnym. Nauka potrzebuje lepszego wsparcia ekonomicznego.
Regulacje mogą opóźniać procesy, ale słusznie wymagają bezpieczeństwa i skuteczności. Bez regulacji byłoby to niekontrolowane środowisko, w którym rozwój mógłby stwarzać poważne ryzyko. Historia w rozwoju leków jasno to pokazuje. Wprowadzono surowe ramy regulacyjne, aby zapobiec szkodom. W AI dla opieki zdrowotnej widzimy przykłady, które podkreślają potrzebę zabezpieczeń. Potrzeba regulacji nie jest przeszkodą w postępie. To coś, co umożliwia odpowiedzialny rozwój.
Dane to kolejny problem. Mówimy o Big Data, ale nie zawsze mamy wystarczająco dużo danych, szczególnie w przypadku chorób rzadkich. Nawet w przypadku chorób powszechnych, gdy przechodzimy do medycyny precyzyjnej i definiujemy podgrupy, pracujemy z mniejszymi zbiorami danych. Produkcja danych o wysokiej przepustowości jest kosztowna. Na przykład technologie takie jak transcriptomika przestrzenna umożliwiają analizy o wysokiej rozdzielczości tkanki i ekspresji genów na poziomie niemal pojedynczej komórki. To niezwykle potężne, ale również bardzo kosztowne.
Edukacja i talenty są również kluczowe. Musimy wspierać edukację i zatrzymywać talenty w badaniach. Jeśli zasoby są ograniczone, trudno jest zatrudniać i szkolić następne pokolenie badaczy. AI i inżynieria historycznie były dziedzinami zdominowanymi przez mężczyzn. Bardziej zróżnicowane zespoły przynoszą nowe pomysły i pomagają łagodzić uprzedzenia. Inwestowanie w równe wykształcenie i różnorodność jest niezbędne.
Czy AI już przyspiesza rozwój leków?
AI jest już częścią zestawu narzędzi w badaniach farmaceutycznych. Jest wykorzystywana w etapach przedklinicznych i w badaniach klinicznych. Na przykład, AI wspiera odkrywanie leków, przewidując właściwości farmakokinetyczne i optymalizując struktury molekularne. Może również wspierać rekrutację pacjentów do badań klinicznych, czyniąc je bardziej ukierunkowanymi i precyzyjnymi. To szczególnie ważne w medycynie precyzyjnej. Jednocześnie te systemy nie są w pełni autonomiczne; ludzie zapewniają przegląd etyczny, złożoną ocenę i przestrzeganie regulacji, zgodnie z ramami takimi jak AI Act.
Rośnie również momentum wokół Nowych Metod Podejścia (NAM), które mają na celu ograniczenie użycia modeli zwierzęcych, w tym podejść in vitro, takich jak organoidy, oraz metod in silico, takich jak metody oparte na AI, które rozwijamy w Barcelona Supercomputing Center.
Czego oczekujesz w ciągu najbliższych trzech do pięciu lat?
Najbardziej obiecujące są nowe paradygmaty obliczeniowe, takie jak obliczenia kwantowe. W BSC mamy już zainstalowane komputery kwantowe i aktywnie pracujemy w tym obszarze. Uczenie maszynowe kwantowe staje się nową dziedziną. Jednak zastosowania w rzeczywistym świecie pozostają ograniczone, ponieważ obliczenia kwantowe są wciąż na wczesnym etapie rozwoju. Wymaga to jeszcze wiele pracy, aby odkryć, zaprojektować i wdrożyć algorytmy kwantowe.
Postęp technologiczny wprowadza znaczące zmiany. Obserwujemy nowe osiągnięcia niemal codziennie. Przyspieszenie jest rzeczywiste, pochodzi z wielu kierunków. Ale musi być połączone z odpowiedzialnością, zasobami, regulacjami i edukacją, aby zrealizować pełny potencjał w naukach przyrodniczych.
Źródło: https://www.icthealth.org/news/ai-reshapes-the-biomedical-research-toolkit
Źródło: www.icthealth.org