AI mod Covid-19: Hvordan kan AI hjælpe med Covid-19-sporing og forskning?

2020 har været et mærkeligt år med Covid-19-virussen. Medicinske teknikere og forskere over hele verden er i færd med at forsøge at finde en vaccine og at indeholde den. Dette er ikke kun vigtigt for menneskelivet, men for virksomheder og virkningen har det haft globalt.

Ifølge Coronavstats pr. 21. september 2020 i Storbritannien var der i øjeblikket 398.625 infektioner i alt og et dødstal på 41.788. Den nuværende dødsrate på lidt over 10% af de samlede sager er alarmerende. Det er fastslået, at spredningen er eksponentiel. Derfor er indeslutning afgørende. I teknologiverden bruges AI til at hjælpe med opdagelse og inddæmning af vaccine. AI kan bruges til at finde de rigtige vaccinationer hurtigere ved at analysere tidligere baseret på lignende proteinstrukturer af infektionen og spredningen.

Sundhedscentre bruger i stigende grad kunstig intelligens. Røntgenstrålescanningssystemer til bryst kan automatisk registrere virussen og gøre brug af billedgenkendelse ved hjælp af AI-funktioner. AI tilbyder meget hurtigere behandling. Tilsynsmyndigheder og regeringsorganer indsamler derefter dataene og gør dem tilgængelige på tværs af flere enheder. Forskere og mikrobiologer bruger disse data og andre data til at skabe bedre lægemidler, der analyserer virkningen af ​​medicin og identificerer virussen og andre bakterier, såsom Læger uden Grænser.

Læger uden grænser og Tenserflow Lite

Et eksempel på anvendelsen af ​​AI-potentiel anvendelse til at finde en vaccine kan findes fra den nuværende medicinske forskning i bakterieidentifikation som set i denne YouTube-video. Læger uden grænser er en velgørenhedsorganisation, der yder lægehjælp over hele verden og ordinerer en række anti-biotika i over 70 lande. De har opdaget, at et stigende antal patienter er inficeret med multiresistente bakterier. Det er muligt, at det samme koncept kunne bruges til Covid-19 i deres brug af AI og Googles TensorFlow. TensorFlow er det gratis og open source AI-tilbud fra Google, og TensorFlow Lite (brugt af Læger uden grænser), den mobile version er tilgængelig til download på iOS og Android.

Hvad Læger uden grænser opdagede, er, at patienter ofte får de forkerte antibiotika på grund af manglende evne til nøjagtigt at identificere den nøjagtige virus, som en patient kan blive inficeret med. De bruger TensorFlow til at identificere de korrekte antibiotika til deres patienter.

Dette bringer flere udfordringer op. For at identificere bakterier er der behov for flere tests for at vide, hvilken type bakterier de har at gøre med. Der er et yderligere trin, som er at fortolke resultaterne i mange af de lande, hvor Læger uden Grænser opererer. Desværre er der ikke nok erfarent mikrobiologpersonale til at udføre disse fortolkninger. AI kan være en potentiel løsning på dette problem, idet de i stedet for at erstatte mikrobiologens personale hjælper eksisterende personale med at fortolke diagnosetest i en kortere tidsperiode ved at bruge TensorFlow lite, der er tilgængeligt på en række mobiltelefoner i alle deres klinikker. . Applikationen behøver ikke at være online, så den kan bruges i områder med dårligt signalområde.

TensorFlow bruger computersyn og maskinindlæring ved hjælp af Python til at opdage interaktioner mellem bakterier og antibiotika ved udelukkende at bruge et billede af petriskålen. Som et resultat af brugen af ​​denne teknologi lykkedes det Læger uden grænser at træne en testmodel inden for få dage. Det viste sig også at være overraskende hurtigt og let at opnå. De har udviklet en prototype med det formål at stille diagnostisk test til rådighed, let og overkommelig over hele verden. Denne applikation kan være en spilskifter til at hjælpe millioner af mennesker over hele verden, især hvis den kan tilpasses i jagten på en vaccine mod Covid-19 såvel som adskillige andre sygdomme. Det kan også hjælpe med at rådgive om bedste ledelsespraksis.

Det fungerer gennem detektering af objekter ved hjælp af præ-kommenterede billeder af sygdomsbakterier og udførelse af sammenligninger med et fotografi af en petriskål. Det er i stand til at forudsige på mindre end et sekund. Det skønne ved det system, som TensorFlow giver, er, at der i stedet for at skulle skrive tusinder af linjer med kode, er der et bibliotek med funktioner, der tillader opbygning af forskellige arkitekturer på meget kortere tid. Det kan krympe disse landlige netværk for at kunne passe på en mobil enhed. Menneskelig input er kritisk for processen. Det kan gå gennem hundreder af millioner af billeder meget hurtigt og kan tilpasses til at skabe forskellige typer neurale netværk.

I søgen efter en vaccine til Covid-19 kunne strategien, der blev anvendt af Læger uden Grænser, være et godt sted at starte i brugen af ​​AI ved hjælp af TenserFlow.

TensorFlow Lite på Android Eksempel

TensorFlow giver dig mulighed for hurtigt at køre maskinlæringsmodeller på mobile enheder med lav latenstid, så du kan udføre klassifikationer uden behov for at foretage gentagne netværksopkald til en server. Den er tilgængelig på Android og iOS via en C ++ API. Der er en Java-indpakning til Android-enheder, der kan understøtte den. Tolken bruger Android neurale netværk API til hardwareacceleration.

Appen er bygget ved hjælp af en mobil netmodel. Mobilnet er små og bruger lidt strøm. Modeller kan designes til at imødekomme flere brugssager, såsom genstandsdetektion, såsom forskellige typer planter eller træer. Det giver finkornet klassificering. Der er flere foruddannede modeller uden for hylden til rådighed til at arbejde med.

Når du arbejder med TensorFlow lite, anbefales det, at du arbejder med disse forudbyggede modeller. TensorFlow Lite understøtter dog endnu ikke alle funktionerne i den fuldblæste TensorFlow.

For at bruge TensorFlow på mobil skal du medtage TensorFlow lite-bibliotekerne. Dette opnås ved at redigere din builds gradle-fil for at sikre, at du inkluderer dem. Det næste trin er at importere en TensorFlow-tolk. Tolken indlæser en model og giver dig mulighed for at køre den ved at forsyne den med et sæt input. TensorFlow lite udfører modellen og skriver output. Det er en simpel proces, selvom teknologien bag det er kompleks.

Modellen skal opbevares i applikationsaktiverne. Koden læser derefter modellen direkte derfra, selvom en model kan indlæses hvor som helst. Når modellen er indlæst, kan en tolk instantieres.

I tilfælde af medicinsk forskning læser applikationen rammer fra kameraet og gør dem til billeder. Disse billeder (i tilfælde af Læger uden grænser, en petriskål) bruges som input til modellen, som udsender returværdier. Disse værdier er et indeks til den relevante etiket (i dette tilfælde bakterieidentifikation), og de tusindvis af foruddefinerede, kommenterede billeder svarer derefter til den etiket.

Du kan finde ud af mere om træning af TensorFlow-modeller i denne videovejledning til at køre TensorFlow-modeller på Android.

Covid-19-detektion ved hjælp af UiPath-stof

UiPath er et firma, der specialiserer sig i AI-løsninger til automatisering. Forskere ved University of Waterloo og Darwin har brugt UiPath Fabric, som er et open source-initiativ, til at designe en neuralt netværksmodel til at opdage COVID-19 tilfælde ved hjælp af røntgenbilleder fra brystet. Modellen blev trænet på et offentligt tilgængeligt datasæt bestående af 76 billeder fra patienter med covid 19 som illustreret i denne You Tube-video.

Arbejdsgangen er enkel, bestående af en fil og et røntgenbillede. Disse sendes til maskinindlæringsmodellen, som sender resultaterne. Ansøgningen anmoder om et billede. Alt dette, du har brug for, for at træne modellen fra mennesker uden sygdom og for at skelne mellem mennesker med lungebetændelse og personer med COVID-19. Outputtet er et klassificeringsresultat for maskinindlæring.

Så for ethvert røntgen- eller CT-scanningsbillede på brystet giver softwaren en forudsigelse om, at billedet kommer fra en patient med Covid-19. På dette stadium af forskningen er det ikke en produktionsversion, men et indledende eksperiment.

AI bruges til at hjælpe med forskning til at indeholde Covid-19 og muligvis til at opdage en virus. Mobilapps, såsom TensorFlow Lite, kan kontrollere, om en person har virussen ved at give nogle brugerindtastninger, få nogle data automatisk om deres placering og bedømme dem på en vis risiko. Du kan forestille dig en situation, hvor hvis en bekræftet patients mobile placering altid er kendt, kan regeringen advare folk, der har været i kontakt med nævnte person. Dette er kendt som "Track and Trace".

Bert, et andet Google AI-initiativ, anvendes til dette enorme datasæt for at udtrække nyttige oplysninger om virussen ved hjælp af Natural Language Processing (NLP). NLP kan bruges til at forstå proteinstrukturen og udvikle potentielle vaccinationer hurtigere, herunder at give information om de områder, hvor mennesker er ramt.

Dette skal også hjælpe mikrobiologer med at forstå behandlingsmuligheder, i betragtning af eventuelle bivirkninger og bestemme den korrekte dosis. Bert ser på ord og sætninger fra begge retninger, fra venstre mod højre og højre eller venstre, så de kan forstå og identificere bestemte ord i en fuld sammenhæng. Så med en kombination af AI-modeller, såsom TensorFlow og Bert til naturlig sprogbehandling for at hjælpe mikrobiologer, er en vaccine til Covid-19 måske ikke for langt væk, men det er stadig et igangværende arbejde. AI viser sig nyttigt, som disse eksempler har vist, for at tilvejebringe en løsning på en potentiel Covid-19 vaccine og sporingsevne.