Keinotekoinen äly (AI) tunnetaan parhaiten kyvystään nähdä (kuten kuljettajattomissa autoissa) ja kuunnella (kuten Alexassa ja muissa kodin avustajissa). Tästä lähtien se voi myös haistaa. Kollegani ja minä kehitämme AI-järjestelmää, joka voi haistaa ihmisen hengitystä ja oppia tunnistamaan joukko sairauksia paljastavia aineita, jotka voimme hengittää.
Hajuajat käyttävät eläimet ja jopa kasvit tunnistamaan satoja erilaisia aineita, jotka leijuvat ilmassa. Mutta verrattuna muihin eläimiin, ihmisen hajuaisti on paljon vähemmän kehittynyttä eikä sitä todellakaan käytetä päivittäisiin toimintoihin. Tästä syystä ihmiset eivät ole erityisen tietoisia tiedon rikkaudesta, jota voidaan välittää ilman kautta ja jonka erittäin herkkä hajujärjestelmä voi havaita. AI voi olla muuttamassa sitä.
Muutaman vuosikymmenen ajan laboratoriot ympäri maailmaa ovat voineet käyttää koneita ilmaistakseen hyvin pieniä määriä aineita. Nämä koneet, joita kutsutaan kaasukromatografisiksi massaspektrometreiksi tai GC-MS: ksi, voivat analysoida ilmaa löytääkseen tuhansia erilaisia molekyylejä, jotka tunnetaan haihtuvina orgaanisina yhdisteinä.
GC-MS-koneessa jokainen ilmanäytteessä oleva yhdiste erotetaan ensin ja murskataan sitten palasiksi, jolloin saadaan erottuva sormenjälki, josta yhdisteet voidaan tunnistaa. Seuraava kuva on visualisointi pienestä osasta hengitysnäytteen analyysin tietoja.
3D-näkymä GC-MS-instrumentin osan hengitysnäytteen tiedoista. (James Gathany) Jokainen piikki edustaa molekyylin fragmenttia. Tällaisten piikkien erityiset kuviot paljastavat erillisten aineiden läsnäolon. Usein pieninkin huippu voi olla ratkaiseva. Ihmisen hengityksessä esiintyvien useiden satojen yhdisteiden joukosta muutama niistä saattaa paljastaa erilaisten syöpien esiintymisen, jopa varhaisessa vaiheessa. Siksi laboratoriot ympäri maailmaa kokeilevat GC-MS: tä ei-invasiivisena diagnostiikkatyökaluna monien sairauksien tunnistamiseksi kivuttomasti ja ajallaan.
Valitettavasti prosessi voi olla erittäin aikaa vievä. Asiantuntijoiden on tarkistettava ja analysoitava suuret määrät tietoja manuaalisesti. Yhdisteiden suuri määrä ja tietojen monimutkaisuus tarkoittavat, että jopa asiantuntijat vievät kauan yksittäisen näytteen analysointiin. Ihmiset ovat myös alttiita virheille, voivat kaipaamaan yhdistettä tai erehtyä yhdestä yhdisteestä toiseen.
Kuinka tekoäly voi auttaa
Osana Loughborough'n yliopiston tietojenkäsittelytietoryhmää, kollegani ja minä mukautamme uusinta tekoälyteknologiaa havaitsemaan ja oppimaan erityyppistä tietoa: hengitysnäytteissä olevia kemiallisia yhdisteitä. Aivojen inspiroimat matemaattiset mallit, joita kutsutaan syvän oppimisen verkostoiksi, on erityisesti suunniteltu “lukemaan” hajujen jäljittämät jäljet.
Edinburghin syöpäkeskuksen lääkäreiden, sairaanhoitajien, radiografien ja lääketieteellisten fyysikoiden ryhmä keräsi hengitysnäytteitä syöpähoitoon osallistuvilta osallistujilta. Näytteet analysoivat sitten kaksi kemisti- ja tietotekniikkaryhmää.
Kun kemistit tunnistivat joukon yhdisteitä manuaalisesti, nopeille tietokoneille annettiin tiedot syvän oppimisen verkkojen kouluttamiseksi. Laskentaa kiihdytti GPU: t, nimeltään erityislaitteet, jotka voivat käsitellä useita erilaisia tietoja samanaikaisesti. Syväoppimisverkot oppivat yhä enemmän jokaisesta hengitysnäytteestä, kunnes he pystyivät tunnistamaan erityiset kuviot, jotka paljastivat spesifiset yhdisteet hengityksessä.
Prosessin yksinkertainen kuvaus: yhdisteistä ilmasta tai hengitysnäytteistä havaittujen aineiden visualisointiin. (James Gathany) Tässä ensimmäisessä tutkimuksessa keskityttiin tunnistamaan ryhmä kemikaaleja, nimeltään aldehydejä, jotka liittyvät usein tuoksuihin, mutta myös ihmisen stressiolosuhteisiin ja sairauksiin.
Tällä tekniikalla varustetut tietokoneet vievät vain minuutteja analysoidakseen itsenäisesti hengitysnäytteen, joka ihmisten asiantuntija oli aiemmin ottanut tunteja. Tehokkaasti AI tekee koko prosessista halvemman - mutta ennen kaikkea se tekee siitä luotettavamman. Vielä mielenkiintoisempaa, tämä älykäs ohjelmisto hankkii tietoa ja paranee ajan myötä analysoidessaan lisää näytteitä. Seurauksena on, että menetelmä ei ole rajoitettu mihinkään tiettyyn aineeseen. Tätä tekniikkaa käytettäessä syväoppimisjärjestelmiä voidaan kouluttaa havaitsemaan pieniä määriä haihtuvia yhdisteitä mahdollisesti laajoilla sovelluksilla lääketieteessä, oikeuslääketieteessä, ympäristöanalyysissä ja muissa.
Jos AI-järjestelmä pystyy havaitsemaan tautimerkit, niin on myös mahdollista diagnosoida, olemmeko sairaita vai ei. Tällä on suuri potentiaali, mutta se voi myös osoittautua kiistanalaiseksi. Ehdotamme yksinkertaisesti, että AI: tä voitaisiin käyttää välineenä ilmassa olevien aineiden havaitsemiseksi. Sen ei tarvitse välttämättä tehdä diagnoosia tai tehdä päätöstä. Lopulliset päätelmät ja päätökset jäävät meille.
Tämä artikkeli on alun perin julkaistu keskustelussa.
Andrea Soltoggio, luennoitsija, Loughborough University
