Ajatusjohtajat

Koodista hoitoon: seuraava tekoälyvallankumous tarvitsee kädet ja silmät

Dr. Le Cong
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.
Keskeiset kohdatLabOS yhdistää tekoälyn digitaalisen suunnittelun fyysiseen laboratoriotyöhön XR-lasien…
Näytä lisää
  • LabOS yhdistää tekoälyn digitaalisen suunnittelun fyysiseen laboratoriotyöhön XR-lasien ja robotiikan avulla.
  • Yli 70 % tutkijoista epäonnistuu kokeiden toistamisessa tiedonkeruun puutteen, ei löytämisen puutteen vuoksi.
  • Tekoälyn apulaistutkijoiden on sisällettävä alkuperätiedot ja rajattu autonomia haittojen estämiseksi biolääketieteen laboratorioissa.

Miten agenttipohjaiset järjestelmät, XR-älylasit ja robotiikka vahvistavat ihmisten kykyjä korvaamatta heitä

Elämme tekoälyn paradoksin keskellä.

Näytöillä tekoäly on yli-inhimillinen. Suuret kielimallit kirjoittavat toimivaa Python-koodia sekunneissa. Generatiiviset järjestelmät tuottavat fotorealistisia kuvia ja videoita minuuteissa. Nobel-palkinnon voittaneet järjestelmät, kuten AlphaFold, ovat ennustaneet lähes kaikkien tunnettujen proteiinien rakenteet. Digitaalisia voittoja kertyy jatkuvasti.

Biolääketieteellisen tutkimuksen fyysisessä maailmassa löydösten tekeminen on silti edelleen työlästä käsityötä. Tekoälyn ei vielä oikein tunnu nopeuttavan tiedettä tai lääketiedettä. Luvut osoittavat ongelman syvyyden. Naturen merkittävässä, yli 1 500 tutkijan kyselyssä havaittiin, että yli 70 % oli yrittänyt toistaa toisen tutkijan kokeita siinä onnistumatta. Vielä huolestuttavampaa on, että yli puolet ei pystynyt toistamaan omia tuloksiaan. Nimenomaan syöpäbiologiassa kahdeksanvuotinen toistettavuushanke osoitti, että vain 40 % merkittävistä löydöksistä voitiin toistaa ja 68 prosentista kokeista puuttui riittävä dokumentaatio edes toistamisen yrittämiseen.

Tämä on nykytieteen ikävä salaisuus: ongelmana ei ole pelkästään löytöjen tekeminen, vaan tiedon talteenotto. Ratkaisevat koetiedot ovat tutkijoiden mielessä eivätkä julkaisuissa. Menettelyohjeet muuttuvat vähitellen. Hiljainen tieto lähtee harjoittelijoiden mukana heidän valmistuessaan. Julkaistulla kirjallisuudella koulutetut tekoälyjärjestelmät perivät kaikki nämä aukot.

Perusongelma on, että vaikka tekoäly voi suunnitella digitaalisen simulaation avulla uuden proteiinin syövän hoitoon, se ei pysty tarttumaan pipettiin testatakseen sitä. Se ei osaa toimia fyysisen kokeellisen laboratorion sotkuisessa ja arvaamattomassa todellisuudessa varmistaakseen oman hypoteesinsa. Se ei pysty katsomaan kokeneen tutkijan käsiä ja oppimaan hienovaraisia tekniikoita, jotka saavat kokeet onnistumaan.

Tämä toteutuskuilu on suurin yksittäinen pullonkaula, joka estää tekoälyvallankumousta muuttumasta lääketieteen vallankumoukseksi. Useimmat robotiikkayritykset opettavat edelleen koneita viikkaamaan pyykkiä tai täyttämään astianpesukoneita ja ovat jääneet jälkeen näiden edistysaskelten todella mullistavissa käyttötavoissa esimerkiksi lääketieteessä.

Ongelman ratkaisemiseksi on siirryttävä chatboteista kohti tekoälyllä toimivia tutkijakumppaneita: agenttipohjaisia järjestelmiä, jotka yhdistävät digitaalisen ja fyysisen maailman ja ulottuvat suunnittelusta ja koodauksesta todelliseen toteutukseen. Kehitämme Stanfordissa LabOS-järjestelmää, digitaalisen ja fyysisen maailman yhdistävää tekoälykehystä. Se osoittaa, miten tekoälyagentit, laajennetun todellisuuden XR-älylasit ja yhteistyörobotiikka voivat sulkea tämän palautesilmukan. Tieteelliset kokeet muuttuvat ihmisen ja koneen yhteiseksi keskusteluksi, ja nykyisin katoava tieto tallentuu automaattisesti.

Suuri kuilu: miksi tekoäly tarvitsee silmät ja kädet

Monet näkyvimmistä tekoälyn onnistumisista ovat tapahtuneet täysin digitaalisessa ympäristössä: koodivarastoissa, kuratoiduissa tietoaineistoissa tai simuloiduissa vertailutesteissä, joissa tekoäly kilpailee virtuaalisen yrityksen johtamisessa tai digitaalisessa osakesijoittamisessa.

Fyysiset kokeelliset laboratoriot ovat erilaisia. Biologia ja tieteellisten löytöjen tekeminen yleensäkin ovat hyvin kohinaisia prosesseja. Mittalaitteiden toiminta muuttuu vähitellen, käyttäjät improvisoivat ja osa menettelyohjeista on usein vain ihmisten mielessä. Onnistuneen tuloksen ja epäonnistuneen kokeen ero voi johtua pipetointikulmasta, vortex-sekoituksen tavasta, reagenssin vaihtamisesta tai kymmenen minuuttia liian pitkästä inkuboinnista. Nämä taustatiedot päätyvät harvoin julkaisuun, vaikka juuri niitä tekoälymalli tarvitsee yleistääkseen oppimaansa tietoaineiston ulkopuolelle.

Siksi laboratoriokäyttöön soveltuva tekoäly tarvitsee silmät tilanteen havainnointiin, kädet vaihtelevien työvaiheiden vakiointiin ja turvalliseen automatisointiin sekä muistin sen tallentamiseen, mitä todella tapahtui. Ilman näitä kykyjä mallit voivat suositella toimia, mutta ne eivät voi luotettavasti muuttaa suosituksia validoiduksi fyysiseksi toteutukseksi tai selittää epäonnistumisia todellisuuden poiketessa suunnitelmasta.

Chatboteista eteenpäin: avustajista tutkijakumppaneiksi

Agenttipohjaisesta tekoälystä puhutaan toisinaan väljästi. Biolääketieteessä termin pitäisi tarkoittaa täsmällisesti järjestelmää, joka ottaa tavoitteen, esimerkiksi CRISPR-geenimuokkauksen tehokkuuden optimoinnin samalla kun minimoidaan kohteen ulkopuoliset muokkaukset, jakaa sen tehtäviksi, suorittaa ne eri työkaluilla, arvioi tulokset ja mukauttaa suunnitelmaa rajoitteiden puitteissa sekä auditoitavasti päätöksiä tehden.

Tämä on tärkeää, sillä tutkimuksen työnkulku ei ole yksittäinen mallikutsu. Kyse on kokonaisista käsittelyketjuista, jotka ulottuvat hypoteesin muodostamisesta kokeiden suunnitteluun, datan käsittelyyn, tilastolliseen testaukseen ja tulkintaan. Viimeaikaisessa lääkekehitystä koskevassa ajattelussa on alettu korostaa agenttipohjaisia järjestelmiä, jotka voivat skaalata näitä ketjuja pelkän yksittäisten vaiheiden nopeuttamisen sijaan. Esimerkkinä on Unite.AI:n tarkastelu agenteista pienmolekyylilääkkeiden kehityksessä.

Ohjelmistokehityksessä on jo saatu alustavaa empiiristä näyttöä siitä, että tekoälyavustajat voivat lisätä kehittäjien tuotosta. Biolääketieteessä vastaava mahdollisuus tarkoittaa koodin kirjoittamisen lisäksi menettelyohjeiden laatimista ja validointia, datan jäsentämistä, toteutuksen seurantaa sekä ennusteiden ja mittausten palautesilmukan sulkemista yhdistämällä tekoäly laboratorioiden ihmistutkijoihin.

LabOS: tekoäly huomisen laboratorioiden käyttöjärjestelmässä

Olemme tutkineet Stanfordissa AI4Science-työssämme arkkitehtuurin muutosta. Työmme kattaa geenimuokkauksen tekoälyavustajat, kuten CRISPR-GPT:n, sekä tekoälyn ja XR:n yhteistoteutusjärjestelmät, kuten biolääketieteen ja materiaalitieteen laboratorioiden tutkijoita auttavan LabOS:n:

1. Digitaalisen eli kuivalaboratorion ja fyysisen eli märkälaboratorion yhdistävän kokonaisvaltaisen laboratoriokäyttöjärjestelmän suunnittelu.

Lähtökohta on yksinkertainen: jos laboratoriopäiväkirja on tieteen muisti, laboratoriokäyttöjärjestelmän pitäisi olla toteutuskerros, joka tallentaa tarkoituksen, muuttaa sen toimiksi, havainnoi tulokset ja muuntaa jokaisen koeajon jäsennellyksi tiedoksi.

Kuva. LabOS:n periaatekuva: itseään kehittävän digitaalisen laboratorion silmukka, johon kuuluvat suunnittelu, koodaus, kriittinen arviointi ja työkalujen luonti, yhdistyy ihmisen ja tekoälyn märkälaboratoriosilmukkaan, johon kuuluvat automaattinen dokumentointi, tiedon talteenotto, XR-ohjaus ja robotiikan integrointi.

2. Tekoäly digitaalisessa laboratoriossa: itseään kehittävä suunnittelu ja työkalujen rakentaminen

Digitaalisessa eli kuivalaboratoriossa tekoälyn voidaan antaa tehdä sitä, minkä se jo osaa hyvin: etsiä, yhdistellä ja ehdottaa. Haluamme kuitenkin sen myös kehittyvän itse. Emme tarkoita uuden tieteen hallusinointia, vaan parempien työkalujen ja työnkulkujen oppimista palautteen avulla.

Käytännön digitaalinen laboratoriosilmukka voidaan jäsentää neljään toistuvaan vaiheeseen:

  • Suunnittelu (hypoteesi ja koesuunnittelu): ehdota hypoteeseja, valitse kokeelliset muuttujat, ennakoi sekoittavat tekijät ja määritä mitattavat päätetapahtumat.
  • Koodaus (toteutus): luo tai mukauta analyysiskriptejä, simulaatioketjuja ja laitteiden ohjausmalleja silloin, kun se on tarkoituksenmukaista.
  • Kriitikkoagentti (päättely ja arviointi): koettele oletuksia, tarkista tilastollinen voima, ehdota kontrollikokeita ja merkitse todennäköiset epäonnistumistavat.
  • Työkalujen luonti (etsintä ja kehittäminen): jos työnkulusta puuttuu osa, kuten jäsennin, laadunvalvontarutiini tai hallintanäkymä, rakenna se ja lisää työkalupakkiin.

3. Tekoäly fyysisessä laboratoriossa: silminä XR-lasit ja käsinä robotiikka

Fyysisessä eli märkälaboratoriossa järjestelmä joko ansaitsee luottamuksen tai menettää sen. Tarkoitus ei ole korvata tutkijaa, vaan vähentää kitkaa ja virheitä sekä lisätä havainnoitavuutta.

Näemme fyysisen laboratorion silmukan neljänä toisiaan täydentävänä kykynä:

  • Automaattinen tallennus ja dokumentointi: tallenna toimet, aikaleimat, laiteasetukset ja poikkeamat automaattisesti, jotta dokumentointia ei tehdä vasta jälkikäteen.
  • Tiedon talteenotto nopeaa ja toistettavaa toteutusta varten: muunna koeajot jäsennellyiksi ja kyseltäviksi tuotoksiksi, kuten menettelyohjeiden versioiksi, parametrikokonaisuuksiksi ja laadunvalvonnan tuloksiksi, tiedonhallinnan periaatteiden mukaisesti. Esimerkkinä ovat FAIR-periaatteet.
  • Reaaliaikainen kuvaa ja kieltä yhdistävä ohjaus XR-älylaseilla: tulkitse monimodaalisilla malleilla tilannetta, esimerkiksi käyttäjän toimintaa ja kädessä olevaa reagenssia, ja anna vaiheittaisia ohjeita sekä turvallisuustarkistuksia. AR/XR on jo osoittanut hyötynsä fyysisissä työnkuluissa, joissa on paljon pelissä, esimerkiksi kokeiden ohjauksessa (LabOS, Stanford ja Princeton yhteistyössä NVIDIAn kanssa).
  • Yhteistyörobottien ja muun robotiikan integrointi automaatioon: vakioi toistuvat vaiheet, mahdollista turvalliset tehtävien siirrot ja vähennä vaihtelua. Simulaatiosta todellisuuteen ulottuvien työnkulkujen alustat, esimerkiksi NVIDIA Isaac, sekä reaaliaikainen tekoälykäsittely reunalaitteissa, kuten älylasien suoratoisto ja ihmisen ja tekoälyn vuorovaikutus LabOS:ssa, ovat tärkeitä mahdollistavia kerroksia.

Arkkitehtuuri vastaa alan laajempaa suuntaa: itseohjautuvia eli autonomisia laboratorioita, jotka yhdistävät automaation ja koneoppimisen seuraavan kokeen suunnitteluun. LabOS tuo tähän tiiviimmän ihmisen käyttöliittymäkerroksen, jotta autonomia ei heikennä läpinäkyvyyttä.

Miksi laboratoriotason tekoäly ei ole pelkkää tekoälyä tietoaineiston päällä

Biolääketieteelliseen tai tieteelliseen superälyyn tähtäävät tekoälyjärjestelmät näyttävät usein vaikuttavilta jälkikäteisarvioinnissa tai tenttejä suorittaessaan, mutta suoriutuvat fyysisessä laboratoriossa heikommin. Syy on harvoin yksittäinen ohjelmistovirhe. Yleensä mallin oletukset ja laboratorion todellisuus eivät vastaa toisiaan.

Kolme kuilua toistuu jatkuvasti:

  • Kontekstikuilu: tietoaineistoista puuttuvat tavallisesti käyttäjien tärkeiksi tietämät taustamuuttujat, kuten lämpötilapoikkeamat, reagenssien eränumerot ja hienovaraiset poikkeamat menettelyohjeista.
  • Toimintakuilu: monet tekoälyjärjestelmät voivat suositella toimia, mutta eivät luotettavasti muuntaa suosituksia validoiduiksi fyysisiksi vaiheiksi.
  • Palautekuilu: ilman toteutuksesta saatavaa jäsenneltyä, laadukasta palautetta mallit eivät opi, missä ne epäonnistuvat, eivätkä tutkijat voi auditoida syitä.

Kuilujen sulkeminen ei ensisijaisesti edellytä uuden neuroverkkoarkkitehtuurin keksimistä, vaan mittalaitteiden, käyttöliittymien ja datasopimusten rakentamista niin, että koneet voivat tulkita laboratoriota ja tekoäly nähdä ihmiset ja työskennellä heidän kanssaan.

Luottamus jo suunnittelussa: turvallisuus ja hallinta toimintaan kykenevälle tekoälylle

Agenttipohjainen tekoäly tieteellisessä tutkimuksessa ei herätä vain tuttuja tarkkuushuolia. Se tuo uusia epäonnistumistapoja, koska se pystyy toimimaan. Laboratoriossa toiminta voi johtaa hukkaan, haittaan tai harhaanjohtaviin johtopäätöksiin, erityisesti kokeiden vaikuttaessa kliinisiin hypoteeseihin.

Hyödyllinen lähtökohta on nähdä tekoälyä hyödyntävä laboratoriojärjestelmä sosioteknisenä kokonaisuutena, jonka luotettavuus on varmistettava. Useat nykyiset kehykset auttavat, mutta ne on sovellettava laboratorion todellisuuteen:

  • Riskienhallinta jatkuvana käytäntönä: NISTin tekoälyriskien hallintakehys (AI RMF 1.0) tarjoaa käytännöllisen sanaston tekoälyriskien kartoittamiseen, mittaamiseen ja hallintaan koko elinkaaren ajan.
  • Sääntelyn huomioiminen lääketiedettä lähellä olevassa tekoälyssä: FDA:n tekoälyä ja koneoppimista hyödyntävää lääkinnällisenä laitteena toimivaa ohjelmistoa (SaMD) koskeva työ, mukaan lukien sen toimintasuunnitelma ja siihen liittyvät ohjeet, antaa konkreettisen kuvan hyvistä käytännöistä tekoälyn vaikuttaessa potilaiden hoitoon.

Geenimuokkauksen ja muiden merkittäviä seurauksia aiheuttavien alojen hallinnasta keskustellaan jo maailmanlaajuisesti. Ihmisen genomin muokkausta koskevissa suosituksissa korostetaan asianmukaisten valvontamekanismien ja vastuullisen hallinnan tarvetta. Tällaisia suosituksia on esittänyt esimerkiksi American Society for Gene and Cell Therapy eli ASGCT. LabOS:n kaltaiset järjestelmät pitäisi suunnitella helpottamaan vaatimusten noudattamista.

Tarkistuslista: turvallisten tekoälytutkijakumppanien hallintakeinot tieteellisiin löytöihin

Mielestämme turvallisuustietoisen laboratoriokäyttöjärjestelmän pitäisi toteuttaa vähintään seuraavat ratkaisut:

  • Alkuperän jäljitettävyys oletuksena: jokainen tietoaineisto, menettelyohjeen versio ja mallin tuotos pitäisi voida jäljittää syötteisiin ja aikaleimoihin.
  • Rajattu autonomia: järjestelmällä pitäisi olla selkeät käyttövaltuudet, jotka määrittävät ilman vahvistusta sallitut toimet, sekä eskalointisäännöt, jotka määrittävät, milloin sen on pyydettävä lupa.
  • Ihmisen mahdollisuus ohittaa järjestelmä ja hallittu toimintakyvyn supistaminen: anturien tai tietovirtojen pettäessä tai epävarmuuden kasvaessa suureksi järjestelmän pitäisi palata turvallisempaan, yksinkertaisempaan tilaan.
  • Jatkuva validointi: tietokoneella tuotetut ennusteet pitäisi yhdistää fyysisessä laboratoriossa tehtävään validointiin. Fyysisissä koeajoissa pitäisi olla laadunvalvontaportit ennen kuin johtopäätökset etenevät takaisin digitaalisen maailman tekoälymalleille tai -agenteille.
  • Tietoturva ja kaksoiskäytön tiedostaminen: suojaa laboratorion infrastruktuuri peukaloinnilta.

Lisää kykyjä ihmisille kaikkialla: voivatko tekoälytutkijakumppanit tasata mahdollisuuksia?

Yksi tekoälyn ja XR:n yhdistävän tutkijakumppanin houkuttelevimmista lupauksista ei ole vain huippulaitosten nopeus, vaan kaikkien pääsy sen hyötyihin. Pieniä laboratorioita, startup-yrityksiä sekä syrjäseutujen, maaseudun ja alueellisia klinikoita rajoittavat nykyisin esimerkiksi seuraavat tekijät:

  • Rajalliset mahdollisuudet saada parhaiden käytäntöjen mukaisiin menettelyohjeisiin ja laitteisiin liittyvää erityisosaamista.
  • Koulutuksen, virheiden ja uudelleen tehtävän työn suhteellisesti suuremmat kustannukset.
  • Hajanaiset työkalut: muistiinpanot, laskentataulukot, laitelokit ja analyysiskriptit liittyvät harvoin saumattomasti yhteen.

Järjestelmä, joka ohjaa toteutusta tilanteen mukaan XR-lasien kautta, tallentaa tapahtumat automaattisesti ja ehdottaa aiempien koeajojen perusteella parasta seuraavaa vaihetta, voisi parantaa vaativien määritysten toistettavuutta eri toimipaikoissa. Periaatteessa se voisi myös tukea hajautettua kliinistä tutkimusta, jossa menettelyohjeet on toteutettava johdonmukaisesti resurssien vaihtelusta huolimatta.

Aikataulu: milloin jokainen tutkija ja kliinikko saa tutkijakumppanin?

Joissakin arvokkaissa ja usein toistuvissa tehtävissä, kuten lääkkeen luotettavassa tuottamisessa laboratoriossa, olemme lähempänä kuin moni ajattelee. Toisissa, kuten syövän tai Alzheimerin taudin kaltaisten suurten ongelmien täydellisessä ratkaisemisessa tekoälyllä, olemme kauempana kuin useimmat esittelyt antavat ymmärtää. Realistinen etenemissuunnitelma näyttää tältä:

  1. Lähiaika: vuoden sisällä: Hallinnollista kuormaa vähentävät työnkulkuavustajat: menettelyohjeiden luonnostelu, kirjallisuuden yhdistely, analyysimallit ja automaattiset laadunvalvontaraportit. Rajoittava tekijä on integraatio, ei mallin kyvykkyys.
  2. Keskipitkä aikaväli: 1–2 vuotta: Yhteistoteutusjärjestelmät laboratoriossa: XR-lasien ohjaus, automaattinen dokumentointi ja valikoitu robotiikka paljon vaihteleviin vaiheisiin. Luottamus riippuu auditointijäljistä ja suunnittelusta, jossa ihminen pysyy tiiviisti mukana.
  3. Pidempi aikaväli: vähintään 3 vuotta: Eri alojen tutkijakumppanit, jotka yhdistävät löydökset käytännön soveltamiseen: laboratoriotiedon yhdistäminen kliinisiin päätetapahtumiin, turvallisuussignaalien seuranta ja tutkimusten suunnittelun tukeminen sääntelyä ja eettisiä odotuksia noudattaen.

Koodista hoitoon: kohti tuhatkertaista tieteellisten löytöjen tekemistä

LabOS on yksi yritys vastata yksinkertaiseen kysymykseen: entä jos koe voitaisiin toteuttaa keskusteluna, jossa tarkoitus, toteutus ja näyttö ovat yhteydessä alusta loppuun? Hyvin rakennettuina nämä järjestelmät voivat auttaa kuromaan umpeen tutkimustulosten soveltamisen kuilua, joka hidastaa biolääketiedettä ja monia fysikaalisten tieteiden aloja, kuten materiaalitiedettä. Huonosti rakennettuina ne lisäävät toistettavuusongelmia ja synnyttävät uusia turvallisuusriskejä.

Seuraavien vuosien tärkein työ koskee perustaa: standardoituja data- ja laiterajapintoja käyttöjärjestelmän rakentamisen kautta, samaan tapaan kuin iOS suorittaa erilaisia sovelluksia; toteutuksen ja epävarmuuden huomioivia tekoälyn vertailutestejä, kuten LabOS:n LabSuperVision; sekä käytännön käyttöönoton aloittamista niin, että innovaatioita edistetään potilaita ja tutkimuksen luotettavuutta suojaten.

Tutkijoille ja kliinikoille kysymys ei ole, tuleeko tekoäly laboratorioon. Se on jo tullut. Kysymys on, yhdistämmekö sen irrallisten työkalujen kokoelmaksi vai luotettavaksi, auditoitavaksi järjestelmäksi, joka on suunniteltu biolääketieteen todellisuuteen.

Suositeltavaa luettavaa ja lähteet

Le Cong, PhD, on apulaisprofessori patologian ja genetiikan alalla Stanfordin yliopistossa, jossa hänen ryhmänsä kehittää tekoälylähtöistä genomitekniikkaa ja AI-XR-robottijärjestelmiä, jotka yhdistävät digitaalisen laboratorion päättelyn fyysisen laboratorion toteutukseen, ihmisten voimaannuttamiseksi tieteellisessä tutkimuksessa.