Gezondheidszorg

Anton Dolgikh, Hoofd van AI, Healthcare en Life Sciences bij DataArt – Interviewreeks

mm
Published
Updated

Anton Dolgikh leidt AI- en ML-georiënteerde projecten in de Healthcare- en Life Sciences-praktijk bij DataArt en geeft educatieve en trainingsprogramma’s voor ontwikkelaars die zich richten op het oplossen van bedrijfsproblemen met ML-methoden. Voordat hij bij DataArt werkte, werkte Dolgikh in de afdeling Complex Systems van de Université Libre de Bruxelles, een toonaangevende Belgische particuliere onderzoeksuniversiteit.

Wat was het dat je oorspronkelijk inspireerde om een carrière in AI en life sciences na te streven?

Een passie voor het zoeken naar verbindingen tussen fenomenen en feiten. Ik hou van lezen. Ik hou van boeken. Op de universiteit ontdekte ik een nieuwe bron van informatie – artikelen. Op een gegeven moment bleek het dat het bijna onmogelijk is om een complete beeld te krijgen, om de prachtige waarheid te kristalliseren uit een massa informatie. En hier komt AI om de hoek kijken. Statistiek, machine learning en natuurwetenschappen met AI aan de top werken allemaal samen om een brug te bouwen tussen de dorst van de menselijke geest naar kennis en een wereld waar alle wetten bekend zijn en er geen zwarte dozen zijn.

 

Je geeft momenteel educatie en training aan ontwikkelaars die zich richten op het oplossen van bedrijfsproblemen met ML-methoden. Is er een specifiek gebied van machine learning waar je je meer op richt, bijvoorbeeld diepe leer?

Ja, diepe leer is een zeer populair en, laten we eerlijk zijn, krachtig instrument; we kunnen het niet negeren. Ik persoonlijk geef de voorkeur aan de Bayesiaanse interpretatie van klassieke algoritmen, of zelfs een combinatie van neurale netwerken en een Bayesiaanse benadering – bijvoorbeeld een Bayesiaanse Variational Autoencoder. Maar ik geloof dat het belangrijkste om nieuwe ML-mensen te leren, is niet om ML-machinery blindelings te gebruiken als een magische zwarte doos, maar om de basisprincipes achter elke methode te begrijpen. Een must-have vaardigheid is de mogelijkheid om de voorspellingen die zijn verkregen voor een bedrijfspubliek uit te leggen.

 

In maart 2019 schreef je een artikel met de titel ‘Zijn we klaar voor machine-radiologen en hun fouten?’. In het artikel schetste je de voor- en nadelen van het accepteren van resultaten van machine-radiologen versus menselijke radiologen. Als je moest kiezen tussen een mens en een machine die je resultaten geeft, welke zou je kiezen en waarom?

Ik geef de voorkeur aan een menselijke radioloog. Niet omdat ik speciale kennis heb dat AI erg gevoelig is voor fouten en beslissingen intrinsiek fout zijn. Nee, het is meer een kwestie van empathie en de psychologische aard. Ik wil menselijke artsen steunen tijdens deze moeilijke periode. Bovendien geloof ik dat we in de nabije toekomst alleen maar zullen zien dat AI de menselijke capaciteit versterkt.

 

Je schreef onlangs een white paper met de titel ‘The Impact of Artificial Intelligence on Lifespan‘. In dit paper stelde je dat AI moet worden beschouwd als een instrument in de zoektocht naar een langer leven. Wat zijn enkele van de meest veelbelovende methoden die AI kan toepassen op de zoektocht naar een verlenging van de menselijke levensduur?

Vandaag de dag begint het nieuwe instrument van AI te werken in wetenschappelijke laboratoria op gelijke voet met klassieke instrumenten en benaderingen. Dit feit op zich is veelbelovend. AI is hier om ons te helpen, niet om ons te vervangen, in de strijd om de enorme hoeveelheden data te verwerken die niet alleen laboratoria, maar zelfs ons persoonlijke leven overspoelen.

 

Ook in hetzelfde paper wordt een claim van Biogerontology Research Foundation AI-directeur en CEO van Insilico Medicine, Dr. Alex Zhavoronkov, besproken, dat het verlengen van de levensduur tot 150 jaar geen fantastisch doel is. Geloof je dat een kind dat in 2020 is geboren, kan leven tot 120 of zelfs 150 jaar?

Ik wil geloven. Als wetenschapper door opleiding en overtuiging, moet ik mijn beslissingen baseren op feiten, op het begrijpen van de vooruitgang van wetenschappelijke methoden in het gebied. We hebben een indrukwekkende sprong gemaakt in de gebieden van genetica, biotechnologie en geneeskunde in het algemeen, en dit versterkt mijn geloof. En vergeet niet dat een aanzienlijk deel van het succes in het verlengen van de levensduur een gezonde omgeving en een gezonde levensstijl is, dus we moeten hieraan werken.

 

In hetzelfde paper wordt ook de mogelijkheid van mind uploading (transhumanisme) besproken. Geloof je dat dit uiteindelijk een realiteit kan worden, en hoe maakt het je persoonlijk?

Ik heb er veel over nagedacht. Eerlijk gezegd, maakt het me gefrustreerd. Ik denk dat we persoonlijkheid associëren met wat we in de spiegel zien, en voor mij is het moeilijk om mijn karakter te scheiden van mijn lichaam. Niettemin betekent dit niet dat het niet mogelijk is. En ja, ik geloof dat mind uploading uiteindelijk haalbaar zal worden. De gevolgen zijn veel moeilijker te voorzien.

 

Je bent momenteel het hoofd van AI, Healthcare en Life Sciences bij DataArt. Wat zijn enkele van de meest interessante projecten waar DataArt momenteel aan werkt?

We hebben een project gewijd aan de ontwikkeling van nieuwe medicijnen. Het is inspirerend om te zien hoe computationele methoden zijn ontwikkeld om de vooruitgang in medische chemie en farmacologie te stimuleren en te sturen. We doen ook veel werk aan het toepassen van AI om informatie te extraheren uit medische teksten, zoals klinische proefverslagen, medische artikelen en gespecialiseerde forums. Het is hard werken, maar het brengt ons dichter bij de digitalisering van de gezondheidszorg, en ik vind dit spannend.

 

Als een fervent boekenliefhebber, moet ik je ook vragen welke boeken je aanbeveelt?

Ik wil de onderstaande lijst niet een “must-read” noemen. Terwijl er standaardteksten zijn die geschikt zijn voor grote groepen, drukken de meeste “must-read”-boeken de persoonlijke ervaring en achtergrond van een adviseur uit.
  • Judea Pearl “Causality: Models, Reasoning and Inference“. De titel is zelfverklarend – het boek gaat over causale relaties. Als (op een dag) we een echte AI willen hebben, moeten we het leren redeneren over oorzaak en gevolg;
  • Als je geïnteresseerd bent in de causatieve en praktische methoden, dan is het fundamentele werk van Daphne Koller en Nir Friedman “Probabilistic Graphical Models: Principles and Techniques” de juiste keuze;
  • We verwachten dat krachtige AI in staat zal zijn om ons te begrijpen. Dus, we moeten de taal aan het leren. Natural Language Processing behandelt het probleem van de begrijpelijkheid van natuurlijke talen. Ik heb twee titels in gedachten die me veel hebben geholpen:
    1. Yoav Goldberg, Neural Network Methods in Natural Language Processing (Synthesis Lectures on Human Language Technologies), 2017
    2. Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze An Introduction to Information Retrieval, 2009
  • Ik weet niet zeker of het volgende boek gewijd is aan AI, maar het toont een niet-standaardbenadering van statistiek en voorspellingen, die nuttig zal zijn voor elke AI-onderzoeker: Bertrand S. Clarke, Jennifer L. Clarke Predictive statistics: Analysis and Inference beyond models
  • En ik zou de lijst afsluiten met een sciencefictionboek: Stanislav Lem, The Star Diaries

 

Is er nog iets anders dat je wilt delen over DataArt?

DataArt is een uitstekend voorbeeld van de recente trend naar digitalisering van bijna elk aspect van het leven en de activiteit. Deze trend verhoogt de verantwoordelijkheid in softwareontwikkeling, omdat het vandaag de dag niet alleen gaat om het bouwen van een site voor een winkel, waarbij een fout van de ontwikkelaar minimale gevolgen zal hebben. Vandaag de dag kan een fout van een ontwikkelaar een nationale of wereldwijde catastrofe worden als het een programma betreft dat de werking van bijvoorbeeld een kerncentrale controleert. De verantwoordelijke benadering van softwareontwikkeling in brede zin geeft me vertrouwen in wat we ontwikkelen, en ik ben erg trots om deel uit te maken van het bedrijf en het werk dat we doen.

Wat betreft een ander recent project, lanceerde DataArt vorig jaar een prototype-applicatie genaamd ‘SkinCareAI’, die huidafbeeldingen analyseert om vroege tekenen van melanoom te detecteren. Met de nieuwste ontwikkelingen in machine learning (ML)-technologie, werd SkinCareAI ontwikkeld door DataArt ML-expert Andrey Sorokin voor de International Skin Imaging Collaboration (ISIC)-uitdaging.

Om meer te leren over enkele van onze andere projecten en casestudies, ga naar DataArt’s Healthcare en Life Sciences-pagina.

mm

Antoine is een visionaire leider en oprichtend partner van Unite.AI, gedreven door een onwankelbare passie voor het vormgeven en promoten van de toekomst van AI en robotica. Een seriële ondernemer, hij gelooft dat AI net zo disruptief voor de samenleving zal zijn als elektriciteit, en wordt vaak betrapt op het enthousiast praten over het potentieel van disruptieve technologieën en AGI. Als een futurist, is hij toegewijd aan het onderzoeken van hoe deze innovaties onze wereld zullen vormgeven. Bovendien is hij de oprichter van Securities.io, een platform dat zich richt op investeren in cutting-edge technologieën die de toekomst opnieuw definiëren en hele sectoren herschappen.