בינה מלאכותית בתחום הבריאות: הבטחות מול המציאות הקשה

חברות בינה מלאכותית נוהגות להציג חזון שאפתני בתחום הבריאות, תוך הבטחות גדולות לגבי פריצות דרך רפואיות. Alphabet באמצעות חברת Isomorphic טוענת כי "בינה מלאכותית מתקדמת יכולה לחשוף תובנות מדעיות עמוקות יותר, להאיץ פריצות דרך ולפתח תרופות משנות חיים". חברת Lila משווקת את ה-AI שלה ככלי ל"גילוי מהיר בכל תחום שבו מדע פורץ דרך חשוב".

החברות משקיעות כספים רבים בהתאם לאמונתן בהבטחות אלו. לאחרונה רכשה Anthropic את חברת הסטארט-אפ Coefficient Bio בסכום של 400 מיליון דולר. אך המבחן האמיתי היחיד עבור AI בתחום הבריאות הוא: האם הוא עובד בבני אדם? האם הוא יצר תרופה שהצילה חיים?

עד כה, רוב החברות לא עמדו במבחן זה. Isomorphic ו-Lila טרם הצליחו להביא תרופה אחת לשוק. ההבטחות השיווקיות של AI בתחום הבריאות נוטות להתרסק מול המציאות הקשה.

מדוע כל כך קשה להגיע לפריצות דרך רפואיות?

פיתוח תרופה חדשה הוא תהליך מורכב ויקר. כדי לבחון תרופה חדשה, יש לעבור ניסוי קליני שלב 3, אשר אורכו בדרך כלל עשר שנים ועלותו כ-2 מיליארד דולר. כדי לבחון אבחון חדש, יש להוכיח תועלת קלינית, לעבור בדיקות קפדניות של צד שלישי ולבנות מערכת ניהול איכות מלאה לפני שהמוצר יורשה להיכנס לשימוש קליני. גילוי והכרה של ביולוגיה אנושית חדשה עשויה להימשך עשרות שנים של ניסויים מדעיים.

כיצד ניתן לגשר על הפער?

התעשייה חייבת לצמצם את הפער בין האימון של מודלי AI לבין המציאות הרפואית. זהו עבודה קשה, אך חברות AI מובילות כבר עושות זאת. Insilico Medicine ו-Recursion מתקדמות עם נכסים שהתגלו באמצעות AI אל תוך ניסויים קליניים. ב-Owkin, החברה לקחה את התרופה האונקולוגית שלה, OKN4395, לניסוי קליני שלב 1a בשם INVOKE.

בנוסף, החברה אימנה את ה-AI שלה על נתוני מטופלים אמיתיים במשך שנים, והביאה את MSIntuit CRC לסימון CE באירופה לשימוש בפתולוגיה. זוהי עבודה מאומצת, אך הבאת ה-AI למטופלים טומנת בחובה יתרון גדול: היא מאלצת את ה-AI להיות טוב יותר.

האתגרים הבלתי צפויים והפתרונות

מניסיוננו, נאלצנו להתמודד עם בעיות בלתי צפויות ומורכבות. כאשר הבאנו לראשונה AI לאבחון קליני, גילינו שהמודלים לא מתאימים היטב לשינויים באוכלוסייה או להגדרות סורק. פיתחנו שיטות פשוטות אך חזקות כדי להתאים את המודלים לווריאציות של טכנולוגיות ומקומות שונים.

שיפור הלולאה של המשוב בזמן אמת

אנו מאמינים כי "בדיקת המציאות" זו – בדיקת תוצאות המודלים עם מטופלים אמיתיים – היא כה חשובה, עד כי בנינו אותה לתוך מבנה הניסוי INVOKE. בניסוי קליני מסורתי, העיצוב מתמקד רק במדדי ההצלחה החיוניים, ותוצאות הביניים קובעות האם הניסוי יימשך. אך בניגוד לניסוי מסורתי, אנו משתמשים בנתונים שוטפים מהמשתתפים בניסוי כדי לשפר את ה-AI.

כאשר תחזיות ה-AI לגבי תגובות המטופלים היו שגויות, אימנו מחדש את המודל על נתונים אמיתיים כדי לשפר את ביצועיו. זוהי לולאת משוב חיובית: ככל שאנו מקבלים יותר מידע מניסויים בחיי אמת, ה-AI הופך טוב יותר, עובד טוב יותר עבור המטופלים, ומאפשר לנו לבחון יותר מודלים. זהו הכיוון שאליו התחום הולך.