Onderzoekers van Mayo Clinic hebben onlangs nieuwe AI-algoritmen uitgevonden, genaamd ‘door hypotheses gedreven AI’ hypothese gestuurde AI, die aanzienlijk afwijken van traditionele AI-modellen die uitsluitend van data leren. Deze nieuwe algoritmen bieden volgens de onderzoekers een innovatieve manier om enorme datasets te gebruiken die de zoektocht naar de complexe oorzaken van ziekten zoals kanker kunnen versnellen en behandelstrategieën kunnen verbeteren.
"Dit bevordert een nieuw tijdperk in het ontwerpen van specifieke AI-algoritmen voor het oplossen van wetenschappelijke vraagstukken, ziekten beter te begrijpen en geïndividualiseerde geneeskunde te begeleiden. Het heeft de potentie om inzichten te ontdekken die conventionele AI gemist heeft”, aldus senior auteur en mede-uitvinder Hu Li, Ph.D., biologie en AI onderzoeker bij de afdeling Moleculaire Farmacologie en Experimentele Therapeutica van Mayo Clinic Systems.
Beperking conventionele AI
Conventionele AI wordt voornamelijk gebruikt bij classificatie- en herkenningstaken, zoals gezichtsherkenning en beeldclassificatie bij klinische diagnoses, en wordt in toenemende mate toegepast op generatieve taken, zoals het creëren van teksten. Onderzoekers merken op dat conventionele machine learning algoritmen vaak geen rekening houden met bestaande wetenschappelijke kennis of hypothesen. In plaats daarvan zijn ze sterk afhankelijk van grote, onbevooroordeelde datasets, die vaak moeilijk te verkrijgen zijn.
Volgens Dr. Li beperkt deze beperking aanzienlijk de flexibiliteit van AI-methoden en het gebruik ervan op gebieden die kennisontdekking vereisen, zoals de geneeskunde. AI is een waardevol hulpmiddel voor het identificeren van patronen in grote en complexe datasets, zoals die worden gebruikt in kankeronderzoek. De belangrijkste uitdaging bij het gebruik van conventionele AI is het maximaliseren van de ingebedde informatie in die datasets.
Hypothese gestuurde AI
Met hypothese gestuurde AI proberen onderzoekers manieren te vinden om inzicht in een ziekte te integreren, bijvoorbeeld door bekende pathogene genetische varianten en interacties tussen bepaalde genen bij kanker te integreren in het ontwerp van het te trainen algoritme. Dit zal onderzoekers en clinici in staat stellen te bepalen welke componenten bijdragen aan de prestaties van het model en daarmee de interpreteerbaarheid verbeteren. Verder kan deze strategie datasetproblemen aanpakken en de focus op open wetenschappelijke vragen bevorderen.
"Deze nieuwe AI-technologie opent een nieuwe weg voor een beter begrip van de interacties tussen kanker en het immuunsysteem en is veelbelovend, niet alleen om medische hypothesen te testen, maar ook om te voorspellen en uit te leggen hoe patiënten zullen reageren op immuuntherapieën", zegt Daniel Billadeau, Ph. D., een professor aan de afdeling Immunologie van de Mayo Clinic. Billadeau is co-auteur en mede-uitvinder van de studie en heeft een langdurige onderzoeksinteresse in de immunologie van kanker.
Het onderzoeksteam zegt dat op hypothesen gebaseerde AI kan worden gebruikt in allerlei soorten toepassingen voor kankeronderzoek, waaronder tumorclassificatie, patiëntstratificatie, ontdekking van kankergenen, voorspelling van medicijnreacties en ruimtelijke organisatie van tumoren.
Gespecialiseerde kennis en expertise
Het nadeel van deze tool, zo stelt dr. Li, is dat het creëren van dit soort algoritmen expertise en gespecialiseerde kennis vereist, wat een mogelijke beperking vormt voor brede toegankelijkheid. Daarnaast bestaat de kans op het opbouwen van vooringenomenheid. Onderzoekers zullen daar rekening mee moeten houden als ze verschillende stukjes informatie toepassen. Bovendien hebben onderzoekers over het algemeen een beperkte reikwijdte en zullen ze niet alle mogelijke scenario's formuleren, waardoor mogelijk enkele onvoorziene en kritische relaties over het hoofd worden gezien.
“Desalniettemin vergemakkelijkt hypothese gestuurde AI actieve interacties tussen menselijke experts en AI, waardoor de zorgen worden weggenomen dat AI uiteindelijk een aantal professionele banen zal elimineren”, zegt dr. Li.
Kinderschoenen
Omdat hypothese gestuurde AI nog in de kinderschoenen staat, zijn er ook nog veel vragen, zoals hoe kennis en biologische informatie het beste kunnen worden geïntegreerd om vooroordelen te minimaliseren en de interpretatie te verbeteren. Maar Li is ervan overtuigd dat, ondanks de uitdagingen, op hypothesen gebaseerde AI een stap voorwaarts is.
De meerwaarde van AI voor kankeronderzoek en -diagnostiek is al meerdere keren aangetoond. Zo werd enkele maanden geleden bekend dat Amerikaanse onderzoekers een nieuwe deep learning tool ontwikkeld hadden. Die kan op basis van weefselbeelden voorspellen welke patiënten met niet-kleincellige longkanker (NSCLC) het risico lopen om uitzaaiingen in de hersenen te krijgen.
