Искуственный интеллект против рака

Прошлым летом эксперты Frontier Development Lab (FDL) и Intel AI Mentors провели важное исследование физического состояния астронавтов, чтобы лучше понять, как космическое радиационное облучение влияет на их здоровье. Специалисты FDL использовали технологии искусственного интеллекта, разработанного Intel для первого в своем роде алгоритма идентификации биологических маркеров развития рака. Он создан на основе данных о влиянии радиационного облучения на мышей и людей.

«При поддержке Intel мы выяснили, как модели причинно-следственного машинного обучения могут обрабатывать данные из разных источников без необходимости физического доступа к этим источникам. Нам удалось достичь поставленной цели — разработать уникальные алгоритмы, которые помогут улучшать и поддерживать здоровье астронавтов. Эта работа очень ценна: когда-нибудь она сможет помочь астронавтам Международной космической станции (МКС), космических станций будущего или запланированной на 2024 год миссии по изучению Луны, а также людям, страдающим от рака на Земле»,— сказал Пол Дакворт, исследователь FDL.

Космическое радиационное излучение может проникать сквозь несколько слоев стали и алюминия и воздействовать на ткани человеческого организма во время космических полетов. Это может привести к возникновению проблем со здоровьем астронавтов, в частности к появлению раковых опухолей. Данные о воздействии космического излучения на астронавтов в ходе полетов практически не публикуются в открытых источниках, поэтому исследователи использовали те наборы данных об астронавтах, которые находятся в закрытом доступе в нескольких организациях. Для этого специалисты Intel и FDL разработали алгоритм причинно-следственного машинного обучения, доступный всем участникам проекта. Они смогли обучить ИИ, загружая в него свои данные. Засекреченными сведениями при этом обмениваться не требовалось.

Исследователи разработали новую методику обучения моделей CRISP 2.0 на базе CRISP 1.0, созданной командой предыдущего проекта 2020 FDL. При помощи CRISP 2.0 удалось доказать, что данные о радиационном воздействии на грызунов могут быть использованы для изучения такого воздействия на человека. Для этого их нужно применять как основу для обучения алгоритмов искусственного интеллекта. Метод причинного машинного обучения позволяет более точно прогнозировать поведение подверженных радиации генов, связанных с раковыми заболеваниями или защитой иммунитета.

В исследовании использовалась программная платформа Intel Open Federated Learning (OpenFL), развернутая специалистами Intel и FDL в Google Cloud. Это позволило объединить данные, полученные из нескольких учреждений — среди которых NASA, Клиника Майо и генная лаборатория NASA,— в моделях CRISP 2.0 без необходимости их перемещения в централизованное хранилище. Это важный аспект: хотя у каждой организации есть права на использование этих данных, они засекречены, ведь цена их передачи могла бы быть очень высокой. Каждому учреждению была отправлена модель ИИ, которая использовалась для проведения одного раунда обучения машинного интеллекта. Затем все модели отправлялись обратно на центральный узел для агрегирования и возможности совместного использования среди сотрудничающих организаций. В итоге результаты выводились в CRISP 2.0 для дальнейшего анализа и изучения.

«Партнерство с Frontier Development Lab дает возможность решать глобальные проблемы в сфере исследовательской медицины при помощи передовых технологий искусственного интеллекта,— сказал Шаши Джайн, менеджер Intel по стратегическим инновациям и партнерству с FDL.— Мы считаем, что результаты исследований FDL Astronaut Health дадут возможность NASA понять механизмы наиболее эффективной защиты астронавтов при нашем возвращении на Луну и в других космических проектах, а также помогут ускорить использование ИИ в сфере здравоохранения на Земле».

Intel AI Mentors — это группа сотрудников Intel, которые увлекаются космосом и технологиями. Группа Intel AI Mentors тесно сотрудничает с исследовательскими группами NASA FDL Challenge, предлагая свои опыт и знания по широкому кругу вопросов, включая выбор алгоритмов, оптимизацию данных, исследования в области ИИ и эффективное применение технологий.