Исследование
Медицинская инициатива ИИ компании DeepMind переходит от ответов к гипотезам
Работа Google DeepMind в области медицинского ИИ смещается от ответов в стиле экзамена к системам, которые помогают исследователям генерировать и проверять научные гипотезы. Стратегический переход — от помощника к соавтору, со всеми обещаниями и рисками управления, которые это подразумевает.
Майкл Г ·
Google DeepMindМедицинская работа с ИИ становится всё более ориентированной не только на ответы на клинические вопросы. Новый Business Insider профиль Вивека Натараджана описывает работу в рамках более широкой миссии: использование ИИ, чтобы помочь исследователям и клиницистам искать лекарства, переходя от медицинского рассуждения к проверяемым научным гипотезам.
Это важный поворот. Первую волну медицинских языковых моделей часто оценивали по тому, может ли система отвечать на экзаменационные вопросы или суммировать клинический текст. Следующая волна более амбициозна: может ли ИИ помочь найти кандидатов на лечение, объяснять механизмы, приоритизировать эксперименты и ускорять долгий путь от лабораторного открытия до пользы для пациента?
От медицинских экзаменов к научным рабочим процессам
Работа Google Med-PaLM показала, что крупные языковые модели могут справляться с медицинскими задачами на уровне специалиста, в то время как AMIE исследовала диагностические беседы. Эти системы помогли установить, что медицинский ИИ может рассуждать на основе симптомов, доказательств и языка. Они сами по себе не решали более сложную проблему открытий.
Более показательным направлением является ИИ-соученый. Исследователи Google описывают его как многоагентную систему, созданную на основе Gemini 2.0, чтобы помогать ученым генерировать новые гипотезы и исследовательские предложения. В биомедицинских областях система использовалась для перепрофилирования лекарств, открытия мишеней и рассуждений о резистентности к антимикробным препаратам.
Гипотезы не являются лекарствами
Обещание очевидно, особенно в случае заболеваний, где прогресс ощущается как крайне медленный. Личная мотивация Натараджана формировалась под влиянием болезни его отца болезни Паркинсонапридаёт работе человеческую срочность. Но различие между выдвижением гипотез и доказательством лечения должно оставаться чётким.
Хорошая гипотеза, созданная ИИ, может сэкономить время, выявить упущенные связи и помочь лаборатории приоритизировать эксперименты. Она не может заменить валидацию в лаборатории, клинические испытания, регуляторный контроль или сложную работу по определению того, безопасно ли лечение и эффективно ли оно для реальных пациентов.
Вопрос управления возникает рано
Проблема управления заключается в том, что системы обнаружения могут казаться вспомогательными, одновременно тихо формируя исследовательские повестки. Если инструменты ИИ будут ранжировать гипотезы, предлагать цели или влиять на то, какие эксперименты получают финансирование, учреждениям понадобятся аудиторские следы, отчёты о неопределённости, меры контроля конфликта интересов и чёткие границы применения в клинической практике.
Темы: Google DeepMind, медицинский ИИ, ИИ-совместный исследователь, здравоохранение