Microsoft: 2 AI-doorbraken ontsluiten nieuw potentieel voor gezondheid en wetenschap

Het onderzoek en het potentieel ervan zijn het resultaat van uitgebreide samenwerkingen tussen Microsoft, de academische wereld en de private sector. In samenwerking met wereldwijde partners heeft Microsoft Research generatieve AI-basismodellen ontwikkeld – grootschalige modellen die gebruikmaken van AI-vooruitgang – gericht op materiaalontdekking en radiologie. De modellen zijn vanaf de grond af aan gebouwd op Microsoft Azure en worden openbaar gedeeld om de ontwikkeling en potentiële toepassingen te versnellen.

"Wetenschap is misschien wel de belangrijkste toepassing van AI. Bij Microsoft geloven we dat het vermogen van generatieve AI om de taal van mensen te leren, even goed wordt geëvenaard door zijn vermogen om de taal van de natuur te leren - inclusief moleculen, kristallen, genomen en eiwitten," zegt Chris Bishop, directeur van Microsoft Research AI for Science. "Het stelt ons in staat om AI in te zetten voor het aanpakken van de meest urgente uitdagingen van de mensheid, van duurzaamheid tot geneesmiddelontdekking."

MatterGen: Een sleutel tot het sneller ontdekken van betere materialen - en oplossingen

De ontwikkeling van nieuwe materialen is een ongezongen held van de menselijke vooruitgang. Denk aan hoe stalen liggers de ruggengraat vormen van moderne steden en siliciumchips smartphones van stroom voorzien. Het is een moeizaam en duur proces, vergelijkbaar met het vinden van een naald in een hooiberg, en het kan miljoenen of miljarden dollars kosten.

Dat komt omdat de ontwikkeling van nieuwe materialen traditioneel het screenen van mogelijk miljoenen mogelijkheden vereist, een proces dat jaren kan duren zonder garantie op succes. Het nieuwste onderzoek luidt een nieuwe aanpak in, vertegenwoordigd door MatterGen, een generatief AI-model dat werkt op dezelfde manier als tekst-naar-beeld- en tekst-naar-video AI-modellen. In plaats van een universum van mogelijke materialen te screenen, stellen onderzoekers specifieke eigenschappen voor en genereert MatterGen nieuwe materialen op basis van die eigenschappen.

Experimenten zijn begonnen met het valideren van het concept. Toen een door MatterGen gegenereerd materiaal werd gesynthetiseerd, lagen de eigenschappen ervan binnen 20% van de eigenschappen van het beoogde materiaal.

Impact

Net als de impact van generatieve AI op geneesmiddelontdekking, zal MatterGen een diepgaande impact hebben op hoe en hoe snel een breed scala aan materialen wordt ontworpen op gebieden als elektronica, energieopslag en biomedische technologie.

De ontwikkeling van nieuw efficiënt batterijmateriaal kan bijvoorbeeld leiden tot duurzamere energieopslag, terwijl vooruitgang in supergeleiders kan leiden tot baanbrekende verbeteringen in medische beeldvorming of quantum computing.

"Vanuit industrieel oogpunt is het potentieel hier enorm," zegt Tian Xie, principal research manager bij AI for Science Cambridge in het Verenigd Koninkrijk. "De menselijke beschaving is altijd afhankelijk geweest van materiële innovaties. Als we generatieve AI kunnen gebruiken om het ontwerp van materialen efficiënter te maken, kan dit de vooruitgang in industrieën als energie, gezondheidszorg en daarbuiten versnellen."

RAD-DINO: Snellere gegevens voor artsen, betere zorg voor patiënten

De tweede onderzoeksdoorbraak zal artsen helpen om sneller betere en meer uitgebreide medische gegevens te verkrijgen, wat mogelijk de diagnose kan versnellen en de patiëntenzorg kan verbeteren.

Mayo Clinic en Microsoft Research werken samen aan multimodale basismodellen die tekst en afbeeldingen integreren voor radiologietoepassingen. In eerste instantie onderzoeken de teams het gebruik van de AI-technologie van Microsoft Research met röntgengegevens van Mayo Clinic. Een deel van dat werk omvat onderzoek dat deze week is gepubliceerd en RAD-DINO wordt genoemd, vernoemd naar de focus op radiologie en een specifieke leermethode. Deze nieuwe benadering voor het verbeteren van beeldvorming kan helpen bij het personaliseren van patiëntenzorg en het verbeteren van de diagnostische nauwkeurigheid.

De technologie identificeert anatomische overeenkomsten tussen röntgenfoto's van de borstkas van verschillende onderwerpen, wat overeenkomsten aangeeft door de proportionele helderheid van de heatmap.

Ziekenhuizen

Het doel is om clinici snellere toegang te geven tot de informatie die ze nodig hebben om patiënten te behandelen, met eerste inspanningen gericht op het ontwikkelen van een model dat automatisch rapporten genereert, evalueert hoe buizen en lijnen zijn geplaatst via röntgenfoto's van de borstkas en wijzigingen detecteert van eerdere afbeeldingen. Dit kan de manier waarop clinici werken en voor patiënten zorgen verbeteren door efficiëntere en uitgebreidere analyses van röntgenfoto's te bieden.

"Ik ben enthousiast om onze samenwerking met Mayo Clinic, een van 's werelds toonaangevende ziekenhuizen, te delen om een van de meest urgente uitdagingen in de gezondheidszorg aan te pakken: het leveren van snellere en nauwkeurigere geneeskunde," zegt Javier Alvarez Valle, senior director van Multimodal AI, Microsoft Health Futures UK. "Een belangrijke hindernis ligt in de veilige integratie van generatieve AI in klinische workflows, en ons werk brengt de beste experts van AI en geneeskunde samen om dit te laten gebeuren."