Искусственный интеллект в медицине. Как умные технологии меняют подход к лечению - Анваер Александр Николаевич 3 стр.

Разновидность ИИ, отвечающего за глубокое обучение, приобрела особую значимость после 2012 г., когда была опубликована статья о распознавании образов[7], уже ставшая классической.

Число новых алгоритмов глубокого обучения искусственного интеллекта и публикаций на эту тему возросло лавинообразно (см. рис. 1.1), причем рост способности машин распознавать закономерности в огромных наборах данных носил экспоненциальный характер. Увеличение в 300 тыс. раз вычислительной мощности компьютера в петафлопсах (петафлопс – скорость работы компьютера, равная выполнению квадриллиона (10

15

Рис. 1.1. Рост числа алгоритмов глубокого обучения ИИ с 2012 г. после публикации статьи о распознавании образов. Источники: график А приведен с изменениями из: A. Mislove: “To Understand Digital Advertising, Study Its Algorithms.” The Economist (2018): www.economist.com/science-and-technology/2018/03/22/to-understand-digital-advertising-study-its-algorithms. График B приведен с изменениями из: C. Mims, “Should Artificial Intelligence Copy the Human Brain?” The Wall Street Journal (2018): www.wsj.com/articles/should-artificial-intelligence-copy-the-humanbrain-153355265?mod-searchresults&page-1&pos-1.

За последние несколько лет в ведущих медицинских изданиях был опубликован ряд исследований, основанных на глубоком обучении. Многие в медицинском сообществе были искренне удивлены потенциалом глубокого обучения ИИ: в статьях утверждалось, например, что искусственный интеллект способен диагностировать некоторые типы рака кожи так же, если не лучше, чем дерматолог высшей категории; выявлять некоторые особые типы аритмий не хуже кардиолога; интерпретировать результаты медицинских изображений не хуже квалифицированного специалиста по медицинской визуализации и оценивать гистологические препараты не хуже патологоанатома; диагностировать различные заболевания глаз не хуже хорошего офтальмолога и предсказывать суицид у пациентов не хуже профессионального психиатра. Эти возможности обусловлены главным образом умением распознавать закономерности, при этом в ходе обучения машины усваивают эти закономерности на сотнях тысяч примеров (а вскоре – и на миллионах). Такие системы уже сейчас от года к году становятся все лучше и лучше, а показатель ошибок после изучения текстовых, речевых и визуальных материалов упал ниже 5 %, что выше любых человеческих возможностей (см. рис. 1.3). И хотя, вероятно, существует предел, после которого дальнейшее улучшение обучения прекратится, мы его пока не достигли. В отличие от людей, которые часто устают, пребывают в дурном настроении, подвержены действию эмоций, недосыпают или отвлекаются, машины лишены всех этих недостатков, могут работать сутки напролет, без выходных и праздников, не жалуясь на судьбу (хотя и человек, и машина могут «заболеть» и выйти из строя). Вполне понятно, что в связи с этим ребром встает вопрос о будущей роли врачей и о том, какое влияние может оказать искусственный интеллект на медицинскую практику.

Рис. 1.2. Экспоненциальный рост скорости вычислений – в 300 тыс. раз – в процессе выполнения различных обучающих ИИ программ. Источник: с изменениями из: D. Hernandez and D. Amodei, “AI and Compute”, Open AI (2018): http://blog.openai.com/ai-and-compute.

Я не верю, что глубокое обучение искусственного интеллекта сделает его способным лечить все болезни и устранять недостатки современного здравоохранения, но список, приведенный в табл. 1.1, дает представление о том, насколько широко можно использовать этот инструмент и насколько реклама преувеличивает его возможности. Со временем искусственный интеллект поможет нам продвинуться в решении всех перечисленных задач, но это будет марафон без финишной черты.

Примеры глубокого обучения демонстрируют его достаточно узкую специфичность: алгоритм, предсказывающий вероятность депрессии, не работает в дерматологии. Эти алгоритмы, построенные по принципу нейронных сетей, зависят от распознавания паттернов, то есть схем-образов, устойчивых наборов признаков, что будет полезно врачам, качество работы которых зависит от способности распознавать и интерпретировать изображения, – например, рентгенологам и патологоанатомам. Таких врачей я называю врачами-«паттернистами». Пусть и реже, но все же довольно часто всем клиницистам приходится в ходе работы так или иначе распознавать образы и выявлять закономерности, и потенциально каждому из них пригодилась бы алгоритмическая поддержка искусственного интеллекта.

Рис. 1.3. Повышение точности работы машинного искусственного интеллекта с изображениями (А) и речью (В). При работе с упорядоченными базами данных и выполнении узконаправленных задач качество работы искусственного интеллекта выше качества работы человека. Источники: график А с изменениями из: V. Sze et al., “Efficient Processing of Deep Neural Networks: A Tutorial and Survey,” Proceedings of the IEEE (2017); 105 (12), 2295–2329. График B с изменениями из: “Performance Trends in AI,” Word Press Blog (2018): http://srconstantin.wordpress.com/2017/01/28/ performance-trends-in-ai.

По большей части опубликованные примеры глубокого обучения представляют собой валидацию in silico, то есть на компьютерных моделях (что противопоставляется проспективным клиническим испытаниям с участием реальных пациентов). Очень важно отличать одно от другого, потому что анализ существующего массива данных – это не то же самое, что сбор данных в реальной клинической ситуации. Полученные in silico ретроспективные результаты часто представляют наилучший и самый благоприятный сценарий, который невозможно воспроизвести в ситуации, когда величины данных заранее неизвестны, как это имеет место в клинических испытаниях. Данные ретроспективных исследований могут помочь сформулировать гипотезу, которую затем можно проверить в ходе проспективного исследования, в особенности если его будут независимо друг от друга выполнять разные группы.

Мы еще в самом начале эпохи искусственного интеллекта; это пока не повседневная медицинская практика, и некоторые скептики называют применение искусственного интеллекта в медицине SiliconValley-dation, намекая, что подобная валидация годится для проектов в Кремниевой долине (SiliconValley), а не для работы с живыми людьми. Такое пренебрежительное отношение распространено в медицине и чрезвычайно замедляет изменения. В результате весь мир уже находится на стадии четвертой промышленной революции, ознаменованной пришествием искусственного интеллекта, а медицина застряла в предыдущей эпохе – на стадии третьей революции, когда только-только начали широко применяться компьютеры и электроника (см. рис. 1.4). Например, файлы MP3 совместимы со всеми моделями музыкальных проигрывателей, а медицине только предстоит освоить удобные в использовании электронные формы медицинской документации, совместимые с различными устройствами. Это наглядный пример того, с каким трудом новое пробивает себе дорогу в этой отрасли.

По моим наблюдениям, медицина не впервые противится внедрению новых технологий. Это уже моя третья книга о будущем медицины. В «Созидательном разрушении медицины» (Creative Destruction of Medicine) я представил схему, благодаря которой датчики, секвенирование, визуализация, телемедицина и многие другие технологические достижения позволят оцифровать организм человека и добиться компьютеризации медицины. В книге «Теперь пациент вас увидит» (The Patient Will See You Now) я описал свое понимание демократизации медицины. Медицинский патернализм исчезнет, когда пациенты станут не только порождать информацию, но и владеть ею, получив доступ к своим медицинским документам, а в конечном счете любой больной сможет (при желании) принимать более осязаемое участие в процессе лечения.

Рис. 1.4. Четыре промышленные революции. Источник: с изменениями из: F. Murray, “CEOs: The Revolution is Coming,” Fortune (2016): http://fortune. com/2016/03/08/davos-new-industrial-revolution.

Эта книга описывает следующую после оцифровки и демократизации фазу – и имеет очень далекоидущие цели. Возможно, на вас производит определенное впечатление мой интерес к новым технологиям, однако на самом деле я всегда мечтал и мечтаю о возрождении истинно гуманистического элемента медицинской практики. С глубоким обучением мы получим некий остов, каркас, что позволит нам питать корни медицины, – это будут узы, связывающие человека с человеком. Несмотря на то, что мы пока полностью не добились ни оцифровки, ни демократизации медицины, все же и то и другое медленно, но неуклонно завоевывает позиции, и я верю, что нам удастся не только завершить этот процесс, но и привнести в самое сердце медицины искусственный интеллект. Кульминацией этого процесса и станет то, что я называю «истинная медицина».

Истинная медицина требует трех «глубоких» составляющих (см. рис. 1.5).

Первая составляющая – это подробное медицинское описание каждого индивида (оцифровка медико-биологических данных о человеке) с учетом всех существенно важных данных. Сюда можно отнести все аспекты нашего медицинского, социального, поведенческого и семейного анамнеза, а также чисто биологические признаки и свойства: анатомические, физиологические и экологические. Наша биология многослойна – это геном, закодированный в ДНК, наша РНК, белки, метаболиты, иммуном, микробиом, эпигеном и многое другое. В научном биомедицинском сообществе для обозначения всей совокупности этих составляющих используют термин «глубокое фенотипирование»; мы видели такой подход в примере с эпилептическим статусом у новорожденного ребенка. Глубокое фенотипирование одновременно всепроникающе, так как охватывает множество разнотипных данных, какие только можно себе представить, и всеобъемлюще, поскольку мы стремимся покрыть им как можно большую часть человеческой жизни, потому что многие исчисляемые характеристики биологических свойств изменяются с возрастом. Несколько лет назад я написал обзор, в котором утверждал, что нам нужны медицинские данные, которые покрывали бы всю длительность жизни – от зиготы до могилы[8]. Мой бывший наставник сказал тогда, что лучше было бы выбрать промежуток «от любовного аха до смертного праха». Но, думаю, вы ухватили главную идею.

Рис. 1.5. Три главных составляющих модели истинной медицины. Источник (левый рисунок): с изменениями из: E. Topol, “Individualized Medicine from Prewomb to Tomb,” Cell (2014): 157 (1), 241–253.

Второй составляющей является глубокое обучение, которое будет играть большую роль в медицине будущего. Оно будет включать в себя не только распознавание паттернов и машинное обучение (которое врачи станут использовать в диагностике), но и множество различных приложений, например виртуальное медицинское обучение пациентов, способное помочь и в профилактике, и в лечении заболеваний. Глубокое обучение наверняка сыграет важную роль и в условиях госпиталя, где можно будет использовать машинное зрение для обеспечения большей безопасности пациента и улучшения качества ухода. А это в конечном счете может гарантировать и полноценный мониторинг состояния больных на дому, что позволит сэкономить на больничных помещениях и оборудовании. Несмотря на то, что результаты глубокого обучения уже принесли определенную пользу медицине, особенно в последние годы, мы пока в самой начальной стадии. Почти 50 лет назад Уильям Шварц опубликовал в New England Journal of Medicine статью, озаглавленную «Медицина и компьютер»[9]. В ней он рассуждал о том, что в будущем компьютеры и врачи будут «часто вступать в диалог, компьютер станет следить за анамнезом, клиническими, лабораторными и прочими данными, обращая внимание врача на патологические изменения и подсказывая варианты возможных диагнозов, а также эффективного и безопасного лечения». Чем мы можем дополнить это предвидение теперь, 50 лет спустя? Как ни удивительно – очень немногим. Есть, конечно, разрозненные примеры, как поиск в Google помогал поставить сложные диагнозы, но нельзя же, в самом деле, считать поиск описания простых симптомов способом точной диагностики – это чаще всего порождает не знание диагноза, а тревожность и, так сказать, киберипохондрию.

Можно фантазировать, что искусственный интеллект избавит медицину от таких бед, как неточная диагностика и трата времени на побочную работу – заполнение страховых счетов и кодирование заболеваний, – но пока это только мечты. Предпринимателям, работающим с клиницистами, специалистам по вычислительной технике и ученым, работающим в других дисциплинах (в поведенческих науках и биоэтике), предоставляется широчайшая возможность помочь интеграции искусственного интеллекта в здравоохранение.

Третья (и наиболее важная) составляющая – это глубокая эмпатия и связь между пациентами и клиницистами. В течение более 40 лет – с момента поступления на медицинский факультет – я наблюдаю неуклонную деградацию гуманистической стороны медицины, что подтверждается данными табл. 1.2. За это время здравоохранение стало не просто крупным, но (к 2017 г.) крупнейшим бизнесом. Теперь система здравоохранения – это самый крупный в США работодатель, обогнавший по числу созданных рабочих мест сети розничной торговли. По приведенным данным видно, что расходы на здравоохранение резко взлетели. Но даже при безудержном росте занятости в этом секторе и при росте расходов на одного пациента резко сократилось время, которое врач может посвятить одному больному, – как на амбулаторном приеме, так и в больницах. Врачи очень сильно загружены. При невероятно высокой стоимости суточного пребывания на больничной койке (около $5 тыс.), контакт с врачом может продолжаться всего несколько минут, за что взимается отдельная плата. Поглощенные непосредственным общением с пациентами и их лечением, врачи пассивно взирали на кардинальные изменения в отрасли, касающиеся ведения электронной медицинской документации, «управляемого медицинского обеспечения», медицинского менеджмента и введения RVU – условных единиц величины (каждой из перечня услуг врача присвоена определенная сумма RVU). В наши дни как никогда высок процент врачей и медицинских сестер, которые страдают от профессионального выгорания и депрессии, вызванных неспособностью оказывать пациентам реальную помощь, а ведь именно это было их основной мотивацией, когда они посвятили себя медицине.