Smart Reading - Ключевые идеи книги - Deep-медицина. Как искусственный интеллект может вернуть здравоохранению человечность. Эрик Тополь

2) распознавание образов(в результате сегодня распознавание лиц служит надежным биометрическим паролем в наших смартфонах, медикам же такие программы помогают, в частности, в исследованиях кожи);

3) распознавание речи(десятки языков в интернет-переводчиках, голосовые помощники вроде Amazon Alexa и чат-боты, многие из которых сегодня специализируются и на психологической поддержке пациентов);

4) автомобилестроение(успех беспилотных автомобилей Tesla вдохновляет врачей задумываться о большей автоматизации медицинского оборудования).

А вот методологию ИИ перенести в медицинскую сферу без значимых потерь не так просто:

• чем больше данных получает ИИ, тем эффективнее работает, но эти данные должны быть легкодоступны для поиска, оптимально структурированы и просты в обращении, а медицинские данные в основном не таковы;

Каждый год выходит более миллиона статей по медицине – одна статья каждые 30 секунд. Самые большие обещания по освоению этого океана информации давал суперкомпьютер IBM Watson, триумфально выигравший в телевикторине Jeopardy: реклама 2017 года гласила, что Watson поможет врачу читать 5000 исследований в день и при этом принимать пациентов. Но пока без людей не обойтись: так, проект Mark2Cure привлекает активистов, которые обрабатывают миллионы статей из исследовательской базы данных PubMed, выделяют ключевые понятия и связи между ними, а затем эти результаты обрабатываются статистическими алгоритмами, которые создают оптимальные способы автоматического поиска. Обработанная таким образом информация могла бы стать серьезным подспорьем для системы поддержки принятия врачебных решений (СППВР) – одного из самых многообещающих направлений медицинского ИИ.

• нейросети работают по принципу черного ящика: мы не очень хорошо знаем, как именно сеть обрабатывает информацию внутри себя. Победа AlphaGo в го особенно показательна: создатели признались, что не могут объяснить, как «мыслила» машина. Когда речь идет о лечении пациентов, риск довериться черному ящику слишком дорого стоит;

• нейросети уязвимы перед хакерами: наши данные слишком легко украсть;

• нейросети невольно отражают человеческие заблуждения вроде расизма и сексизма: так, Google убрала из лексикона Google Photos слово «горилла», поскольку механизм распознавания изображений отмечал фото афроамериканцев с очень темным цветом кожи. Что же говорить об объективности медицинских исследований, которые нередко сосредоточены на показателях белой части населения?

Множество статей об успехах искусственного интеллекта в медицинской сфере не только не подтверждены реальными клиническими условиями (они проводились in silico [2] In silico – то есть путем компьютерного моделирования. Фраза создана по аналогии с in vivo (испытания на живом организме) и in vitro (испытания в пробирке). ), но и публикуются в малоизвестных источниках и не проходят процедуру рецензирования.

Помимо методологических трудностей существуют этические и социальные проблемы. На создание новых алгоритмов могут влиять не только медики, но и представители страховых компаний, а у них свои, циничные интересы. И как быть с тем, что ИИ угрожает сокращением 40 % рабочих мест в сфере здравоохранения? Плохая новость для США, где в этой сфере занята 1/6 часть населения.

Как ИИ умеет работать с паттернами

Поскольку ИИ умеет очень быстро делать выводы на основе огромного количества данных, особенно хорошо структурированных, первыми на хорошие новости могут надеяться травматологи, радиологи, патологоанатомы, то есть врачи, которые работают с паттернами – моделями с повторяющимися закономерностями вроде рентгенограмм и прочих медицинских снимков. Тут у ИИ несколько явных преимуществ перед докторами.

• ИИ точнее.Если предоставить машине 50 тысяч рентгеновских снимков грудной клетки, она сможет распознавать на них патологию с точностью в 95 %, не заменяя рентгенолога, но существенно облегчая ему работу по сортировке снимков. Оценивая рентгенограммы переломов тазобедренного сустава, ИИ столь точен, что заменяет более дорогие методы сканирования типа МРТ; нейронная сеть, обученная более чем на 1000 пациентов, показала 99 % точность, сопоставимую с опытом рентгенологов. Компания Zebra Medical Vision протестировала нейронную сеть, которая обнаруживает компрессионные переломы позвонков с 93 % точностью, тогда как рентгенологи пропускают такие переломы более чем в 10 % случаев. Разница в 3 % не так уж велика, но она имеет значение, когда речь идет о людях.