Искусственный интеллект в медицине. Как умные технологии меняют подход к лечению

Тополь Эрик

* * *

Искусственный интеллект исподволь, но все глубже проникает в нашу жизнь. Он уже работает на нас и в быту. ИИ заканчивает за нас слова, когда мы печатаем, дает непрошеные рекомендации в поисковиках, предлагает нам музыку, опираясь на нашу историю прослушиваний, отвечает на наши вопросы и даже выключает свет в квартире. Самой идее искусственного интеллекта более 80 лет, а имя он получил в 1950-е, но лишь недавно начали брать в расчет его потенциальное воздействие на здравоохранение. Многообещающей казалась способность искусственного интеллекта обеспечить многосторонний панорамный взгляд на медицинские данные пациента, улучшить качество принимаемых диагностических и лечебных решений, сократить количество ошибок в диагностике и ненужных исследований, помочь в назначении и интерпретации необходимых анализов и инструментальных исследований, рекомендовать лечение. В основе всего этого лежат данные. Мы уже давно вступили в эпоху больших данных; в настоящее время мир ежегодно производит

зеттабайты данных (в каждом зеттабайте секстиллион (10²¹) байт – достаточно, чтобы заполнить память приблизительно 1 трлн смартфонов). В медицине к массивам больших данных можно отнести нуклеотидную последовательность полного генома, медицинские изображения высокого разрешения и показатели, постоянно считываемые и передаваемые датчиками, которые закреплены на теле пациента. Данные поступают и поступают в колоссальном объеме, однако мы способны обработать лишь ничтожную их долю. Считается, что в лучшем случае 5 %, не больше. Грубо говоря, у нас было что надеть, но некуда в этом пойти – до недавнего времени. Теперь искусственный интеллект обуздал необозримый конгломерат больших данных и заставил его работать.

Существует множество разновидностей ИИ. Традиционно машинное обучение включает логистическую регрессию, байесовские сети, «метод случайного леса», метод опорных векторов, экспертные системы и множество других инструментов, разработанных для анализа данных. Например, байесовская сеть – это модель, позволяющая оценивать вероятности. Если у меня есть список симптомов, с которыми обратился больной, то такая модель позволяет получить список всех возможных диагнозов с указанием их относительной вероятности. Забавно, что в 1990-е, когда мы составляли деревья решений, чтобы собранные нами данные могли говорить сами за себя (система была рассчитана на «автоанализ», чтобы на выводы не влияли искажения при интерпретации), мы не называли это машинным обучением. Однако теперь этот статистический метод значительно усовершенствован, и к нему относятся с почтением. За последние годы инструментарий ИИ проник в такие важные сетевые модели, как глубокое обучение и стимулированное обучение, оно же обучение с подкреплением (мы подробнее обсудим эти вопросы в главе 4).

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 (10¹⁵) операций с плавающей запятой в секунду) в течение суток обучения искусственного интеллекта является наглядной иллюстрацией изменений, наступивших после 2012 г. (см. рис. 1.2).

7

Krizhevsky, A., I. Sutskever, and G. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks,” ACM Digital Library. 2012: NIPS’12 Proceedings of the 25th International Conference on Neural Information Processing Systems, pp. 1097–1105.

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):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.

Таблица 1.1

Безосновательные надежды на искусственный интеллект, связанные с медициной (далеко не полный список)

Искусственный интеллект:

• Превзойдет врачей при решении всех медицинских задач

• Сможет диагностировать не поддающиеся диагностике болезни

• Лечить неизлечимые заболевания

• Видеть невидимое на изображениях и препаратах

• Предсказывать непредсказуемое

• Классифицировать не поддающееся классификации

• Исключить неэффективные этапы из рабочего процесса

• Поможет ликвидировать необходимость в госпитализациях и повторных госпитализациях

• Устранит избыток ненужной работы

• Позволит неукоснительно соблюдать режим приема лекарств

• Сведет к нулю вред для пациентов

• Сможет излечивать рак