Kitabı oku: «Искусственный интеллект в медицине. Как умные технологии меняют подход к лечению», sayfa 2

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 образов⁷, 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).

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.

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

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 могилы⁸. 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.

Таблица 1.2

Некоторые показатели здравоохранительной деятельности в США, которые изменились за последние 40 с небольшим лет

Главный недостаток современного здравоохранения – это отсутствие заботы о пациенте как таковой. То есть мы, врачи, в недостаточной мере заботимся о своих пациентах. Сами пациенты тоже чувствуют, что до них никому нет дела. И Фрэнсис Пибоди был прав, говоря о том, что именно забота о пациенте способствует успеху лечения¹⁰. Величайшая возможность искусственного интеллекта – это не сокращение числа диагностических и лечебных ошибок, не снижение нагрузки и даже не излечение рака, а восстановление драгоценной, освященной веками глубокой – гуманистической – связи между врачом и больным. У нас не только будет больше времени на полноценное общение, что позволит врачу проявить подлинное сочувствие и сострадание, – мы сможем переосмыслить практику профессионального отбора и подготовки врачей. Мы десятилетиями дорожили нашими медицинскими светилами, высоко оценивая их знания и авторитет, но внедрение искусственного интеллекта улучшит качество диагностики и объем знаний, доступный всем лечащим врачам. В конечном счете врачи признают искусственный интеллект и станут относиться к алгоритмам как к профессиональному инструменту. Такое выравнивание ландшафта медицинских знаний в конце концов приведет к новым высотам: мы сможем отбирать для врачебной карьеры людей, обладающих наиболее развитым эмоциональным интеллектом. Мой друг и коллега Абрахам Вергезе, которого я считаю одним из величайших гуманистов в медицине, подчеркнул важность такого подхода в предисловии к этой книге, которую, как я надеюсь, вы прочтете внимательно. Вот что предлагает истинная медицина.

* * *

Для того чтобы дать представление о концептуальной сущности истинной медицины, я начну с описания современной медицинской практики и постараюсь объяснить, почему мы отчаянно нуждаемся в новых решениях таких проблем, как неверные диагнозы, врачебные ошибки, неблагоприятный исход лечения и неконтролируемый рост стоимости медицинских услуг. Отчасти эти проблемы обусловлены современными методами медицинской диагностики. Чтобы понять, чем искусственный интеллект может быть полезен и чем опасен, мы рассмотрим примеры успешного применения ИИ в разных сферах – от игр до беспилотных автомобилей. Не менее, а возможно, и более важно рассмотреть отрицательные стороны возможного внедрения ИИ: субъективные искажения при интерпретации, возможность усиления социального неравенства, саму структуру ИИ (по сути, это «черный ящик»), а также возможные нарушения врачебной тайны и разглашение конфиденциальных сведений. Передача персональных данных десятков миллионов профилей Facebook в Cambridge Analytica – компанию, которая использовала искусственный интеллект для психологического таргетирования, – наглядно показала, какие неприятные последствия может вызвать применение искусственного интеллекта в контексте здравоохранения.

Только после решения всех этих проблем мы будем готовы к переходу к новой медицине, в инструментарий которой будет интегрирован искусственный интеллект. Мы оценим, как машинное распознавание паттернов повлияет на работу рентгенологов, патологоанатомов и дерматологов – то есть врачей-«паттернистов». Но искусственный интеллект проникнет во все сферы медицины, даже в те, где заняты врачи и хирурги, не занимающиеся распознаванием паттернов. Одна из сфер, особенно остро нуждающихся в изменениях, – это психиатрия, где наблюдается разительное несоответствие между количеством пациентов, страдающих, например, депрессией, и ограниченным количеством специалистов, которые могут оказать им квалифицированную помощь или предупредить развитие болезни. Искусственный интеллект, вполне возможно, сможет сыграть критически важную роль в дальнейшем развитии психиатрии и улучшении качества психиатрической помощи.

Но искусственный интеллект, и в частности глубокое обучение, повлияет не только на практическую медицину. Косвенным образом ИИ преобразит и биомедицинские науки в целом. Например, облегчит разработку новых лекарств. Искусственный интеллект поможет извлекать полезные сведения из комплексных массивов данных, среди которых миллионы последовательностей нуклеотидов в геномах, сложные структуры человеческого мозга, интегрированные потоки данных, получаемые в режиме реального времени с многочисленных датчиков, которые регистрируют показатели жизнедеятельности. В основе этих усилий – стремление позаботиться о пациенте, но стремительное развитие фундаментальной науки и методов разработки новых лекарств тоже окажет огромное влияние на медицину.

Искусственный интеллект может внести революционные изменения и в другие аспекты нашей жизни, которые так или иначе обусловлены отношением к здоровью. Один из таких аспектов касается нашего питания. Неожиданное, но уже применяемое на практике достижение машинного обучения – это создание потенциальной научной основы для персонализированного здорового питания. Это поистине удивительное достижение – знать, какие виды пищи наилучшим образом подходят каждому конкретному индивидууму.

Сейчас мы можем предсказать, какие виды пищи могут вызвать резкий подъем уровня глюкозы в крови у здорового человека, не страдающего сахарным диабетом. Благотворное действие персонализированного питания способно далеко превзойти эффект традиционных диетических рекомендаций – классических «пирамид питания» или, например, модных в свое время диет (диета Аткинса или «диета Южного пляжа»), не имеющих под собой твердой доказательной базы. Применяя искусственный интеллект, мы сможем проанализировать огромные массивы данных и предсказать будущие направления развития «умной» диетологии. Многие из этих бытовых новшеств пойдут рука об руку с виртуальным медицинским помощником. Скорее всего, это будет голосовой ассистент, как Siri, Alexa или Google Home: едва ли все сведется к иконкам на экране. Мне кажется, что лучший способ – это создание некоего виртуального аватара или даже голограммы (но если кому-то удобнее, то можно получать информацию и в виде обычного текста или электронных писем). Виртуальный медицинский ассистент – это квинтэссенция глубокого машинного обучения всем индивидуальным данным, тщательно собранным, непрерывно совершенствуемым и объединенным со всем массивом биомедицинских знаний; при этом такой ассистент способен и давать обратную связь, и обучать пользователя. Такие системы поначалу будут ориентированы на специфические заболевания – например, на сахарный диабет или артериальную гипертонию, – но со временем они начнут представлять собой обширные платформы для заботы о здоровье, которые помогут предотвращать болезни или лучше их лечить.

Все эти потенциальные преимущества могут быть сведены на нет злоупотреблением персональными данными. Эти злоупотребления не ограничиваются преступлениями, которые и сейчас совершаются слишком часто, – скажем, киберворовство, вымогательство (преступники шантажируют пациентов больниц их личной информацией), взлом баз данных, – но и включают в себя продажу и безнравственное крупномасштабное использование конфиденциальных персональных данных. Новое явление, тревожное и совершенно неприемлемое: страховые компании или работодатели смогут использовать все ваши данные – и все результаты глубокого обучения – для принятия жизненно важных для вас решений относительно размера медицинской страховки, премий и сохранения за вами рабочего места. Чтобы избежать подобных ужасных сценариев, потребуются разумные меры, которые, конечно, будут стоить больших усилий.

Эта книга посвящена поиску оптимального баланса в отношениях между пациентами, врачами и машинами. Если мы сможем это сделать, если мы сможем использовать уникальную мощь машин для того, чтобы укрепить связующие людей узы, то сможем найти и жизненно необходимое средство устранения проблем, глубоко укоренившихся в современной медицине.

Я надеюсь, что смогу убедить вас в том, что истинная медицина, использующая искусственный интеллект, возможна – и крайне желательна. Соединение мощи машин и людей – мощи человеческого и искусственного интеллекта – поднимет уровень медицины на беспрецедентную высоту. Мы увидим, что на этом пути нас подстерегает великое множество препятствий. Путь будет нелегким и очень долгим. Но целенаправленные усилия непременно помогут достичь желаемого. Повышение эффективности труда медицинского персонала может либо выжать из него все соки, либо сэкономить время, которое вернется пациенту сторицей: будущее поможет нам вернуть лучшее из прошлого. Достижение последней цели потребует активной вовлеченности многих и многих людей, особенно среди лечащего персонала, чей долг – отстаивать права пациентов. Подобно подросткам из Паркленда, которые после печально известной стрельбы в школе в 2018 г. начали борьбу против вооруженного насилия, медики должны быть готовы бороться с корыстными интересами могущественных групп, чтобы не упустить шанс отстоять первоочередность заботы о пациентах, не проспать его, как это не раз случалось в прошлом. Возвышение машин должно сопровождаться возвышением человечности – расширением непосредственных контактов пациента с врачом, углублением сострадания и понимания, ибо только такой подход сделает охрану здоровья и заботу о пациентах реальностью. Это нужно для того, чтобы восстановить и развить здравоохранение в исконном смысле этого слова. Точка.

Итак, начнем.