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

Smart Reading

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

Оригинальное название:

Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again

Автор:

Eric Topol

Врачи и компьютеры: кто кому помогает?

Это уже третья книга Эрика Тополя о том, какой должна стать медицина в ближайшем будущем. В первой, под названием Creative Destruction of Medicine (на русский язык не переведена), речь шла о том, какие возможности открывает перед медиками цифровая реальность XXI века. Во второй «Будущее медицины. Ваше здоровье в ваших руках» Тополь призывал к тому, что пациенты должны иметь куда больший доступ к персональным медицинским данным, чем сейчас. Новая книга о том, как ИИ уже изменил медицину и почему главное изменение еще предстоит.

Для начала разберемся, какие возможности есть у человека, а какие – у машины.

Почему компьютер должен помогать врачам

Оказавшись на приеме у американского врача, вы проведете в его кабинете лишь семь минут (если пришли к нему впервые, задержитесь на пять минут дольше). За это время врач на вас почти не посмотрит: он озабочен заполнением медицинской карты. Карта эта теперь электронная, но это не облегчает работу: разработчики программного обеспечения используют форматы файлов, которые не согласуются с программным обеспечением конкурентов, к тому же, по статистике, до 70 % информации из карты врач просто копирует в новые записи, увеличивая тем самым риск дублирования ошибок.

В то же время у врача есть отличная возможность назначить вам множество анализов, чтобы исключить все проблемные факторы. Многие из них – пустая перестраховка, которая, по подсчетам Национальной академии медицины США, стоит стране $765 млрд в год, или четверть всех расходов на здравоохранение (другое исследование такого рода гласит: 85 % всех дооперационных лабораторных тестов совершенно необязательны!).

20–30 % женщин, обследование которых дало отрицательный результат рака груди, на самом деле уже имели опухоль. Но не менее часто исследования выявляют опухоли, которые не перейдут в агрессивную фазу, так что показанная врачом операция принесет женщине куда больше страданий. И речь идет о каждой третьей пациентке! Дело еще и в том, что маммография не всегда дает точные результаты, и специалисты сами это понимают. Когда 160 врачей попросили определить вероятность рака груди у пятидесятилетней женщины на основании положительной маммографии, те сошлись на 90 %. На самом деле вероятность составляла один из десяти.

Да, врачи ошибаются так же, как и все люди. Этот механизм совершения ошибок описан Нобелевским лауреатом Даниэлем Канеманом[1]. Дело в том, что у нас два типа мышления. Первое – интуитивное, автоматическое, быстрое. Второе – логическое, рациональное, медленное. Как легко догадаться, интуитивное мышление всегда опережает логическое. В повседневной жизни это позволяет нам не зависать по любому поводу, но, когда речь заходит о действительно важных решениях вроде постановки диагноза, спонтанность все портит. Именно доверяясь быстрому мышлению, врач:

• формирует свое мнение на основе самых простых и доступных ему примеров, редко задумываясь об особых случаях (так называемое смещение в сторону доступности);

• склонен так интерпретировать информацию, чтобы она совмещалась с его системой взглядов, сколь бы ограниченной та ни была (так называемая предвзятость подтверждения).

Что ж, искусственный интеллект может оказаться здесь неплохим помощником: он не устает, не раздражается, выносит решение только на основе беспристрастного анализа данных, и с каждым годом эти вычислительные операции все дешевле.

Но не все так просто.

Почему врачи должны помогать компьютеру

Искусственный интеллект умеет немало. Еще бы: в его распоряжении:

• море данных (один только YouTube пополняется на 300 часов видео ежеминутно);

• облачные сервисы, где эти данные хранятся и обрабатываются;

• мощные графические процессоры и модули алгоритмической разработки с открытым исходным кодом (TensorFlow у Google, Cognitive Kit у Microsoft и пр.).

До того как прийти на помощь медикам, эти мощности работали в четырех сферах, где достигли немалых успехов:

1) игры (сначала ИИ обыграл человека в шахматы, а недавно и в го, теперь IBM Watson участвует во множестве медицинских исследований, над его обучением работает медицинская школа штата Мэриленд);

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]), 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.

Искусственный интеллект на службе у медицины

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.

В совместном исследовании компаний Moorfields и DeepMind, включающем более 14 тысяч снимков, автоматизированный анализ десятков глазных патологий не уступал в точности анализу экспертов. При этом ИИ куда чаще, чем врачи, давал показания для более детального обследования у узкого специалиста: вероятность ложной тревоги составила лишь около 1 %, и не было случая, когда ИИ рекомендовал бы пациенту с тяжелым заболеванием простое наблюдение у окулиста, тогда как врачи согласились лишь с 65 % решений о перенаправлении пациентов к узким специалистам.

• ИИ в разы чувствительнее к текстуре и цветопередаче снимка, и это принципиально важно, если речь идет о некоторых геномных аномалиях, связанных с раком мозга. Кроме того, алгоритмы умеют улучшать качество изображения, что позволяет сократить радиационные дозы КТ-сканирования, меньше вредя пациентам и снижая стоимость сканеров;

• ИИ помогает сократить риски: машинная обработка маммографических изображений более чем 1000 пациенток в сочетании с результатами биопсии показала, что более 30 % операций на груди можно было избежать. Алгоритмы Google обнаруживали метастазы с точностью более 92 % по сравнению с 73 % для патологоанатомов при одновременном снижении ложноотрицательного показателя на 25 %. Правда, Google грешил ложноположительными результатами.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «ЛитРес».

Прочитайте эту книгу целиком, купив полную легальную версию на ЛитРес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.

Примечания

1

Читайте саммари книги Даниэля Канемана «Думай медленно… Решай быстро».

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).