Чем искусственный интеллект может помочь врачам?

Нейронные сети уже сейчас могут конкурировать с опытными врачами в диагностике заболеваний. Например, они по фотографии могут отличить злокачественную опухоль от доброкачественной. Искусственный интеллект настолько быстро меняет медицину, что многие врачи уже боятся за свою работу. New Yorker рассказывает, как диагностика изменится в ближайшие годы и что будет, когда ставить диагноз будут математические модели, а не врачи.

В начале 2010-х бразильские ?ученые задались целью выяснить, что именно происходит в мозге рентгенолога, ?когда он ?ставит диагноз. Он анализирует снимки и вспоминает все, чему ?его учили в вузе, или просто распознает изображения?

Двадцати пяти рентгенологам ?показывали ?различные картинки и отслеживали реакцию мозга с помощью магнитно-резонансной томографии (МРТ). Всего было три вида изображений: рентгеновские снимки органов, в некоторых случаях с патологией, рисунки животных и контуры букв. Картинки показывали в случайном порядке, а врачи должны были как можно быстрее определить диагноз, назвать животное или букву. МРТ показала, что в каждом из трех случаев работают одни и те же участки мозга и в среднем для определения изображенного понадобилось 1,33 секунды. Это значит, что процесс постановки диагноза похож на распознавание простых для человека вещей. Например, человек может определить, что перед ним собака, мгновенно – эту информацию не надо вспоминать или анализировать. Также рентгенологи понимают, что перед ними снимок легких больного пневмонией.

Но в таком случае появляется вопрос, как врачи учатся диагностировать и могут ли этому научиться машины? Если да, то насколько быстро и качественно?

Себастьян Трун, бывший профессор Стэнфорда, где он руководил лабораторией искусственного интеллекта, в 2015 году начал изучать медицину. Мать Труна умерла от рака молочной железы. У нее, как и многих людей, не было симптомов заболевания, а когда она обратилась к врачу, было слишком поздно – опухоль дала метастазы. Профессор решил использовать алгоритмы машинного обучения, чтобы определять онкологические заболевания на ранних стадиях их развития.

До этого ученые и врачи-онкологи уже пытались автоматизировать диагностику. Но ни одна из предложенных программ не была способна обучаться. Они не становились лучше в распознавании патологий после обработки нескольких тысяч примеров. Все это удел нейронных сетей.

Трун убежден, что если врач может по фотографии отличить рак кожи от других кожных заболеваний, то и машина должна уметь это делать. Профессор совместно с двумя студентами Стэнфорда – Андре Эстевой и Бреттой Купрел – начал создавать обучающий набор изображений, с помощью которых нейросеть смогла бы распознать патологии.

В июне 2015 года прошли первые испытания. Программа должна была распределить около четырнадцати тысяч изображений по трем диагнозам: злокачественные новообразования, доброкачественные новообразования и доброкачественные опухоли. В 72% случаев система верно определила диагноз. Параллельно два сертифицированных дерматолога анализировали те же изображения: они поставили правильный диагноз в 66% случаев.

На втором этапе тестирования использовались две тысячи изображений патологий, которые были подтверждены биопсией. Нейросеть справилась с диагностикой лучше, чем опытные дерматологи, и в этом случае.

Искусственный интеллект с каждым разом справлялся с заданием все лучше. В самом начале нейронная сеть была наивной и почти ничего не знала. Но со временем механизм ее работы совершенствовался и ускорялся. Это похоже на то, как работает мозг школьника при знакомстве с таблицей Менделеева: изначально человек воспринимает ее как набор неизвестных символов, но со временем разбирается в ней все лучше и быстрее.

Себастьян Трун верит в непрерывную диагностику. Он представляет мир, где мобильный телефон анализирует речь человека и определяет болезнь Альцгеймера, а руль от автомобиля распознает болезнь Паркинсона. Поэтому и от системы распознавания онкологии он хочет добиться того, чтобы она могла с точностью определять диагноз по снимкам, сделанным в совершенно разных условиях при любом освещении и качестве. То есть каждый человек для всех этих систем представляется как массив данных, которые постоянно находятся под наблюдением и анализом.

Джеффри Хинтона, специалиста по информационным технологиям из Университета Торонто, иногда называют отцом Deep Learning (набор алгоритмов машинного обучения). Он работает в этом направлении с середины 70-х. Хинтон считает, что уже через пять лет искусственный интеллект обгонит по профессионализму современных рентгенологов и они больше не будут нужны.

Трун настроен менее радикально. Во время промышленной революции многие считали, что машины заменят человека, но они лишь увеличили производительность труда. Также и развитие искусственного интеллекта не заменит человеческий мозг. К тому же не стоит сводить роль врача к постановке диагноза по принципу «да» или «нет», говорит руководитель кафедры нейрорадиологии в Колумбийском университете Анжела Лигнелли-Дипл. Врач также определяет причины произошедшего и может, например, предотвратить последствия неправильного применения лекарств. То есть его функции куда шире. Ни одна система машинного обучения не способна это делать. Алгоритм не может рассказать пациенту, что и почему с ним происходит. А нейросети могут только учиться на своих ошибках и улучшаться с течением времени, но узнать причину диагноза им не дано.

Это доказывает опыт Линдси Бордон, дежурного врача в дерматологической клинике Колумбийского университета. Недавно к ней пришел пациент с красной сыпью на лице. Она задала мужчине вопрос, страдает ли он от перхоти. Как только она получила положительный ответ, она сразу определила, что у мужчины лицевая перхоть. Потом она начала искать причину заболевания и спросила, был ли у него стресс, или, может быть, он использует новый шампунь. Оказалось, что он недавно потерял работу. Бордон выписала ему стероидный крем и попросила в течение месяца вести дневник, чтобы отследить, как именно на заболевании сказываются внешние события. Нейросетям индивидуальный подход пока не под силу.

В то же время за всю свою практику Бордон увидит и ознакомится приблизительно с 200 тысячами случаев, а алгоритм Труна изучил за три месяца 140 тысяч примеров. Каждый начинающий дерматолог с нуля изучает свою специальность, а искусственный интеллект не останавливается в своем развитии.

Возможно, в будущем диагностов будут готовить не в медицинских вузах, а в технических, чтобы они умели работать с алгоритмами машинного обучения. А основной задачей современных врачей станет применение искусственного интеллекта на практике и ответ на вопрос: кто несет юридическую ответственность за неверный диагноз, поставленный с помощью нейронных сетей?

Напишите в комментариях к посту в группе, как именно вы видите будущее работы врача в симбиозе с нейронными сетями и искусственным интеллектом.

Источник: republic.ru

Комментарии: