Бобомурод Курбанов – Искусственный интеллект в медицине. Homo Intellectus (страница 4)

Врач будущего не обязан становиться программистом в узком смысле этого слова. Его главная профессия остается медицинской. Он должен понимать болезнь, человека, клинические признаки, лечение, риски и ответственность. Но он уже не сможет быть равнодушным к данным, потому что данные станут языком современной медицины. Как врач прошлого должен был научиться пользоваться стетоскопом, читать рентгеновские снимки и понимать лабораторные анализы, так врач будущего должен научиться работать с цифровыми системами, оценивать алгоритмические подсказки и понимать границы искусственного интеллекта.

Это требует нового типа медицинского образования. Недостаточно учить будущего врача только фактам, которые могут устареть. Его нужно учить задавать правильные вопросы, отличать надежные данные от сомнительных, понимать вероятность, риск, статистику, клинические рекомендации и этические последствия решений. Врач должен уметь спросить: на каких данных обучалась система, для каких пациентов она проверена, как часто ошибается, можно ли объяснить ее вывод, кто несет ответственность, если рекомендация окажется неверной. Без таких вопросов врач рискует стать зависимым от технологии, которую не понимает.

В то же время понимание данных не должно уничтожить гуманитарную сторону профессии. Чем сложнее становятся медицинские системы, тем важнее способность объяснить пациенту простым языком, что происходит. Пациенту недостаточно услышать, что «алгоритм показал высокий риск». Он хочет понять, что это значит для его жизни, насколько серьезна ситуация, какие есть варианты, можно ли доверять прогнозу и что он сам может сделать. Врач будущего должен быть переводчиком между миром данных и миром человеческого опыта. Это одна из самых важных ролей, которую машина не сможет полноценно выполнить.

Поэтому медицина становится наукой данных не для того, чтобы превратить человека в таблицу. Она становится такой потому, что человеческая жизнь слишком сложна, чтобы описывать ее только приблизительно. Чем точнее медицина понимает организм, тем раньше она может помочь. Чем лучше она анализирует данные, тем меньше вероятность пропустить опасность. Чем грамотнее врач работает с информацией, тем сильнее становится его клиническое решение. Главная задача будущего состоит не в том, чтобы выбрать между врачом и искусственным интеллектом, а в том, чтобы создать медицину, где данные служат человеку, а врач умеет превращать знание в заботу.

Глава 2. Что такое медицинский искусственный интеллект

На протяжении большей части человеческой истории инструменты оставались пассивными. Молоток не становился лучше после тысячи ударов. Телескоп не запоминал предыдущие наблюдения. Стетоскоп не учился распознавать болезни после каждого приема пациента. Все развитие происходило только в голове человека. Инструмент расширял возможности врача, но не приобретал собственного опыта. Искусственный интеллект стал первым массовым инструментом, который способен изменяться под воздействием данных. Именно поэтому вокруг него возникло столько ожиданий, страхов и недоразумений.

Когда люди слышат словосочетание «искусственный интеллект», многие представляют себе нечто похожее на человеческий разум. В воображении возникают мыслящие машины, цифровые личности или универсальные компьютеры, которые понимают мир так же, как понимает его человек. Однако медицинский ИИ устроен иначе. Он не обладает сознанием, не имеет собственных желаний, не понимает смысл болезни и не испытывает сострадания к пациенту. Его сила заключается в другом. Он способен находить статистические закономерности в огромных объемах информации и делать это значительно быстрее человека.

Чтобы понять сущность медицинского ИИ, полезно вспомнить, как учится врач. Молодой студент сначала изучает анатомию, физиологию, биохимию и другие фундаментальные дисциплины. Затем он знакомится с тысячами клинических случаев, учится сопоставлять симптомы и диагнозы, наблюдает за работой опытных специалистов и постепенно формирует способность распознавать болезни. Его знания складываются из огромного количества примеров. Чем больше он видел пациентов и чем глубже анализировал результаты лечения, тем точнее становятся его решения.

Машинное обучение использует похожий принцип, хотя реализует его совершенно иным способом. Алгоритм получает большое количество примеров, где уже известен правильный ответ. Например, ему показывают тысячи снимков легких, среди которых одни содержат признаки заболевания, а другие относятся к здоровым людям. Система постепенно начинает выявлять особенности изображений, которые чаще встречаются в одной группе и реже в другой. Она не понимает природу болезни так, как ее понимает врач. Она не знает человеческой биологии в философском смысле. Но она учится замечать статистические связи между признаками и результатами.

Именно здесь проходит важная граница между человеческим и искусственным интеллектом. Врач может объяснить, почему возникла болезнь, связать ее с образом жизни пациента, историей развития организма и современными научными знаниями. Алгоритм чаще всего работает иначе. Он замечает закономерность раньше, чем понимает ее происхождение. Иногда это дает удивительные результаты. Система может обнаруживать признаки патологии на изображении, которые практически незаметны для человеческого глаза. Но сама машина не знает, что такое страдание, здоровье или смерть. Она лишь выявляет повторяющиеся структуры в данных.

Термин «машинное обучение» сегодня звучит почти так же часто, как когда-то звучали слова «рентген» или «томография». Однако его смысл нередко остается расплывчатым. На самом деле машинное обучение — это набор математических методов, позволяющих компьютеру улучшать свои прогнозы на основе опыта. Вместо того чтобы прописывать каждое правило вручную, разработчики создают систему, которая сама ищет закономерности в данных.

Представим врача, который хочет определить вероятность развития диабета. Можно создать длинный список правил: если повышен сахар, если есть лишний вес, если присутствует наследственная предрасположенность и так далее. Такой подход работает, но имеет ограничения. Реальная жизнь гораздо сложнее. Многие факторы взаимодействуют между собой. Иногда небольшие изменения сразу нескольких показателей оказываются важнее одного ярко выраженного признака. Машинное обучение позволяет выявлять подобные сложные связи автоматически.

Особенно важным это стало для медицины, потому что многие современные данные чрезвычайно объемны. Один снимок компьютерной томографии содержит огромное количество информации. Генетическое исследование может включать анализ миллионов участков ДНК. Электронная история болезни накапливает тысячи записей за годы наблюдения. Человеческий мозг великолепно работает с причинно-следственными связями и клиническим контекстом, но ему трудно одновременно учитывать миллионы числовых параметров. Машина же создана именно для такой работы.

При этом машинное обучение нельзя воспринимать как магию. Алгоритм не извлекает знания из пустоты. Он полностью зависит от качества обучающих данных. Если данные неполные, ошибочные или предвзятые, система будет воспроизводить эти недостатки. В медицине это особенно важно, потому что ошибки могут напрямую влиять на здоровье людей. Если алгоритм обучался преимущественно на данных пациентов определенной возрастной группы, этнического происхождения или региона, его точность может снижаться при работе с другими группами населения.

Поэтому создание медицинского ИИ напоминает подготовку будущего врача. Недостаточно просто предоставить огромное количество информации. Необходимо убедиться, что эта информация качественна, разнообразна и отражает реальную клиническую практику. Чем лучше данные, тем надежнее выводы системы. Чем хуже данные, тем опаснее может стать ее применение.

Одним из самых известных направлений искусственного интеллекта стали нейронные сети. Само название создает впечатление, будто ученые смогли воспроизвести работу человеческого мозга. В действительности современные нейронные сети лишь очень отдаленно напоминают биологическую нервную систему. Однако сама идея оказалась настолько успешной, что именно она привела к многим достижениям последних лет.

Человеческий мозг состоит из миллиардов нейронов, которые непрерывно обмениваются сигналами. Каждое воспоминание, решение или ощущение возникает благодаря сложнейшему взаимодействию этих клеток. Исследователи попытались создать упрощенную математическую модель подобного процесса. Так появились искусственные нейронные сети — структуры, состоящие из множества взаимосвязанных вычислительных элементов.

Когда нейронная сеть обучается распознавать заболевание, она постепенно изменяет внутренние связи между своими элементами. После тысяч и миллионов примеров система начинает замечать особенности, которые трудно описать простыми правилами. Например, при анализе медицинских изображений нейронная сеть способна выявлять очень сложные комбинации признаков, которые невозможно заранее перечислить вручную.

Особенно впечатляющие результаты были получены в радиологии, офтальмологии и патоморфологии. Здесь врачу приходится работать с изображениями огромной сложности. Иногда мельчайшие изменения ткани содержат важнейшую информацию о болезни. Нейронные сети научились распознавать подобные детали с высокой точностью, а в некоторых задачах даже приблизились к уровню лучших специалистов.