Константин Абзац – Как нейросети предсказывают эпидемии и спасают миллионы (страница 4)

Искусственный интеллект: мозг, который не спит

Давайте сразу договоримся, что мы будем понимать под этими словами. Искусственный интеллект в нашем контексте – это не разумная машина с чувствами и амбициями. Это, скорее, попытка научить компьютер думать как человек, но в очень узкой и конкретной области. Представьте себе шахматиста. Он просчитывает ходы наперед, анализирует позиции и выбирает лучший вариант. ИИ в медицине – это такой же шахматист, только вместо фигур у него данные о пациентах, симптомах и течении болезней. Он способен обрабатывать невероятные объемы информации, которые не под силу ни одному, даже самому гениальному, человеку, и находить в ней неочевидные связи.

Если совсем просто, то представьте, что вы учите ребенка отличать кошек от собак. Вы показываете ему много-много картинок, говорите: «это кошка, а это собака». Со временем ребенок сам начинает видеть отличия: у кошек мордочка короче, уши острее и так далее. С ИИ происходит то же самое. Только вместо картинок с животными ему скармливают тысячи историй болезней, результаты анализов и рентгеновские снимки. ИИ анализирует их, запоминает закономерности и со временем начинает не просто копировать действия врача, а предлагать что-то свое, основываясь на этом гигантском опыте.

Первые такие системы появились еще в семидесятых годах прошлого века. Они назывались экспертными системами и работали по принципу гигантской книги с правилами «если-то». Если у пациента температура и кашель, то, вероятно, это простуда. Эти системы были громоздкими, требовали постоянного обновления этих самых правил и часто ошибались в сложных случаях. Но начало было положено. Это были первые, еще неуклюжие, шаги младенца по имени ИИ.

Медицина: искусство, ставшее наукой

А теперь давайте посмотрим на ситуацию со стороны тех, кому эти технологии должны были помогать – со стороны врачей. Медицина всегда считалась не просто наукой, но и искусством. Опытный доктор мог поставить диагноз, просто взглянув на пациента, основываясь на своем чутье и многолетнем опыте. Это напоминало работу детектива, который собирает улики (симптомы) и воссоздает картину преступления (болезни).

Но у этого подхода была огромная проблема. Опыт одного врача, каким бы великим он ни был, всегда ограничен. Он не мог знать обо всех редких случаях, описанных в медицинских журналах по всему миру. Он не мог держать в голове статистику эффективности тысяч различных лекарств. И вот здесь на помощь пришел ИИ.

Его роль на первых порах была вспомогательной. Представьте себе молодого врача, который только начал работать. Раньше его единственным советчиком были книги, старшие коллеги и собственные ошибки. Теперь же у него появился незримый помощник. Вводишь симптомы пациента – и компьютер предлагает список наиболее вероятных диагнозов, отсортированный по степени вероятности, да еще и со ссылками на исследования. Это не приговор и не замена решению врача, а мощнейший инструмент, как микроскоп или скальпель, который расширяет его возможности.

Первопроходцами в этой области стали, как ни странно, не больницы, а страховые компании. Им нужно было как-то систематизировать огромные потоки данных, чтобы понимать, на лечение каких болезней уходит больше всего денег и какие методы действительно работают. Именно они начали первыми вкладывать средства в разработку алгоритмов, способных анализировать медицинские записи. Так бизнес, сам того не желая, дал мощнейший толчок развитию ИИ в медицине.

Первая встреча: диагноз от машины

Самый первый и, пожалуй, самый впечатляющий успех ИИ в медицине случился в области диагностики по изображениям. Вы когда-нибудь задумывались, сколько времени врач-рентгенолог тратит на изучение одного снимка? А теперь представьте, что за смену перед ним проходят сотни таких снимков. Глаза устают, внимание притупляется, и на сотом снимке можно легко пропустить крошечное пятнышко – ранний признак страшной болезни.

И вот здесь нейросети показали, на что они способны. Их научили на тысячах размеченных снимков, где патологии были обведены кружочком. И в какой-то момент они превзошли человека в скорости и точности обнаружения этих самых пятнышек. ИИ не устает, не отвлекается, не хочет домой. Он методично сканирует каждый пиксель снимка и выдает результат. Вспомните наш предыдущий разговор про сбор и подготовку данных. Без качественных данных, без той самой «кормежки», ничего бы не вышло.

Конечно, первый опыт был не без курьезов. Известны случаи, когда нейросеть путала родинку с опухолью, потому что на снимке рядом с родинкой была крошечная пылинка, которую она принимала за важный симптом. Или, например, один алгоритм научился отличать собак от волков не по внешнему виду, а по фону. На всех фото волков был снег, а на фото собак – зеленая трава. Такие ошибки – отличный урок для разработчиков, показывающий, что доверять машине слепо нельзя.

Но, несмотря на все ошибки, мы стали свидетелями рождения нового союза. Союза человека и машины. Искусственный интеллект берет на себя рутину, перелопачивает горы информации и предлагает варианты, а врач, опираясь на свой опыт, знания и интуицию, принимает окончательное решение. Это не замена, а взаимопомощь. И этот союз обещает спасти миллионы жизней.

Задумайтесь на минуту: а в вашей жизни были ситуации, когда вам не хватало объективной, беспристрастной информации для принятия важного решения? Когда эмоции затуманивали разум? В мире медицины цена такого решения особенно высока. И возможно, именно в балансе между холодным расчетом машины и теплотой человеческого участия и кроется ответ на многие вопросы, которые ставит перед нами жизнь.

Часть 2. Анатомия прогноза: как нейросети видят невидимое

От хаоса к порядку: сбор и подготовка данных для анализа

Представьте себе огромную библиотеку, в которой нет ни единого каталога. Книги разбросаны по полу, страницы вырваны и перепутаны, а половина текстов написана на языках, которых никто не знает. Именно так выглядят сырые данные для любой умной системы. Прежде чем нейросеть начнет творить свою магию и предсказывать вспышки болезней, кто-то должен навести в этом хаосе порядок. И этот кто-то – мы с вами. Это этап, который называют подготовкой данных, и он настолько же важен, насколько и скучен. Но без него даже самый крутой алгоритм – просто груда кремния и проводов.

Сбор данных: охота за цифровыми следами

Данные о здоровье людей не падают с неба в красивых упаковках с бантиком. Это разрозненные кусочки информации, которые мы сами ежедневно оставляем в цифровом мире. Врач в поликлинике заполняет карточку, кто-то гуглит симптомы насморка, аптека продает лекарство от кашля, а вы постите в соцсеть фото с подписью Лежу с температурой. Всё это – ценные источники.

Первый шаг – собрать эти разрозненные пазлы в одном месте. Это похоже на работу детектива, который собирает улики. Мы стягиваем данные из отчетов больниц, с метеоспутников (ведь погода сильно влияет на распространение вирусов), из поисковых запросов и даже из городских систем очистки воды. Да-да, анализ сточных вод может рассказать о вспышке кишечной инфекции задолго до того, как люди массово обратятся к врачам. Задача этого этапа – не просто получить информацию, а понять, какая информация нам нужна, и договориться с ее владельцами, чтобы получить к ней доступ. Часто это напоминает бег с препятствиями, но без этой охоты у нас просто не будет топлива для алгоритмов.

Подготовка данных: великая чистка

Итак, гора данных у нас есть. Тут начинается самое интересное. В этой куче может быть всё что угодно: от опечаток в фамилиях до показаний сломавшегося градусника. Данные могут быть записаны в десяти разных форматах. В одной больнице температуру пишут как 36.6, в другой – 36-6, а в третьей просто горячий.

Этап подготовки – это когда мы превращаем этот хаос в стройные ряды цифр. Нужно заполнить пустоты, если данных не хватает. Или наоборот, удалить дубликаты, если один и тот же случай болезни попал в систему дважды. Представьте, что мы печем пирог по рецепту, где вместо граммов муки указано горсть, а вместо ложки соли – щепотка. Нам нужно перевести все эти народные меры в понятные и единые величины. Точно так же мы приводим все данные к общему знаменателю: переводим все даты в единый формат, все географические названия к единому стандарту, а симптомы группируем по категориям. Это кропотливая работа, которая не терпит спешки. Потому что если мы ошибемся на этом этапе и вместо муки насыплем соли, весь наш пирог, то есть прогноз, будет несъедобным.

Анализ данных: первый взгляд на чистый лист

Когда данные вычищены и разложены по полочкам, мы можем наконец-то сделать первый, самый поверхностный анализ. Это еще не работа нейросетей, а скорее наш собственный взгляд на ситуацию. Мы строим простые графики и диаграммы, чтобы увидеть общую картину.

Например, мы можем обнаружить, что количество случаев заболевания гриппом всегда начинает расти в середине осени. Или что в одном конкретном районе города люди почему-то болеют в два раза чаще, чем в соседнем. Это не прогноз в чистом виде, но это важные зацепки. Это как посмотреть на карту сокровищ, где уже отмечены некоторые подсказки. Мы начинаем видеть корреляции, то есть взаимосвязи между событиями. Мы пока не знаем, почему так происходит, но уже видим, что это не случайность.