AI не заменит врачей, а только усилит
Будущее медицины-это золотой треугольник врач-пациент-искусственный интеллект, в котором машины дополняют клиническую помощь и диагностику.
Это послание исследователя DeepMind д-ра Алана (Karthikesalingam), который представил свое видение здравоохранения с поддержкой ИИ в понедельник на конференции Exponential Medicine Университета Сингапура в Сан-Диего.
Вы, наверное, слышали о DeepMind: это компания, которая принесла нам потрясающий Go-play AI-агент AlphaGo. Это также компания, которая впервые разработала мощный подход к глубокому обучению, который называется глубоким обучением подкрепления, которое может обучать ИИ решать все более сложные проблемы, не сообщая им, что делать.
«Понятно, что в фундаментальном исследовании ИИ произошел значительный прогресс, - сказал Картикексайнам. «Но я думаю, что мы также находимся в интересной точке перегиба, где эти алгоритмы имеют конкретные, позитивные приложения в реальном мире».
И что лучше, чем здравоохранение, чтобы применить неоперившиеся технологии в преобразовании человеческих жизней?
Осторожность и сотрудничество
Конечно, здравоохранение значительно сложнее, чем настольная игра, и Karthikesalingam признает, что к любому использованию ИИ в медицине нужно подходить с изрядной дозой смирения и реализма.
С момента рождения медицины именно медицинские работники, выступающие в качестве основных привратников, обеспечивают новые методы лечения и технологии, которые могут продемонстрировать пользу пациентам. И пока, врачи - абсолютно критический зубчик в медицинском оборудовании.
Цель ИИ - не заменять врачей, подчеркнул Картикексайнам. Скорее, он должен оптимизировать работу врача, высвободить их из программных заданий и предоставить альтернативные оценки или рекомендации.
Этот подход, ориентированный на врача, отражается в множестве проектов в области здравоохранения, которые разрабатывает DeepMind.
Сотрудничество с больницей Moorfields Eye Hospital, одной из «лучших глазных больниц в мире», привело к созданию ИИ, который мог диагностировать заболевания глаз и выполнять сортировку. Алгоритм мог анализировать подробное сканирование глаза для выявления ранних симптомов и приоритизации случаев пациентов в зависимости от серьезности и срочности.
Это работа, которая обычно требует более чем двадцатилетнего опыта, чтобы хорошо функционировать. При обучении алгоритм имел вероятность успеха, аналогичную оценке экспертов.
Примерно 300 миллионов человек во всем мире страдают от потери зрения, но если их обследовать на ранней стадии, симптомы можно предотвратить в 80-90 процентах случаев. По мере того, как технологии, отображающие заднюю часть глаза, становятся все более изощренными, пациенты могут иметь доступ к методам сканирования собственных глаз с использованием смартфонов или других портативных устройств. В сочетании с AI, который диагностирует заболевания глаз, результат может значительно снизить социально-экономическое бремя для всего мира.
“Это был невероятно захватывающий результат для нашей команды. Мы увидели здесь, что наш алгоритм смог правильно распределить неотложные случаи, с тестовым набором чуть более тысячи случаев"
Еще один ранний совместный успех DeepMind в области рака. Искоренение опухолей с помощью радиации требует, чтобы врачи определяли целевые органы и ткани на миллиметровом уровне—задача, которая может легко занять от четырех до восьми (длинных, скучных) часов.
Работая с Университетским колледжем Лондона, DeepMind разработал алгоритм, который может выполнять клинически-прикладную сегментацию органов. В одном из примеров ИИ может выделить тонкий зрительный нерв - информационный канал, который передает данные от глаз к мозгу-от медицинских сканирований, тем самым позволяя врачам лечить окружающие ткани, не повреждая зрение.
“Существует реальный потенциал для ИИ, чтобы быть полезным инструментом для врачей, что приносит пользу пациентам"
Но, возможно, самая большая проблема в ближайшие пять-десять лет-это внедрение систем искусственного интеллекта в реальный мир здравоохранения. Для того, чтобы алгоритмы пересекли пропасть между доказательством концепции и полезными медицинскими приложениями, им нужен важный навык вне диагноза: способность объясняться.
Врачи должны уметь тщательно анализировать решения глубокого ИИ, а не математически понимать внутреннюю работу нейронных сетей, но, по крайней мере, иметь представление о том, как было принято решение.
Возможно, вы слышали о проблеме «черного ящика» в искусственных нейронных сетях. Из-за того, как они обучены, исследователи могут наблюдать за входными данными (скажем, изображениями МРТ) и решением на выходе (рак, без рака), без какого-либо понимания внутренней работы алгоритма.
Проблема интерпретации
“Существует реальный потенциал для ИИ, чтобы быть полезным инструментом для врачей, что приносит пользу пациентам, "
Но, возможно, самая большая проблема в ближайшие пять-десять лет-это внедрение систем искусственного интеллекта в реальный мир здравоохранения. Для того, чтобы алгоритмы пересекли пропасть между доказательством концепции и полезными медицинскими сотрудниками, им нужен важный навык вне диагноза: способность объясняться.
Врачи должны быть в состоянии тщательно анализировать решения глубокого обучения ИИ—не до математического понимания внутренней работы нейронных сетей, но, по крайней мере, иметь представление о том, как было принято решение.
Возможно, вы слышали о проблеме “черного ящика” в искусственных нейронных сетях. Из-за того, как они обучены, исследователи могут наблюдать входные (скажем, изображения МРТ) и выходные решения (Рак, Рак) без какого-либо понимания внутренней работы алгоритма.
DeepMind создает дополнительный уровень в своих диагностических алгоритмах. Например, в дополнение к формированию конечного результата алгоритм болезни глаз также сообщает врачу, насколько он уверен (или нет) в своем собственном решении при просмотре различных частей сканирования глаза.
«Мы считаем, что это особенно интересно, потому что это означает, что врачи смогут оценить диагноз алгоритма и прийти к собственным выводам»
Еще одна проблема глубокого обучения - потребность в миллионах данных обучения. По сравнению с онлайн-изображениями медицинские данные относительно трудно найти и они дорогостоящие. Тем не менее, недавние успехи в обучении глубокому подкреплению резко сокращают объем фактических данных обучения. Например, алгоритм сегрегации органов DeepMind был подготовлен только на 650 изображениях - чрезвычайно ничтожный набор, который делает алгоритм более клинически применимым.
В будущее
«В DeepMind мы твердо верим, что ИИ не заменит врачей, но, надеюсь, облегчит их жизнь»,
Ученый отметил, что количество исследований ИИ, которые фактически пересекаются на практике, будет зависеть не только от эффективности, но и от доверия, безопасности и конфиденциальности.
Например, сообщество должно создавать стандартные наборы данных медицинских изображений для оценки различных алгоритмических диагностов на равных основаниях. Только при наличии достаточных, воспроизводимых данных можно постепенно вводить системы ИИ в медицинское сообщество.