Рис. 1.1. Рост числа алгоритмов глубокого обучения ИИ с 2012 г. после публикации статьи о распознавании образов. Источники: график А приведен с изменениями из: A. Mislove: “To Understand Digital Advertising, Study Its Algorithms.” The Economist (2018): www.economist.com/science-and-technology/2018/03/22/to-understand-digital-advertising-study-its-algorithms. График B приведен с изменениями из: C. Mims, “Should Artificial Intelligence Copy the Human Brain?” The Wall Street Journal (2018): www.wsj.com/articles/should-artificial-intelligence-copy-the-humanbrain-153355265?mod-searchresults&page-1&pos-1.

За последние несколько лет в ведущих медицинских изданиях был опубликован ряд исследований, основанных на глубоком обучении. Многие в медицинском сообществе были искренне удивлены потенциалом глубокого обучения ИИ: в статьях утверждалось, например, что искусственный интеллект способен диагностировать некоторые типы рака кожи так же, если не лучше, чем дерматолог высшей категории; выявлять некоторые особые типы аритмий не хуже кардиолога; интерпретировать результаты медицинских изображений не хуже квалифицированного специалиста по медицинской визуализации и оценивать гистологические препараты не хуже патологоанатома; диагностировать различные заболевания глаз не хуже хорошего офтальмолога и предсказывать суицид у пациентов не хуже профессионального психиатра. Эти возможности обусловлены главным образом умением распознавать закономерности, при этом в ходе обучения машины усваивают эти закономерности на сотнях тысяч примеров (а вскоре – и на миллионах). Такие системы уже сейчас от года к году становятся все лучше и лучше, а показатель ошибок после изучения текстовых, речевых и визуальных материалов упал ниже 5 %, что выше любых человеческих возможностей (см. рис. 1.3). И хотя, вероятно, существует предел, после которого дальнейшее улучшение обучения прекратится, мы его пока не достигли. В отличие от людей, которые часто устают, пребывают в дурном настроении, подвержены действию эмоций, недосыпают или отвлекаются, машины лишены всех этих недостатков, могут работать сутки напролет, без выходных и праздников, не жалуясь на судьбу (хотя и человек, и машина могут «заболеть» и выйти из строя). Вполне понятно, что в связи с этим ребром встает вопрос о будущей роли врачей и о том, какое влияние может оказать искусственный интеллект на медицинскую практику.

Рис. 1.2. Экспоненциальный рост скорости вычислений – в 300 тыс. раз – в процессе выполнения различных обучающих ИИ программ. Источник: с изменениями из: D. Hernandez and D. Amodei, “AI and Compute”, Open AI (2018): http://blog.openai.com/ai-and-compute.

Я не верю, что глубокое обучение искусственного интеллекта сделает его способным лечить все болезни и устранять недостатки современного здравоохранения, но список, приведенный в табл. 1.1, дает представление о том, насколько широко можно использовать этот инструмент и насколько реклама преувеличивает его возможности. Со временем искусственный интеллект поможет нам продвинуться в решении всех перечисленных задач, но это будет марафон без финишной черты.

Примеры глубокого обучения демонстрируют его достаточно узкую специфичность: алгоритм, предсказывающий вероятность депрессии, не работает в дерматологии. Эти алгоритмы, построенные по принципу нейронных сетей, зависят от распознавания паттернов, то есть схем-образов, устойчивых наборов признаков, что будет полезно врачам, качество работы которых зависит от способности распознавать и интерпретировать изображения, – например, рентгенологам и патологоанатомам. Таких врачей я называю врачами-«паттернистами». Пусть и реже, но все же довольно часто всем клиницистам приходится в ходе работы так или иначе распознавать образы и выявлять закономерности, и потенциально каждому из них пригодилась бы алгоритмическая поддержка искусственного интеллекта.

Рис. 1.3. Повышение точности работы машинного искусственного интеллекта с изображениями (А) и речью (В). При работе с упорядоченными базами данных и выполнении узконаправленных задач качество работы искусственного интеллекта выше качества работы человека. Источники: график А с изменениями из: V. Sze et al., “Efficient Processing of Deep Neural Networks: A Tutorial and Survey,” Proceedings of the IEEE (2017); 105 (12), 2295–2329. График B с изменениями из: “Performance Trends in AI,” Word Press Blog (2018): http://srconstantin.wordpress.com/2017/01/28/ performance-trends-in-ai.

По большей части опубликованные примеры глубокого обучения представляют собой валидацию in silico, то есть на компьютерных моделях (что противопоставляется проспективным клиническим испытаниям с участием реальных пациентов). Очень важно отличать одно от другого, потому что анализ существующего массива данных – это не то же самое, что сбор данных в реальной клинической ситуации. Полученные in silico ретроспективные результаты часто представляют наилучший и самый благоприятный сценарий, который невозможно воспроизвести в ситуации, когда величины данных заранее неизвестны, как это имеет место в клинических испытаниях. Данные ретроспективных исследований могут помочь сформулировать гипотезу, которую затем можно проверить в ходе проспективного исследования, в особенности если его будут независимо друг от друга выполнять разные группы.

Мы еще в самом начале эпохи искусственного интеллекта; это пока не повседневная медицинская практика, и некоторые скептики называют применение искусственного интеллекта в медицине SiliconValley-dation, намекая, что подобная валидация годится для проектов в Кремниевой долине (SiliconValley), а не для работы с живыми людьми. Такое пренебрежительное отношение распространено в медицине и чрезвычайно замедляет изменения. В результате весь мир уже находится на стадии четвертой промышленной революции, ознаменованной пришествием искусственного интеллекта, а медицина застряла в предыдущей эпохе – на стадии третьей революции, когда только-только начали широко применяться компьютеры и электроника (см. рис. 1.4). Например, файлы MP3 совместимы со всеми моделями музыкальных проигрывателей, а медицине только предстоит освоить удобные в использовании электронные формы медицинской документации, совместимые с различными устройствами. Это наглядный пример того, с каким трудом новое пробивает себе дорогу в этой отрасли.

По моим наблюдениям, медицина не впервые противится внедрению новых технологий. Это уже моя третья книга о будущем медицины. В «Созидательном разрушении медицины» (Creative Destruction of Medicine) я представил схему, благодаря которой датчики, секвенирование, визуализация, телемедицина и многие другие технологические достижения позволят оцифровать организм человека и добиться компьютеризации медицины. В книге «Теперь пациент вас увидит» (The Patient Will See You Now) я описал свое понимание демократизации медицины. Медицинский патернализм исчезнет, когда пациенты станут не только порождать информацию, но и владеть ею, получив доступ к своим медицинским документам, а в конечном счете любой больной сможет (при желании) принимать более осязаемое участие в процессе лечения.