Где и как люди уже используют медицинские диагностические системы, основанные на алгоритмах искусственного интеллекта?
Медицинская диагностика - очень интересный случай с точки зрения ИИ.
Действительно, медицинские тесты и медицинские изображения - это данные, в которых возникает сильное искушение обучить какую-то модель машинного обучения. Одним из первых действительно успешных приложений ИИ еще в 1970-х годах была медицинская диагностика: основанная на правилах экспертная система MYCIN объединила знания настоящих врачей и научилась ставить диагноз на основе анализов крови лучше, чем средний врач.
Но даже у этого прямого приложения есть свои проблемы. Часто для постановки правильного диагноза необходимо не только анализировать данные тестов / изображений, но также использовать некоторую дополнительную информацию, которую трудно формализовать. Например, одно и то же поражение на рентгеновском снимке легких у пожилого заядлого курильщика и десятилетнего ребенка, вероятно, будет означать две очень разные вещи. Теоретически мы могли бы обучать модели, которые используют эту дополнительную информацию, но обучающие наборы данных ее не имеют, и модель не может спрашивать рентгеновский снимок, сколько пакетов она проходит каждый день.
Это промежуточный случай: у вас есть изображение, но его часто недостаточно. Настоящая полномасштабная диагностика еще сложнее: ни одна нейронная сеть не сможет задавать вопросы о вашей истории, которые наиболее актуальны для данного случая, обрабатывать ваши ответы, чтобы узнать соответствующие факты, задавать вопросы таким образом, чтобы пациент отвечал правдиво. и полностью… Это область, где модели машинного обучения просто не соответствуют биологическим нейронным сетям в головах врачей.
Но, естественно, врач-человек все еще может использовать диагностическую систему. Никто не может вспомнить и легко извлечь из памяти подробные симптомы всех болезней в мире. Модель искусственного интеллекта может помочь предложить возможные диагнозы, оценить их вероятность, показать, какие симптомы соответствуют данному диагнозу или нет, и так далее.
Таким образом, несмотря на тяжелые случаи, я лично считаю, что медицинское сообщество (в том числе страховые компании, суды и т. Д.) Проявляет чрезмерную осторожность в этом случае. Я считаю, что большинство врачей улучшили бы свои результаты, используя автоматизированные диагностические системы, даже на нынешнем этапе развития ИИ. И сравнивать их нужно не с каким-то абстрактным идеализированным представлением о «почти идеальной» диагностической точности, а с реальными результатами, полученными на живых людях; Думаю, это было бы гораздо более оптимистично.
Есть ли разница для нейронной сети между распознаванием человеческого лица на фотографии и распознаванием опухоли с помощью томограммы?
Действительно, многие проблемы в медицине очень похожи на задачи компьютерного зрения, и существует обширная и постоянно растущая область машинного обучения для медицинской визуализации. Модели в этой области часто очень похожи на обычное компьютерное зрение, но иногда все же возникают различия.
Многое зависит от характера данных. Например, различение меланомы и родинки по фотографии участка кожи - это как раз проблема компьютерного зрения, и нам, вероятно, не придется разрабатывать совершенно новые модели для ее решения.
Но хотя многие виды медицинских данных имеют пространственную структуру, они могут быть более сложными, чем обычные фотографии. Например, я участвовал в проекте по обработке наборов данных масс-спектрометрии изображений (IMS). IMS обрабатывает срез ткани (например, опухоли) и выдает данные, которые на первый взгляд похожи на изображение: они состоят из пространственно распределенных пикселей. Но каждый «пиксель» содержит не одно или три числа, как фотография, а длинный и разнообразный спектр с тысячами разных чисел, соответствующих различным веществам, обнаруженным в этом пикселе. В результате, хотя этот `` куб данных '' имеет четкую пространственную структуру, классических моделей компьютерного зрения, предназначенных для фотографий, недостаточно, мы должны разработать новые методы.
А как насчет КТ и МРТ? Смогут ли системы, которые их обрабатывают, «вытеснить» рентгенологов, чья работа также заключается в считывании снимков?
Эта область всегда, по крайней мере, с 1990-х годов, была центральным приложением и одной из основных мотиваций для разработки моделей компьютерного зрения.
В настоящее время такие системы вместе с остальной частью компьютерного зрения почти полностью перешли на сверточные нейронные сети (CNN); с революцией глубокого обучения CNN стали основным инструментом для обработки любых изображений, включая медицинские. К сожалению, подробный обзор этой области был бы слишком большим, чтобы поместиться на полях этого интервью: например, обзор, выпущенный в феврале 2017 года, содержит более 300 ссылок, большинство из которых появилось в 2016 году и позже, а также целый год. прошло с…
Стоит ли врачам бояться, что «машина» их заменит? Почему или почему нет?
Еще очень далеко до того, как модели искусственного интеллекта смогут полностью заменить людей-врачей даже в отдельных медицинских специальностях. Продолжая приведенный выше пример, уже существуют модели компьютерного зрения, которые могут отличить меланому от молочной железы хуже или даже лучше, чем средний врач. Но настоящая проблема обычно не в том, чтобы различать картинки, а в том, чтобы убедить человека действительно прийти на проверку (автоматизированную или нет) и сделать ее достаточно тщательной. Легко сфотографировать подозрительную отметину на руке, но вы никогда не заметите меланому, например, посередине спины; живые врачи по-прежнему необходимы для проведения обследования. Но модель, которая хоть немного снизит частоту ошибок, по-прежнему абсолютно актуальна и необходима, она спасет жизни людей.
Похожая ситуация в хирургии в последнее время. За последние пару лет мы увидели много новостей о роботах-хирургах, которые режут плоть более точно, наносят меньше повреждений и зашивают лучше, чем люди. Но столь же очевидно, что в течение многих лет эти роботы не заменят живых хирургов, а только помогут им спасти больше жизней, даже если роботы научатся выполнять операцию от начала до конца. Не секрет, что современные автопилоты могут выполнять практически весь полет от старта до финиша, но это не означает, что в ближайшее время пилоты-люди покинут кабину.
Модели и системы машинного обучения помогут врачам ставить диагноз быстрее и точнее, но сейчас, хотя сильный ИИ еще не создан, они определенно не могут полностью заменить врачей-людей. Нет конкуренции, только разработка полезных инструментов. Медицина - это очень неточный бизнес, и всегда есть множество факторов, о которых автоматизированная система просто не может знать. Мы всегда говорим только о компьютерной диагностике (САПР), а не о полной автоматизации.
Какие компании-лидеры в России внедряют инновации в области биомедицинского ИИ?
Одна из компаний, которая проводит очень серьезные исследования в России, - Insilico Medicine, один из мировых лидеров в разработке лекарств против старения и в целом в области открытия лекарств с использованием моделей искусственного интеллекта. Последние результаты Insilico включают модели, которые учатся генерировать молекулы с заданными свойствами. Естественно, такие модели не могут заменить клинические испытания, но они могут сузить поиск с огромного числа всевозможных молекул и тем самым значительно ускорить работу «настоящих» врачей.
Здесь, в Neuromation, мы также начинаем проекты в области биомедицинского ИИ, особенно в областях, связанных с компьютерным зрением. Например, одним из наших проектов является разработка умных камер, которые будут отслеживать спящих младенцев и проверять, все ли с ними в порядке, спят ли они в безопасном положении и т. Д. Еще рано говорить о нескольких других проектах, они все еще находятся на очень ранней стадии, но мы уверены, что очень скоро из них выйдет что-то интересное. Биомедицинские приложения - одно из основных направлений нашего будущего развития; следите за нашими новостями!
Это перевод интервью Сергея Николенко Анной Хоружой; см. Русский оригинал на сайте НейроНьюс.
