Математические алгоритмы могут поставить точный диагноз, но определить причины болезни почти не в состоянии

NewYorkerУже в настоящий момент нейронные сети могут в диагностике заболеваний спокойно конкурировать с опытными врачами. К примеру, по фотографии они способны отличить доброкачественную опухоль от злокачественной. Искусственный интеллект настолько быстро изменяет медицину, что многие врачи уже начинают бояться за свою работу. New Yorker пишет, как в ближайшие годы изменится диагностика и что будет, когда ставить диагноз будут не врачи, а математические модели.
Бразильские ⁠ученые в начале 2010-х ⁠поставили себе целью выяснить, что конкретно происходит в мозге рентгенолога, когда тот ставит диагноз. Он делает анализ снимков и вспоминает все, чему его обучали в вузе, или просто распознает изображения.

Двадцати пяти рентгенологам демонстрировали разные картинки и следили за реакцией мозга при помощи магнитно-резонансной томографии. Всего было три вида изображений: рисунки животных, контуры букв и рентгеновские снимки органов, в некоторых случаях имеющие патологию. Картинки демонстрировали в случайном порядке, а врачам нужно было как можно быстрее поставить диагноз, назвать букву или животное. МРТ продемонстрировала, что в каждом из трех случаев задействованы одни и те же участки мозга, и для определения изображенного среднем понадобилось 1,33 секунды. Это означает, что процесс постановки диагноза похож на распознавание вещей, простых для человека. К примеру, человек способен определить, что перед ним находится конкретный предмет или объект, скажет стул или собака, в один миг – человеку не надо эту информацию как-то вспоминать или анализировать. Так же рентгенологам ясно, что перед ними лежит снимок легких пациента, который болен пневмонией.

Но в таком случае возникает вопрос, как врачи учатся ставить диагнозы и способны ли машины этому научиться. Если да, то насколько качественно и быстро?

Себастьян Трун, бывший профессор Стэнфорда, где он руководил лабораторией искусственного интеллекта, в 2015 году принялся изучать медицину. Его мама умерла от рака молочной железы. Она, как и многие люди, не имела никаких симптомов заболевания, а когда она обратилась к врачу, оказалось слишком поздно – опухоль уже дала метастазы. Профессор пришел к решению научиться использовать алгоритмы машинного обучения для того, чтобы определять на ранних стадиях развития онкологические заболевания.

До этого ученые и врачи-онкологи уже делали попытки автоматизировать диагностику. Но ни одна из предложенных программ оказалась не способна к обучению. Они не становились лучше в распознавании патологий после обработки многих тысяч примеров. Все это удел нейронных сетей.

Трун уверен, что если врач способен по фотографии рак кожи отличить от прочих кожных заболеваний, то и машина должна уметь это делать. Совместно с двумя студентами Стэнфорда – Андре Эстевой и Бреттом Купрелом – профессор стал заниматься созданием обучающего набора изображений, при помощи которых нейросеть умела бы распознать патологии.

В июне 2015 года прошли первые испытания. Программа должна была распределить примерно четырнадцать тысяч изображений по трем диагнозам:доброкачественные опухоли,доброкачественные новообразования и злокачественные новообразования. В 72% случаев система правильно поставила диагноз. Параллельно два сертифицированных дерматолога делали анализ те же изображения и в 66% случаев они поставили правильный диагноз.

На втором этапе тестирования были использованы две тысячи изображений патологий, которые были подтверждены биопсией. У нейросети получилось справиться с диагностикой лучше, чем у опытных дерматологов, и в этом случае.

Себастьян ТрунС каждым разом искусственный интеллект все лучше справлялся с заданием. В самом начале нейронная сеть была наивной и почти ничего не знала. Но со временем механизм ее работы совершенствовался и ускорялся. Это похоже на то, как работает мозг школьника при знакомстве с таблицей Менделеева изначально человек воспринимает ее как набор неизвестных символов, но со временем разбирается в ней все лучше и быстрее.

Себастьян Трун верит в непрерывную диагностику. Он представляет мир, где мобильный телефон анализирует речь человека и определяет болезнь Альцгеймера, а руль от автомобиля распознает болезнь Паркинсона. Поэтому и от системы распознавания онкологии он хочет добиться того, чтобы она могла с точностью определять диагноз по снимкам, сделанным в совершенно разных условиях при любом освещении и качестве. То есть каждый человек для всех этих систем представляется как массив данных, которые постоянно находятся под наблюдением и анализом.

Джеффри Хинтона, специалиста по информационным технологиям из Университета Торонто, иногда называют отцом Deep Learning (набор алгоритмов машинного обучения). Он работает в этом направлении с середины 70-х. Хинтон считает, что уже через пять лет искусственный интеллект обгонит по профессионализму современных рентгенологов и они больше не будут нужны.

Трун настроен менее радикально. Во время промышленной революции многие считали, что машины заменят человека, но они лишь увеличили производительность труда. Также и развитие искусственного интеллекта не заменит человеческий мозг. К тому же не стоит сводить роль врача к постановке диагноза по принципу «да» или «нет», говорит руководитель кафедры нейрорадиологии в Колумбийском университете Анжела Лигнелли-Дипл. Врач также определяет причины произошедшего и может, например, предотвратить последствия неправильного применения лекарств. То есть его функции куда шире. Ни одна система машинного обучения не способна это делать. Алгоритм не может рассказать пациенту, что и почему с ним происходит. А нейросети могут только учиться на своих ошибках и улучшаться с течением времени, но узнать причину диагноза им не дано.

Это доказывает опыт Линдси Бордон, дежурного врача в дерматологической клинике Колумбийского университета. Недавно к ней пришел пациент с красной сыпью на лице. Она задала мужчине вопрос, страдает ли он от перхоти. Как только она получила положительный ответ, она сразу определила, что у мужчины лицевая перхоть. Потом она начала искать причину заболевания и спросила, был ли у него стресс, или, может быть, он использует новый шампунь. Оказалось, что он недавно потерял работу. Бордон выписала ему стероидный крем и попросила в течение месяца вести дневник, чтобы отследить, как именно на заболевании сказываются внешние события. Нейросетям индивидуальный подход пока не под силу.

В то же время за всю свою практику Бордон увидит и ознакомится приблизительно с 200 тысячами случаев, а алгоритм Труна изучил за три месяца 140 тысяч примеров. Каждый начинающий дерматолог с нуля изучает свою специальность, а искусственный интеллект не останавливается в своем развитии.

Возможно, в будущем диагностов будут готовить не в медицинских вузах, а в технических, чтобы они умели работать с алгоритмами машинного обучения. А основной задачей современных врачей станет применение искусственного интеллекта на практике и ответ на вопрос кто несет юридическую ответственность за неверный диагноз, поставленный с помощью нейронных сетей.