Двадцати пяти рентгенологам показывали различные картинки и отслеживали реакцию мозга с помощью магнитно-резонансной томографии (МРТ). Всего было три вида изображений: рентгеновские снимки органов, в некоторых случаях с патологией, рисунки животных и контуры букв. Картинки показывали в случайном порядке, а врачи должны были как можно быстрее определить диагноз, назвать животное или букву. МРТ показала, что в каждом из трех случаев работают одни и те же участки мозга и в среднем для определения изображенного понадобилось 1,33 секунды. Это значит, что процесс постановки диагноза похож на распознавание простых для человека вещей. Например, человек может определить, что перед ним собака, мгновенно – эту информацию не надо вспоминать или анализировать. Также рентгенологи понимают, что перед ними снимок легких больного пневмонией.
Но в таком случае появляется вопрос, как врачи учатся диагностировать и могут ли этому научиться машины? Если да, то насколько быстро и качественно?
Себастьян Трун, бывший профессор Стэнфорда, где он руководил лабораторией искусственного интеллекта, в 2015 году начал изучать медицину. Мать Труна умерла от рака молочной железы. У нее, как и многих людей, не было симптомов заболевания, а когда она обратилась к врачу, было слишком поздно – опухоль дала метастазы. Профессор решил использовать алгоритмы машинного обучения, чтобы определять онкологические заболевания на ранних стадиях их развития.
До этого ученые и врачи-онкологи уже пытались автоматизировать диагностику. Но ни одна из предложенных программ не была способна обучаться. Они не становились лучше в распознавании патологий после обработки нескольких тысяч примеров. Все это удел нейронных сетей.
Трун убежден, что если врач может по фотографии отличить рак кожи от других кожных заболеваний, то и машина должна уметь это делать. Профессор совместно с двумя студентами Стэнфорда – Андре Эстевой и Бреттой Купрел – начал создавать обучающий набор изображений, с помощью которых нейросеть смогла бы распознать патологии.
В июне 2015 года прошли первые испытания. Программа должна была распределить около четырнадцати тысяч изображений по трем диагнозам: злокачественные новообразования, доброкачественные новообразования и доброкачественные опухоли. В 72% случаев система верно определила диагноз. Параллельно два сертифицированных дерматолога анализировали те же изображения: они поставили правильный диагноз в 66% случаев.
На втором этапе тестирования использовались две тысячи изображений патологий, которые были подтверждены биопсией. Нейросеть справилась с диагностикой лучше, чем опытные дерматологи, и в этом случае.
Искусственный интеллект с каждым разом справлялся с заданием все лучше. 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?
Источник
Journal information