Небольшое интервью у Сергея Николенко, главного научного сотрудника компании Neuromation взял портал «Нейроновости».
Где и как уже применяются сейчас медицинские диагностические системы, основанные на алгоритмах искусственного интеллекта?
Медицинская диагностика – это очень интересный вопрос с точки зрения искусственного интеллекта.
Действительно, данные конкретных анализов или медицинские снимки – это данные, на которых так и хочется обучить какую-нибудь модель. Одним из первых успешных реальных применений систем искусственного интеллекта стала в 1970-х годах как раз диагностика – система MYCIN агрегировала знания реальных врачей и научилась ставить диагнозы по анализу крови лучше среднего врача.
Однако даже здесь есть тонкости. Часто правильный диагноз должен не только использовать данные анализов/снимков, но и привлекать какую-то дополнительную информацию. Условно говоря, одно и то же повреждение на рентгеновском снимке лёгких пожилого курильщика и десятилетнего ребёнка, скорее всего, означает совсем разные вещи. Теоретически мы могли бы, наверное, обучить модели, использующие такие дополнительные данные, но в наборах данных для обучения их, как правило, нет, и модель не может переспросить у медицинского снимка, сколько ему лет или сколько сигарет в день у него уходит.
Это промежуточный вариант – есть снимок, но его не всегда достаточно. Ни одна нейронная сеть не сможет расспросить вас об истории болезни, выяснить релевантные факты, задать вопросы так, чтобы вы на них ответили правдиво и полностью… Здесь пока биологические нейросети в головах у врачей совершенно незаменимы.
Но при этом, конечно, живому врачу всё равно может помочь диагностическая система. Никто не в состоянии помнить и по запросу извлекать из памяти симптомы всех болезней на свете. Модель же искусственного интеллекта может помочь предложить варианты, оценить их вероятности, указать, какие симптомы подходят или не подходят под тот или иной диагноз, и так далее.
Несмотря на эти сложности, лично мне на самом деле кажется, что медицинское сообщество (включая страховые компании, суды и т.п.) всё-таки чересчур перестраховывается. Я думаю, что большинству врачей автоматические системы диагностики очень помогли бы уже на нынешнем этапе развития искусственного интеллекта. И сравнивать их нужно не с абстрактными пожеланиями «чтобы почти всегда работало», а с реальными результатами живых людей – тогда оптимизма, может быть, прибавится.
Есть ли принципиальная разница для нейросети в том, чтобы узнать человека по фото или опухоль по томограмме?
Действительно, многие задачи в медицине похожи на модели компьютерного зрения, есть большая область обработки именно медицинских изображений (medical imaging), модели в которой похожи на обычное компьютерное зрение, но не всегда полностью совпадают.
Здесь многое зависит от характера данных. Например, отличить по фотографии участка кожи меланому от родинки – это классическая задача компьютерного зрения, и здесь, скорее всего, ничего принципиально нового придумывать не нужно будет.
Но многие медицинские данные, хоть и привязаны к точкам в пространстве, на самом деле имеют более сложную структуру, чем обычные фотографии. Лично я, например, занимался обработкой данных изображающей масс-спектрометрии. На выходе этот метод даёт, на первый взгляд, картинку (скажем, среза ткани из опухоли), но в каждом пикселе такой “картинки” – не одно или три числа, как у фотографии, а целый длинный спектр с тысячами разных чисел, соответствующих разным массам в спектре. Получается этакий «куб данных», в котором пространственная структура, конечно же, есть, но модели для обработки обычных фотографий уже не подходят, нужно разрабатывать новые.
Что насчет систем для анализа снимков КТ, МРТ? Насколько они составят и составят ли «конкуренцию» врачам-рентгенологам, которые тоже описывают снимки?
Эта область всегда, ещё с девяностых годов, была одним из центральных примеров применения и одним из двигателей развития моделей компьютерного зрения.
В наше время такие системы, как и всё компьютерное зрение в целом, перешли на глубокие свёрточные нейронные сети (convolutional neural networks, CNN), которые с революцией глубокого обучения стали основным инструментом для обработки любых изображений вообще, в том числе и медицинских. Дать подробный обзор того, как и что конкретно сейчас происходит в этой области, на узких полях этого интервью возможным не представляется: например, в обзоре, вышедшем в феврале 2017 года, более трёхсот ссылок, из которых большая часть появилась в 2016 и позже – а с тех пор прошёл ещё год…
Не стоит ли опасаться врачам, что «машина их заменит» и почему?
До полной замены врачей, конечно, ещё очень далеко, даже в отдельных специальностях. Уже сейчас существуют модели, которые по фотографии со смартфона отличат, например, меланому от родинки не хуже среднего врача, а то и лучше. Но реальная проблема обычно не в том, чтобы отличить, а в том, чтобы человек вообще захотел, чтобы его осматривали (хоть люди, хоть компьютеры), и в том, чтобы осмотр был достаточно тщательным. Легко сфотографировать подозрительную родинку на руке, но человек сам никогда не заметит меланому, скажем, посередине спины – то есть участие живых врачей здесь всё равно нужно. Но модель, которая понизит процент ошибок в таком определении, конечно, всё равно необходима, она будет буквально спасать человеческие жизни.
Аналогичная ситуация сейчас постепенно возникает в хирургии. В последние год-два было много новостей о том, что роботы-хирурги делают надрезы ровнее, повреждают тканей меньше и зашивают лучше, чем люди. Однако очевидно, что все эти роботы ещё много лет будут не заменой живых хирургов, а их помощниками, даже когда научатся делать все нужные операции. Ни для кого не секрет, что современные автопилоты уже давно могут самостоятельно выполнять практически все фазы полёта – но это не значит, что пилоты в кабине не нужны.
Всё это значит, что системы, основанные на машинном обучении, будут помогать врачам ставить диагнозы точнее и быстрее, но сейчас, пока сильный искусственный интеллект ещё не создан, они никак не могут полностью заменить живых врачей. Нет никакой «конкуренции», есть развитие орудий труда. Медицина – это слишком уж неточное дело, слишком много факторов, о которых автоматическая система и не подозревает. Речь в этой области всегда идёт о CAD (computer-aided diagnosis), а не о полной автоматизации.
Кто сейчас в России занимается разработкой систем машинного интеллекта, применяющихся в биомедицинской области?
В России большие дела делает, например, компания Insilico Medicine – одной из мировых лидеров в области борьбы со старением и разработки лекарств (drug discovery) при помощи методов искусственного интеллекта. Последние достижения Insilico – это модели, которые обучаются порождать молекулы с заданными свойствами. Конечно, такие модели не могут заменить клинические испытания, но они могут выделить подходящих кандидатов из огромного множества всех возможных молекул и тем самым сильно сократить поиск для «настоящих» врачей.
Мы в компании Neuromation тоже начинаем работу над медицинскими приложениями, особенно в области компьютерного зрения. Например, один из наших проектов – это “умные камеры”, которые будут следить за спящими младенцами и определять, всё ли с малышом в порядке, в безопасной ли позе он спит и так далее. А о многих других проектах говорить пока рано, они на стадии замысла, но из них тоже наверняка что-то получится. Медицинские приложения – это одно из главных направлений нашего будущего развития; следите за новостями!
Беседовала Анна Хоружая