Искусственный интеллект в медицине (Высшая школа организации и управления здравоохранением)

05.02.2019

Сегодня так много говорят об искусственном интеллекте, что само это понятие немного расплылось.

Сегодня так много говорят об искусственном интеллекте, что само это понятие немного расплылось. Основной прорыв в этом направлении идет по линии обработки и хранения изображений – медицинской визуализации - рентген, КТ, МРТ. Появляются хорошие аппараты с большими вычислительными мощностями, создаются региональные базы медицинских изображений, к которым подключаются медицинские учреждения. Это действительно очень удобно, когда рентгенограмма пациента доступна в любой больнице. В течение последнего десятка лет были собраны и каталогизированы контрольные наборы данных (data set) на которых стартапы этого направления имели возможность проверить свои алгоритмы. В набор данных входят рентгенограммы и данные по существующим историям болезней, различным нозологиям, что позволяет оценить точность диагностики, т.е. программы получают возможность соревноваться между собой в эффективности.

Все результаты анализа основываются на принципе подобия, т.е. на том, что было описано раньше, и машина смогла максимально точно это распознать, вынеся решение о принадлежности снимка к той или иной нозологии. Это так называемое машинное обучение (machine learning) в 90% случаев определяется как искуственный интеллект как врачами, так и пациентами, хотя, по сути, является лишь одним из его подвидов. Что в действительности представляет собой ИИ? Это - так называемое глубокое обучение (deep learning) – попытки (еще не совсем успешные) создать алгоритмы, которые смогут распознать патологию по незаложенным в них образам.

Многие слышали про решение IBM – кибер-диагност «Ватсон». При попытке продать это решение другим клиникам, точность его диагностики существенно снизилась, так как изначально алгоритм работал, основываясь на данных конкретного медицинского учреждения: специфика диагностики, внутренние связи, точки зрения врачей. При загрузке данных другой клиники, алгоритм дал сбой.

Из выступления директора Philips Innovations Labs RUS Назима Турдумамбетова на конгрессе «Оргздрав-2018»: «Нейросети тренируются на загруженных данных: чем больше data set содержит данных, тем ближе результат диагностики будет к 100%, но машина хорошо справится только в тех случаях, когда глаз человека распознает данную проблему за 3-5 секунд…» То есть, на уровне «угадывания» google элементарных картинок и образов. Но это не сработает в случаях, когда речь идет о тонкой дифференциации разновидностей цветков, фаз его развития и фотографий отдельных его частей. Создание ИИ – это попытка смоделировать алгоритмы работы мозга, а не увеличить мощности его отдельных свойств (память, скорость).

С математической точки зрения, смоделировать точную работу мозга невозможно. Когда машина заменяет человека, она становится очень логичной и производительной, может перебрать миллионы случаев в секунду. Но у мозга есть огромное преимущество – он может принимать решения в отношении допустимости граничных условий. Эта способность является неприменимой в железной логике ИИ.

Отличным примером будет Парадокс Рассела, который машина никогда не решит:
Библиографические каталоги — это книги, которые описывают другие книги. Некоторые каталоги могут описывать другие каталоги. Некоторые каталоги могут описывать даже сами себя. Можно ли составить каталог всех каталогов, которые не описывают сами себя?

Парадокс возникает при попытке решить, должен ли этот каталог описывать сам себя.

Человек при принятии любого решения всегда руководствуется приоритетами высшего порядка, и объяснить ИИ этот приоритет пока не получается.

Из статистики: На ежегодном международном конгрессе Оргздрав-2018 было проведено голосование по вопросам состояния отрасли здравоохранения, в котором приняли участие свыше 400 главных врачей, заместителей и заведующих отделениями.