Перспективы искусственного интеллекта
Термин «искусственный интеллект» (ИИ) был введен 31 августа 1955 года, когда Джон Маккарти, Марвин Л. Минский, Натаниэль Рочестер и Клод Э. Шеннон представили «Предложение по летнему исследовательскому проекту в Дартмуте по искусственному интеллекту». [1, 2]. Однако именно Алан Тьюринг во время публичной лекции в Лондоне в 1947 году упомянул интеллект компьютеров, а в 1948 году он представил многие из центральных концепций ИИ в отчете под названием «Интеллектуальные машины». [3]. Более того, в 1950 году Тьюринг предложил тест, первоначально называвшийся «имитационной игрой», а позже ставший известным как
тест Тьюринга, как способ подтвердить, что интеллектуальное поведение машины эквивалентно поведению человека. Человека-оценщика просят определить природу партнера (человек или машина) на основе текстового диалога [1–3]. После десятилетий медленного прогресса со времен того, как
был предложен тест Тьюринга, ИИ наконец-то расцвел. Доступно множество новых технологий и приложений, и существует огромный энтузиазм по поводу перспектив ИИ в здравоохранении. Он обладает потенциалом для улучшения результатов лечения пациентов и работы врачей, снижения затрат за счет предотвращения ошибок и ненужных процедур, а также обеспечения улучшения здоровья населения в целом. Мы вступили в четвертую стадию
Промышленной революции, которая началась в восемнадцатом веке, и ее определяющей чертой вполне может стать использование технологий ИИ (рис. 1.1). Результаты ежегодного конкурса, известного как
ImageNet Large Scale Visual Recognition Challenge (ILSVRC), дают интересное представление о последних
развития технологий ИИ (рис. 1.2). В период с 2010 по 2016 год наблюдалось устойчивое снижение частоты ошибок представленных алгоритмов, и в 2017 году у 29 из 38 конкурирующих команд частота ошибок была ниже 5% (что считается человеческим порогом). Таким образом, за 10 лет алгоритмы ИИ превзошли возможности человека в распознавании изображений.
Рис. 1.1
Четыре основные стадии
Промышленной революции, начавшейся в восемнадцатом веке
Рис. 1.2
Частота ошибок
история в ImageNet
Существует множество перспективных областей применения ИИ в здравоохранении, охватывающих различные
цели и использующих множество различных подходов (табл. 1.1). Например, ошибочные диагнозы представляют собой огромную, хотя и недостаточно признанную медицинскую проблему. Согласно исследованию, опубликованному в 2014 году, диагностические ошибки затрагивают не менее 5% взрослых жителей США (12 миллионов человек) в год [4]. Недавно в систематическом обзоре и метаанализе сообщалось, что частота диагностических ошибок, приведших к нежелательным явлениям среди госпитализированных пациентов, составила 0,7% [5]. Более того, диагностическая ошибка является наиболее важной причиной судебных исков о врачебной ошибке в Соединенных Штатах, на ее долю пришлось 31% исков о ненадлежащем лечении в 2017 году [2]. Создание программ ИИ
для выявления и анализа диагностических ошибок могло бы стать важным шагом в решении этой проблемы [6].
Таблица 1.1
Некоторые
амбициозные ожидания от ИИ в здравоохранении. Адаптировано из Topol E. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books, New York 2019
| • превзойти врачей, • помочь диагностировать то, что в настоящее время не поддается диагностике, • помочь лечить то, что в настоящее время неизлечимо, • распознавать на изображениях то, что в настоящее время не распознаваемо, • предсказывать непредсказуемое, • классифицировать неклассифицируемое, • снизить неэффективность рабочих процессов, • сократить количество госпитализаций и повторных госпитализаций, • повысить приверженность лечению • уменьшить вред для пациента • сократить или устранить ошибочные диагнозы |
Эрик Топол предположил, что ИИ может помочь перейти к «глубокой медицине», позволив врачам уделять больше времени важнейшим отношениям со своими пациентами — аспекту медицины, который не может быть заменен никакой технологией ИИ [2]. Также интересно рассмотреть, может ли ИИ обогатить
отношения между врачом и пациентом, обеспечив переход от нынешней «
поверхностной медицины» к «
глубокой медицине», основанной на глубоком сопереживании и связи [2]. Успех в построении таких отношений в значительной степени связан с количеством времени, которое врачи могут выделить пациентам, и степенью личного контакта с ними. Среднее время визита в клинику в Соединенных Штатах для постоянного пациента составляет 7 минут, а для нового пациента — 12 минут. Во многих странах Азии визиты в клинику длятся всего по 2 минуты на пациента [2]. Ситуацию усугубляет то, что часть этого времени должна быть посвящена заполнению электронных медицинских карт, что еще больше ограничивает личный контакт. В исследовании, опубликованном в 2017 году, в котором пациентов просили описать свое восприятие лечащего врача, было обнаружено, что наиболее распространенными негативными ответами были «торопился», «занят» и «спешил» [7]. Эти
реакции являются проявлениями «
поверхностной медицины».
Одним из аргументов в пользу использования ИИ в медицине является то, что
когнитивные способности человека по эффективному управлению информацией часто оказываются меньше объема генерируемых данных. Ежегодно в мире производятся зеттабайты данных (грубо говоря, достаточно, чтобы заполнить триллион смартфонов) [2]. Более того, в отличие от людей, у которых бывают плохие дни и эмоции, которые устают, что ведет к последующему снижению производительности и точности, ИИ работает 24/7 без отпусков и жалоб [2].
Технологии на базе ИИ, использующие подходы
глубокого обучения (DL)
доказали свою эффективность в поддержке принятия решений во многих
медицинских специальностях, включая радиологию, кардиологию, онкологию, дерматологию, офтальмологию и другие. Например, было показано, что алгоритмы ИИ/DL (в дальнейшем по тексту именуемые моделями ИИ/DL) сокращают время ожидания, повышают приверженность лечению, индивидуализируют дозы инсулина и помогают интерпретировать изображения магнитно-резонансной томографии. Количество ИИ
количество работ по наукам о жизни, перечисленных в PubMed, увеличилось с 596 в 2010 году до 12 422 в 2019 году [8]. Количество работ по использованию ИИ в области офтальмологии также резко возросло (рис. 1.3 и 1.4).
Рис. 1.3
Количество статей в PubMed
об ИИ и глазе, опубликованных в период с 1974 по 2020 год
Рис. 1.4
Количество
статей, касающихся ИИ и заболеваний глаз, опубликованных в 2020 году
AI/DL
алгоритмы
использовались для выявления заболеваний на основе анализа изображений, при этом для диагностики заболеваний сетчатки анализировались фотографии глазного дна и снимки оптической когерентной томографии (ОКТ), для диагностики заболеваний легких оценивались рентгенограммы грудной клетки, а для диагностики кожных заболеваний анализировались фотографии кожи. Фотографии сетчатки также использовались для выявления факторов риска, связанных с сердечно-сосудистыми заболеваниями, включая артериальное давление, курение и индекс массы тела [9]. Используя
модели ГЛ (глубокого обучения)
обученные на данных более чем 280 000 пациентов и валидированные на двух независимых наборах данных, Poplin и др. предсказали сердечно-сосудистые
факторы риска, которые ранее считались отсутствующими или не поддающимися количественной оценке по изображениям сетчатки, такие как возраст (средняя абсолютная ошибка в пределах 3,26 года), пол (площадь под ROC-кривой = 0,97), статус курения (AUC = 0,71), систолическое артериальное давление (средняя абсолютная ошибка в пределах 11,23 мм рт. ст.) и серьезные неблагоприятные сердечно-сосудистые события (AUC = 0,70) (рис. 1.5) [9].
Рис. 1.5
Карты
внимания для одного изображения глазного дна. Изображение в верхнем левом углу представляет собой цветной образец изображения сетчатки из набора данных UK Biobank. Остальные изображения показывают то же изображение сетчатки в черно-белом варианте. Тепловая карта «мягкого внимания» для каждого прогноза наложена зеленым цветом, указывая области тепловой карты, которые модель нейронной сети использует для формирования прогноза по изображению. Источник: Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, Peng L, Webster DR. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng. 2018 Mar;2(3):158–164
Пандемия
COVID-19 повысила ожидания относительно использования ИИ в анализе данных. До настоящего времени он применялся в моделировании эпидемий, выявлении дезинформации, диагностике, разработке вакцин и лекарственных препаратов, сортировке пациентов и оценке исходов, а также в определении регионов с наибольшей потребностью [10].