Перспективы искусственного интеллекта
The Promise of Artificial Intelligence
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
The term “artificial intelligence” (AI) was coined on August 31, 1955, when John McCarthy, Marvin L. Minsky, Nathaniel Rochester, and Claude E. Shannon submitted “A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.” [1, 2]. It was, however, Alan Turing who during a public lecture in London in 1947 mentioned computer intelligence, and in 1948 he introduced many of the central concepts of AI in a report entitled “Intelligent Machinery.” [3]. Moreover, Turing proposed in 1950 the test, originally called the imitation game, and later known as the
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
Turing test was proposed, AI has finally blossomed. Many new technologies and applications are available, and there is great enthusiasm about the promise of AI in health care. It holds the potential to improve patient and practitioner outcomes, reduce costs by preventing errors and unnecessary procedures, and provide population-wide health improvements. We have entered the fourth stage of the
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
Industrial Revolution that began in the eighteenth century, and its defining feature may well be the use of AI technologies (Fig. 1.1). The results of an annual competition known as the
ImageNet Large Scale Visual Recognition Challenge (ILSVRC), дают интересное представление о последних
ImageNet Large Scale Visual Recognition Challenge (ILSVRC) provide interesting insights into recent
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.
developments in AI technology (Fig. 1.2). Over the years 2010–2016 there was a steady decrease in the error rates of the algorithms presented, and in 2017, 29 of the 38 competing teams had error rates lower than 5% (considered to be the human threshold). Thus in 10 years AI algorithms exceeded human performance in image recognition.
Рис. 1.1
Fig. 1.1
Четыре основные стадии
The four main stages of the
Промышленной революции, начавшейся в восемнадцатом веке
Industrial Revolution that began in the eighteenth century
Рис. 1.2
Fig. 1.2
Частота ошибок
Error-rate
история в ImageNet
history on ImageNet
Существует множество перспективных областей применения ИИ в здравоохранении, охватывающих различные
There are many promising applications for AI in health care, addressing a variety of
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
aims and taking many different approaches (Table 1.1). For example, misdiagnoses constitute a huge, although poorly recognized, medical problem. A study published in 2014 estimated that diagnostic errors affect at least 5% of US adults (12 million people) per year [4]. More recently a systematic review and meta-analysis reported that the rate of diagnostic errors causing adverse events among hospitalized patients was 0.7% [5]. Furthermore, diagnostic error is the most important reason for malpractice litigation in the United States, accounting for 31% of malpractice lawsuits in 2017 [2]. The creation of AI
для выявления и анализа диагностических ошибок могло бы стать важным шагом в решении этой проблемы [6].
programs to identify and analyze diagnostic errors could be an important step in addressing this problem [6].
Таблица 1.1
Table 1.1
Некоторые
Some
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
ambitious expectations for AI in health care. Adapted from 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 |
| • outperform doctors, • help to diagnose what is presently undiagnosable, • help to treat what is presently untreatable, • to recognize on images what is presently unrecognizable, • predict the unpredictable, • classify the unclassifiable, • decrease the workflow inefficiencies, • decrease hospital admissions and readmissions, • increase medication adherence • decrease patient harm • decrease or eliminate misdiagnosis |
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
Eric Topol has proposed that AI could help shift into “deep medicine,” by allowing the physicians to devote more time to crucial relationships with their patients—an aspect of medicine that cannot be replaced by any AI technology [2]. It is also interesting to consider whether AI might enrich the
отношения между врачом и пациентом, обеспечив переход от нынешней «
doctor-patient relationship, enabling a shift from the present “
поверхностной медицины» к «
shallow medicine” into “
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
deep medicine,” based on deep empathy and connection [2]. Success in building such relationships is very much related to the amount of time doctors can spare for patients and the extent of the personal contact they have with their patients. The average time of a clinic visit in the United States for an established patient is 7 min and for a new patient 12 min. In many Asian countries, clinic visits last as little as 2 min per patient [2]. Making this situation even worse, part of this time must be devoted to completing electronic health records, further limiting personal contact. A study published in 2017 that asked patients to describe how they perceive their physician found that the most common negative responses were “rushed,” “busy,” and “hurried.” [7]. These
реакции являются проявлениями «
reactions are manifestations of “
поверхностной медицины».
shallow medicine.”
Одним из аргументов в пользу использования ИИ в медицине является то, что
One of the arguments supporting the use of AI in medicine is that
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].
human cognitive capacity to effectively manage information is often exceeded by the quantity of data generated. Each year the world produces zettabytes of data (roughly, enough to fill a trillion smartphones) [2]. Moreover, unlike humans, who have bad days and emotions, and who get tired, with subsequent decreases in performance and accuracy, AI works 24/7 without vacations or complaints [2].
Технологии на базе ИИ, использующие подходы
AI-based technologies employing deep-learning (DL)
глубокого обучения (DL)
approaches
доказали свою эффективность в поддержке принятия решений во многих
have proven effective in supporting decisions in many
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
medical specialties, including radiology, cardiology, oncology, dermatology, ophthalmology, and others. For example, AI/DL algorithms (also referred to as AI/DL models in the following text) have been shown to reduce waiting times, improve medication adherence, customize insulin dosages, and help interpret magnetic resonance images. The number of AI
Рис. 1.3
Fig. 1.3
Количество статей в PubMed
The number of PubMed
об ИИ и глазе, опубликованных в период с 1974 по 2020 год
articles on AI and the eye that were published between 1974 and 2020
Рис. 1.4
Fig. 1.4
Количество
The number of
статей, касающихся ИИ и заболеваний глаз, опубликованных в 2020 году
articles relating to AI and eye diseases published in 2020
AI/DL
алгоритмы
algorithms
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
have been used to detect diseases based on image analysis, with fundus photos and optical coherence tomography (OCT) scans analyzed for retinal diseases, chest radiographs assessed for lung diseases, and skin photos analyzed for skin disorders. Retinal photos have also been used to identify risk factors related to cardiovascular disorders, including blood pressure, smoking, and body mass index [9]. Using
модели ГЛ (глубокого обучения)
DL models
обученные на данных более чем 280 000 пациентов и валидированные на двух независимых наборах данных, Poplin и др. предсказали сердечно-сосудистые
trained on data from over 280,000 patients and validated on two independent data sets, Poplin et al. predicted cardiovascular
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].
risk factors not previously thought to be present or quantifiable in retinal images, such as age (mean absolute error within 3.26 years), gender (area under the receiver operating characteristic curve = 0.97), smoking status (AUC = 0.71), systolic blood pressure (mean absolute error within 11.23 mmHg) and major adverse cardiac events (AUC = 0.70) (Fig. 1.5) [9].
Рис. 1.5
Fig. 1.5
Карты
Attention
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
maps for a single retinal fundus image. The top left image is a sample retinal image in color from the UK Biobank data set. The remaining images show the same retinal image in black-and-white. The soft attention heat map for each prediction is overlaid in green, indicating the areas of the heat map that the neural-network model is using to make the prediction for the image. Source: 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
The
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].
COVID-19 pandemic has raised expectations for the use of AI in data analysis. So far it has been used in epidemic modeling, detection of misinformation, diagnostics, vaccine and drug development, triage and patient outcomes, and identification of regions of greatest need [10].