Машинное обучение уже широко применяется во многих областях. ИИ заменяет водителей, трейдеров, аналитиков и многих других. Но об универсальном докторе пока нет и речи. Более того - даже в решении отдельных медицинских задач возникают значительные сложности.
Нейросети одназадачны и не могут взаимодействовать
Нейросети, на которых построен современный ИИ, представляют собой жесткую структуру, способную принимать и отдавать данные только в одном формате для выполнения одной единственной задачи. Если нейросеть научили распознавать объекты на снимках, то она будет распознавать только их. И в процессе обработки данных нейросети взаимодействовать не могут.
Представьте, что ваша цель - вылечить больного. Для этого нужно опросить пациента, поставить диагноз, подобрать лечение и др. То есть одна нейросеть должна отвечать за опрос пациента. Вторая за интерпретацию данных опроса. Третья за уточнение данных опроса для диагноза. Четвертая за оценку снимков. Пятая за постановку диагноза по опросу. Шестая за постановку диагноза по снимкам...
А взаимодействовать-то между собой напрямую они не могут! И это вызывает значительные трудности в каждой медицинской задаче. Не получается отделить опрос от оценки анализов и поиска причины без заметной потери качества.
Кроме того диагноз обычно не одиночный, лекарства имеют привычку взаимодействовать как с организмом, так и друг с другом, есть переходные состояния (эмоциональная травма привела к повышению давления . И что лечить ИИ - психику или давление?) и так далее. Зачастую теряются причинно-следственные связи - робот просто не может связать прием лекарства и кровотечение (так как оценивали разные нейросети).
Ситуацию усугубляет то, что все эти задачи чаще всего решают в разных проектах. Это можно проиллюстрировать на примере "умных" девайсов для мониторирования здоровья. Они также выполняют только одну задачу, и требуют интерпретации данных доктором. Если хочется полноценного мониторирования - обвешивайся как ёлка, а потом у десятка специалистов расшифровывай результат.
Есть, правда, альтернативный подход - например, Киберис способна обрабатывать все данные о пациенте и о его лечении в совокупности с учетом любых параметров. Но у неё тоже есть проблемы (см. ниже).
В итоге отдельные задачи современные ИИ решают достаточно эффективно. Однако чаще всего не в комплексе, и недостаточно хорошо для того, чтобы войти в практику врачей, или, тем более, пациентов.
Как обучить ИИ лечить?
Вопрос с подвохом. Чтобы обучить нейросеть нужно, чтобы она производила некоторые действия, результат которых сравнивается с "решением".
Вроде бы - бери учебники или мед карты пациентов, и пусть ИИ оценивает, где пациенту помогло, а где нет. Но всё совсем не так.
Данные должны быть в определенном формате
Это часто создает значительные трудности. Ведь далеко не все системы могут работать с текстом как Киберис или IBM "Watson".
Неоднозначность результата лечения
Если в таких областях, как онкология всё относительно однозначно (пациент умер или выжил), то как оценить результат лечения ОРВИ?
Что пишут в карточках врачи: "выписан с улучшением", или другие размытые аналоги. Оценить, какой симптом улучшился от лечения (или сам прошел) не представляется возможным. Да и сама медицина, если быть объективными, этого часто не может объяснить. Одно "доказательное" исследование может противоречить другому. В итоге до сих пор даже неясно, какой препарат при лечении ОРВИ не является плацебо...
А роботу что "сказать"? Понижай давление до нормального? А какое оно - "нормальное"? У всех же разные нормы. И не факт, что повышение до "нормы" не сделает только хуже.
Сложно учить лечебный ИИ на реальных пациентах
Как из ситуации неопределенности в лечении выходят врачи? Всё просто - следование стандартам и личный опыт врача (то есть оценка экспериментов на пациентах). Как следствие - личное кладбище. Зато в голове доктора формируются глубокие взаимосвязи по эффективности методов и лекарств в каждой конкретной ситуации.
Именно такое мышление нужно сформировать и у робота... Только как это сделать, не угробив кучу пациентов? Ведь робот, не имея полноценного сознания, обучается на порядки медленнее врача. Кроме того, роботов, способных оценивать эффективность терапии, и учится на результатах, кроме Киберис практически нет.
А заставить врачей дублировать ведение своих пациентов в некоторую стороннюю программу сложно, дорого и долго. Это не фотографии с кошечками...
У лекарств множество недокументированных свойств
Каждый, кто сталкивался с исследованиями лекарств знает, насколько они на самом деле не исследованы. Все производители хвалят своё средство. Да и противопоказания и взаимодействия найдены лишь самые грубые.
Поэтому у ИИ (да и у врача) возникают большие сложности - какой-же препарат в итоге назначить. В идеале робот должен сам исследовать реальное действие лекарств... Но пока в совокупности с остальными функциями это умеет только Киберис.
Медицинские электронные карты есть не везде
Например, в России практически нет мед учреждений с электронной мед документацией. А законодательство запрещает любую их передачу сторонним лицам (даже после анонимизации данных).
Использовать учебники? Робот просто не сможет на них учиться, поскольку не обладает знаниями человека . Максимум - использовать словосочетания из них без понимания смысла (см. первую проблему).
Ручное обучение? Да, наверное, это всё, что остается во многих случаях, но его скорость оставляет желать лучшего...
Российский ИИ Киберис
Российские разработчики придумали совершенно новый подход к медицинскому ИИ. На основе ассоциативной модели мозга они разработали единый многозадачный модуль, способный принимать практически любые данные на вход и обрабатывать их в совокупности. Из-за такой архитектуры скорость также возросла на порядки.
По-сути, их разработка уже не является базовой нейросетью - скорее это некая наднейросеть. Как результат - все действия ИИ Киберис совершаются из единого центра. И всё, начиная от опроса и заканчивая оценкой результатов терапии обрабатывается в совокупности.
Но всё это, естественно, не без ложки дёгтя. Как уже было сказано выше, в России практически нет электронных медицинских карт, а те, что есть - принадлежат государству. В итоге оказалось, что Киберис просто не на чем обучать.
Хотя даже без обучения система умеет оценивать лекарственные взаимодействия, подбирать наиболее вероятные лекарства и диагнозы по книгам и рецептам... но большая часть потенциала пока не реализована.
Впрочем, вы с легкостью можете сравнить оценку совместимости лекарств Киберис с любым другим сайтом в интернете (в том числе зарубежным). И быстро обнаружите, что в российской разработке находится в разы больше и подробнее.
Заключение
Для не медицинских областей описанное выше не является препятствиями. Потому что, в отличие от организма человека, все остальные сферы можно безболезненно разделить на отдельные задачи, и выполнять по-отдельности. И обучать их относительно просто - можно создавать различные симуляторы или даже генерировать данные самостоятельно.
Но в медицине такой подход не срабатывает. Чтобы создать полноценного врача, необходимо рассматривать пациента как целостную систему и учитывать все его индивидуальные особенности во взаимосвязи.
Это нетривиальная задача. Но зная основные проблемы, всегда можно найти их решение.
Ключевые слова: искусственный интеллект, медицина, нейросети, обучение нейросетей.
