В течение этой недели я публикую свой сверх-большой лонгрид на тему применения ИИ-технологий в медицине и здравоохранении. Сегодня у нас вторая часть из пяти. С первой можете ознакомиться здесь. Ну и подписывайтесь на канал «Другая фаза», чтобы не пропустить новые части.
Необходимо отметить, что два упомянутых ранее подхода к построению искусственных интеллектуальных систем — восходящий и нисходящий — каждый имеет свои преимущества и недостатки, и в целом эти преимущества и недостатки взаимоисключают друг друга. Восходящий подход характеризуется тем, что искусственные интеллектуальные системы, построенные в его рамках, хорошо и даже самостоятельно обучаются (именно они чаще всего фигурируют в новостях о машинном обучении), однако объяснить результаты свой работы и способа принятия решений восходящие системы крайне затрудняются. С другой стороны нисходящие искусственные интеллектуальные системы наоборот очень легко могут объяснить сделанные выводы и принятые решения, так как основаны на использовании логики и символьной математики. Но их главная проблема — их очень трудно обучать, так как универсальных методов формализации динамических знаний до сих пор не разработано, да даже и ручные методы дедуктивного обучения таких систем справляются очень тяжело.
Однако в последнее время довольно плотно рассматривается так называемая гибридная парадигма искусственного интеллекта, в рамках которой предпринимаются попытки объединить восходящий и нисходящий подходы, чтобы усилить положительные качества друг друга и освободиться от негативных. Работы в этом направлении ведутся, хотя и не такие интенсивные, как в области искусственных нейронных сетей. Вместе с тем именно гибридный искусственный интеллект может лечь в основу важной концепции — объяснимого искусственного интеллекта или XAI — от английского термина eXplainable Artificial Intelligence. И даже несмотря на то, что некоторые эксперты крайне критично относятся к этой концепции, она должна лечь в основу искусственных интеллектуальных систем, с которыми человеку придётся сосуществовать бок о бок в ближайшем будущем.
Дело в том, что когда дело касается таких областей человеческой деятельности и сфер жизни, как сервисы доверия, встают вопросы этики и этического применения технических систем, в том числе и решений на базе искусственного интеллекта. Работающему роботу-пылесосу, который ездит по полу во время отсутствия жильцов дома и собирает пыль и грязь, не нужно объяснять, как он объехал квартиру — строил ли он карту местности или пользовался методами обучения с подкреплением, проехал ли он по каждому кусочку пола или использует статистические методы — это не влияет на безопасность проживающих, а потому использование концепции XAI бессмысленно. Но если перейти в область продуктов питания, фармакологии, медицины, безопасности и других областей доверия, то объяснение своего поведения искусственной интеллектуальной системой становится критически важным. Ведь если беспилотный автомобиль собьёт пешехода или медицинская система поставит некорректный диагноз и назначит неадекватное лечение, в результате которого пациенту станет хуже вплоть до летального исхода, то кто будет виноват? Степень вины как раз и определяется возможностью объяснения. Если система не может объяснить, что она делала и как принимала решение, то с точки зрения этично-моральной позиции, а за ней и норм права, выпускать её в автономное функционирование нельзя.
Медицина, как одна из областей доверия, к тому же очень консервативная и жёстко зарегулированная, вряд ли примет к использованию автономные искусственные интеллектуальные системы без возможности объяснения своего поведения и принятых решений. Это касается любой области — диагностики, выбора и планирования лечения, прогнозирования развития состояний, проектирования новых лекарственных средств и т. д. Всё это требует тщательного контроля, а потому в эксплуатацию будут приниматься только XAI-системы и то в первое время под тщательным контролем человека.
Вместе с тем сегодня с развитием генных технологий и других биотехнологий медицина также переживает небывалый подъём и прорыв в новых областях. Во многих развитых странах набирает силу тренд на переход к точной (precision) и персональной (personal) медицине, суть которой составляет так называемый OMICS-профиль пациента, состоящий из данных геномики, протеомики, метаболомики и нескольких других срезов о биохимических процессах в организме. Омик-данные, собранные для конкретного пациента, используются в качестве основы для принятия решений по диагностике и терапии. В частности, сегодня на многих лекарственных средствах используется фармакогеномная маркировка, которая помогает уточнить, насколько этот препарат подходит пациенту с генетической точки зрения. Обычно указываются гены цитохрома P450, но встречаются и другие. И теперь любой человек, который владеет своей генетической информацией, может осознанно принимать промаркированные лекарства, так как при наличии описанных или даже неописанных мутаций в определённых генах решение о приёме препаратов, взаимодействующих с белками этих генов, принимается более осознанно.
Но даже если и не рассматривать сложные биохимические данные, которые появляются у пациента в результате специализированных анализов, например, секвенирования полного экзома, то принципы персональной медицины всё равно можно применять. Например, в инструкции каждого лекарственного средства есть разделы «Противопоказания» и «Побочные эффекты», и если на первый из указанных раздел ещё обращают внимание, особенно в сложных случаях, то на второй практически никогда. Но в нём, тем не менее, часто указаны довольно серьёзные побочные эффекты, и в редких случаях даже летальный исход от применения лекарства (хотя это и очень редко). Вместе с тем, есть ряд очень часто встречающихся побочных эффектов, типа аллергии, сыпи, тошноты или головокружения. Если взять более или менее серьёзный препарат, действующий на системном уровне, то эти четыре побочные реакции наверняка будут присутствовать в его описании.
Так вот если рассмотреть типового пациента, который начал принимать выписанный врачом препарат, и через пару недель этот пациент почувствовал недомогание, которое проявлялось в слабости, подташнивании и головокружении при резком вставании. Обращение к инструкции показало, что эти побочные эффекты действительно перечислены в ней, причём некоторые даже с пометкой «редкие». Но при этом у пациента в анамнезе уже были эпизоды головокружения и ортостатической гипертензии, сопровождавшейся тошнотой. И уже даже не важно, с чем то может быть связано — с генетическими особенностями, особенностями обмена веществ или ещё чем-либо — данные анамнеза подсказывают, что пациент предрасположен к проявлению подобных побочных эффектов препаратов, поэтому при назначении врач мог бы принять это во внимание и выписать аналогичный по прямому терапевтическому эффекты препарат, но имеющий иной принцип действия. Однако, к сожалению, подобное практически никогда не происходит. Особенно, принимая во внимание то, что регламент приёма пациентов у врачей становится с каждым годом всё жёстче и жёстче в части временных рамок.
При этом надо отметить, что сбор медицинских данных с пациента становится легче год от года. Люди используют носимые устройства для сбора биометрических данных, которые синхронизируются с медицинскими приложениями и собираются в облачных хранилищах. Простые смартфоны могут фиксировать огромное количество информации об активности человека и некоторых его жизненных показателях. Использование специальных медицинских приложений, типа дневника здоровья, либо банальных чат-ботов для фиксации различных событий, касающихся здоровья — это становится трендом для людей, ведущих здоровый образ жизни.
Итого — большие медицинские данные собираются постоянно и повсеместно. При этом методы анализа больших данных тоже получили серьёзное развитие вместе с методами искусственного интеллекта, так как интеллектуальный анализ данных или дата-майнинг — это одна из типовых задач машинного обучения в частности и искусственного интеллекта в целом. Современные достижения в области интеллектуального анализа данных основаны не только на статистических методах, как это было ещё два десятилетия назад, но и на использовании искусственных нейронных сетей, генетических алгоритмов и других новых методик.