Сектор здравоохранения всегда использовал технологии. С момента появления компьютеров технологи и специалисты здравоохранения работали вместе над использованием технологических прорывов, чтобы улучшить результаты лечения пациентов, одновременно минимизируя затраты и обеспечивая высокие стандарты лечения большему числу пациентов. Когда технология становится надежной, экономически эффективной и масштабируемой, она принимается и в целом процветает. Мы видели это в 70-х годах с появлением мейнфреймов, в 80-х с широким распространением персональных компьютеров и локальных сетей, в 90-х с появлением интернет-систем и совсем недавно с внедрением мобильных технологий. Похоже, что сейчас мы находимся на пороге следующей технологической революции в здравоохранении, объединяя огромные объемы доступных данных, сервисов облачных вычислений и методов машинного обучения для создания решений на основе искусственного интеллекта (ИИ), которые могут предоставить экспертную информацию и анализ. в массовом масштабе, по относительно низкой цене.
Что такое ИИ?
ИИ занимается копированием механизмов человеческого интеллекта с использованием компьютеров и программного обеспечения. Один из популярных методов включает в себя копирование нейронной сети мозга (метод моделирования, известный как «искусственные нейронные сети») для анализа информации, извлечения слоев деталей из нее и, в конечном итоге, попытки интерпретации результатов. Это делает технологию идеальной для выполнения таких задач, как анализ языка и идентификация объектов на изображениях. Основные принципы существуют с 60-х годов и были усовершенствованы в 90-х, чтобы позволить системам «обучаться» на основе предыдущих результатов. В медицине такие методы использовались для выполнения таких задач, как анализ мазков Папаниколау.
Глубокое обучение
Перенесемся на 15–20 лет вперед, и мы достигли волшебного момента времени, когда ключевые ингредиенты, необходимые для того, чтобы технология стала по-настоящему преобразующей, сошлись воедино, дав нам то, что многие называют нейронными сетями «глубокого обучения». Снижение стоимости и увеличение скорости современных систем привели к широкому использованию этой технологии на коммерческой основе, при этом нейронные сети глубокого обучения составляют основу многих приложений и услуг, которые мы все ежедневно принимаем как должное (например, Поиск изображений Google, Siri и т. д.).
В последние годы такие компании, как Google и IBM, инвестировали миллиарды долларов в исследования, разработки и приобретения специально для применения своих продуктов в сфере здравоохранения, и мы начинаем видеть результаты этих инвестиций в реальном мире здравоохранения.
Это уже началось
Недавно широкое распространение получило сообщение о том, что флагманский ИИ компании IBM, Watson, помог врачам Токийского университета выявить редкую форму лейкемии у 60-летней женщины, которой всего несколько месяцев назад был поставлен неправильный диагноз. Как это было достигнуто? Изначально Watson «обучался» на наборе данных, состоящем примерно из 20 миллионов онкологических исследований. Получив генетическую информацию пациента, Уотсон смог найти закономерности в наборе данных, которые соответствовали таковым у пациента, и, таким образом, в конечном итоге смог поставить правильный диагноз. Представьте себе, что вы пытаетесь добиться этого, используя традиционные средства. Высококвалифицированным научным экспертам потребовались бы тысячи человеко-часов, чтобы просмотреть данные и попытаться найти сходства. Чистые затраты и время на выполнение такой задачи сделают ее непомерно высокой, не говоря уже о последствиях отстранения этих квалифицированных экспертов от других ценных обязанностей, таких как консультации пациентов. Таким образом, если технологические компании, стоящие за этими достижениями, смогут обеспечить стабильные результаты и сделать их доступными, то широкое распространение использования ИИ в этих сценариях станет лишь вопросом времени.
Сотрудничество имеет ключевое значение
Однако технологические компании в одиночку не могут обеспечить широкое распространение ИИ в массовом медицинском использовании. Медицинские сообщества и законодатели всего мира также должны сыграть свою роль. Платформы искусственного интеллекта хороши настолько, насколько хороши данные, на которых они обучаются, поэтому для достижения правильных и последовательных результатов должен быть доступен доступ к большим соответствующим наборам данных. Всегда существует определенная обеспокоенность, когда люди слышат о том, что медицинские записи хранятся в электронном виде, особенно когда они передаются третьим лицам с целью получения коммерческой выгоды. Яркий пример этого возник недавно, когда Национальная служба здравоохранения заключила партнерское соглашение с DeepMind, принадлежащим Google, в ряде инициатив по использованию методов машинного обучения для улучшения ухода за пациентами и понимания медицинских исследований. Первая из этих инициатив включала использование 1,6 миллиона карт пациентов из фонда Royal Free NHS Trust, и средства массовой информации того времени поспешили напечатать такие заголовки, как «Google предоставил доступ к записям пациентов в Лондоне для проведения исследований». По отдельности эти заголовки могут вызывать беспокойство, и в то время велись законные дискуссии вокруг использования этих данных и стандартной политики Национальной службы здравоохранения по доступу к данным третьих сторон. Это, безусловно, подчеркнуло уровень скептицизма в обществе в отношении использования медицинских записей крупными корпорациями. Совсем недавно, что вызвало меньше споров, Национальная служба здравоохранения и DeepMind объединились, чтобы использовать машинное обучение для обработки полностью анонимных записей, чтобы потенциально распознавать состояния, угрожающие зрению, на основе цифровых сканирований глаз пациента. Эта инициатива возникла, когда консультант-офтальмолог Пирс Кин связался с DeepMind напрямую после того, как прочитал о ее возможностях распознавания изображений на основе машинного обучения. Он сразу же установил связь между возможностями технологии и пользой, которую она может принести для его профессии и, в конечном итоге, для пациентов. Коллега Пирса Кина, профессор Пэн Ти Хоу, глава офтальмологического исследовательского центра Мурфилдса, красноречиво заявил о желаемых преимуществах этого подхода в недавнем интервью The Guardian: «Мне требуется весь жизненный опыт, чтобы проследить историю одного пациента. И все же пациенты полагаются на мой опыт, чтобы предсказать свое будущее. Если бы мы могли использовать машинное глубокое обучение, мы могли бы делать это намного лучше, потому что тогда у меня был бы опыт 10 000 жизней».
Когда вы слышите, что эта технология обсуждается в таких терминах, это имеет смысл. Результаты этого медицинского исследования будут с нетерпением ожидаться.
По мере того как специалисты здравоохранения узнают больше об инициативах, основанных на искусственном интеллекте, они будут более склонны к самостоятельному изучению этих решений, что может стать основным фактором распространения использования этой технологии.
Медицинские работники теперь не только влияют на технологические компании, но и открывают свои собственные. Нам достаточно взглянуть на биотехнологический стартап Berg, чтобы увидеть, как технически подкованные специалисты здравоохранения, такие как их президент и соучредитель доктор Нивен Нараин, меняют ландшафт отрасли с помощью искусственного интеллекта. Берг недавно опубликовал данные о препарате, который он разработал с использованием методов искусственного интеллекта. Препарат (BPM31510) появился, когда компания загрузила большие объемы информации о клетках в свою систему искусственного интеллекта, что позволило ей изучить общие характеристики и различия между здоровыми и раковыми клетками. Благодаря этим приобретенным знаниям система могла бы выделить возможные методы, с помощью которых раковая клетка может снова стать здоровой. Данные ранних испытаний обнадеживают: они указывают на то, что препарат эффективен при лечении определенных опухолей. Интересным аспектом этого метода является то, что со временем технология будет только совершенствоваться: по мере того, как данные пациентов, полученные в ходе испытаний, будут возвращаться в систему, она начнет совершенствовать свои знания о заболевании и сможет делать более содержательные предложения.
Доктор Нараин и его коллеги из Берга бросают фундаментальный вызов традиционному научному методу, используемому для открытия лекарств. Это было подчеркнуто в недавнем интервью Wired, когда он сказал: «Вам нужно использовать ИИ, чтобы выяснить, как нарушаются нормальные клеточные процессы, как это приводит к болезням и каковы потенциальные методы лечения. Большинство людей говорят: «Лекарства разрабатываются не так». Мой ответ на это: «Совершенно верно, но именно так следует разрабатывать лекарства».
Эта цитата напоминает мне знаменитую фразу Генри Форда: «Если бы я спросил людей, чего они хотят, они бы ответили: лошади побыстрее», и показывает, что для достижения прогресса необходимы новаторские люди, которые освоят технологии и бросят вызов статус-кво.
