Искусственный интеллект в медицине. Как умные технологии меняют подход к лечению

Пациент, сильно обеспокоенный и подавленный таким развитием событий, пришел ко мне вместе с женой. В кабинет он вошел, еле волоча ноги, короткими шажками. Я был поражен его бледностью и выражением безнадежности в глазах. Жена подтвердила описанные пациентом симптомы: у него резко снизилась способность к физической активности, он с трудом обслуживал себя, не говоря уже о каких-то дополнительных нагрузках.

Изучив историю болезни, опросив и осмотрев больного, я высказал предположение, что, вероятно, все дело в сердце. За несколько лет до этого, после того как у него появились при ходьбе боли в левой икре, ему поставили стент в левую подвздошную артерию, устранив окклюзию. Это раннее заболевание усилило мое беспокойство по поводу холестерина, который может с такой же вероятностью, что и в артериях ног, откладываться в стенках коронарных артерий. И, несмотря на то что у пациента не было никаких других факторов риска ишемической болезни сердца, кроме возраста и пола, я направил его на КТ с контрастом – посмотреть состояние его коронарных артерий. Правая коронарная артерия была сужена на 80 %, но левая была полностью проходима и не поражена склеротическими бляшками. Это противоречило моему предположению. Правая коронарная артерия снабжает кровью лишь малую часть сердечной мышцы, и за все 30 лет карьеры кардиолога (из которых я 20 лет восстанавливал проходимость коронарных артерий) я не припомню ни одного больного, у которого такая сильная утомляемость была бы обусловлена сужением правой коронарной артерии.

Я объяснил пациенту и его жене, что не могу связать результат КТ с клинической картиной и что, возможно, это один из тех случаев, когда одно с другим не связано: имеющее место морфологическое нарушение не имеет никакого отношения к жалобам и объективным симптомам. Утомляемость, скорее всего, не связана с поражением коронарной артерии. Но основное заболевание – идиопатический легочный фиброз – вполне могло вызвать подобную симптоматику именно на фоне сужения правой коронарной артерии. К сожалению, сопутствующее легочное заболевание повышало риск инвазивного вмешательства.

Я дал ему возможность принять решение самостоятельно. Он раздумывал несколько дней, но в конце концов согласился на баллонную ангио пластику и стентирование правой коронарной артерии. Я был очень удивлен этим решением: на протяжении многих лет пациент не только очень неохотно соглашался на инвазивные вмешательства, но и отказывался даже от лекарств. Примечательно, что прилив энергии пациент ощутил срезу после операции. Стент был установлен через лучевую артерию, и поэтому больного отпустили домой уже через несколько часов после вмешательства. Вечером он уже прогулялся по улице, обойдя несколько кварталов, а к концу недели проплывал несколько кругов в бассейне. Пациент сказал мне, что у него прибавилось сил: он уже несколько лет не чувствовал себя настолько хорошо. Это поразительное улучшение способности переносить нагрузку сохранялось и спустя много месяцев.

Примечательно в этой истории то, что компьютерный алгоритм упустил бы эту возможность. При всей пиар-шумихе по поводу искусственного интеллекта, улучшающего качество медицинской помощи, следует отметить: если бы ИИ использовали для оценки перспектив операции у этого больного с учетом всех данных медицинской литературы, то машина пришла бы к заключению, что восстановление проходимости правой коронарной артерии не приведет к устранению утомляемости. Ведь искусственный интеллект может оперировать только представленными данными, но лишен интуиции. Страховые компании, приняв во внимание вывод компьютерного алгоритма, наверняка отказались бы оплачивать инвазивное вмешательство на правой коронарной артерии.

Однако операция принесла больному несомненную и ощутимую пользу. Был ли это плацебо-эффект? Мне это представляется маловероятным: я знал этого пациента много лет, он всегда старался свести к минимуму любые изменения в состоянии своего здоровья – неважно, положительные или отрицательные. Своим характером он немного напоминает Ларри Дэвида[6 - Ларри Дэвид (род. 1947) – американский комик, актер и сценарист, автор сценария сериала «Умерь свой энтузиазм» (Curb Your Enthusiasm) и исполнитель главной роли.], старого ворчуна с весьма… умеренным энтузиазмом. Ясно, что он последний человек в мире, на кого подействовало бы плацебо.

Задним числом понятно, что эффект от операции был связан с сопутствующим (точнее, даже основным) легочным заболеванием. Легочный фиброз приводит к повышению давления в легочных артериях, которые доставляют кровь в легкие, где она насыщается кислородом. За перекачивание крови в легкие отвечает правый желудочек сердца; повышение артериального давления в малом круге кровообращения приводит к тому, что правому желудочку приходится работать с большей нагрузкой для того, чтобы преодолеть сопротивление легочных артерий. Эта нагрузка была слишком большой для правого желудочка моего пациента. Стент, установленный в правую коронарную артерию, снабжающую кровью правый желудочек, облегчил его работу и устранил неприятный симптом. Столь сложная взаимосвязь коронарного кровообращения и редкого легочного заболевания не описана в медицинской литературе.

Этот случай напоминает нам, что каждый из нас являет собой уникальный, единственный в своем роде организм, все хитросплетения которого никогда не распутает никакая машина. Кроме того, этот случай подчеркивает важную роль человеческого фактора в медицине: нам, врачам, давно известно, что пациенты знают свой организм, а значит, мы должны прислушиваться к ним. Алгоритмы – это холодные и бесчувственные прогностические инструменты, которые никогда не смогут познать человеческую натуру. Вот что главное: этот пожилой джентльмен чувствовал, что причиной ухудшения его состояния стало сужение правой коронарной артерии, и оказался прав. Я скептически отнесся к перспективам вмешательства, не предполагая, насколько успешным оно окажется, но был счастлив, увидев разительное улучшение.

* * *

Искусственный интеллект исподволь, но все глубже проникает в нашу жизнь. Он уже работает на нас и в быту. ИИ заканчивает за нас слова, когда мы печатаем, дает непрошеные рекомендации в поисковиках, предлагает нам музыку, опираясь на нашу историю прослушиваний, отвечает на наши вопросы и даже выключает свет в квартире. Самой идее искусственного интеллекта более 80 лет, а имя он получил в 1950-е, но лишь недавно начали брать в расчет его потенциальное воздействие на здравоохранение. Многообещающей казалась способность искусственного интеллекта обеспечить многосторонний панорамный взгляд на медицинские данные пациента, улучшить качество принимаемых диагностических и лечебных решений, сократить количество ошибок в диагностике и ненужных исследований, помочь в назначении и интерпретации необходимых анализов и инструментальных исследований, рекомендовать лечение. В основе всего этого лежат данные. Мы уже давно вступили в эпоху больших данных; в настоящее время мир ежегодно производит зеттабайты данных (в каждом зеттабайте секстиллион (10

) байт – достаточно, чтобы заполнить память приблизительно 1 трлн смартфонов). В медицине к массивам больших данных можно отнести нуклеотидную последовательность полного генома, медицинские изображения высокого разрешения и показатели, постоянно считываемые и передаваемые датчиками, которые закреплены на теле пациента. Данные поступают и поступают в колоссальном объеме, однако мы способны обработать лишь ничтожную их долю. Считается, что в лучшем случае 5 %, не больше. Грубо говоря, у нас было что надеть, но некуда в этом пойти – до недавнего времени. Теперь искусственный интеллект обуздал необозримый конгломерат больших данных и заставил его работать.

Существует множество разновидностей ИИ. Традиционно машинное обучение включает логистическую регрессию, байесовские сети, «метод случайного леса», метод опорных векторов, экспертные системы и множество других инструментов, разработанных для анализа данных. Например, байесовская сеть – это модель, позволяющая оценивать вероятности. Если у меня есть список симптомов, с которыми обратился больной, то такая модель позволяет получить список всех возможных диагнозов с указанием их относительной вероятности. Забавно, что в 1990-е, когда мы составляли деревья решений, чтобы собранные нами данные могли говорить сами за себя (система была рассчитана на «автоанализ», чтобы на выводы не влияли искажения при интерпретации), мы не называли это машинным обучением. Однако теперь этот статистический метод значительно усовершенствован, и к нему относятся с почтением. За последние годы инструментарий ИИ проник в такие важные сетевые модели, как глубокое обучение и стимулированное обучение, оно же обучение с подкреплением (мы подробнее обсудим эти вопросы в главе 4).

Разновидность ИИ, отвечающего за глубокое обучение, приобрела особую значимость после 2012 г., когда была опубликована статья о распознавании образов[7 - Krizhevsky, A., I. Sutskever, and G. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks,” ACM Digital Library. 2012: NIPS’12 Proceedings of the 25th International Conference on Neural Information Processing Systems, pp. 1097–1105.], уже ставшая классической.

Число новых алгоритмов глубокого обучения искусственного интеллекта и публикаций на эту тему возросло лавинообразно (см. рис. 1.1), причем рост способности машин распознавать закономерности в огромных наборах данных носил экспоненциальный характер. Увеличение в 300 тыс. раз вычислительной мощности компьютера в петафлопсах (петафлопс – скорость работы компьютера, равная выполнению квадриллиона (10

) операций с плавающей запятой в секунду) в течение суток обучения искусственного интеллекта является наглядной иллюстрацией изменений, наступивших после 2012 г. (см. рис. 1.2).

Рис. 1.1. Рост числа алгоритмов глубокого обучения ИИ с 2012 г. после публикации статьи о распознавании образов. Источники: график А приведен с изменениями из: A. Mislove: “To Understand Digital Advertising, Study Its Algorithms.” The Economist (2018): www.economist.com/science-and-technology/2018/03/22/to-understand-digital-advertising-study-its-algorithms. График B приведен с изменениями из: C. Mims, “Should Artificial Intelligence Copy the Human Brain?” The Wall Street Journal (2018): www.wsj.com/articles/should-artificial-intelligence-copy-the-humanbrain-153355265?mod-searchresults&page-1&pos-1.

За последние несколько лет в ведущих медицинских изданиях был опубликован ряд исследований, основанных на глубоком обучении. Многие в медицинском сообществе были искренне удивлены потенциалом глубокого обучения ИИ: в статьях утверждалось, например, что искусственный интеллект способен диагностировать некоторые типы рака кожи так же, если не лучше, чем дерматолог высшей категории; выявлять некоторые особые типы аритмий не хуже кардиолога; интерпретировать результаты медицинских изображений не хуже квалифицированного специалиста по медицинской визуализации и оценивать гистологические препараты не хуже патологоанатома; диагностировать различные заболевания глаз не хуже хорошего офтальмолога и предсказывать суицид у пациентов не хуже профессионального психиатра. Эти возможности обусловлены главным образом умением распознавать закономерности, при этом в ходе обучения машины усваивают эти закономерности на сотнях тысяч примеров (а вскоре – и на миллионах). Такие системы уже сейчас от года к году становятся все лучше и лучше, а показатель ошибок после изучения текстовых, речевых и визуальных материалов упал ниже 5 %, что выше любых человеческих возможностей (см. рис. 1.3). И хотя, вероятно, существует предел, после которого дальнейшее улучшение обучения прекратится, мы его пока не достигли. В отличие от людей, которые часто устают, пребывают в дурном настроении, подвержены действию эмоций, недосыпают или отвлекаются, машины лишены всех этих недостатков, могут работать сутки напролет, без выходных и праздников, не жалуясь на судьбу (хотя и человек, и машина могут «заболеть» и выйти из строя). Вполне понятно, что в связи с этим ребром встает вопрос о будущей роли врачей и о том, какое влияние может оказать искусственный интеллект на медицинскую практику.

Рис. 1.2. Экспоненциальный рост скорости вычислений – в 300 тыс. раз – в процессе выполнения различных обучающих ИИ программ. Источник: с изменениями из: D. Hernandez and D. Amodei, “AI and Compute”, Open AI (2018): http://blog.openai.com/ai-and-compute.

Я не верю, что глубокое обучение искусственного интеллекта сделает его способным лечить все болезни и устранять недостатки современного здравоохранения, но список, приведенный в табл. 1.1, дает представление о том, насколько широко можно использовать этот инструмент и насколько реклама преувеличивает его возможности. Со временем искусственный интеллект поможет нам продвинуться в решении всех перечисленных задач, но это будет марафон без финишной черты.

Примеры глубокого обучения демонстрируют его достаточно узкую специфичность: алгоритм, предсказывающий вероятность депрессии, не работает в дерматологии. Эти алгоритмы, построенные по принципу нейронных сетей, зависят от распознавания паттернов, то есть схем-образов, устойчивых наборов признаков, что будет полезно врачам, качество работы которых зависит от способности распознавать и интерпретировать изображения, – например, рентгенологам и патологоанатомам. Таких врачей я называю врачами-«паттернистами». Пусть и реже, но все же довольно часто всем клиницистам приходится в ходе работы так или иначе распознавать образы и выявлять закономерности, и потенциально каждому из них пригодилась бы алгоритмическая поддержка искусственного интеллекта.

Рис. 1.3. Повышение точности работы машинного искусственного интеллекта с изображениями (А) и речью (В). При работе с упорядоченными базами данных и выполнении узконаправленных задач качество работы искусственного интеллекта выше качества работы человека. Источники: график А с изменениями из: V. Sze et al., “Efficient Processing of Deep Neural Networks: A Tutorial and Survey,” Proceedings of the IEEE (2017); 105 (12), 2295–2329. График B с изменениями из: “Performance Trends in AI,” Word Press Blog (2018): http://srconstantin.wordpress.com/2017/01/28/ performance-trends-in-ai.

По большей части опубликованные примеры глубокого обучения представляют собой валидацию in silico, то есть на компьютерных моделях (что противопоставляется проспективным клиническим испытаниям с участием реальных пациентов). Очень важно отличать одно от другого, потому что анализ существующего массива данных – это не то же самое, что сбор данных в реальной клинической ситуации. Полученные in silico ретроспективные результаты часто представляют наилучший и самый благоприятный сценарий, который невозможно воспроизвести в ситуации, когда величины данных заранее неизвестны, как это имеет место в клинических испытаниях. Данные ретроспективных исследований могут помочь сформулировать гипотезу, которую затем можно проверить в ходе проспективного исследования, в особенности если его будут независимо друг от друга выполнять разные группы.

Таблица 1.1

Безосновательные надежды на искусственный интеллект, связанные с медициной (далеко не полный список)

Искусственный интеллект:

• Превзойдет врачей при решении всех медицинских задач

• Сможет диагностировать не поддающиеся диагностике болезни

• Лечить неизлечимые заболевания

• Видеть невидимое на изображениях и препаратах

• Предсказывать непредсказуемое

• Классифицировать не поддающееся классификации

• Исключить неэффективные этапы из рабочего процесса

• Поможет ликвидировать необходимость в госпитализациях и повторных госпитализациях

• Устранит избыток ненужной работы

• Позволит неукоснительно соблюдать режим приема лекарств

• Сведет к нулю вред для пациентов

• Сможет излечивать рак

Мы еще в самом начале эпохи искусственного интеллекта; это пока не повседневная медицинская практика, и некоторые скептики называют применение искусственного интеллекта в медицине SiliconValley-dation, намекая, что подобная валидация годится для проектов в Кремниевой долине (SiliconValley), а не для работы с живыми людьми. Такое пренебрежительное отношение распространено в медицине и чрезвычайно замедляет изменения. В результате весь мир уже находится на стадии четвертой промышленной революции, ознаменованной пришествием искусственного интеллекта, а медицина застряла в предыдущей эпохе – на стадии третьей революции, когда только-только начали широко применяться компьютеры и электроника (см. рис. 1.4). Например, файлы MP3 совместимы со всеми моделями музыкальных проигрывателей, а медицине только предстоит освоить удобные в использовании электронные формы медицинской документации, совместимые с различными устройствами. Это наглядный пример того, с каким трудом новое пробивает себе дорогу в этой отрасли.

По моим наблюдениям, медицина не впервые противится внедрению новых технологий. Это уже моя третья книга о будущем медицины. В «Созидательном разрушении медицины» (Creative Destruction of Medicine) я представил схему, благодаря которой датчики, секвенирование, визуализация, телемедицина и многие другие технологические достижения позволят оцифровать организм человека и добиться компьютеризации медицины. В книге «Теперь пациент вас увидит» (The Patient Will See You Now) я описал свое понимание демократизации медицины. Медицинский патернализм исчезнет, когда пациенты станут не только порождать информацию, но и владеть ею, получив доступ к своим медицинским документам, а в конечном счете любой больной сможет (при желании) принимать более осязаемое участие в процессе лечения.

Рис. 1.4. Четыре промышленные революции. Источник: с изменениями из: F. Murray, “CEOs: The Revolution is Coming,” Fortune (2016): http://fortune. com/2016/03/08/davos-new-industrial-revolution.

Эта книга описывает следующую после оцифровки и демократизации фазу – и имеет очень далекоидущие цели. Возможно, на вас производит определенное впечатление мой интерес к новым технологиям, однако на самом деле я всегда мечтал и мечтаю о возрождении истинно гуманистического элемента медицинской практики. С глубоким обучением мы получим некий остов, каркас, что позволит нам питать корни медицины, – это будут узы, связывающие человека с человеком. Несмотря на то, что мы пока полностью не добились ни оцифровки, ни демократизации медицины, все же и то и другое медленно, но неуклонно завоевывает позиции, и я верю, что нам удастся не только завершить этот процесс, но и привнести в самое сердце медицины искусственный интеллект. Кульминацией этого процесса и станет то, что я называю «истинная медицина».

Истинная медицина требует трех «глубоких» составляющих (см. рис. 1.5).

Первая составляющая – это подробное медицинское описание каждого индивида (оцифровка медико-биологических данных о человеке) с учетом всех существенно важных данных. Сюда можно отнести все аспекты нашего медицинского, социального, поведенческого и семейного анамнеза, а также чисто биологические признаки и свойства: анатомические, физиологические и экологические. Наша биология многослойна – это геном, закодированный в ДНК, наша РНК, белки, метаболиты, иммуном, микробиом, эпигеном и многое другое. В научном биомедицинском сообществе для обозначения всей совокупности этих составляющих используют термин «глубокое фенотипирование»; мы видели такой подход в примере с эпилептическим статусом у новорожденного ребенка. Глубокое фенотипирование одновременно всепроникающе, так как охватывает множество разнотипных данных, какие только можно себе представить, и всеобъемлюще, поскольку мы стремимся покрыть им как можно большую часть человеческой жизни, потому что многие исчисляемые характеристики биологических свойств изменяются с возрастом. Несколько лет назад я написал обзор, в котором утверждал, что нам нужны медицинские данные, которые покрывали бы всю длительность жизни – от зиготы до могилы[8 - Topol, E. J., “Individualized Medicine from Prewomb to Tomb.” Cell, 2014. 157 (1): pp. 241–253.]. Мой бывший наставник сказал тогда, что лучше было бы выбрать промежуток «от любовного аха до смертного праха». Но, думаю, вы ухватили главную идею.

Рис. 1.5. Три главных составляющих модели истинной медицины. Источник (левый рисунок): с изменениями из: E. Topol, “Individualized Medicine from Prewomb to Tomb,” Cell (2014): 157 (1), 241–253.

Второй составляющей является глубокое обучение, которое будет играть большую роль в медицине будущего. Оно будет включать в себя не только распознавание паттернов и машинное обучение (которое врачи станут использовать в диагностике), но и множество различных приложений, например виртуальное медицинское обучение пациентов, способное помочь и в профилактике, и в лечении заболеваний. Глубокое обучение наверняка сыграет важную роль и в условиях госпиталя, где можно будет использовать машинное зрение для обеспечения большей безопасности пациента и улучшения качества ухода. А это в конечном счете может гарантировать и полноценный мониторинг состояния больных на дому, что позволит сэкономить на больничных помещениях и оборудовании. Несмотря на то, что результаты глубокого обучения уже принесли определенную пользу медицине, особенно в последние годы, мы пока в самой начальной стадии. Почти 50 лет назад Уильям Шварц опубликовал в New England Journal of Medicine статью, озаглавленную «Медицина и компьютер»[9 - Schwartz, W. B., “Medicine and the Computer: The Promise and Problems of Change.” The New England Journal of Medicine, 1970. 283 (23): pp. 1257–1264.]. В ней он рассуждал о том, что в будущем компьютеры и врачи будут «часто вступать в диалог, компьютер станет следить за анамнезом, клиническими, лабораторными и прочими данными, обращая внимание врача на патологические изменения и подсказывая варианты возможных диагнозов, а также эффективного и безопасного лечения». Чем мы можем дополнить это предвидение теперь, 50 лет спустя? Как ни удивительно – очень немногим. Есть, конечно, разрозненные примеры, как поиск в Google помогал поставить сложные диагнозы, но нельзя же, в самом деле, считать поиск описания простых симптомов способом точной диагностики – это чаще всего порождает не знание диагноза, а тревожность и, так сказать, киберипохондрию.

Можно фантазировать, что искусственный интеллект избавит медицину от таких бед, как неточная диагностика и трата времени на побочную работу – заполнение страховых счетов и кодирование заболеваний, – но пока это только мечты. Предпринимателям, работающим с клиницистами, специалистам по вычислительной технике и ученым, работающим в других дисциплинах (в поведенческих науках и биоэтике), предоставляется широчайшая возможность помочь интеграции искусственного интеллекта в здравоохранение.

Третья (и наиболее важная) составляющая – это глубокая эмпатия и связь между пациентами и клиницистами. В течение более 40 лет – с момента поступления на медицинский факультет – я наблюдаю неуклонную деградацию гуманистической стороны медицины, что подтверждается данными табл. 1.2. За это время здравоохранение стало не просто крупным, но (к 2017 г.) крупнейшим бизнесом. Теперь система здравоохранения – это самый крупный в США работодатель, обогнавший по числу созданных рабочих мест сети розничной торговли. По приведенным данным видно, что расходы на здравоохранение резко взлетели. Но даже при безудержном росте занятости в этом секторе и при росте расходов на одного пациента резко сократилось время, которое врач может посвятить одному больному, – как на амбулаторном приеме, так и в больницах. Врачи очень сильно загружены. При невероятно высокой стоимости суточного пребывания на больничной койке (около $5 тыс.), контакт с врачом может продолжаться всего несколько минут, за что взимается отдельная плата. Поглощенные непосредственным общением с пациентами и их лечением, врачи пассивно взирали на кардинальные изменения в отрасли, касающиеся ведения электронной медицинской документации, «управляемого медицинского обеспечения», медицинского менеджмента и введения RVU – условных единиц величины (каждой из перечня услуг врача присвоена определенная сумма RVU). В наши дни как никогда высок процент врачей и медицинских сестер, которые страдают от профессионального выгорания и депрессии, вызванных неспособностью оказывать пациентам реальную помощь, а ведь именно это было их основной мотивацией, когда они посвятили себя медицине.

Таблица 1.2

Некоторые показатели здравоохранительной деятельности в США, которые изменились за последние 40 с небольшим лет

Главный недостаток современного здравоохранения – это отсутствие заботы о пациенте как таковой. То есть мы, врачи, в недостаточной мере заботимся о своих пациентах. Сами пациенты тоже чувствуют, что до них никому нет дела. И Фрэнсис Пибоди был прав, говоря о том, что именно забота о пациенте способствует успеху лечения[10 - Peabody, F. W., “The Care of the Patient.” MS/JAMA, 1927. 88: pp. 877–882. ГЛАВА 2. ПОВЕРХНОСТНАЯ МЕДИЦИНА]. Величайшая возможность искусственного интеллекта – это не сокращение числа диагностических и лечебных ошибок, не снижение нагрузки и даже не излечение рака, а восстановление драгоценной, освященной веками глубокой – гуманистической – связи между врачом и больным. У нас не только будет больше времени на полноценное общение, что позволит врачу проявить подлинное сочувствие и сострадание, – мы сможем переосмыслить практику профессионального отбора и подготовки врачей. Мы десятилетиями дорожили нашими медицинскими светилами, высоко оценивая их знания и авторитет, но внедрение искусственного интеллекта улучшит качество диагностики и объем знаний, доступный всем лечащим врачам. В конечном счете врачи признают искусственный интеллект и станут относиться к алгоритмам как к профессиональному инструменту. Такое выравнивание ландшафта медицинских знаний в конце концов приведет к новым высотам: мы сможем отбирать для врачебной карьеры людей, обладающих наиболее развитым эмоциональным интеллектом. Мой друг и коллега Абрахам Вергезе, которого я считаю одним из величайших гуманистов в медицине, подчеркнул важность такого подхода в предисловии к этой книге, которую, как я надеюсь, вы прочтете внимательно. Вот что предлагает истинная медицина.