Когда речь заходит о применении машинного обучения, чаще всего разговоры ведут о медицинской сфере. И это не удивительно: огромная индустрия, которая генерирует феноменальный объем данных и доходов, в которой технологические достижения могут улучшать или спасать жизни миллионов людей. Едва ли неделя проходит без появления исследования, которое предполагает, что алгоритмы очень скоро будут лучше экспертов выявлять пневмонию или болезнь Альцгеймера — заболевания сложных органов, от глаза до сердца. И все к этому идет, но…

Проблемы переполненных больниц и перегруженного медперсонала отравляют государственные системы здравоохранения и приводят к росту расходов на частные системы здравоохранения. И здесь, опять же, алгоритмы предлагают заманчивое решение. Сколько раз на самом деле нужно посетить врача? Можно ли заменить эти посещения умным чатботом — который будет оснащен портативными диагностическими тестами, используя последние достижения в области биотехнологий? Ненужные посещения можно было бы сократить, и пациентов можно было бы диагностировать и направлять к специалистам быстрее, не дожидаясь первичной консультации.

Как и в случае с алгоритмами искусственного интеллекта, цель состоит не в том, чтобы заменить врачей, а в том, чтобы дать им инструменты для сокращения повседневных или повторяющихся частей работы. С ИИ, который может исследовать тысячи сканов за минуту, «скучная рутина» остается на машинах, и доктора могут сосредоточиться на тех частях работы, которые требуют более сложного, тонкого, основанного на опыте суждения о лучших методах лечения и потребностях пациента.

Высокие ставки

И все же, как и в случае с алгоритмами ИИ, существуют риски, связанные с их использованием — даже для задач, которые считаются обыденными. Проблемы алгоритмов «черного ящика», которые принимают необъяснимые решения, достаточно серьезны, когда вы пытаетесь понять, почему автоматизированный чатбот-рекрутер не впечатлился вашим рассказом во время собеседования. В контексте здравоохранения, где принимаемые решения могут означать жизнь или смерть, последствия алгоритмического сбоя могут быть фатальными.

Нейронные сети прекрасно справляются с обработкой большого количества тренировочных данных и установления связей, поглощением нижележащих закономерностей или логики системы в скрытых слоях линейно алгебры; будь то обнаружение рака кожи по фотографиям или обучение письму псевдошекспировским языком. Однако они ужасно объясняют нижележащую логику обнаруженных ими отношений: есть кое-что большее, чем просто строка цифр, статистические «веса» между слоями. И они не могут отличить корреляцию от причинно-следственной связи.

Возникают интересные дилеммы для медицинских работников. Мечта о больших данных в медицине заключается в том, чтобы снабжать нейронную сеть «огромными массивами данных о здоровье», находить сложные, неявные отношения и выносить индивидуальные оценки в отношении пациентов. Что если такой алгоритм окажется неоправданно эффективным в диагностике состояния здоровья или назначении лечения, но у вас не будет научного понимания того, как эта связь работает на самом деле?

Слишком много потоков, которые нужно распутать

Статистические модели, которые лежат в основе таких нейронных сетей, зачастую предполагают, что переменные независимы друг от друга, но в сложной, взаимодействующей системе вроде человеческого тела, это не всегда так.

В некотором смысле это известная концепция в медицинских науках — существует много явлений и связей, которые наблюдались десятилетиями, но до сих пор плохо изучены на биологическом уровне. Парацетамол — одно из самых популярных болеутоляющих средств, но до сих пор ведутся активные дискуссии о его действии. Врачи-практики могут стремиться использовать любой инструмент, наиболее эффективный, независимо от того, основан ли он на глубоком научном понимании. Любители копенгагенской интерпретации квантовой механики могут перефразировать это как «Заткнись и лечи!».

Разумеется, в этой области ведутся дебаты о том, не рискуем ли мы с этим подходом упустить из виду более глубокое понимание, которое в конечном счете окажется более плодотворным — например, для поиска новых лекарств.

Помимо философских закорючек, есть и практические проблемы: если вы не понимаете, как работает черный ящик медицинского алгоритма, как подходить к вопросам клинических испытаний и регулирования?

Может потребоваться прозрачность в отношении того, как функционирует алгоритм — данных, на которые он смотрит, пороговых значений, на основе которых делает выводы или предоставляет консультации, но это может противоречить мотивам получения прибыли и стремлению к секретности в медицинских стартапах.

Одним из решений может быть исключение алгоритмов, которые не могут объяснить сами себя или не полагаются на хорошо понятную медицинскую науку. Но это может помешать людям пожинать плоды полезной работы таких алгоритмов.

Оценка алгоритмов

Новые алгоритмы в области здравоохранения не смогут сделать то, что физики сделали с квантовой механикой, потому что не будут развернуты в полевых условиях. И многие алгоритмы улучшаются именно работая в полевых условиях. Как же нам выбрать максимально многообещающий подход?

Создание стандартизированной системы клинических испытаний и тестирования, которая в равной степени будет применима к алгоритмам, работающим по-разному или использующим разные входные данные, будет сложной задачей. Клинические испытания, в которых используются выборки небольшого размера, например, с алгоритмами, которые пытаются персонализировать лечение для отдельных людей, также будут сложными. С небольшими выборками и слабым научным пониманием происходящего невозможно будет определить, преуспел алгоритм или потерпел крах, потому что он может быть неплохим в целом, но показать неудачный пример.

Добавим в эту смесь обучение и картина становится еще более сложной.

«Что еще более важно, идеальный алгоритм в «черном ящике» пластичный и постоянно обновляется, поэтому традиционная модель клинических испытаний не подходит, поскольку полагается на статический продукт, подлежащий стабильной оценке».

Придется подгонять всю систему медицинских и клинических испытаний.

Достижение баланса

История здравоохранения отражает историю искусственного интеллекта во многих аспектах. Неслучайно IBM пыталась изменить сферу здравоохранения, применяя свой искусственный интеллект Watson.

Баланс придется найти. Нам придется найти способ обрабатывать большие данные, использовать жуткую силу нейронных сетей и автоматизировать мышление. Мы должны осознавать недостатки и предубеждения такого подхода к решению проблем.

При этом мы должны приветствовать эти технологии, поскольку они могут быть полезным дополнением к навыкам, знаниям и более глубокому пониманию, которое могут предоставить люди. Подобно нейронной сети, наши отрасли должны обучаться, расширяя эту кооперацию в будущем.