А вы за нас еще и лечить будете? Роботы в белых халатах - Технологии
$58.93
66.31
ММВБ1868.53
BRENT46.41
RTS999.05
GOLD1251.89

А вы за нас еще и лечить будете? Роботы в белых халатах

читайте также
+1451 просмотров за суткиМашинное обучение в online travel: смогут ли роботы продавать туры и авиабилеты лучше людей? +144 просмотров за суткиРобот: нанять и простить. Заменит ли автоматизация рабочих в российском машиностроении? +67 просмотров за суткиКак компании в сфере социальной коммерции меняют рынок ретейла +27 просмотров за суткиКиберпреступления: что противопоставить изобретательным мошенникам? +91 просмотров за суткиИскусственный интеллект в банках и цифровые сотрудники: новая эра финтех-решений на подходе +57 просмотров за суткиИскусственный интеллект санирует бизнес: кому и зачем нужны решения по поиску «слабых звеньев» в компании +2 просмотров за суткиВенчурное бессмертие. Как личный врач Малкольма Форбса стал международным консультантом и инвестором +2 просмотров за суткиРомантики в нейронных сетях: что последует за бумом нашумевшей технологии? +4 просмотров за суткиВ погоне за бессмертием. Пять команд мира, объявивших войну старению +2 просмотров за суткиИнвестиции в фармстартапы: крупные капиталы, разработки длиной в 13 лет и госповестка +26 просмотров за сутки Беги или умри: как открытый код и таланты становятся главной силой в революции искусственного интеллекта +12 просмотров за суткиКакие B2B-стартапы в области машинного интеллекта могут быть успешны? +9 просмотров за суткиТим Кук впервые раскрыл планы Apple на автомобильном рынке +5 просмотров за суткиНе опускайте рук: почему бионические протезы не становятся доступнее? +5 просмотров за суткиСнежный проводник: как российский стартап SKADI хочет приучить лыжников к «умному» помощнику +8 просмотров за суткиДеньги на здоровье: услуги медицины — одни из самых маржинальных в стране +13 просмотров за сутки Жан Понс, Ecole Normale Superieure: Мы решили базовые проблемы развития компьютерного зрения, но до широких индустриальных применений еще далеко +26 просмотров за суткиБег с препятствиями: история развития индустрии HR Технологий в России +18 просмотров за сутки VR-контент, треккинг спортсменов на поле и интерактив для болельщиков: цифровые тренды в индустрии спорта +7 просмотров за суткиТехнологии искусственного интеллекта: больше вопросов, чем ответов +7 просмотров за суткиМэтчинг в рекрутинге: придут ли технологии Tinder в подбор персонала?

А вы за нас еще и лечить будете? Роботы в белых халатах

Павел Устинов Forbes Contributor
Фото MATTHIAS BALK / dpa / ТАСС
Как можно использовать искуственный интеллект для лечения и диагностики различных заболеваний

Разработчики из Mail.Ru Group, Insilico Medicine и МФТИ сегодня объявили, что  применили нейросеть для моделирования  новых лекарственных препаратов.Машинное обучение помогает быстрее, дешевле и лучше «собирать» молекулярные структуры из известных и описанных в базах элементов (молекул), которые впоследствии становятся основой новых действующих веществ.  Forbes публикует материал о том, как искусственный интеллект приходит в медицину. 

Согласно исследованию IBM, 80% данных в области медицины не структурированы, поэтому они не видимы для большинства современных информационных систем. Объем медицинских данных достиг 150 эксобайтов, а при сохранении текущей тенденции их генерации, объем достигнет порядка зетта- и иоттабайтов. Если эти данные записать на DVD-диски, то их хватит, чтобы проложить дорогу от Земли до Марса. Извлечь полезные закономерности из этих астрономических масштабов информации можно с помощью Big Data методов и искусственного интеллекта (ИИ).

Элементарно, Watson!

Наверное, наиболее известным на сегодня случаем применения ИИ в медицине является проект IBM Watson Health. История коммерческого использования Watson началась в феврале 2013 году, когда IBM и Memorial Sloan Kettering Cancer Center (MSKCC) в Нью-Йорке начали использовать Watson в качестве системы поддержки принятия решений для диагностики и назначения лечения в онкологии. Проект изначально был предназначен для диагностики и лечения рака груди и рака легких, но затем был расширен на случаи рака прямой кишки, простаты, поджелудочной железы, печени, а также меланомы и лимфомы.

Идея проекта заключается в следующем: через MSKCC ежегодно проходит 30 тыс. пациентов. История болезни каждого пациента сравнивается с историями других пациентов с похожим анамнезом, а также со всеми известными медицинскими публикациями на предмет совпадения тех или иных признаков болезни. В результате пациент получает персонализированную диагностику и лечение, а когнитивные функции Watson продолжают улучшаться с каждым новым пациентом, потому что обучение (deep learning) идет непрерывно. Анализ 200 млн цифровых документов занимает 3 секунды. В будущем планируется добавить функцию анализа генома каждого пациента, что позволит подбирать лечение, основанное на ДНК-профиле.

В 2016 году было объявлено о начале использования Watson в одном из современнейших медицинских центров Индии (Manipal Comprehensive Cancer Centre). Использование Watson совместно с Robotic Assisted Surgery (хирург использует аппарат типа широкоизвестного робота da Vinci) позволит выйти на новый качественный уровень лечения и диагностики рака. Кроме того, клиника откроет онлайн-консультации для пациентов других клиник с онкодиагнозами. На анализ истории болезни с помощью бинома онколог Watson можно будет записаться с помощью смс в течение 72 часов. Для Индии, где на одного врача приходится 1700 пациентов согласно Worldbank, это особенно актуально.

Онкология и не только

Онкологические заболевания являются не только одними из самых безжалостных смертельных заболеваний, но и требуют колоссальных затрат на лечение этой категории больных. К 2020 году ожидается увеличение затрат на лечение онкологических больных в США на 27% (со $124 млрд до $157 млрд).

Компания Roche также активно работает над повышением точности диагностики рака по гистологическим снимкам. В июне 2016 года представитель Roche делал презентацию на саммите по Apache Spark (фреймворк для распределенной обработки Big Data) в Сан-Франциско, где были продемонстрированы хорошие результаты проводимого исследования по пространственному анализу гистологических снимков. Работа основана на методе DBSCAN (density-based spatial clastering of application with noise), а вычисления проводятся над Big Data (анализ 5,3 трлн комбинаций) с помощью Apache Spark. В будущем исследователи планируют добавить в проект информацию о геноме пациента.

Использование ИИ в медицине является абсолютно оправданным. Например, совместное исследование Beth Israel Deaconess Medical Center, Harvard Medical School и Massachusetts Institute of Technology, проведенное в 2016 году и посвященное диагностике метастатического рака груди, показало, что ошибка диагностики нейросетью составляет 7,5%, специалистом-онкологом 3,5%, а при их взаимодействии всего 0,5%, т.е. количественное улучшение составляет 85%.

Есть проекты, касающиеся и других заболеваний. Так, корпорация Intel принимает участие в проекте по исследованию болезни Паркинсона, от которой страдает каждый сотый житель Земли старше 60 лет. Существующее лечение к выздоровлению не приводит, а позволяет лишь снять симптомы (тремор, замедленность, депрессии, нарушения сна и т.д.). Проблема в том, что отслеживать динамику таких пациентов очень сложно: визиты к врачу имеют место каждые 3-6 месяцев, а критериев для оценки изменений довольно мало. На помощь пришли Big Data, IoT и облачные технологии: пациентам раздали «умные» часы, которые снимают данные 24 часа в сутки, обработка batch-аналитики реализована на базе Apache Spark. Методы машинного обучения обрабатывают эти потоки и выдают персонализированные рекомендации пациентам по планированию физической активности и приему препаратов. Исследование проводится на двух выборках пациентов в США и Голландии.

В России также существует закон «Об основах охраны здоровья граждан в РФ» (323-ФЗ), регламентирующий применение высокотехнологичной медицины. Так в ст. 34 идет речь о применении «…клеточных технологий, роботизированной техники, информационных технологий и методов генной инженерии, разработанных на основе достижений медицинской науки и смежных отраслей науки и техники». В 2015 году IBM и Первый Онкологический Научно-Консультационный Центр заключили меморандум о взаимопонимании. Однако в марте 2016 года гендиректор IBM в России и СНГ Андрей Филатов назвал законодательное и нормативное регулирование в области здравоохранения основной проблемой для промышленной эксплуатации IBM Watson в России.

Лечить или не лечить

К сожалению, не все идет так гладко, как хотелось бы. Есть ряд достаточно серьезных проблем на пути применения ИИ (особенно многослойных нейросетей) в медицине.

Проблема 1: для обучения нейросети нужны огромные массивы данных. Чтобы на выходе нейросети получить результаты с приемлемой степенью точности, на вход надо подать значительный объем данных (объем данных варьируется в каждом конкретном случае). Так для обучения системы распознавания речи в Google Android используется более 10 тыс. часов речевых фрагментов. Для обучения систем распознавания образов широко используется база данных ImageNet, содержащая более 14 млн. изображений с тегами принадлежности тому или иному классу.

Согласно статистике Американского ракового общества (American Cancer Society), наиболее распространенной формой рака в 2016 году в США был рак груди (более 240 000 выявленных случаев). Для обучения нейросети такого количества данных мало. Если взять более редкие формы рака, то там количество выявленных случаев в десятки раз меньше (например, 53 тыс. рака поджелудочной железы, 62 тыс. случаев лейкемии, 64 тыс. случаев рака щитовидной железы и т.д.). Очевидно, что такой статистики не достаточно, нужные для обучения миллионы случаев будут собираться десятилетиями. И это при том, что смертность при некоторых редких формах рака может достигать 80%. Обнадеживает то, что активно развиваются смешанные методы машинного обучения (т.н. semi-supervised learning), требующие в сотни раз меньших данных на входе нейросети.

Проблема 2: вопрос конфиденциальности персональных медицинских данных. Доступ к персональной информации, касающейся здоровья, -- вопрос довольно чувствительный, и часто регламентируется различными нормативно-правовыми актами. В США таковым является HIPAA (Health Insurance Portability and Accountability Act), принятый в 1996 году. Возникает много вопросов о том, где, как будут храниться эти данные, а также кто будет иметь к ним доступ. Кто будет  финансировать на практике разработку, внедрение и поддержку подобного рода систем? Последние скандалы с различными взломами, утечками и хакерскими атаками, к сожалению, не добавляют отптимизма.

Проблема 3: этический вопрос использования ИИ в целом и в медицине в частности. Представим ситуацию, когда система поддержки принятия медицинских решений, «не видит» шансов для продолжения лечения/поддержания жизни пациента и рекомендует наиболее «оптимальное» решение: эвтаназию. Здесь мы получаем сложнейшую морально-этическую проблему с всеми вытекающими из нее правовыми вопросами.

Проблема 4: человеческий страх. Очевидно, что пациенту (пока) проще доверить провести диагностику/операцию человеку нежели компьютеру (не говоря уже про автономных роботов), пусть и с высокоразвитым ИИ. Не все психологические барьеры легко (и быстро) преодолимы.

Что дальше?

Одна из решаемых задач во Вселенной Big Data относится к проблеме персонализации и, очевидно, что самым достойным ее применением является сфера здравоохранения. Тренд очевиден: крупнейшие мировые медицинские центры (особенно в США) заинтересованы в коммерческом использовании ИИ. Персонализированное лечение, основанное на ДНК-профиле пациента, является безусловным прорывом, особенно, для такой сложнейшей области как онкология. Однако, как видно из вышеприведенных 4-х проблем, лишь одна является полностью научно-технической. Так что дело за нами.