Глубокое обучение уже работает лучше, чем эксперты-люди в некоторых тестах
Однажды вечером в ноябре прошлого года 54-летняя женщина из Бронкса прибыла в отделение неотложной помощи Медицинского центра Колумбийского университета с жалобами на сильную головную боль.
Перед ее глазами все было расплывчато, а левая рука онемела и ослабла.
Врачи осмотрели ее и рекомендовали сделать компьютерную томографию головы.
Несколько месяцев спустя, одним январским утром, четверо будущих рентгенологов собрались перед экраном компьютера на третьем этаже больницы.
В комнате не было окон, и она освещалась только включенным экраном.
Анжела Линьелли-Диппл, заведующая университетским отделением нейрорадиологии, стояла позади интернов с карандашом и планшетом.
Она научила их понимать компьютерную томографию.
«Когда мозг мертв, инсульт легко диагностировать», — говорит она.
«Хитрость заключается в том, чтобы диагностировать инсульт до того, как погибнет слишком много нервных клеток».
Инсульты обычно возникают из-за закупорки кровотока или кровотечения, и на постановку диагноза у нейрорадиолога есть всего 45 минут, чтобы врачи успели вмешаться в процесс, например, устранить возникший тромб.
«Представьте, что вы находитесь в отделении неотложной помощи», — продолжил Лайнли-Диппл, увеличивая интенсивность воображаемой ситуации.
– Каждую минуту умирает очередная часть мозга.
Потраченное время – это потерянный мозг».
Она взглянула на часы на стене, секундная стрелка пробегала по циферблату.
"Так в чем проблема?" - она спросила.
Обычно штрихи асимметричны.
Кровоснабжение головного мозга разветвляется слева и справа, а затем разделяется на ручьи и притоки с каждой стороны.
Тромб или кровотечение обычно поражают одну из ветвей, вызывая недостаточность одной стороны мозга.
Когда нервные клетки отрезаются от кровотока и начинают умирать, они слегка набухают. На изображении четкие границы между анатомическими структурами могут выглядеть размытыми.
Со временем ткань дает усадку, оставляя на фотографии засохшую тень.
Но эта тень все еще видна на фотографиях через несколько часов или даже дней после инсульта, когда возможность вмешательства уже прошла.
«До этого момента, — сказал мне Лайнели-Диппл, — на снимке есть намек, предупреждение о приближающемся инсульте.
Изображения мозга женщины из Бронкса пронизывают ее череп от основания до верха, как ломтики арбуза, разрезанные сверху вниз.
Стажеры быстро листали слои изображений, словно листая страницы тетради, называя анатомические структуры: мозжечок, гиппокамп, центральную долю, полосатое тело, мозолистое тело, желудочки.
Затем один из студентов, которому было около 30 лет, остановился на одной из картинок и указал карандашом на область в правом полушарии мозга.
«Здесь что-то нечисто», — сказал он.
«Границы кажутся размытыми».
С моей точки зрения все изображение выглядело пятнистым и размытым — как мешанина пикселей, — но он ясно видел что-то необычное.
«РазмытоеЭ» Лайнли-Диппл поддержал его.
«Опишите, пожалуйста, подробнее».
Стажер начал что-то бормотать.
Он остановился, словно просматривая анатомические структуры в своей голове, взвешивая возможности.
«Это просто неоднородно», — пожал он плечами.
- Я не знаю.
Выглядит странно».
Лайнели-Дипл открыла следующий набор компьютерных томограмм, сделанных 24 часа спустя.
Область размером с виноградинку, на которую указал резидент, была тусклой и опухшей.
Несколько последующих фотографий, сделанных с интервалом в несколько дней, рассказали остальную часть истории.
Появится серая область клиновидной формы.
Вскоре после прибытия в отделение неотложной помощи невролог попытался очистить закупоренную артерию лекарством, растворяющим тромб, но прибыл слишком поздно.
Через несколько часов после первого сканирования она потеряла сознание и была переведена в отделение интенсивной терапии.
Два месяца спустя она все еще находилась в палате.
Левая сторона ее тела, включая руку и ногу, была парализована.
Мы с Линли-Диппл пошли в ее офис.
Мне пришлось изучить процесс обучения в больнице: Как врачи учатся ставить диагнозы? Могут ли машины этому научиться? Мое приобщение к диагностике началось осенью 1997 года в Бостоне, когда я пошел на практику после окончания медицинской школы.
Чтобы подготовиться, я прочитал классический медицинский учебник, в котором процесс постановки диагноза разделен на четыре отдельных этапа.
Во-первых, врач использует историю болезни пациента и физическое обследование, чтобы собрать факты о ее жалобах или состоянии.
Затем информация критически анализируется для создания исчерпывающего списка потенциальных причин проблем.
После этого вопросы и предварительные тесты помогают исключить одни гипотезы и усилить другие – это т.н.
" дифференциальная диагностика Учитываются такие параметры, как распространенность заболевания, анамнез заболевания, риски, возможное воздействие на человека (как гласит известный [американский] медицинский афоризм, «цокот копыт скорее издают лошади, а не от зебр" [" зебра "в медицине США - жаргонное название постановки экзотического диагноза в случае, когда более вероятен более простой диагноз]).
Список сужается: врач уточняет свои предположения.
На заключительном этапе проводятся лабораторные исследования, рентген или компьютерная томография.
подтверждают гипотезу и диагноз.
Вариации этого поэтапного процесса десятилетиями воспроизводились в медицинских учебниках, а идея диагноста, методично и утомительно идущего от симптома к причине, прививалась поколениям студентов-медиков.
Но настоящее искусство диагностики, как я узнал позже, не так просто.
Моим наставником в медицинском институте был элегантный ординатор Новая Англия в полированных лоферах и с чопорным акцентом.
Он считал себя экспертом-диагностом.
Он просил пациента продемонстрировать симптом — например, кашель — а затем откидывался на стуле и катал прилагательные по языку.
«Гремучий и металлический», — мог сказать он, или «тихий и бренчащий», как если бы он описывал старинную бутылку Бордо.
Все кашель мне казался одинаковым, но я подыгрывал ему: «Грохот, да», чувствуя себя самозванцем на дегустации вина.
Специалист по классификации кашля может сразу сузить возможности диагностики.
«Похоже на пневмонию», — мог бы сказать он.
Или: «влажные хрипы из-за застойной сердечной недостаточности».
Затем он задал поток вопросов.
Прибавил ли пациент в последнее время вес? Был ли у него контакт с асбестом? Он попросил пациента снова покашлять и наклонился, чтобы послушать стетоскопом.
В зависимости от ответов это может привести к появлению новой серии возможностей, таких как увеличение или уменьшение количества синапсов.
Затем с помпой странствующего фокусника объявлял диагноз: «сердечная недостаточность!» и заказать тесты, чтобы доказать, что он был прав.
Обычно он был прав.
Несколько лет назад бразильские исследователи изучили мозг опытных рентгенологов, чтобы понять, как они ставят свои диагнозы.
Обращались ли эти эксперты-диагносты к «книге правил» ума или использовали «распознавание образов и неаналитическое рассуждение»? Двадцати пяти рентгенологам было предложено оценить рентгеновские снимки легких, в то время как активность их мозга контролировалась с помощью МРТ.
(Здесь много замечательных рекурсий: чтобы диагностировать процесс диагностики, нужно фотографировать людей, изучающих фотографии).
Рентгеновские изображения мелькали перед глазами испытуемых.
У некоторых наблюдались обширные патологические поражения — например, тень пневмонии в форме кисти или серая непрозрачная стенка жидкости, скопившаяся за мембраной.
Во вторую группу фотографий вошли контурные рисунки животных.
В третьем были очертания букв алфавита.
Радиологам случайным образом показывали эти фотографии и просили как можно быстрее произнести вслух название травмы, животного или буквы, в то время как аппарат МРТ отслеживал активность их мозга.
В среднем рентгенологам потребовалось 1,33 секунды, чтобы поставить диагноз.
Во всех трех случаях загоралась одна и та же часть мозга: широкая дельта нейронов возле левого уха и полоса в форме мотылька на задней части черепа.
«Наши результаты подтверждают гипотезу о том, что, когда врач распознает известную травму, срабатывает тот же процесс, что и при назывании объектов», — заключили исследователи.
Определение ущерба очень похоже на определение животного.
Когда вы узнаете носорога, вы не рассматриваете альтернативных кандидатов, чтобы исключить неправильных.
Вы не объедините мысленно единорога, броненосца и маленького слоненка.
Вы познаете носорога в целом – как образ.
То же самое происходит и с рентгенологами.
Не взвешивали, не запоминали, не дифференцировали.
Они просто видели известный объект. Для моего наставника влажные хрипы были так же знакомы, как известная мелодия.
В 1945 году британский философ Гилберт Райл прочитал судьбоносную лекцию о двух видах знания.
Ребенок знает, что у велосипеда два колеса, шины наполнены воздухом, и кататься на нем нужно, вращая педали по кругу.
Райл называл такое знание – фактическое, пропозициональное – «знанием этого».
Но чтобы научиться ездить на велосипеде, нужно обратиться к другой области обучения.
Ребенок учится ездить на велосипеде, падая с него, балансируя на двух колесах, преодолевая выбоины.
Райл назвал это знание – неявное, экспериментальное, основанное на навыках – «знанием как».
Казалось бы, эти два вида знания взаимозависимы: можно использовать знание фактов для углубления экспериментального знания, и наоборот. Но Райл предостерег от искушения думать, что «знание как» можно свести к «знанию чего» — нельзя научиться ездить на велосипеде по своду правил.
Наши правила, утверждал он, имеют смысл только потому, что мы знаем, как их использовать: «Правила, как птицы, должны быть живыми, прежде чем их можно будет набить».
Однажды днем я наблюдал, как моя семилетняя дочь ехала на велосипеде в гору.
В первый раз она застряла на самой крутой части и упала.
Во второй раз она наклонилась вперед, сначала почти незаметно, а затем все больше и больше, и перенесла свой вес назад, когда кривизна холма начала уменьшаться.
Но я не учил ее правилам восхождения на гору на велосипеде.
Я думаю, что когда ее дочь преодолеет ту же горку, она ее тоже не будет учить.
Мы сталкиваемся с несколькими правилами, по которым работает Вселенная, но позволяем мозгу самостоятельно понять все остальное.
Через некоторое время после встречи со стажерами-радиологами я поговорил со Стивеном Хайдером, молодым человеком, который заметил на компьютерной томографии признаки инсульта.
Как он обнаружил это повреждение? Было ли это «знание чего» или «знание как»? Он начал рассказывать о правилах, которые выучил.
Он знал, что инсульты обычно односторонние, что они приводят к «посерению» тканей, что ткань иногда несколько отекает, из-за чего исчезают анатомические границы.
«В мозгу есть места, где кровоток особенно уязвим», — сказал он.
Чтобы определить повреждение, нужно поискать его признаки с одной стороны и убедиться в их отсутствии с другой.
Я напомнил ему, что на фотографии много асимметричных деталей, которые он проигнорировал.
На изображении слева было много серых закорючек — возможно, артефакты, связанные с движением, случайностью или изменениями в мозге, предшествовавшими инсульту.
Как он сосредоточился только на этой области? Он на мгновение остановился, чтобы собраться с мыслями.
— Не знаю, отчасти это было подсознательно, — сказал он наконец.
«Вот что происходит — все становится на свои места — по мере того, как вы растете и учитесь как радиолог», — говорит мне Линли-Диппл.
Вопрос в том, может ли машина «расти и учиться» таким же образом.
В январе 2015 года ученый-компьютерщик Себастьян Трун [Себастьян Трун] был очарован тайной медицинской диагностики.
Трун, выросший в Германии, худой, бритоголовый и с чувством юмора; он похож на странный гибрид Мишеля Фуко и мистера Бина.
Бывший профессор Стэнфорда, руководивший там лабораторией искусственного интеллекта, Трун ушел, чтобы возглавить Google X, возглавив усилия по созданию самообучающихся роботов и беспилотных автомобилей.
Но он обнаружил в себе страсть к изучению медицинских устройств.
Его мать умерла от рака груди, когда ей было 49 лет (сейчас столько же, сколько Труну).
«Большинство больных раком поначалу не имеют никаких симптомов», — сказал мне Трун.
— У моей матери их не было.
Когда она обратилась к врачу, ее рак уже дал метастазы.
Я стал одержим поиском рака на ранней стадии, когда его еще можно было вырезать ножом.
И я все думал, а может ли в этом помочь алгоритм машинного обученияЭ» 
Что сильнее: тело или разум?
- Вставать.
- Нет. Первые попытки поставить автоматический диагноз пытались работать на основе учебника и с точными знаниями.
Рассмотрим электрокардиограмму, которая показывает электрическую активность сердца в виде линий на странице или экране.
За последние 20 лет в таких системах часто использовалась компьютерная интерпретация.
Программа, работающая с данными, довольно проста.
Характерные формы сигналов связаны с различными проблемами — мерцательной аритмией или закупоркой сосудов — и в устройство встроены правила для распознавания этих сигналов.
Когда машина распознает форму волны, она маркирует сердцебиение как «мерцательную аритмию».
В маммография «Компьютерное обнаружение» также становится распространенным явлением.
Программное обеспечение для распознавания образов выделяет подозрительные области, а результаты изучает рентгенолог.
Но обычно это программное обеспечение использует систему, основанную на правилах, и использует их для выявления подозрительных повреждений.
У этих программ нет механизма обучения: машина, увидевшая триста рентгеновских лучей, не лучше той, которая увидела четыре.
Эти ограничения стали очевидны после того, как в 2007 году в исследовании сравнивалась точность маммографии до и после внедрения устройств с компьютерной диагностикой.
Можно было бы ожидать резкого увеличения точности, но оказывается, что эффект более сложный.
Количество биопсий увеличилось в разы.
А обнаружение небольших инвазивных опухолей, которые онкологи стремятся идентифицировать, снизилось.
Более поздние исследования показали рост проблем с ложным обнаружением опухолей.
Трун был убежден, что сможет превзойти точность устройств первого поколения, перейдя от алгоритмов, основанных на правилах, к алгоритмам обучения, то есть от диагностики «ноу-что» к диагностике «ноу-хау».
Алгоритмы обучения, с которыми работает Трун, все чаще используют компьютерную стратегию, называемую нейронной сетью, вдохновленную работой самого мозга.
В мозге нервные синапсы усиливаются или ослабляются за счет периодической активации; Цифровые системы пытаются достичь этого результата с помощью математики, регулируя «веса» соединений для получения желаемого результата.
Самые мощные сети напоминают слои нейронов, каждый из которых обрабатывает входные данные и отправляет результаты на следующий уровень — отсюда и название «глубокое обучение».
Трун начал с рака кожи; в частности, кератиноцитарная карцинома (наиболее распространенный тип рака в США) и меланома (наиболее опасный тип рака кожи).
Можно ли научить машину отличать рак кожи от более благоприятного состояния — прыща, сыпи, родинки — по скану фотографии? «Если дерматологи могут это сделать, то и машина должна это сделать», — рассуждал Трун.
«Возможно, машина справится со своей задачей еще лучше».
Обычно дерматологов обучают распознавать меланому на основе набора правил, обозначаемых мнемонической аббревиатурой ABCD. Меланомы часто асимметричны (А), границы их (Б) неровные, цвет (В) неровный и пестрый, диаметр (D) обычно превышает 6 мм.
Но когда Трун просмотрел примеры меланом в медицинских учебниках и в Интернете, он обнаружил образцы, к которым ни одно из этих правил не применимо.
Трун, который работал адъюнкт-профессором в Стэнфорде, создал команду из двух своих студентов по имени Андре Стева и Брет Купрел.
Их первой задачей было создание обучающего набора: обширной коллекции изображений, используемых для обучения машинному распознаванию вредоносного ПО.
В Интернете Стева и Купрел нашли 18 хранилищ изображений поражений кожи, классифицированных дерматологами по типам.
Эти галереи содержали около 130 000 изображений прыщей, сыпи, укусов насекомых, аллергических реакций и рака, которые дерматологи классифицировали почти по двум тысячам заболеваний.
Также был набор из двух тысяч кожных поражений, из которых патологоанатомы провели биопсию, в связи с чем они были диагностированы с высокой точностью.
Стева и Купрел начали обучать систему.
Ее не программировали правилами, не учили системе ABCD. Они скормили нейросетям фотографии и свои диагнозы.
Я попросил Труна описать, что делает эта сеть.
«Представьте себе классическую программу, пытающуюся идентифицировать собаку», — говорит он.
– Программисту пришлось бы прописать в него тысячу условий «если/то»: есть ли у него уши, морда, волосы, а если это не крыса и т. д. – до бесконечности.
Но ребенок учится узнавать собак по-другому.
Сначала он видит собак, и ему говорят, что это собаки.
Он совершает ошибки и исправляется.
Он думает, что волк — это собака, но ему говорят, что это не так.
Постепенно он меняет свое понимание – это собака, а это волк.
Алгоритм машинного обучения, как ребенок, берет информацию из заранее классифицированного обучающего набора.
Вот собака, вот не собака.
Затем он извлекает особенности, которые отличают один набор от другого.
Проверяя себя на тысячах засекреченных изображений, он начинает самостоятельно создавать свой способ распознавания собаки – совсем как ребенок».
Она просто знает, как это сделать.
В июне 2015 года команда Труна начала проверять то, что машина узнала из стартового набора, представив ей проверочный набор: 14 000 изображений с диагнозами, поставленными дерматологами (не обязательно на основе биопсии).
Может ли система классифицировать изображения по трем диагностическим категориям: доброкачественные поражения, злокачественные поражения и нераковые опухоли? Система дала правильный ответ в 72% случаев (реальный результат алгоритма — не «да/нет», а вероятность того, что рассматриваемая сущность принадлежит к этой категории).
Два сертифицированных дерматолога, просмотревшие одни и те же изображения, справились с задачей лучше: они ответили правильно в 66% случаев.
Трун, Стева и Курпель расширили исследование, включив в него двадцать пять дерматологов, на этот раз используя тестовый набор из двух тысяч изображений, подтвержденных биопсией.
Почти в каждом тесте машина была более чувствительна, чем врачи: у нее было меньше шансов пропустить меланому.
«В каждом тесте сеть превосходила экспертов-дерматологов», — заключила команда в отчет опубликован в журнале Nature .
«В работе не была должным образом учтена одна удивительная деталь, связанная с сетью», — сказал мне Трун.
На первом этапе исследования он и его команда начали работать с «чистой» сетью.
Но они обнаружили, что если начать работать с сетью, которая ранее была обучена распознавать какие-то несвязанные вещи (например, отличать кошек от собак), она обучалась лучше и быстрее.
Возможно, наш мозг работает так же.
Изнурительные и отупляющие уроки в старшей школе — умножение многочленов, поиск корней глаголов, запоминание таблицы Менделеева — возможно, наоборот, обострили чувствительность ума.
Во время тренировки машины команде пришлось обрабатывать снимки.
Трун надеется, что однажды люди смогут отправлять на смартфон фотографии беспокоящих их шишек.
Это означает, что система не должна бояться широкого диапазона ракурсов и условий освещения.
Но, вспоминает он, «на некоторых изображениях меланомы были отмечены желтыми дисками.
Нам пришлось их вырезать, иначе компьютер просто научился бы распознавать желтый диск как рак».
Существовала старая загадка: сто лет назад немецкую публику поразило шоу «Умный Ганс», в котором участвовала лошадь, которая якобы умела складывать и вычитать, а ответы передавала посредством борьбы копытами.
Оказалось, что «Умный Ганс» действительно узнал поведение своего хозяина.
Когда количество ударов копыт приблизилось к правильному ответу, всадник расслабился.
Нейронная сеть животного не научилась арифметике, она научилась отслеживать изменения языка тела человека.
«Это странная особенность нейронных сетей», — говорит Трун.
– Вы не знаете, чему именно они учатся.
Это как черный ящик, принцип действия которого неизвестен».
Проблема черного ящика присуща глубокому обучению.
Система не работает в соответствии с набором медицинских знаний и диагностических правил.
Она сама научила отличать родинки от меланомы посредством множества корректировок внутренних параметров – подобным образом укрепляются и ослабляются нейронные связи головного мозга.
Как она определила, что это образование — меланома? Мы не узнаем, и она нам не скажет. Все внутренние настройки и обработка данных выходят за рамки нашего контроля.
Как и в случае с нашим мозгом.
Когда вы медленно поворачиваете на велосипеде, вы наклоняетесь в противоположную сторону.
Моя дочь знает, как это делать, но не знает, что делает. Машина обнаружения меланомы, вероятно, извлекает из изображений определенные свойства.
Имеет ли значение то, что она не может сказать, что это за свойства? Она похожа на улыбающегося бога знаний.
Познакомившись с ее творчеством, можно представить, как животные воспринимают человеческий разум: всеведущий, но непознаваемый.
Трун с оптимизмом смотрит в будущее, в котором мы находимся под постоянным диагностическим наблюдением.
Наши телефоны будут отслеживать изменения в речи, чтобы помочь диагностировать надвигающуюся болезнь Альцгеймера.
Руль определит начало болезни Паркинсона по легкой дрожи.
Пока вы моетесь, в ванной вам сделают УЗИ или МРТ, чтобы определить, не появилось ли внутри вас новое подозрительное образование.
Большие данные будут отслеживаться, записываться и оцениваться: мы будем переходить от одного алгоритма к другому.
Войти в мир умных ванных комнат и рулей Трунова — значит войти в комнату с диагностическими зеркалами, каждое из которых требует новых тестов.
Трудно не быть очарованным таким видением.
Поможет ли медицинский паноптикум, постоянно сканирующий нас на клеточном уровне, ежедневно сравнивающий изображения, поймать рак на ранних стадиях? Обеспечит ли это нам прорыв в обнаружении рака? Звучит впечатляюще, но есть одна загвоздка: многие виды рака не распространяются по всему телу.
Мы умираем вместе с ними, а не из-за них.
Что, если такая огромная диагностическая машина приведет к миллионам ненужных биопсий? В медицине известны случаи, когда ранняя диагностика может спасти или продлить жизнь.
А бывают случаи, когда ты будешь переживать дольше, но дольше не проживешь.
Трудно сказать, сколько вам нужно знать.
«Я хочу расширить возможности людей», — говорит Трун, когда я спрашиваю его о значении таких систем для людей, которые работают диагностами.
– Современное сельское хозяйство уничтожило некоторые виды земледелия? Конечно, но это также увеличило нашу способность производить сельскохозяйственную продукцию.
Не всех все устраивало, но теперь мы можем накормить больше людей.
Промышленная революция увеличила силу человеческих мышц.
Используя телефон, вы усиливаете человеческую речь.
Вы не сможете добраться до Калифорнии из Нью-Йорка — а мы с Труном во время этого разговора находились на таком расстоянии, — но это прямоугольное устройство в вашей руке позволяет вам передавать голос на расстояние в три тысячи миль.
Телефон заменил голос? Нет, телефон является дополнительным устройством.
Революция в когнитивной науке позволит компьютерам таким же образом расширить возможности человеческого разума.
Точно так же, как машины увеличили силу мышц в тысячу раз, машины сделают человеческий мозг в тысячу раз сильнее».
Трун настаивает, что эти устройства глубокого обучения не заменят дерматологов и рентгенологов.
Они будут дополнять профессионалов, предлагая экспертные знания и помощь.
Джеффри Хинтон , ученый-компьютерщик из Университета Торонто, менее мягко относится к роли обучающихся машин в клинической медицине.
Хинтон — прапраправнук Джорджа Буля, чья булева алгебра служит краеугольным камнем цифровых вычислений.
Хинтона иногда называют отцом глубокого обучения; Он работает над этой темой с середины 70-х годов, и многие из его учеников стали главными архитекторами сегодняшних систем обучения.
«Я думаю, что если вы работаете рентгенологом, ваша работа похожа на действия койота из мультфильма Хитрый ?.
Койот. Вы уже перешли край обрыва, но еще не посмотрели вниз.
И никакой поддержки под тобой больше нет».
Коммерческие системы глубокого обучения для обработки изображений грудной клетки и сердца уже разрабатываются.
«Совершенно очевидно, что через пять лет глубокое обучение превзойдет рентгенологов», — продолжает он.
– Может быть, лет через десять.
Однажды я сообщил об этом в больницу, и там это восприняли не очень благосклонно».
Речь Хинтона в этой больнице на самом деле была довольно простой: «Пришло время прекратить обучение на радиологов».
Когда я обсуждал этот вопрос с Анджелой Лайнли-Диппл, она отметила, что рентгенологическая диагностика не ограничивается ответами «да» или «нет».
Радиологи делают больше, чем просто идентифицируют эмболию, которая привела к инсульту.
Они замечают кровотечение в других местах, что предотвращает опасное использование в таких случаях препаратов, растворяющих тромбы.
Они замечают неожиданную, менее симптоматическую опухоль.
Хинтон оценивает провокацию.
«Роль рентгенологов будет меняться от работы по распознаванию, которую, вероятно, мог бы выполнять дрессированный голубь, к выполнению более когнитивных задач», — говорит он.
Его прогноз будущего автоматизированной медицины основан на простом принципе: «Возьмите любую задачу классификации, для которой у вас есть много данных, и глубокое обучение сможет ее решить.
Будут тысячи заявок на GO».
Он хочет использовать алгоритмы обучения для чтения рентгеновских снимков, КТ и МРТ, любого типа сканирования — и это только среднесрочный прогноз.
Он утверждает, что в будущем «алгоритмы обучения будут также обеспечивать диагностику патологий».
Они смогут сделать выводы о Мазок Папаниколау , прослушивать работу сердца или прогнозировать рецидивы у психиатрических пациентов.
Мы обсудили проблему черного ящика.
Хотя над этим работают программисты, Хинтон признал, что задача открытия черного ящика, чтобы выяснить, что именно знает система и откуда это берется, «далеко не тривиальна — не верьте никому, кто говорит обратное».
Но он считает, что с этой проблемой можно смириться.
«Представьте себе бейсболиста и физика, соревнующихся в том, куда приземлится мяч», — говорит он.
– Игрок, бросивший мяч миллион раз, возможно, не знает всех этих уравнений, но он точно знает, насколько высоко подлетит мяч, какую скорость наберет и куда приземлится.
Физик может написать уравнения, чтобы выяснить то же самое.
Но они оба придут к одному и тому же результату».
Я вспомнил неутешительные результаты компьютерных маммографических систем предыдущего поколения.
Хинтон признал, что любая новая система должна пройти строгие клинические испытания.
Но он настаивает на том, что новые системы учатся на своих ошибках и со временем совершенствуются.
«Вы могли бы создать систему, в которой каждый пропущенный диагноз — человек, у которого действительно возникла опухоль — вводился в машину.
Мы можем спросить: чего здесь не хватает? Можно ли улучшить диагностику? Для рентгенологов такой системы нет. Если вы что-то пропустите и через пять лет у человека появится опухоль, не существует рутинной процедуры, которая поможет вам выздороветь.
Но вы можете создать систему, в которой компьютер будет делать именно это».
Некоторые из наиболее амбициозных проектов диагностических машин пытаются объединить обработку естественного языка (чтобы машина могла читать историю болезни) и энциклопедические медицинские знания из учебников, журналов и медицинских баз данных.
Проекты IBM Watson Health в Кембридже, штат Массачусетс, и DeepMind в Лондоне надеются создать именно такие сложные системы.
Я видел демонстрации их работы, но многие из анонсированных функций все еще находятся на стадии разработки.
Хинтон с энтузиазмом смотрит на будущее диагностики глубокого обучения, отчасти благодаря своему опыту.
Пока он разрабатывал подобные алгоритмы, у его жены обнаружили рак поджелудочной железы.
У моего сына диагностировали злокачественную меланому, но биопсия показала, что это образование базалиома , рак не такой уж страшный тип.
«Нам еще предстоит многому научиться», — сказал Хинтон с тихим вздохом.
– Ранняя и точная диагностика – нетривиальная задача.
Мы можем улучшить нашу производительность.
Почему бы не позволить машинам помочь намЭ» Холодным мартовским утром, через несколько дней после разговора с Труном и Хинтоном, я отправился в дерматологическую клинику Колумбийского университета на 51-й улице Манхэттена.
Линдси Бордоне, дежурный терапевт, в тот день должна была принять 49 пациентов.
К 10 утра приемная была заполнена людьми.
В углу сидел бородатый мужчина лет 60, прикрывая сыпь на шее платком.
Неспокойная парочка склонилась над газетой.
Бордон быстро принял пациентов.
В задней комнате с флуоресцентным освещением медсестра за компьютером дала краткое описание: «50 лет, анамнеза нет, новое подозрительное пятно на коже», а затем Бордон с развевающимися седыми волосами поспешила в смотровую.
Молодой человек лет 30 с чешуйчатой красной сыпью на лице.
Во время осмотра у него из носа отделился кусок кожи и выпал.
Бордон поднес его к свету и внимательно осмотрел кожу, затем навел на нее ручной дерматоскоп.
«У тебя есть перхотьЭ» - она спросила.
Мужчина был удивлен.
«Да», сказал он.
«Ну, это перхоть на лице», — сказал ему Бордон.
- Трудный случай.
Но вопрос в том, почему оно появилось именно сейчас и почему оно ухудшается.
Вы начали использовать какое-нибудь новое средство для волос? Бывают ли в вашей семье необычные стрессыЭ» «Конечно, стресс был», — сказал он.
Недавно он потерял работу и страдал от финансовых последствий.
«Ведите дневник», — посоветовала она.
«Мы сможем определить, есть ли связь».
Она выписала ему рецепт на стероидный крем и попросила прийти через месяц.
В соседней комнате ждал молодой человек, помощник адвоката, с россыпью прыщей на голове.
Он вздрогнул, когда Бордон нащупал его.
«Себорейная экзема», — сказал Теги: #медицина #искусственный интеллект #Биотехнологии #мозг #диагностика #МРТ #КТ #радиология
-
Станьте Росомахой Дома
19 Oct, 24 -
А Что Если Земля Плоская?
19 Oct, 24 -
Давайте Займемся Программированием...
19 Oct, 24 -
Зарабатывайте Деньги На Кибервойне
19 Oct, 24 -
Как Я Учил Арабских Шейхов Взламывать Sap
19 Oct, 24
