С учетом ограничений «железных» роботов похоже, что существенное влияние ИИ на здравоохранение в ближайшее время будет достигнуто в области задач, для выполнения которых не нужны движущиеся части. Иными словами, искусственный интеллект проявит себя в обработке информации и таких сугубо интеллектуальных видах деятельности, как диагностика или составление планов лечения. Расшифровка медицинских снимков с использованием машинного зрения особенно многообещающая область. Ряд исследований показал, что системы глубокого обучения во многих случаях способны сравняться с рентгенологами или превосходить их. Например, в исследовании, обнародованном группой ученых из Google и нескольких медицинских школ в 2019 году, система глубокого обучения проявила себя лучше, чем рентгенологи, в диагностике рака легких по КТ-снимкам. Система Google была точна в 94,4 % случаев, «превзошла всех шестерых рентгенологов» в тех случаях, когда отсутствовали результаты предыдущего КТ-сканирования пациента, и «была наравне с теми же рентгенологами», если имелась возможность сравнивать результаты свежего сканирования с предшествующим исследованием[76].
Рентгенологические системы на основе ИИ использовались в экстренном порядке в некоторых случаях, когда возникала опасность перегрузки больниц из-за пандемии коронавируса. На пике дефицита тестов для выявления COVID-19 рентгенограмма грудной клетки, выявляющая симптомы пневмонии, стала важным альтернативным методом диагностики. В некоторых больницах накапливались необработанные снимки, с потоком которых рентгенологи просто не справлялись, что на шесть и более часов задерживало постановку диагноза. Для решения этой проблемы два производителя диагностических инструментов на основе ИИ, Qure.ai из Мумбаи и корейская компания Lunit, быстро перенастроили свои системы на выявление коронавируса. Одно исследование обнаружило, что система Qure.ai с точностью 95 % отличала COVID-19 от других причин пневмонии[77].
Подобные результаты порождают энтузиазм, который порой выливается в хайп. Даже некоторые эксперты по глубокому обучению считают почти данностью, что в относительно близком будущем системы ИИ полностью заменят рентгенологов. Лауреат премии Тьюринга Джеффри Хинтон, пожалуй самый видный пропагандист глубокого обучения, в 2016 году сказал, что «теперь мы можем перестать учить рентгенологов», поскольку «в течение пяти лет глубокое обучение будет показывать лучшие результаты, чем люди». Хинтон сравнил врачей с Хитрым Койотом, персонажем мультфильма «Дорожный бегун», который, как известно, часто оказывается «уже за краем обрыва» и лишь потом смотрит вниз и падает в бездну[78]. Однако через четыре года после заявления Хинтона нет никаких свидетельств нависшей над рентгенологами угрозы безработицы. Практикующие специалисты энергично оспаривают утверждение, будто их профессия скоро исчезнет. В сентябре 2019 года Алекс Братт, врач с факультета рентгенологии Стэнфордской медицинской школы, опубликовал комментарий под названием «Почему рентгенологам незачем бояться глубокого обучения» с доказательствами того, что системы анализа рентгеновских снимков на основе глубокого обучения не обладают гибкостью и целостным мышлением и их применимость в общем ограничена простыми случаями. По его словам, системы ИИ не способны объединять информацию из «истории болезни, результатов анализов, предыдущих снимков» и тому подобного. Таким образом, эта технология пока что работает прекрасно лишь в «случаях, которые можно надежно выявить на основании лишь одного снимка (или нескольких последовательных снимков), не обращаясь к клинической информации или предшествующим обследованиям»[79]. Я подозреваю, что Джефф Хинтон заявил бы на это, что такие ограничения неизбежно будут преодолены, и очень вероятно, что в долгосрочной перспективе он окажется прав, но, на мой взгляд, мы увидим постепенный процесс, а не резкое подрывное изменение.
Картина дополняется множеством других серьезных препятствий, из-за которых очень трудно в обозримом будущем оставить без работы рентгенологов или медиков любых других специальностей. Практически все аспекты здравоохранения зарегулированы подчас многочисленными инстанциями с пересекающимися полномочиями. Совершенно вывести из игры лицензированных врачей будет очень непросто. Авторитет таких организаций, как Американская медицинская ассоциация, дает докторам намного больше власти над собственной судьбой, чем большинству других работников. Существуют также важные вопросы юридической ответственности. Ошибка с плохими последствиями для пациента легко может обернуться судебным преследованием. Пока эта ответственность распределена между тысячами врачей. Если работу будет выполнять не врач, а устройство или алгоритм, разработанный и поставленный заказчику богатой корпорацией, это приведет к концентрации ответственности и может спровоцировать поток судебных исков. Все эти препятствия, наверное, будут преодолены в перспективе, но в обозримом будущем, на мой взгляд, вопрос состоит не в том, заменит ли ИИ рентгенологов, а в том, сможет ли он существенно повысить производительность их труда. Если глубокое обучение позволит рентгенологам анализировать существенно больше снимков за определенный период времени, а также моментально обеспечит их вторым квалифицированным мнением, сводящим ошибки к минимуму, это расширит возможности каждого доктора и сможет со временем заставить студентов-медиков выбирать другую специальность, реагируя на естественный рыночный спрос.
Конечно, визуальные образы не единственный вид информации, поддающийся обработке с помощью алгоритмов глубокого обучения. Переход к электронным медицинским картам создал огромный источник данных, во многих отношениях идеально подходящий для применения искусственного интеллекта. Задействование этого источника для повышения эффективности, сокращения затрат и улучшения результатов лечения пациентов, пожалуй, самый многообещающий вариант использования ИИ в здравоохранении в ближайшем будущем. По некоторым данным, врачебные ошибки — третья по распространенности причина смерти в Соединенных Штатах, уступающая только онкологическим и сердечным заболеваниям. До 440 000 американцев умирают ежегодно вследствие ошибок, которые можно было предотвратить[80]. Особенно часты случаи назначения неправильного лекарства или неверной дозы.
В исследовании 2019 года ИИ-приложению израильского стартапа MedAware предоставили данные о почти 750 000 взаимодействий с пациентами бостонской клиники Brigham and Women’s Hospital в 2012 и 2013 годах. Оно выявило почти 11 000 ошибок. Анализ результатов показал, что программа MedAware в 92 % случаев верно обнаруживала допустимые ошибки, почти 80 % выданных ею предупреждений стали источником ценной клинической информации, и больше двух третей этих ошибок не были бы обнаружены существующими системами клиники. Исследование показало, что в дополнение к улучшению результатов лечения пациентов — а может быть, и спасению жизней — клиника сэкономила бы около $1,3 млн затраченных на устранение ошибок[81].
Один из самых известных случаев применения ИИ для обработки данных о пациентах произошел в 2016 году, когда DeepMind заключила пятилетнее соглашение об обмене данными с Национальной службой здравоохранения Великобритании (NHS). NHS предоставила DeepMind доступ к информации более чем о миллионе пациентов. К числу разработанных компанией пилотных приложений относилась система, способная анализировать медицинские карты и результаты анализов и немедленно уведомлять сотрудников NHS об угрозе острой почечной недостаточности, а также система на основе ИИ, способная диагностировать болезни глаз на основании медицинских снимков порою точнее, чем врачи. Несмотря на многообещающий прогресс, соглашение вызвало полемику в 2019 году, когда программа была передана Google, материнской компании DeepMind. Сразу же возникли опасения, что технологический гигант получит доступ к данным NHS о пациентах, хотя Google и сообщила о введении строгой политики конфиденциальности и тщательной анонимизации данных[82]. Это очередная иллюстрация того, как факторы, помимо возможностей технологии — в данном случае кажущаяся угроза персональным данным, — могут существенно замедлить внедрение искусственного интеллекта в сфере здравоохранения.
Наиболее поразительны примеры успешного применения искусственного интеллекта в области психического здоровья. Стартап Woebot Labs из Кремниевой долины, основанный в 2017 году, создал чат-бот на основе технологии обработки естественного языка, аналогичной той, что используется в Alexa и Siri, дополнив ее элементами диалога, которые были тщательно подобраны психологами. По сути, идея Woebot состоит в автоматизации когнитивно-поведенческой терапии — проверенного метода помощи людям, страдающим от депрессии и тревоги. В течение недели после вывода чат-бота на рынок с ним поговорили больше 50 000 человек. Как отмечает основательница и генеральный директор стартапа Элисон Дарси, «Woebot доступен даже в два часа ночи в случае панической атаки, когда рядом нет, да и не может быть, психотерапевта»[83]. Действительно, круглосуточная доступность чат-бота, в настоящее время бесплатного, совершенно новое явление в психотерапии, и это приложение удовлетворяет важнейшую потребность. Возможность получения профессиональной психологической помощи ограничена даже у многих работающих американцев, имеющих медицинскую страховку. Ситуация во многих развивающихся странах с низким уровнем медобслуживания значительно хуже. Там, где властям сложно обеспечить население хотя бы элементарной медицинской помощью, услуги квалифицированных психиатров и психологов практически недоступны большинству. Woebot регулярно общается с жителями более 130 стран, многие из которых взаимодействуют с этой службой, реализованной только на английском языке, через автоматизированного переводчика на основе ИИ