Как обучить врача равноправному диалогу с Искусственным Интеллектом?

Медицинские футуристы называют Искусственный Интеллект «Стетоскопом 21-го века». Для того, чтобы ближайшей перспективе ИИ занял свое законное место в здравоохранении благодаря когнитивным компьютерам, помогающим врачам принимать клинические решения, медики уже сегодня должны начать изучать, как ИИ работает в здравоохранении и как подружить с ним каждого из врачей, вне зависимости от возраста и цифровой грамотности.

Команда «Азфорус» состоящая из известных российских ученых, а так же аспирантов программистов, много десятилетий работает в сфере машинного обучения и методов Data Science.

Мы предлагаем Вашему вниманию интервью с экспертом компании «Азфорус», доктором физико-математических наук, ведущим научным сотрудником Федерального исследовательского центра «Информатика и управление» Российской академии наук О.В. Сенько.

Тема разговора: Обучение специалистов по анализу данных и машинному обучению.

Олег Валентинович! Как обучить врача анализу данных и равноправному диалогу с Искусственным Интеллектом?

- Следует различать анализ данных и Искусственный интеллект. Традиционно с анализом данных связана медицинская статистика. Данная дисциплина является обязательной для студентов медицинских институтов. Методы математической статистики позволяют находить относительно простые связи между различными медицинскими показателями , оценивать эффекты лечения. Важной составляющей медицинской статистикой является оценка достоверности результатов, что позволяет выявлять эффекты и связи, которой не могут быть объяснены простой случайностью. Методы математической статистики важны прежде всего при медицинских научных исследованиях. Для практикующего врача, не занимающегося непосредственно научными изысканиями, знание математической статистики в какой-то мере необходимо при чтении научных статей.

Продвижение Искусственного интеллекта в последние годы связано развитием методов машинного обучения. Основными задачами машинного обучения в медицине является поиск максимально точных алгоритмов диагностики заболевания и прогнозирование исхода. Вообще-то данные задачи могут решаться также с помощью традиционных методов математической статистики, но современное машинное обучение предлагает существенно больший арсенал средств. Наиболее известными инструментами машинного обучения являются нейронные сети. Однако на самом деле существует большое количество разнообразных методов, основанных на различных принципах. Алгоритмы, построенные с помощью современных методов машинного обучения, позволяют учесть большое число медицинских показателей.

Какие прорывные технологии по анализу данных в медицине развивает и реализует на практике компания «Азфорус»?

- Основная проблема, связанная с методами машинного обучения, как это признается большинством практиков, является проблема непрозрачности получаемого решения.

 Процесс обучения (настройки алгоритма диагностики и прогнозирования), а также работа самого созданного алгоритма оказываются недоступны пользователю. Не понятны причины, по которым принимается то или иное диагностическое или прогностическое решение. Такая непрозрачность снижает доверие к выдаваемым алгоритмом решениям и отталкивает медицинское сообщество от применения ИИ.

Разработанный нами программный продукт компьютерная программа Data Master Azforus предлагает новую технологию визуализации работы алгоритма.

Наш подход основан на представлении работы алгоритма в виде совокупности статистически достоверных закономерностей, которые показываются на двумерных диаграммах. Данная технология называется методом Достоверных разбиений. Кроме того, наш продукт включает технологию машинного обучения – метод Статистически Взвешенных Синдромов (СВС), который нередко оказывается наиболее эффективным именно на медицинских задачах.

Приведите, пожалуйста, конкретные примеры, как этим инструментом могут воспользоваться врачи? Например, какие закономерности в клинической практике можно отследить с помощью ИИ?

- Врачи неоднократно просили нас сделать такую программу, чтобы там было только три кнопки: ввод данных, анализ данных и красивый отчет. Мы так и поступили. Интерфейс комплекса Data Master Azforus крайне прост и доступен. Можно проследить при анализе на парах показателей как разделяются классы больных.

Например, решение задачи прогноза предгипертонии позволила достоверно связать риск возникновения гипертонической болезни у женщин с показателями липидного статуса и индексом массы тела (ИМТ). Благодаря этому алгоритму у женщин, которые даже не предполагают у себя угрозы гипертонии, можно провести профилактику заболевания и вовремя остановить наступление грозной болезни.

Какие разделы включает архитектура вашего программного продукта? Можно ли наглядно на примере любой нозологии продемонстрировать, как врач может начать работу с программой, если у него не коробочный продукт, а он хотел бы сам познать все радости анализа данных?

- Работать программой Data Master Azforus может научиться любой врач, умеющий работать с компьютером.

У нас предусмотрена подготовка данных к анализу, которая состоит из четырех разделов: работа с пропусками, удаление дублирующих наблюдений, замена символьных значений числовыми, а также поиск выбросов (далеко отклоняющихся объектов) тремя способами.

Непосредственно анализ данных идет по семи методам машинного обучения, один из которых наш оригинальный СВС.

Отчеты с наглядными иллюстрациями по самым информативным показателям позволяют сделать акцент на самых важных параметрах.

Важным разделом является наглядное представление исследуемого пациента в окружении других пациентов, истории которых врач уже знает из предыдущего опыта. Конечной целью наших исследований является постепенный переход к полностью персонализированной медицине, когда лечение подбирается автоматически с учетом всех значимых клинико-лабораторных характеристик.

Такой переход может быть осуществлен в первую очередь с использованием технологий машинного обучения. Основным препятствием к продвижению является недостаточный объем существующих баз медицинских данных.

Нужно ли современному врачу владеть методами машинного обучения? Какие виды задач машинного обучения доступны «простым смертным»?

- Алгоритм компьютерной диагностики, полученный с использованием методов машинного обучения, рассчитывает оптимальное диагностическое решение по заданному набору медицинских показателей. Для того, чтобы получить диагностическое решение достаточно ввести в программу Data Master Azforus значения этих показателей.

Особой специальной подготовки для этого не требуется. То же самое относится и к алгоритмам прогнозирования исхода. Вместе с тем практикующий врач должен понимать, какие именно показатели запрашивает алгоритм, что означают данные показатели, и каким образом они могут быть получены. То есть для того, чтобы воспользоваться алгоритмами диагностики или прогнозирования исхода, необходимы, прежде всего, знания в рамках медицинской специализации.

Специальные знания в области машинного обучения могут, безусловно, потребоваться при оценивании качества работы алгоритмов, а также при сравнении нескольких алгоритмов.

Несомненно, что алгоритмы диагностики и прогнозирования лучше всего создавать при тесном взаимодействии между специалистами в области Data Science и представителями медицинской науки.

Сочетать обе специальности на самом деле сложно. Поскольку они обе требуют длительного интенсивного обучения. Однако базовые знания в области Data Science лучше иметь также и представителям медицины.

Профессия ДАТА-сайентист возглавляет список 25 лучших вакансий США.
Насколько реально практикующему врачу освоить эту профессию будущего, чтобы достойно отвечать вызовам цифровой медицины или все же это сфера компетенций исключительно для математиков, программистов, аналитиков?

- Врачу необходимо понимать, что в любом случае ответственность за принятое решение лежит исключительно на лечащем враче. Поэтому при использовании ИИ врач должен понимать, что при вводе данных конкретного пациента одна ошибка может критически сказаться на результате диагностики или прогноза.

Кроме того, точность прогноза всегда является ограниченной. Какой-то процент ошибок возможен у любого алгоритма. Личный опыт и интуицию врача никто не отменял. ИИ будет только советчиком, к мнению которого врач может прислушаться, но не обязан подчиняться.

В каких сферах медицины могут быть использованы методы машинного обучения?

- Во всех сферах, где собраны базы данных. В первую очередь, конечно, там, где требуется диагностика. То есть практически во всех отраслях медицины. 

Интервью подготовила Надежда Данилова при участии компании "Азфорус"