Runājot par mašīnmācību, lielākā daļa sarunu ir par medicīnas jomu. Un tas nav pārsteidzoši: milzīga nozare, kas rada fenomenālu datu un ienākumu daudzumu, un kurā tehnoloģiju sasniegumi var uzlabot vai glābt miljonu cilvēku dzīvības. Diez vai nedēļa paiet, neiznākot pētījumam, kas liek domāt, ka algoritmi drīz būs labāki nekā eksperti, kuri atklāj pneimoniju vai Alcheimera slimību - sarežģītu orgānu slimības no acs uz sirdi. Un viss iet uz šo, bet …
Pārpildīto slimnīcu un pārlieku lielā medicīnas personāla problēmas saindē sabiedrības veselības sistēmas un palielina izdevumus privātajām veselības sistēmām. Un šeit atkal algoritmi piedāvā vilinošu risinājumu. Cik reizes jums tiešām jāredz ārsts? Vai šos apmeklējumus varētu aizstāt ar viedu tērzētavu - aprīkotu ar pārnēsājamiem diagnostikas testiem, izmantojot jaunākos sasniegumus biotehnoloģijā? Nevajadzīgās vizītes varētu samazināt un pacientus varētu ātrāk diagnosticēt un novirzīt pie speciālistiem, negaidot sākotnējo konsultāciju.
Tāpat kā mākslīgā intelekta algoritmos, mērķis nav aizstāt ārstus, bet dot viņiem instrumentus, kā samazināt ikdienas vai atkārtojošās darba daļas. Izmantojot AI, kas vienā minūtē var pārbaudīt tūkstošiem skenējumu, garlaicīgā rutīna paliek mašīnās, un ārsti var koncentrēties uz tām darba vietām, kurām vajadzīgs sarežģītāks, empīriskāks spriedums par labāko ārstēšanu un pacienta vajadzībām.
Augstas likmes
Tomēr tāpat kā ar AI algoritmiem, arī to lietošana ir saistīta ar riskiem, pat ja uzdevumi tiek uzskatīti par ikdienišķiem. Melnās kastes algoritmu problēmas, kas pieņem neizskaidrojamus lēmumus, ir pietiekami nopietnas, kad mēģināt saprast, kāpēc automatizētais chatbot vervētājs intervijas laikā nebija pārsteigts par jūsu stāstu. Veselības aprūpes kontekstā, kur lēmumi var būt dzīvība vai nāve, algoritmiskas neveiksmes var būt letālas.
Neironu tīkli veic lielisku darbu, apstrādājot lielu daudzumu apmācības datu un izveidojot savienojumus, absorbējot pamatā esošos modeļus vai sistēmas loģiku slēptajos lineārās algebras slāņos; neatkarīgi no tā, vai tas ir ādas vēža noteikšana no fotogrāfijām vai mācīšanās rakstīt pseidošekspīra valodā. Tomēr viņi šausmīgi izskaidro atklāto attiecību loģiku: starp slāņiem ir vairāk nekā tikai skaitļu virkne, statistiskais “svars”. Un viņi nevar atšķirt korelāciju no cēloņsakarības.
Reklāmas video:
Rodas interesantas dilemmas veselības aprūpes speciālistiem. Sapnis par lieliem datiem medicīnā ir barot neironu tīklu ar “milzīgu veselības datu daudzumu”, atrast sarežģītas, netiešas attiecības un veikt individuālus pacientu novērtējumus. Ko darīt, ja šāds algoritms izrādās nepamatoti efektīvs, diagnosticējot veselības stāvokli vai izrakstot ārstēšanu, bet jums nav zinātniskas izpratnes par to, kā šis savienojums patiesībā darbojas?
Pārāk daudz pavedienu, lai atvienotu
Statistikas modeļos, kas ir šādu neironu tīklu pamatā, bieži tiek pieņemts, ka mainīgie lielumi ir neatkarīgi viens no otra, taču sarežģītā, savstarpēji mijiedarbīgā sistēmā, piemēram, cilvēka ķermenī, tas ne vienmēr notiek.
Savā ziņā tas ir plaši pazīstams jēdziens medicīnas zinātnēs - ir daudz parādību un savienojumu, kas novēroti gadu desmitiem ilgi, bet bioloģiskajā līmenī joprojām ir slikti izprotami. Paracetamols ir viens no populārākajiem pretsāpju līdzekļiem, taču par tā iedarbību joprojām notiek daudz diskusiju. Ārsti var censties izmantot to, kurš rīks ir visefektīvākais, neatkarīgi no tā, vai tā pamatā ir dziļa zinātniska izpratne. Kopenhāgenas kvantu mehānikas interpretācijas cienītāji to var pārfrāzēt kā "Aizveries un dziedini!"
Šajā jomā, protams, notiek debates par to, vai mēs riskējam aizmirst dziļāku izpratni ar šo pieeju, kas galu galā izrādīsies auglīgāka - piemēram, meklējot jaunas zāles.
Papildus filozofiskām sprūgām ir arī praktiskas problēmas: ja jūs nesaprotat, kā darbojas medicīniskā algoritma melnā kaste, kā jūs vērsieties pie klīniskajiem izmēģinājumiem un normatīvajiem jautājumiem?
Var būt nepieciešama pārredzamība par to, kā darbojas algoritms - dati, kurus tas aplūko, sliekšņi, no kuriem tas izdara secinājumus vai sniedz padomus, - bet tas var būt pretrunā ar jaunizveidoto medicīnisko darbinieku peļņas motīviem un slepenības jautājumiem.
Viens no risinājumiem varētu būt tādu algoritmu likvidēšana, kuri paši sevi nespēj izskaidrot vai kuri nepaļaujas uz labi saprotamu medicīnas zinātni. Bet tas var neļaut cilvēkiem gūt labumu no šādiem algoritmiem.
Algoritma novērtēšana
Jauni algoritmi veselības aprūpē nespēs paveikt to, ko fiziķi ir izdarījuši ar kvantu mehāniku, jo tos nevarēs izmantot uz lauka. Daudzi algoritmi tiek precīzi uzlaboti, strādājot uz lauka. Kā izvēlēties daudzsološāko pieeju?
Izstrādāt būs standartizētu klīnisko izmēģinājumu un testēšanas sistēmu, kas būtu vienlīdz piemērojama algoritmiem, kuri darbojas atšķirīgi vai izmanto dažādas izejas. Izaicinājumi būs arī klīniskie pētījumi, kuros izmanto nelielu izlases lielumu, piemēram, ar algoritmiem, kas mēģina personalizēt ārstēšanu indivīdiem. Ar maziem paraugiem un nelielu zinātnisku izpratni par notiekošo nebūs iespējams pateikt, vai algoritms ir izdevies vai nav izdevies, jo tas kopumā varētu būt labs, bet rādīt sliktu piemēru.
Pievienojiet šim maisījumam mācīšanos, un attēls kļūst vēl sarežģītāks. "Vēl svarīgāk ir tas, ka ideālais melnās kastes algoritms ir elastīgs un pastāvīgi atjaunināts, tāpēc tradicionālais klīniskās izpētes modelis nav piemērots, jo tas paļaujas uz statisku produktu, kas jānovērtē konsekventi."
Mums būs jāpielāgo visa medicīnisko un klīnisko pētījumu sistēma.
Līdzsvara sasniegšana
Veselības aprūpes vēsture daudzos aspektos atspoguļo mākslīgā intelekta vēsturi. Nav nejaušība, ka IBM ir mēģinājusi pārveidot veselības aprūpes ainavu ar savu Vatsona mākslīgo intelektu.
Būs jāatrod līdzsvars. Mums būs jāatrod veids, kā apstrādāt lielos datus, izmantot neironu tīklu baismīgo spēku un automatizēt domāšanu. Mums jāapzinās šīs pieejas trūkumi un aizspriedumi problēmu risināšanā.
Tomēr jāsaka, ka šīs tehnoloģijas mums vajadzētu atbalstīt, jo tās var būt noderīgs papildinājums prasmēm, zināšanām un dziļākai izpratnei, ko cilvēki var sniegt. Tāpat kā neironu tīklam, arī mūsu nozarēm ir jāmācās paplašināt šo sadarbību nākotnē.
Iļja Khel