Давным-давно в далекой-далекой галактике жители имели доступ к передовой медицинской помощи, которую оказывали роботы. Медицинские дроиды из Звездных войн могли диагностировать и лечить своих пациентов благодаря экстраординарным знаниям и множеству встроенных хирургических инструментов. У них были дополнительные бонусные навыки в рассуждении и общении со своими пациентами — любым видом с любой планеты, говорящим на любом языке. Их постельные манеры были, конечно, безупречны.

Однако в этой галактике — по крайней мере, в нашем ее уголке — у нас нет ничего, даже отдаленно напоминающего медицинских дроидов из Звездных войн. Те хирургические роботы, которые у нас есть, даже частично не автономны; настоящий хирург-человек постоянно находится за рулем во время любой процедуры. А почерк у них еще хуже, чем у настоящего врача.

Это не означает, что современная медицина не может извлечь выгоду из машинного обучения. Возможно, в ближайшее время у нас не будет роботов-врачей и медсестер, летающих по нашим больницам, но машинное обучение может помочь нашим людям-медикам лучше выполнять свою работу сейчас и в ближайшем будущем.

Медицинские приложения машинного обучения

В настоящее время медицинские приложения машинного обучения ограничиваются поиском закономерностей в данных. Даже в этой узкой области машинное обучение имеет широкий спектр потенциальных применений:

  • Выявление проблем со здоровьем по изображениям. Является ли эта опухоль раковой опухолью или доброкачественной кистой? Обучив систему машинного обучения тысячам изображений как проблемных, так и доброкачественных признаков, врачи смогут более точно выявлять пациентов, нуждающихся в дополнительном скрининге для постановки положительного диагноза. Это избавит от бесчисленных ненужных биопсий и других процедур. Изображения могут быть получены из множества инструментов визуализации, которыми сегодня располагают врачи, от рентгеновских снимков до компьютерной томографии и МРТ до простых фотографий.
  • Диагностика на основе данных мониторинга. Используя данные различных носимых и имплантированных датчиков, включая датчики биохимического анализа крови, электрокардиограммы, электроэнцефалограммы и т. д., системы машинного обучения могут сравнивать тенденции данных пациента с данными тысяч других и выявлять состояния, которые могут указывать на заболевание, в некоторых случаях даже до появления симптомов.
  • Диагнозы на основе научных исследований. Системы машинного обучения будут иметь доступ к огромному количеству медицинских исследований, данным клинических испытаний и многому другому — гораздо больше информации, чем любой врач, больница или университет могут когда-либо усвоить. Таким образом, будет доступен опыт тысяч исследователей, который поможет ставить более качественные и быстрые диагнозы, сократив большую часть догадок, проб и ошибок, ненужных клинических испытаний и неблагоприятных лекарственных взаимодействий, которые сегодня преследуют отрасль.
  • Эпидемиология. Системы машинного обучения смогут предсказывать ход эпидемии, сообщая органам здравоохранения, на чем сосредоточить свои усилия по профилактике и лечению. Тысячи жизней можно было бы спасти, просто разместив полевые клиники в стратегически важных местах.

Потенциальные препятствия

Как и финансовая отрасль, отрасль здравоохранения переполнена данными, которые потенциально могут быть использованы для обучения систем машинного обучения. Проблема в том, что существует несколько стандартов для записи данных о пациентах — например, данные о сердечно-сосудистых заболеваниях могут записываться по-разному в разных странах или даже в разных больницах или клиниках. Без стандартов сложно сравнивать пациентов по принципу «яблоки с яблоками», что усложняет процесс обучения машинного обучения. Еще одним препятствием являются проблемы с конфиденциальностью: как сделать данные пациентов доступными для систем машинного обучения, сохраняя при этом конфиденциальность пациентов?

Отрасль здравоохранения и правительства уже много лет пытаются внедрить стандартные электронные медицинские карты, но это продвигается медленно. Пока этого не произойдет, системы машинного обучения будут далеко не в полной мере использовать свой потенциал.

Однако, как только эти препятствия будут преодолены, здравоохранение будет сильно отличаться от того, что есть сегодня. Сегодня врачи тратят чрезмерное количество времени на прием людей, которые на самом деле не больны. Если бы этих людей можно было идентифицировать до обращения к врачу, медицинские работники могли бы сосредоточить свои усилия на тех, кто действительно нуждается в их помощи. Системы машинного обучения будут иметь большое значение для достижения этой цели. И нам не нужно будет лететь в далекую-далекую галактику, чтобы воспользоваться преимуществами.

Хотите узнать больше о машинном обучении? Посетите нашу Лабораторию инноваций, где мы изучаем, как использовать различные технологии в различных бизнес-приложениях.

Первоначально опубликовано на blog.andplus.com.