Шрифт:
Закладка:
Другие роботы автономно перемещаются по больничным коридорам и лифтам, развозя лекарства, постельное белье и медицинские принадлежности. Роботы самостоятельно перевозят тяжелые грузы и периодически возвращаются на станции зарядки аккумуляторов. Аналогично многочисленные фармацевтические роботы, которые с неизменной точностью готовят и смешивают препараты в соответствии с тысячами рецептов, повысили эффективность и снизили число ошибок в дозировке лекарств в крупных больницах. Машины работают в полностью автоматическом режиме: с того момента, когда лечащий врач вводит рецепт в компьютерную систему больницы, ни один человек не прикасается к лекарствам до тех пор, пока робот их не упакует и не снабдит штрихкодом для отслеживания. Система также следит за запасом медикаментов и ежедневно автоматически генерирует заказы для его пополнения[75].
Это важные достижение, но опять-таки они ограничены самыми рутинными сторонами работы, которая должна выполняться в медицинских учреждениях. Никакой робот не способен заменить докторов и медсестер при выполнении медицинских процедур, требующих высокой квалификации. Хирургические роботы, такие как система da Vinci, ставшие очень популярными, увеличивают возможности хирургов, но они неавтономны. Врач, который в ином случае выполнял бы операцию своими руками, теперь управляет роботом. Возможно, пациенту результат нравится больше, но резкого сокращения времени работы хирурга и бригады ассистентов не произошло. Манипуляции, выполняемые врачами и медсестрами, невероятно трудны для искусственного интеллекта, потому что требуют высочайшей ловкости в сочетании с навыками решения проблем и межличностного взаимодействия, а также способности действовать в непредсказуемой обстановке, где каждая ситуация и каждый пациент уникальны. Что касается роботов для терапевтической помощи, то влияние эффекта масштаба на производительность, наблюдаемое на фабриках и складах, представляется делом далекого будущего. Для его достижения потребуется не только невероятное увеличение ловкости роботов, но и, весьма вероятно, универсальный ИИ или нечто очень к нему близкое.
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
