Роботы вполне способны собирать автомобили и управлять самолетами. Почему же они не могут взять предмет на складе Amazon и положить его в коробку? Ведь эта задача вроде бы несравнимо проще. Роботы умеют собирать автомобили, потому что компоненты строго стандартизированы, а процесс четко определен. А товары, разложенные на полках на складе Amazon, бесконечно варьируются по форме, размерам, весу и твердости и лежат как попало. Иными словами, в задаче на складе есть неограниченное количество «если», а манипуляции на автосборочном заводе предполагают очень мало «если».
Следовательно, чтобы научиться забирать что-либо с полки в условиях склада, робот должен «видеть» товары (анализировать изображение), правильно прогнозировать угол и давление, чтобы взять требуемый товар, не уронить и не сломать его. Иначе говоря, в корне проблемы захвата разнообразных предметов в центрах обработки заказов лежит прогноз.
В исследованиях функции захвата роботов учат подражать человеку в процессе обучения с подкреплением от среды взаимодействия. Ванкуверский стартап Kindred, основанный Сюзанной Гилдерт, Джорди Роуз и командой с участием одного из авторов (Аджея Агравала), использует робота, названного Kindred Sort, – руку, управляемую одновременно автоматическим программным комплексом и человеком-оператором
[104]. Автоматика идентифицирует и классифицирует предмет, а человек – с гарнитурой виртуальной реальности – направляет руку, чтобы взять его и переложить.
В первой итерации человек может находиться вне склада и заполнять недостающее звено в рабочем процессе обработки заказов, выбирая угол и степень сжатия руки в удаленном режиме. Но в долгосрочной перспективе Kindred собирается тренировать робота выполнять эту задачу самостоятельно с помощью прогностической машины, обученной на многократных наблюдениях за действиями удаленного оператора.
Нужно ли продолжать обучать рентгенологов?
В октябре 2016 года Джеффри Хинтон, один из первых исследователей глубокого обучения нейронных сетей, стоя на сцене перед аудиторией из 600 человек во время ежегодной конференции ЛСР по вопросам машинного интеллекта, провозгласил: «Пришла пора прекратить обучение рентгенологов». Основная часть их работы – это изучение снимков и обнаружение аномалий, предполагающих наличие заболеваний. С точки зрения Хинтона, ИИ вскоре будет способен лучше любого специалиста выявлять важные с медицинской точки зрения объекты на снимках. Рентгенологи уже с начала 1960-х опасаются, что их заменят машины
[105]. Чем же новые технологии отличаются от прежних?
Технологии машинного обучения постоянно совершенствуются в прогнозировании отсутствующей информации, в том числе в идентификации и распознавании объектов.
Получив комплект снимков, они эффективно сопоставляют миллионы предыдущих примеров с признаками заболевания (и без них) и прогнозируют их присутствие на новом изображении. Именно таким распознаванием объектов с целью прогнозирования болезни и занимаются рентгенологи
[106].
IBM Watson и многие стартапы уже превратили инструменты ИИ в источник дохода в сфере рентгенологии. Watson распознает легочную эмболию и многие другие заболевания. Один из стартапов, Enlitic, применяет глубокое обучение для выявления узлов в легких (достаточно простая процедура) и переломов (что сложнее). В своем прогнозе Хинтон исходил из этих новых инструментов, но для рентгенологов, рентгенотехников и специалистов лабораторной диагностики они пока остаются предметом обсуждения
[107].
Какое будущее ожидает, по нашему мнению, рентгенологов? Они будут проводить меньше времени за анализом рентгенограмм. Основываясь на беседах с терапевтами и рентгенологами и общеизвестных законах экономики, опишем несколько ключевых ролей в сфере медицинской визуализации, которые сохранятся за людьми
[108].
Первое и самое очевидное таково: в ближайшей и среднесрочной перспективе необходимость проведения рентгена для конкретного пациента будет определять человек. Визуализация связана с издержками, как временными, так и с точки зрения последствий радиационного воздействия для здоровья (в некоторых технологиях). Со снижением издержек количество снимков возрастет, поэтому вероятно, что в ближайшей и, возможно, среднесрочной перспективе их возросшее количество компенсирует сокращение времени, которое человек тратит на один снимок.
Во-вторых, существует диагностическая и инвазивная рентгенография. Прогресс в распознавании объектов, который изменит будущее рентгенологии, затрагивает первую. Инвазивная рентгенография рассматривает снимки в реальном времени для содействия медицинским процедурам. Пока она требует суждения и квалифицированных действий от человека, на которые развитие ИИ не влияет, за исключением, пожалуй, частичного упрощения работы инвазивных рентгенографов благодаря повышению качества анализа снимков.
В-третьих, большинство рентгенологов считают себя «врачами врачей»
[109]. Их основная задача – предоставить описание снимка терапевту.
Сложность заключается в том, что расшифровка рентгеновских снимков (или просто «рентгенов», как они говорят) чаще всего вероятностная: «С вероятностью 70 % это болезнь А, с вероятностью 20 % человек здоров и с вероятностью 10 % это болезнь Б. Если через две недели проявятся такие-то симптомы, то вероятность болезни А составит 99 %, а отсутствия болезни – 1 %». Немногие терапевты хорошо разбираются в статистике и с трудом оценивают вероятности, в том числе условные. Рентгенологи помогают им в этом, облегчая выбор оптимальной для пациента схемы лечения. Когда-нибудь расчетами вероятности займется ИИ, но по крайней мере в ближайшем и обозримом будущем обязанность расшифровки результатов ИИ для терапевтов остается за рентгенологами.
