Can AI Catch What Doctors Miss? | Eric Topol | TED

Переводчик: Olga Lazareva Редактор: Olga Mansurova

I've had the real fortune of working at Scripps Research

Мне невероятно повезло работать в Scripps Research

for the last 17 years.

вот уже 17 лет.

It's the largest nonprofit biomedical institution in the country.

Это крупнейшее некоммерческое биомедицинское учреждение в стране.

And I've watched some of my colleagues,

И я наблюдал, как мои коллеги

who have spent two to three years

тратили от двух до трёх лет

to define the crystal 3-D structure of a protein.

на определение 3D-структуры белка.

Well, now that can be done in two or three minutes.

Теперь же это можно сделать за две или три минуты.

And that's because of the work of AlphaFold,

И всё благодаря программе AlphaFold,

which is a derivative of DeepMind, Demis Hassabis and John Jumper,

разработанной сотрудниками DeepMind Демисом Хассабисом и Джоном Джампером,

recognized by the American Nobel Prize in September.

получившими за это премию Ласкера в сентябре 2023 года.

What's interesting, this work,

Самое интересное, что эта программа,

which is taking the amino acid sequence in one dimension

которая берёт одномерную последовательность аминокислот

and predicting the three-dimensional protein at atomic level,

и предсказывает уже трёхмерную структуру белка,

[has] now inspired many other of these protein structure prediction models,

вдохновила учёных на создание многих других моделей предсказания,

as well as RNA and antibodies,

включая модели для РНК и антител,

and even being able to pick up all the missense mutations in the genome,

и даже дала возможность выявления всех миссенс-мутаций

and even being able to come up wit proteins

наравне со способностью моделирования белков,

that have never been invented before, that don't exist in nature.

которых раньше никогда не было и не существует в природе.

Now, the only thing I think about this is it was a transformer model,

Я не перестаю думать об этой модели-трансформере,

we'll talk about that in a moment,

к которой мы вернёмся чуть позже,

in this award, since Demis and John

именно о её роли в получении премии, поскольку Демис и Джон

and their team of 30 scientists

и их команда из 30 учёных

don't understand how the transformer model works,

не до конца понимают, как именно трансформер здесь срабатывает,

shouldn't the AI get an asterisk as part of that award?

так почему бы не дать ИИ звёздочку как часть этой награды?

I'm going to switch from life science,

Сейчас я переключусь с биологических наук,

which has been the singular biggest contribution just reviewed,

которые получили невероятный толчок к развитию,

to medicine.

на медицину.

And in the medical community,

А в медицинском сообществе

the thing that we don't talk much about are diagnostic medical errors.

мы не очень любим обсуждать ошибки в диагностике.

And according to the National Academy of Medicine,

По данным Национальной медицинской академии

all of us will experience at least one in our lifetime.

каждый из нас столкнётся с этим хотя бы раз в жизни.

And we know from a recent Johns Hopkins study

Согласно недавнему исследованию Джонса Хопкинса

that these errors have led to 800,000 Americans dead

в результате таких ошибок 800 000 американцев умирают

or seriously disabled each year.

или становятся инвалидами ежегодно.

So this is a big problem.

И это серьёзная проблема.

And the question is, can AI help us?

Но сможет ли ИИ нам с этим помочь?

And you keep hearing about the term “precision medicine.”

Мы все слышали такое понятие как «точная медицина».

Well, if you keep making the same mistake over and over again, that's very precise.

В принципе, если вы ошибаетесь в чём-то снова и снова, это и правда точно.

(Laughter)

(Смех)

We don't need that,

Но нам нужно не это,

we need accuracy and precision medicine.

нам нужна безошибочная и точная медицина.

So can we get there?

По силам ли нам это?

Well, this is a picture of the retina.

Это снимок сетчатки глаза.

And this was the first major hint,

Он был ключевым изображением

training 100,000 images with supervised learning.

среди 100 000 других при обучении ИИ с учителем.

Could the machine see things that people couldn't see?

Может ли компьютер увидеть то, что не могут увидеть люди?

And so the question was, to the retinal experts,

Мы задали вопрос офтальмологам:

is this from a man or a woman?

это сетчатка глаза мужчины или женщины?

And the chance of getting it accurate was 50 percent.

Точность их ответов составила 50 процентов.

(Laughter)

(Смех)

But the AI got it right, 97 percent.

А точность ответа ИИ составила 97 процентов.

So that training,

И говоря про обучение,

the features are not even fully defined of how that was possible.

мы даже не до конца поняли, как это возможно.

Well that gets then to all of medical images.

И это касается всех медицинских снимков.

This is just representative, the chest X-ray.

В качестве примера возьмём рентген грудной клетки.

And in fact with the chest X-ray,

На этом снимке

the ability here for the AI to pick up,

ИИ смог обнаружить то,

the radiologists, expert radiologists missing the nodule,

что опытные рентгенологи не заметили, а именно, узелок,

which turned out to be picked up by the AI as cancerous,

который ИИ определил как злокачественный,

and this is, of course, representative of all of medical scans,

и это применимо ко всем медицинским снимкам,

whether it’s CT scans, MRI, ultrasound.

будь то компьютерная томография, МРТ или УЗИ.

That through supervised learning of large, labeled, annotated data sets,

Оценивая результаты обучения ИИ с учителем с заранее отобранным набором данных,

we can see AI do at least as well, if not better,

мы видим, что по эффективности ИИ не уступает, если не превосходит

than expert physicians.

опытных врачей.

And 21 randomized trials of picking up polyps --

А 21 рандомизированное клиническое исследование по выявлению полипов

machine vision during colonoscopy -- have all shown

с помощью машинного зрения во время колоноскопии показало,

that polyps are picked up better

что полипы легче выявляются

with the aid of machine vision than by the gastroenterologist alone,

именно с помощью машинного зрения, нежели одним лишь гастроэнтерологом,

especially as the day goes on, later in the day, interestingly.

особенно ближе к концу рабочего дня, что примечательно.

We don't know whether picking up all these additional polyps

Мы не знаем, позволит ли такой способ обнаружения полипов

changes the natural history of cancers,

изменить «естественную историю» роста рака,

but it tells you about machine eyes,

но это многое говорит о машинном зрении,

the power of machine eyes.

о его возможностях.

Now that was interesting.

И это очень интересно.

But now still with deep learning models, not transformer models,

Применяя модели глубокого обучения, не конкретно трансформеры,

we've seen and learned that the ability

мы поняли, что возможности

for computer vision to pick up things that human eyes can't see

машинного зрения превосходят возможности человеческого глаза

is quite remarkable.

весьма существенно.

Here's the retina.

Это сетчатка глаза.

Picking up the control of diabetes and blood pressure.

С её помощью мы можем контролировать диабет и артериальное давление.

Kidney disease.

Заболевания почек.

Liver and gallbladder disease.

Заболевания печени и желчного пузыря.

The heart calcium score,

Определить уровень коронарного кальция,

which you would normally get through a scan of the heart.

что обычно делается с помощью компьютерной томографии сердца.

Alzheimer's disease before any clinical symptoms have been manifest.

Распознать болезнь Альцгеймера до появления первых симптомов.

Predicting heart attacks and strokes.

Предвидеть сердечные приступы и инсульты.

Hyperlipidemia.

Гиперлипидемию.

And seven years before any symptoms of Parkinson's disease,

И болезнь Паркинсона за семь лет до появления симптомов,

to pick that up.

вот на что мы способны.

Now this is interesting because in the future,

Это важно, потому что в будущем

we'll be taking pictures of our retina at checkups.

мы будем делать снимки сетчатки во время осмотров.

This is the gateway to almost every system in the body.

Так мы получаем доступ почти ко всем органам.

It's really striking.

Поразительно.

And we'll come back to this because each one of these studies

Мы ещё к этому вернёмся, потому что все эти исследования

was done with tens or hundreds [of] thousands of images

проводились с использованием десятков или сотен тысяч изображений

with supervised learning,

при обучении ИИ с учителем

and they’re all separate studies by different investigators.

отдельно и независимо различными исследователями.

Now, as a cardiologist, I love to read cardiograms.

Как кардиолог, я люблю расшифровывать кардиограммы.

I've been doing it for over 30 years.

Я занимаюсь этим уже более 30 лет.

But I couldn't see these things.

Но даже я в чём-то тут бессилен.

Like, the age and the sex of the patient,

Например, узнать возраст и пол пациента

or the ejection fraction of the heart,

или оценить фракцию выброса сердца,

making difficult diagnoses that are frequently missed.

или распознать очень сложные диагнозы, которые часто упускаются.

The anemia of the patient, that is, the hemoglobin to the decimal point.

Выявить анемию, определив уровень гемоглобина с точностью до десятых.

Predicting whether a person,

Оценить у пациента

who's never had atrial fibrillation or stroke

без нарушений сердечного ритма или случаев инсульта

from the ECG,

по его ЭКГ

whether that's going to likely occur.

риск их возникновения.

Diabetes, a diagnosis of diabetes and prediabetes, from the cardiogram.

Заподозрить диабет или преддиабет по кардиограмме.

The filling pressure of the heart.

Определить давление в правом предсердии.

Hypothyroidism

Гипотиреоз

and kidney disease.

и заболевания почек.

Imagine getting an electrocardiogram to tell you about all these other things,

Представьте себе ЭКГ, которая может рассказать обо всём этом,

not really so much about the heart.

что выходит далеко за пределы сердца.

Then there's the chest X-ray.

Или рентген грудной клетки.

Who would have guessed that we could accurately determine

Кто бы мог подумать, что по нему можно точно определить

the race of the patient,

расу пациента,

no less the ethical implications of that,

не отвлекаясь на этические аспекты,

from a chest X-ray through machine eyes?

ведь на снимок смотрит машина?

And interestingly, picking up the diagnosis of diabetes,

Или же поставить диагноз диабета

as well as how well the diabetes is controlled,

и понять, насколько хорошо контролируется заболевание,

through the chest X-ray.

только взглянув на рентген.

And of course, so many different parameters about the heart,

Существует много разных параметров сердечной деятельности,

which we could never,

которые мы бы никогда не смогли,

radiologists or cardiologists, could never be able to come up

рентгенологи или кардиологи, никогда бы не смогли увидеть их здесь,

with what machine vision can do.

но которые всегда увидит компьютер.

Pathologists often argue about a slide,

Патологи часто спорят об этом слайде,

about what does it really show?

что тут изображено на самом деле?

But with this ability of machine eyes,

С помощью же машинного зрения

the driver genomic mutations of the cancer can be defined,

стало возможным определить здесь драйверные мутации,

no less the structural copy number variants

а также вариации числа копий генов,

that are accounting or present in that tumor.

присутствующие в опухоли.

Also, where is that tumor coming from?

Да и откуда взялась эта опухоль?

For many patients, we don’t know.

В большинстве случаев мы не знаем.

But it can be determined through AI.

Но теперь это возможно определить с помощью искусственного интеллекта.

And also the prognosis of the patient,

А также сделать прогноз для пациента

just from the slide,

просто по этому изображению

by all of the training.

посредством обучения компьютера.

Again, this is all just convolutional neural networks,

Опять же, это всё касается свёрточных нейронных сетей,

not transformer models.

а не трансформеров.

So when we go from the deep neural networks to transformer models,

Переходя от глубоких нейронных сетей к трансформерам,

this classic pre-print,

посмотрим на этот препринт,

one of the most cited pre-prints ever,

один из наиболее цитируемых когда-либо:

"Attention is All You Need,"

«Вам нужно лишь внимание»,

the ability to now be able to look at many more items,

и теперь мы можем учитывать множество элементов последовательности,

whether it be language or images,

будь то текст или изображения,

and be able to put this in context,

и рассматривать их в контексте,

setting up a transformational progress in many fields.

способствуя прогрессу трансформации в различных областях.

The prototype is, the outgrowth of this is GPT-4.

Так и появилась модель GPT-4.

With over a trillion connections.

С более чем триллионом параметров.

Our human brain has 100 trillion connections or parameters.

Мозг человека имеет 100 триллионов синапсов или параметров.

But one trillion,

Но один триллион,

just think of all the information, knowledge,

только представьте себе информацию и знания,

that's packed into those one trillion.

которые заключены в этом триллионе.

And interestingly, this is now multimodal with language, with images,

Такая мультимодальная модель обрабатывает текст, изображения

with speech.

и речь.

And it involves a massive amount of graphic processing units.

И для этого задействуется огромное количество графических процессоров.

And it's with self-supervised learning,

А также она автоматически обучается,

which is a big bottleneck in medicine

но в сфере медицины это спорный момент,

because we can't get experts to label images.

ведь мы не задействуем экспертов для маркировки изображений.

This can be done with self-supervised learning.

Так как это осуществляется самим компьютером.

So what does this set up in medicine?

Как же это использовать в медицине?

It sets up, for example, keyboard liberation.

Например, это позволит больше не вносить данные в компьютер вручную.

The one thing that both doctors, clinicians

Что порадует как врачей и медсестёр,

and patients would like to see.

так и пациентов.

Everyone hates being data clerks as clinicians,

Врачи не любят превращаться в канцелярских работников,

and patients would like to see their doctor

а пациенты хотят видеть своего врача

when they finally have the visit they've waited for a long time.

во время назначенного визита, который они так долго ждали.

So the ability to change the face-to-face contact

И личное общение лицом к лицу

is just one step along the way.

является лишь первым шагом.

By having the liberation from keyboards with synthetic notes

Благодаря освобождению от вбивания в компьютер данных,

that are driven, derived from the conversation,

получаемых при разговоре с пациентом,

and then all the downstream normal data clerk functions that are done,

и прекращению исполнения прочих канцелярских обязанностей,

often off-hours.

это не крадёт рабочее время.

Now we're seeing in health systems across the United States

И мы уже видим, как в американской системе здравоохранения

where people, physicians are saving many hours of time

люди значительно экономят время

and heading towards ultimately keyboard liberation.

и всё идёт к полному избавлению от внесения данных вручную.

We recently published, with the group at Moorfields Eye Institute,

Мы с коллегами из офтальмологической клиники Moorfields недавно опубликовали

led by Pearse Keane,

под руководством Пирса Кина

the first foundation model in medicine from the retina.

первую медицинскую базовую модель на основе снимков сетчатки.

And remember those eight different things that were all done by separate studies?

Помните, мы говорили об исследованиях, проводившихся независимо друг от друга?

This was all done with one model.

Для всех использовалась одна модель.

This is with 1.6 million retinal images

Так на основе 1,6 миллиона изображений сетчатки глаза

predicting all these different outcome likelihoods.

можно предсказать все эти вероятные развития событий.

And this is all open-source,

У программы открытый исходный код,

which is of course really important that others can build on these models.

ведь важно, чтобы другие тоже могли использовать эти модели.

Now I just want to review a couple of really interesting patients.

Теперь я хочу рассказать о паре интересных случаев из практики.

Andrew, who is now six years old.

Эндрю, которому сейчас шесть лет.

He had three years of relentlessly increasing pain, arrested growth.

На протяжении трёх лет он постоянно чувствовал боль и страдал задержкой роста.

His gait suffered with a dragging of his left foot,

При ходьбе он волочил левую ногу

he had severe headaches.

и испытывал ужасную головную боль.

He went to 17 doctors over three years.

За три года он обратился к 17 врачам.

His mother then entered all his symptoms into ChatGPT.

Затем его мать перечислила все его симптомы в ChatGPT.

It made the diagnosis of occulta spina bifida,

В ответ высветился диагноз «скрытое расщепление позвоночника»,

which meant he had a tethered spinal cord that was missed by all 17 doctors

а именно синдром фиксированного спинного мозга, который все 17 врачей

over three years.

упускали три года.

He had surgery to release the cord.

Ему сделали операцию на спинном мозге.

He's now perfectly healthy.

Теперь он совершенно здоров.

(Applause)

(Аплодисменты)

This is a patient that was sent to me,

Ко мне также направили пациентку,

who was suffering with, she was told, long COVID.

у которой был постковидный синдром, как её заверили.

She saw many different physicians, neurologists,

Она обращалась к разным врачам, неврологам,

and her sister entered all her symptoms after getting nowhere,

а её сестра решила перечислить ИИ все её симптомы, зайдя в тупик:

no treatment for long COVID,

лонг-ковид не лечится,

there is no treatment validated,

эффективного лечения пока нет,

and her sister put all her symptoms into ChatGPT.

и сестра написала все её симптомы в ChatGPT.

It found out it actually was not long COVID,

Оказалось, дело было не в постковидном синдроме,

she had limbic encephalitis, which is treatable.

а в лимбическом энцефалите, который излечим.

She was treated, and now she's doing extremely well.

Ей оказали помощь, и сейчас она в полном порядке.

But these are not just anecdotes anymore.

И это уже не шутки.

70 very difficult cases

70 крайне сложных диагнозов, рассмотренных

that are the clinical pathologic conferences

на клинико-патологоанатомических конференциях

at the New England Journal of Medicine

и в Медицинском журнале Новой Англии,

were compared to GPT-4,

сравнили с диагнозами от GPT-4,

and the chatbot did as well

и чат-бот справился так же хорошо

or better than the expert master clinicians

или даже лучше, нежели опытные врачи,

in making the diagnosis.

с постановкой диагноза.

So I just want to close with a recent conversation with my fellow.

В завершение я хочу поделиться своим недавним разговором с коллегой.

Medicine is still an apprenticeship,

Медицина всё ещё развивается,

and Andrew Cho is 30 years old,

Эндрю Чо сейчас 30 лет,

in his second year of cardiology fellowship.

он второй год учится на кардиолога.

We see all patients together in the clinic.

Мы вместе принимаем пациентов в клинике.

And at the end of clinic the other day,

И вот однажды в конце рабочего дня

I sat down and said to him,

я сел и сказал ему:

"Andrew, you are so lucky.

«Эндрю, тебе так повезло.

You're going to be practicing medicine in an era of keyboard liberation.

Совсем скоро тебе больше не придётся вбивать данные в компьютер руками.

You're going to be connecting with patients

Ты сможешь общаться с пациентами,

the way we haven't done for decades."

чего не было уже долгое время».

That is the ability to have the note

Это возможность иметь уже внесённые данные о пациенте,

and the work from the conversation

лично беседовать с ним на приёме

to derive things like pre-authorization,

и делегировать машине предварительное уведомление страховой компании,

billing, prescriptions, future appointments --

выставления счёта, выписку рецепта, повторную запись на приём,

all the things that we do,

всё то, что мы делаем сами,

including nudges to the patient.

включая сопровождение пациента.

For example, did you get your blood pressure checks

Проверяли ли вы показатели артериального давления?

and what did they show

И что они показали?

and all that coming back to you.

Вы сразу получаете результаты.

But much more than that,

Но гораздо важнее этого

to help with making diagnoses.

помощь в постановке диагнозов.

And the gift of time

И настоящий подарок нашего времени в том,

that having all the data of a patient

чтобы уже иметь все данные о пациенте,

that's all teed up before even seeing the patient.

которые обрабатываются ещё до самого приёма.

And all this support changes the future of the patient-doctor relationship,

Всё это меняет будущие отношения между пациентом и врачом,

bringing in the gift of time.

если использовать такой технологический дар.

So this is really exciting.

Это потрясающе.

I said to Andrew, everything has to be validated, of course,

Я сказал Эндрю, что, конечно, всё должно быть контролируемо,

that the benefit greatly outweighs any risk.

чтобы польза значительно перевешивала любой риск.

But it is really a remarkable time for the future of health care,

Но сейчас замечательное время для формирования будущего здравоохранения,

it's so damn exciting.

и оно чертовски захватывающее.

Thank you.

Спасибо.

(Applause)

(Аплодисменты)