×
Круглый стол MedAboutMe в «Яндекс»: Искусственный интеллект в медицине – будущее или настоящее. Часть 1. Состояние рынка в России и мире

JSON.TV публикует первую часть расшифровки круглого стола «Искусственный интеллект в медицине – будущее или настоящее?», организованного сервисно-информационным проектом MedAboutMe совместно с «Яндекс» 14 апреля 2016 года.

 

Ключевые вопросы, затронутые в первой части материала: текущее состояние рынка интеллектуальной медицины в России и мире в целом, ключевые драйверы развития, роль государства. Зарубежный опыт использования IBM Watson в медицине и других областях, где существуют массивы данных для анализа. Отсутствие единых информационных массивов в медицине для искусственного интеллекта как сдерживающий фактор развития направления в России. Машинное обучение в «Яндекс» и облачные технологии, текущие проекты Yandex Data Factory. Почему не следует путать анализ Big Data с «Искусственным интеллектом».

 

См. также расшифровку второй части круглого стола на JSON.TV

 

Модератор: основатель MedAboutMe Борис Пастухов 

 

Участники круглого стола:

 

- Константин Горбач, руководитель направления Здравоохранения IBM;

 

- Андрей Себрант, директор по маркетингу сервисов «Яндекс»;

 

- Юрий Богодухов, заместитель генерального директора АО «Микард-Лана» по маркетингу;

 

- Владислав Шершульский, директор программ технологического сотрудничества Microsoft в России;

 

- Сергей Лаванов, руководитель направления «ИТ в здравоохранении» компании Philips в России и СНГ;

 

- Олег Симаков, член Экспертного совета Минздрава России по использованию ИКТ в сфере здравоохранения.

 

Борис Пастухов, основатель MedAboutMe:

Начнем мы с вопроса, каким мы видим рынок сейчас. Судя по открытым источникам, публикующим решения по анализу больших данных, внедренных во множество крупных компаний, мировой рынок Bigdata, по оценкам американского агентства Wikibon, составляет $33 миллиарда. При этом в мировом масштабе российский рынок услуг и технологий Bigdata очень мал. В 2014 году американская компания IDC оценивала его примерно в 340 миллионов. При этом было отмечено, что рост российского рынка восхищает своими темпами — порядка 40% в год и к концу 2016 года он может увеличиться до $600 миллионов. Основной вопрос — кто является драйвером развития рынка в сфере медицины.И первый вопрос я хочу задать как раз Константину Горбачу. На сегодняшний день госсектор в России является крупнейшим поставщиком медицинских услуг.  Думаете ли вы, что он будет драйвером накопленных данных и их последующей обработке?

 

Константин Горбач, руководитель направления Здравоохранения IBM: Спасибо за вопрос. Как мне видится, вопрос дискуссионный, да. То есть, с одной стороны, население России достаточно большое и, учитывая, что каждый человеческий организм несет в себе большой объем информации, в принципе у государства все шансы быть действительно драйвером с точки зрения ее накопления. Вопрос только в том, каким образом собирать и хранить. То есть, это невозможно сделать в парадигме устаревших информационных систем и не совсем четких бизнес-процессов.

 

Насколько я понимаю, государство сейчас работает в данном направлении, предпринимаются какие-то шаги, чтобы навести порядок. ЕГИСЗ (Единая государственная информационная система здравоохранения) отчасти направлена на решение этих вопросов. Но пока о результатах судить рано. Ждем, смотрим, позже оценим. А касательно именно аналитики, обработки, то тут не все гладко и не все однозначно. Потому что, с одной стороны, этими накопленными данными государство вряд ли будут готово делиться с рынком, с коммерческими участниками. А чтобы обрабатывать их самостоятельно, нужны достаточно большие инвестиции.

 

К примеру, тот же IBM со своей системой Watson, которая достаточно часто сейчас упоминается в СМИ в контексте русского Watson в медицине, на здравоохранение тратит порядка $6 миллиардов в год на рынке, и при этом эффективные технологии стоят в приоритете. Не думаю, что Минздрав со своими 12 миллионами за 2015 год сможет решить эту задачу достаточно оперативно. То есть, рано или поздно они решат эту поставленную перед ними задачу. Вопрос только, сколько это займет времени. Как мне видится, тут необходимо использовать мировой опыт компаний, не обязательно IBM — это могут быть любые участники — такой симбиоз или, как сейчас модно говорить, государственно-частное партнерство. В общем, если использовать мировой опыт, то анализировать эти накопленные данные можно будет тоже достаточно эффективно.

 

Борис Пастухов: Вот со слов вашего коллеги Михаила Лобоцкого (руководитель департамента IBM в России и СНГ по работе с госорганами), неизвестные государственные организации из судебной сферы России с помощью Watson анализируют и структурируют информацию по судебным делам. А учреждение, связанное со следствием, пытается по возможным признакам выявлять и искать серийных убийц. А какую реальную пользу нашему российскому здравоохранению может принести Watson?

 

Константин Горбач: Надо понимать, что Watson – это довольно большой спектр продуктов, а не только онкология. Это, в том числе, и то, что упомянул Михаил, Watson Analytics — продукт, который позволяет анализировать неструктурированные данные и искать в них смысл, аномалии. Применительно к здравоохранению это может быть, например, анализ медицинских карт и сопоставление профиля конкретного пациента с другими больными с тем, чтобы выявить какие-то потенциальные риски в развитии его состояния.

 

Борис Пастухов: А вы это оцениваете — как структурированную информацию или неструктурированную?

 

Константин Горбач: Медицинская карта она может быть и такая, и такая. То есть, она даже в свободной форме может быть записана, таких у нас достаточно много.

 

Борис Пастухов: А Watson все-таки специализируется на каких?

 

Константин Горбач: Вот если говорить об этом, смотрите, структурированную информацию анализируют уже достаточно давно и достаточно эффективно. С этим проблем на рынке сегодня уже нет. Я думаю, тут и Андрей Себрант, который из «Яндекса», может это подтвердить. Вопросы возникают, когда стоит задача анализировать именно неструктурированные данные, особенно, если они идут в каком-то свободном тексте. И тут как раз есть польза уже от таких инструментов как Watson Analytics. Помимо данного рода аналитики есть онкология, о которой я говорил. Она может применяться в России в виде информационной поддержки врачей, у которых есть сомнения, или просто необходимость получить второе мнение от внешнего эксперта. Вот им может помочь Watson. Также существует понятие уровня компетенции. Watson, когда дает те или иные назначения лечения, приводит ссылки на все источники информации, на которые он опирался. Соответственно, врач может посмотреть научные статьи, вырезки из протокола лечения, релевантного к конкретному случаю.

 

Борис Пастухов: На сегодняшний день лечение сложных заболеваний довольно структурировано. Вопрос состоит в том, что есть клинико-статистические группы, обработка этой информации, есть протокол лечения. И, по-хорошему, протокол лечения и является основой для рекомендации врача по лечению тех или иных заболеваний. Как это соотносится с необходимостью в дополнительной обработке и получении информации, которую структурирует Watson? С любовью к «Яндексу», да.

 

Константин Горбач: Безусловно, протокол лечения не является первичным. То есть все, что дает Watson, идет не в разрез, а именно в угоду протоколу. Поскольку в противном случае, либо протокол был не правильный, либо Watson работал бы неверно. Но даже в рамках протокола возможна вариативность. И, собственно, как раз эта вариативность возникает в виду различных специфик конкретного пациента, в виду большого, огромного количества просто научных трудов в области онкологии тоже. И, собственно, плюс ко всему Watson анализирует статистическую базу пациентов с различными профилями по онкологии.

 

Борис Пастухов: То есть сейчас Watson ближе как бы к обучающей программе? Или все-таки ближе, условно говоря, к электронному доктору, который подсказывает, делай раз, делай два, делай три.

 

Константин Горбач: Ну, тут смотря, что считать электронным доктором. Потому что, по мне, так электронный доктор, если он тоже умеет обучаться — это прекрасно.

 


Источник: MedAboutMe

 

Борис Пастухов: Хорошо. Олег, а можно ли в российской действительности часть работы переложить на искусственный интеллект в такой важной области, как медицина.

 

Олег Симаков, член Экспертного совета Минздрава России по использованию ИКТ в сфере здравоохранения: Я думаю, что ответ на этот вопрос возник еще в конце 1970-х годов, когда первые работы в институте кибернетики украинской академии наук были посвящены как раз созданию системы искусственного интеллекта. В Москве они тоже велись в институте прикладной информатики, и до сих пор сохранились части этих работ у Кулешова Александра Петровича. Так что, собственно говоря, мы всегда, когда говорили о медицинской информации, пытались применить методы и средства искусственного интеллекта.

 

Однако, тогда, 6-7 лет назад я был больший оптимист, чем сегодня, по вопросу второй части этой проблемы: где мы возьмем данные для анализа? Дело в том, что то, что сейчас мы имеем, несмотря на 38 миллионов заполненных электронных медицинских карт, вряд ли возможно проанализировать так, как бы нам хотелось. По той простой причине, что заполнение этих карт происходило по разным классификаторам. То есть, есть информационные нестыковки. Есть масса, масса еще вопросов, которые не позволяют этот гигантский массив информации тем или иным способом обработать — будет ли это Watson или какая-то другая система, которая обладает инструментарием искусственного интеллекта.

 

Более того, из сорока групп нозологии это укрупненные нозологические своды, фактически медицинские специальности, будем так говорить — их примерно 40. Сейчас, правда, их еще больше поделили, классифицировали, и мы знаем, что у нас есть 82 главных внештатных специалиста, каждый из которых рассматривает свою специализацию. Так вот регистры…

 

Борис Пастухов: Под каждый свой НИИ, да?

 

Олег Симаков: Да, вы правы, около 80 НИИ с медицинским уклоном. В ФАНО, то есть в Академии наук и в Минздраве, если их суммарно сложить, наберется примерно 80 с небольшим организаций ФГБУ. Тем не менее, каждая из этих организаций, и каждый из главных внештатных специалистов попытались создать свой информационный массив. Официальных регистров на федеральном уровне существует порядка 15. Тем не менее, есть 2 онкологических регистра: один Московский, другой Санкт-Петербургский, так скажем, Ленинградский, как я его иногда называю. 3-й регистр, в соответствии с требованиями ВОЗ, создан, но не заполнен пока. И можно дальше продолжать это перечисление. Я говорю о том, что, к сожалению, у нас пока еще не достаточно информационных массивов, которые можно было бы обработать для того, чтобы делать соответствующие выводы с помощью инструментария системы искусственного интеллекта. Но желание гигантское.

 

Борис Пастухов: Они просто не оцифрованные или…

 

Олег Симаков: Нет, но как неоцифрованные. Эти регистры хранятся в цифровом виде. Вопрос в том, что классификаторы при заполнении не использовались — это вольные тексты. Мы возвращаемся к вопросу, который поставил Константин Горбач — где у нас та самая интегрированная электронная медицинская карта, на основе которой мы должны анализировать территориально популяционные особенности? Мы выявили, что в Челябинске — заболеваемость цинком в связи с тем, что в крови повышенное содержание цинка. Где-то выявили бы заболевания, связанные с болезнями легких — например, в Кемерово или в Воркуте, по понятным нам с вами причинам. Где-то фторсодержащие больше в воде или, наоборот, меньше... И так далее. Это очень интересные и крайне необходимые исследования.

 

Когда мы создавали концепцию развития ЕГИСЗ, об этом думали и закладывали вопрос, хотели как лучше — у нас есть классик, который может продолжить эту фразу. В принципе, мы бы хотели, чтобы те информационные массивы на уровне интегрированной электронной карты, которые мы собираем, были пригодны для этого анализа. При этом мы должны понимать, что в силу традиций, мы вынуждены будем в карте хранить pdf-ные файлы — сколько бы меня не убеждали, что завтра врачи откажутся от pdf в пользу xls-ных файлов. Потому что, по их мнению, то, что на экране и то, что в машине должно одинаково выглядеть. Только тогда это верифицировано. Но мы с вами понимаем, что для нас слово «распарсить» это нормальное явление.

 

Борис Пастухов: Скажите, пожалуйста, Владислав, на ваш взгляд Microsoft движется в направлении по дополнению функционала, который уже есть у Watson? Или вы какие-то свои направления разрабатываете?

 

Владислав Шершульский, директор программ технологического сотрудничества Microsoft в России: Забавный вопрос, адресованный сотруднику Microsoft. В дополнение к Watson, пожалуй, мы ничего не делаем. Я думаю, это не значит, что мы движемся с вами…

 

Борис Пастухов: Нет-нет, речь о какой-то стратегии…

 

Владислав Шершульский: Я могу сказать, что в каком-то смысле у нас на протяжении некоторого времени были взаимно дополняющие группы по стратегии. Сейчас интересно наблюдать, как они сближаются. В моем понимании, Watson — это экстремальная система, созданная отчасти с целью демонстрации, которая оказалась очень успешной. После чего для нее уже, собственно, начали искать различные и практически полезные применения. Потому что сначала никто даже не думал, что будет так здорово. Но цена этого — именно цена — экстремальный вычислительный компьютер с уникальной архитектурой, уникальными возможностями и уникальным программным обеспечением. Из-за этого сначало получалось, собственно, так дорого.

 

Мы пошли по другому пути. И, как и целый ряд других исследовательских команд в мире, разрабатывая во многом похожее программное обеспечение, мы полагались на совершенно commodity оборудование и программное обеспечение. По большому счету, большая часть наших разработок opensource в этой области. И, соответственно, такого рода решения можно помещать в облако, и ими можно пользоваться фактически за исчезающе малые деньги. Но не так быстро, как можно было бы, используя экстремальную систему координированного специализирования. Оба пути стали сближаться. То есть, нынешние решения IBM — далеко не такие уникальные, далеко не такие дорогие, какими были первоначально. С другой стороны мы тоже понимаем, что можно во многих случаях использовать аппаратное ускорение. В конечном итоге, не обязательно получать компоненты только в облаке и при машинном обучении. В принципе, это возможно и в телефонных, и стандартных операционных системах. И уже понятно, какие это компоненты должны быть.

 

Такие работы идут сейчас и у нас, и в IBM, насколько я понимаю. Поэтому мы движемся очень похожими путями, которые диктуются, наверное, не столько даже предпочтениями отдельных ведущих специалистов в компаниях, хотя это тоже всегда очень важно, потому что личность играет большую роль в такой области. На это влияют и техническая, и экономическая логики развития. В конечном итоге, все, что может быть здесь создано, будет востребовано в том случае, если оно будет иметь действительно массового потребителя. Поэтому вопрос количества пациентов, которые смогут этим воспользоваться, и количество, соответственно, медицинских специалистов, для которых это будет доступно, это, наверное, на данный момент ключевой вопрос. Я думаю, что я, наверное, ответил на ваш вопрос.

 

Борис Пастухов: Да, достаточно.

 

Владислав Шершульский: Мы дополняем друг друга, двигаясь в общем направлении.

 

Борис Пастухов: То есть в принципе это тренд, да, как я понимаю?

 

Владислав Шершульский: Да, безусловно.

 

Борис Пастухов: Скажите, Константин: а Watson, кроме того, что занимается медициной, еще и кулинар? И как вам его кулинарные шедевры? И какие еще области применения Watson в принципе возможны?

 

Константин Горбач: Ну, вот из того, что действительно интересно, да, он умеет делать рецепты. Он анализирует большие подборки человеческих рецептов на то, как люди реагируют на те или другие ингредиенты. Соответственно, он умеет компоновать блюда. В той же области находится компоновщик духов — собственно, он умеет делать духи. Из более определенных вещей могу рассказать про один интернет-магазин, который сделал сервис по подбору подарков. Это очень актуально для взрослых, как оказалось, которые ищут подарки для детей.

 

Борис Пастухов: В этой связи здесь сидит мой коллега, Борис Зингерман. Мы с ним обсуждали вопрос по лечению диабета. И как раз один из вопросов, которые задают врачу, Борису Валентиновичу с его сервисами, был связан с тем, что врач просил все время передавать информацию, связанную с тем, что человек ест. Watson сегодня не делает никаких обработок больших данных, связанных с питанием тех, кто страдает сахарным диабетом?

 

Константин Горбач: Насчет сахарного диабета не могу ничего сказать. Но в принципе Watson вообще направлен на то, чтобы как раз анализировать большой объем данных и в различных областях. То есть это не только медицина, это может быть и ритейл, и банки, и страховые. То есть все области человеческой деятельности, где есть массивы информации, которые можно анализировать, по которым можно строить модели. Собственно, Watson используется в таких областях, где имеет смысл выявлять аномалии.

 

Борис Пастухов: Андрей, расскажите, пожалуйста, какие направления в искусственном интеллекте вы бы выделили как наиболее перспективные в медицине, и есть ли какие-то примеры использования?

 

Андрей Себрант, директор по маркетингу сервисов «Яндекс»: Ну, во-первых, можно я начну немножечко со стороны. Потому что я, не только я, а многие другие люди в «Яндекс», слегка скептически относимся к термину «искусственный интеллект», потому что он очень расплывчат, немножко сенсационен и далеко не всегда описывает то, чем мы занимаемся. Например, потому что очень многие животные прекрасно решают задачи, например, ориентации, расчета сложной траектории. У каждого кошка на шкаф вскакивала. Это достаточно сложная задача, анализа пространства, анализа ситуации, как там нынче стоит стул и так далее. Вообще говоря, кошка учится этому не с первого раза, методом проб и ошибок. Я не случайно про это говорю, потому что метод проб и ошибок сейчас очень важен для наших технологий.

 

Борис Пастухов: Я с этого начинал, да.

 

Андрей Себрант: Но, у нас долгий путь, да, да, да. Но, при всей любви к своим кошкам, мы считаем, что они несколько менее интеллектуальны, чем мы, а уж лягушку точно не заподозрим в высоком интеллекте. Тем не менее, лягушка довольно неплохо отличает пролетающую муху, которая под тем же углом зрения очень похожа на пролетающий самолет, но на самолет лягушка не прыгает. То есть, решается огромное количество задач распознавания каких-либо сигналов визуальных, аудиальных, их классификация. Теперь я перехожу к более формальной стороне дела.

Мы, вообще говоря, считаем интеллектуальной работой только то, что является частью нашей культуры. То есть, мы считаем, что отличить муху от самолета и лягушка может, а, простите, живопись Мане от Моне — тут уже искусствовед нужен. А собственно говоря, почему? Он настолько же нужен, как в решении задачи определения мухи. Если обучить хорошую нейронную сеточку на массиве картин Мане и Моне, а потом предъявить ей картину одного из художников, которую она еще не видела, она не хуже искусствоведа определит, кто автор. Надо ли считать, что в этот момент система стала интеллектуальной?

 

Вот у меня простой вопрос к аудитории. Простите, я с вами немножко поиграю. Вы тут, к счастью, не все студенческого возраста, поэтому у меня есть надежда, что многие из вас читали Стругацких. Поднимите руки те, кто читал «Понедельник начинается в субботу». Отлично. Вам будет очень просто понять то, что я сейчас скажу. Мы научились делать интеллектуальных дублей. Помните, там было такое создание, которое маги умели из ничего сотворять? Это был дубль, который, например, прекрасно вел машину. Вам ничего это не напоминает? Мы же считаем, что это искусственный интеллект, вот то, что у Google машину водит. А еще он прекрасно пел хором, а потом растворялся в воздухе — он был всего лишь дублем, он не был интеллектуалом.

 

Мы научились делать дубли в области интеллектуального труда, и оказывается, что точно также как дубли, созданные сотрудниками НИИЧАВО, могут решать какие-то рутинные задачи, которые, казалось бы, человеческие. Вести машину, хором петь, развлекать анекдотами попутчиков. Они уже сейчас учатся, причем учатся методом проб и ошибок делать это лучше людей.

 

В медицине сейчас мы действительно напрямую свои разработки не используем, хотя мы очень плотно сотрудничаем с Минздравом и другими медицинскими организациями России. На что мы надеемся? Почему мы надеемся, что мы можем стать нужными? Задача построения самых сложных нейронных сетей, которые самообучаются и в результате обучения в состоянии анализировать, то есть квалифицировать различного типа аудиальные и визуальные сигналы — это задача, которая встречается миллион раз в медицинской диагностике. Рентгенограммы. УЗИ всем здесь делали хотя бы раз в жизни, а это тоже картина. Цитология, мазки крови, все это – изображения, которые можно классифицировать затем, чтобы выявить какую-то патологию или отклонение, которое может быть симптомом чего-то.

 

Машину можно научить это делать лучше, чем самую опытную медсестру или лаборанта, который, к сожалению, десять лет жизни положил на то, чтобы видеть то, что не видят менее обученные специалисты. За счет того, что машина учится быстрее, учится непрерывно, 24 часа в день, в сутки, и никогда не устает, не болеет, у нее не болит голова, не бывает мигреней и так далее — она очень эффективная. Не знаю, будет ли хорошо обученная «распознавалка» интеллектуальной и совпадает ли это формально с термином «искусственный интеллект», но она точно будет анализировать кровь лучше, чем опытнейший лаборант.

 

И дальше по списку, потому что я говорю об огромном количестве информации, и мы сейчас говорим как раз про информацию неструктурированную. Неважно, оцифрована ли эта картинка или нет. Сейчас распознавание изображения является рутинной операцией. Дальше — звуки. Поверьте, распознавание речи, причем произвольной, с произвольным акцентом, дефектами речи и различным состоянием трезвости человека — более сложная задача, чем распознавание звуков, которые встречаются в различных медицинских исследованиях. Опять же, это вещь, которая может быть сделана очень качественно и, заметьте, все это может быть сделано еще и дистанционно. Это критически важно, потому что это изображение может быть проанализировано в одном центре, который располагает вот этой колоссальной, очень хорошей дорогой нейронной сетью.

 

Вы, наверное, слышали, что машинка Alpha Go выиграла игру в Го у крупного корейского игрока. Сама по себе железяка, которая играла в Го с Ли Седолем, стоит сильно больше миллиона долларов, потому что в ней довольно много дорогих плат, графических в основном. Такую машинку вряд ли имеет смысл иметь в каждом региональном центре. Тем более, что для медицинских целей машинка может оказаться сильно, сильно подороже. Но вся эта информация легко передается, поэтому есть возможность распознавания всех этих картинок, которые мы распознаем для кучи своих задач, связанных с поискам по изображениям. Мы очень сильно продвинулись в распознавании звуков, в результате того, что нам нужно иметь голосовой ввод и синтезированный голос для голосового вывода для общения с нашими пользователями. Все это может применяться в медицине.

 

Боюсь не сразу, не завтра. Пока бы с экспертными системами разобраться, которые не самообучаемые, а реализуют какие-то заданные человеком алгоритмы и процедуры, но я надеюсь, что это произойдет достаточно скоро. Потому что такие вещи позволят быстро вывести традиционную массовую диагностику, не с помощью каких-то девайсов, а классическую, совершенно медицинскую диагностику, вывести на другой уровень анализа интерпретации. Все для этого уже есть сегодня. Не надо создавать ничего нового, нужно просто приспособить имеющиеся алгоритмы, использовать хотя бы уже существующее наше железо. Мы умеем работать, когда это нужно, например, с организациями, которые не могут передавать чувствительные данные. Есть способ сделать так, что никакая часть приватной информации не попадает к нам в руки.

 

Я надеюсь на такой «искусственный интеллект» в ближней перспективе. Не на тот интеллект, который действительно заменит врача, будет ставить диагнозы, будет видеть будущее, реально предсказывать эпидемии — да, все такие задачи существуют, но это, как мне кажется, задачки на послезавтра. А вот то, что хотелось бы сделать завтра – это приспособить имеющиеся алгоритмы работы с неструктурированной информацией: звук, текст, изображения — к более качественной диагностике.

 

Борис Пастухов: Давайте Сергея спросим. У вас есть примеры интеграции информационных технологий Philips в российском здравоохранении?

 

Сергей Лаванов, руководитель направления «ИТ в здравоохранении» компании Philips в России и СНГ: Да, конечно, есть такие примеры, достаточно много, особенно в радиологии компании Philips в здравоохранении. Классическиеименно в области радиологии, есть специальные экспертные системы, которые позволяют на основе полученных изображений, полученных, предположим, с компьютерного томографа, сделать какой-то быстрый экспертный анализ, помочь специалисту обратить внимание именно на те элементы, которые действительно требуют внимания эксперта, и на основе этого уже принять решение.

 

Простой пример. Если онкологический пациент потенциально находится в рисковой зоне, ему делают компьютерную томографию грудной клетки, получают сканы легкого, делают реконструкцию, и система позволяет автоматически показать, где потенциально в легких могут быть узелковые образования. Здесь система очень помогает специалистам. Она не отнимает у них времени на рутинные операции для того, чтобы с изображения убрать костную ткань, мышечную ткань — она просто фокусирует внимание именно на тех элементах, с которыми фактически эксперт и должен работать. И уже получив результаты от системы, эксперт принимает решение: «Да, действительно образование, которое выделила система, да это узелковое образование, либо это не узелковое образование». Всегда у специалиста, у эксперта есть возможность скорректировать найденные образования по его усмотрению, по его опыту. Такие алгоритмы уже широко используются. В России таких систем установлено более трехсот в разных медицинских учреждениях, и повторюсь, первоочередная задача этих систем на месте не заменить врача, а именно сконцентрировать его внимание на самых важных элементах в его работе.

 

Борис Пастухов: Извините, Сергей, на секундочку вас перебью. У меня друзья были в Гонконге, оба врачи, она гинеколог. Они зашли к коллеге просто посмотреть, как ведется прием. И по результатам приема врач-гинеколог назначает очень сильнодействующий антибиотик женщине. Моя знакомая очень сильно удивляется и говорит: «Зачем это делать, если можно вылечить ее гораздо более простыми способами?» И ей отвечают, что: вот у нас стандарты выработаны на основе статистики, разработаны, подсказаны и потом это проще, яснее и это не ведет к последствиям, за которые могут быть судебные решения. Не получится ли так, что накопленная информация по тем или иным видам лечения станет, грубо говоря, стрельбой по площади, а не точечным лечением в медицине?

 

Сергей Лаванов: На сегодняшний момент могу привести пример разработок опять же компании Philips. Возвращаюсь к этому замечательному примеру по поиску узелковых образований в легких. На сегодняшний день в последней версии системы, действительно есть уже более продвинутый алгоритм поддержки принятия решений, которые базируются на разработках научно-исследовательскихинститутов. Анализируется база пациентов, которые прошли лечение. Также в системе есть возможность указать для пациента, предположим, аллергические реакции, внести дополнительную информацию — рост, вес, пол пациента. Система может подсказать о риске возникновения рецидива.

 

Конечно же, база, которая формируется, она требует постоянного дополнения, так, как ситуация в каждой стране из года в год меняется. То есть, мы все знаем, предположим, что граждане, например, США более предрасположены к излишнему весу, нежели, предположим, граждане, живущие в азиатских странах. И для специалистов, для медицины — это важный фактор для правильного, грамотного принятия решения, по какому пути идти, как лечить пациента. Поэтому, отвечая на ваш вопрос, знания, которые мы получаем в процессе работы, регулярно обновляются и дополняются новыми вводными данными.

 

Борис Пастухов: Не получится в конечном итоге, что нас будет лечить машина, а особой дифференциации по лечению не будет. Нас будут выстраивать в группы людей, которым будут выдаваться дозированные лекарства по конкретной нозологии без учета ее специфики.

 

Сергей Лаванов: Я думаю, что до этого нам нужно будет пройти очень длинный путь. И здесь даже, я бы сказал, что проблема не техническая. Здесь речь идет о двух других составляющих. Первая составляющая – это, конечно же, то, что мы все привыкли общаться с врачами, с людьми. И, особенно если говорить про пациентов с достаточно сложными серьезными заболеваниями, вряд ли они доверятся сухому диагнозу, который выдала система. Человек хотел бы общаться со специалистом. Это некий человеческий фактор, уровень, скажем, доверия и психологического комфорта пациента. Мы, возможно, до этого дойдем, но это достаточно далекий горизонт. Конечно, технологично мы пройдем этот путь достаточно быстро.

 

И вторая составляющая – кто фактически будет нести ответственность за поставленный диагноз? То есть, если пошли какие-то осложнения, кто фактически несет ответственность. Несет ответственность система. И плюс к этому еще можно добавить один немаловажный элемент, с точки зрения соответственно финансирования. То есть, какие затраты нужно будет учитывать при формировании тарифов обязательного медицинского страхования, как это все учитывать в системе территориального обязательного медицинского страхования. То есть, есть вопросы, которые не относятся к технической составляющей, а скорее — организационные и просто человеческие.

 

Борис Пастухов: Спасибо.

 

Сергей Лаванов: Борис, если можно, я прокомментирую.

 

Борис Пастухов: Да, конечно.

 

Сергей Лаванов: Вот вопрос по поводу стандартизации лечения и прочего. Мне кажется, что, действительно, медицина в последнее время мыслила протоколами, шаблонами и пыталась каким-то образом стандартизировать лечения тех или иных заболеваний. Но у человечества появился такой инструмент, как анализ больших данных. А сейчас человечество и медицина идут к персонифицированной медицине, и об этом говорит большое количество исследований, опытов, работ в области геномной аналитики, где в том числе появляется Watson.

 

Борис Пастухов: Дело в том, что, так или иначе, любое развитее любых процессов связанно с «искусственным, интеллектом» или с обработкой больших данных, с Big data. Оно все равно связано с тем, кому это нужно и кому это выгодно. Кому нужно – это категория пациентов, кому выгодно – условно говоря, фармацевтическим компаниям и тем, кто инвестирует в производство оборудования. Не получится ли так, что мы в принципе дорабатываем то настоящее, которое создает какие-то огромные объемы прибыли для тех, кому выгодно инвестировать в это. Либо это действительно путь к улучшению здоровья нации, населения.

 

Вопрос из зала: Борис, а можно я немножко верну нас к реалиям, которые наступают вот прямо завтра. Мне очень понравилась мысль Андрея, связанная с обработкой изображения. У нас с 2010 года по сегодняшний день создано 500 сосудистых центров, они реально сделаны. Может быть, мы не часто об этом слышим, видим по телевизору, но они есть. То есть, у Вероники Скворцовой был план и сейчас он практически реализован. С чем мы сейчас столкнулись повсеместно от самых окраин до Москвы? С тем, что нет подготовленных специалистов. И здесь мы возвращаемся к чему? Нам нужна аппаратура от Philips, от конкурентов Philips, которая бы позволила врачу на месте, куда привезли пациента, в один из таких сосудистых центров, быстро сделать КТ. Затем, не дожидаясь, пока за 7-8-12 лет выучится хороший радиолог, правильно поставить диагноз. После чего это изображение быстро передать в федеральные учреждения или в региональный центр, где есть банк и программное обеспечение, чтобы можно было реализовать то, о чем сказал Андрей, то есть подобрать наиболее близкий к этому изображению диагноз.

 

То есть, собственно говоря, когда речь идет об инсульте, окно, которое позволяет на 90% обеспечить возврат человека к полноценной жизни, составляет три часа. Следующее — 6, 9, 12, а после 12 на это способен только Господь Бог. Более того, мы с вами прекрасно понимаем, что если Господь Бог оставит этого пациента в живых, его реабилитация выйдет нам в большие деньги, причем он все равно фактически полуинвалид, к нашему глубокому сожалению. Поэтому данная задача уже становится экономически выгодной. То есть, если мы успели за три часа довезти и определить тип инсульта, а та же Вероника Юрьевна мне рассказывала, что их 89, если не больше, ну, два больших, а дальше там… то возникает гигантская задача, которую нужно начинать решать прямо завтра, вот прямо утром встать и начать ее решать.

 

Кое-что в Бассейновой больнице решается — мы знаем Ульянова, но это пока ограниченные объемы. В принципе, мы в стране могли бы с инсультами сделать резкий скачок. Да, смертность от них уменьшилась на 40%, но ее можно еще в разы уменьшить и обогнать другие страны только за счет соединения технологий, которыми владеет «Яндекс», с протоколами оказания медицинской помощи — то, о чем Сергей Лаванов сказал, что это организационная проблема. И в принципе не надо дополнительных мощностей, не надо дополнительных каналов — нужна воля и организационные усилия и это все решается завтра. Вот я бы сказал, что с этого надо начинать, а думать, конечно, о великом.

 

Борис Пастухов: Вот у нас в зале сидит много людей, которые стараются найти свое место в области обработки данных, предлагая свои сервисы людям, которые бы формировали базу данных для работы с ними. И я бы хотел спросить, Андрей, вам такой вопрос. Понятно, что «Яндекс» — большая организация и может себе позволить работу с большими данными, а как малый, средний бизнес и большие компании работают в Америке, они друг друга дополняют? В чем, на ваш взгляд, видится возможность сотрудничества, развития «Яндекса» с другими компаниями, которые будут заниматься конкретным бизнесом, условно говоря, для помощи онкологическим больным или больным легочными заболеваниями. Возможно ли такое сотрудничество, и в чем бы оно могло состояться?

 

Андрей Себрант: В чем? Это надо, чтобы сели представители заинтересованных компаний и представители «Яндекса», но не совсем «Яндекса», если быть точным. Дело в том, что «Яндекс» — сам по себе. Он, как бы, заточен под оказание массовых услуг, причем, по возможности, бесплатно. Так сложилось, что основной бизнес «Яндекса» состоит в том, что люди пользуются нашим порталом, нашими мобильными приложениями, а мы их внимание продаем рекламодателю. Но некоторое время назад мы осознали, что есть технологии, которые хорошо работают с картинками и они уже гораздо более универсальные, в них есть элементы того, что называется «искусственным интеллектом».

 

Когда работаешь на стенде с нейронкой и интерфейс написан довольно грамотно, то ей показываешь картинку, перед камерой держишь, спрашиваешь: «Что такое?». Она пишет в ответ: «На картинке объекты: море, пляж, берег, человек, но люди, наверное, сказали бы, что здесь изображено одиночество». В этот момент у тебя реально холодок по спине, потому что она учится, учится, как ребенок. Иногда она говорит маразм, иногда что-то, что кажется очень классной шуткой, но она не пошутила. Она учится бешеными темпами и чему научится — я не знаю.

 

Это я к чему все говорю? Что мы, когда поняли, что у нас в руках такой могучий инструмент, а мы сами, как компания, заточены на массовые сервисы и не можем легко взаимодействовать с отдельными бизнесами, отдельными партнерами, о которых вы у меня спрашиваете, мы запустили внутренний стартап. Отдельную компанию, которая называется Yandex Data Factory, которая служит ровно для того, чтобы наши могучие технологии можно было использовать на коммерческой основе, в большинстве случаев, взаимовыгодной сторонним бизнесам. Поэтому, строго говоря, вот процедура технологически, это суть ответа на ваш вопрос: заинтересованной второй стороне нужно просто прийти к ребятам из Yandex Data Factory и поговорить с ними, потому что они уже имеют опыт  решения несколько неожиданных задач для фармацевтической компании «АстраЗенека».

 

Борис Пастухов: По онкологии, да.

 

Андрей Себрант: То есть, казалось задача, технологически близкая к «Яндексу», но в жизни именно такую мы не решали. И ее решала Yandex Data Factory.

 

Борис Пастухов: И с коллайдером вы работали, да, как я понимаю?

 

Андрей Себрант: Да, но с коллайдером мы начали сначала работать как «Яндекс», потому что это некая академическая задача. У нас есть там свои академики-математики, которые разрабатывают, например, наши тяжелейшие алгоритмы. Потом пошли вопросы от других интересных, потенциальных заказчиков, например, от людей, которым нужны, спутниковые снимки. Поверьте, спутниковый снимок немногим отличается от кучи медицинских изображений, и их надо массово анализировать в реальном времени по определенным признакам. Мы решили эту задачу тоже. И это было конкретное решение под партнера, оно не может быть массовым сервисом.

 

Борис Пастухов: Спасибо.

 

Андрей Себрант: Поэтому вперед к Yandex Data Factory!

 

См. также расшифровку второй части круглого стола на JSON.TV