Искусственный интеллект в медицине переходит от стадии теоретических моделей к практическому внедрению, меняя саму структуру взаимодействия врача и пациента. В новом эпизоде подкаста Stanford Online корпоративный вице-президент Microsoft Research Питер Ли обсуждает, почему будущее индустрии теперь зависит не от масштаба пре-трейнинга, а от «времени на размышление» алгоритмов и способности ИИ-агентов брать на себя роль полноценных медицинских коллабораторов.
🧠 Эпоха пост-тренинга: почему ИИ должен научиться «думать» 0:15
Современная гонка вооружений в сфере ИИ смещается от создания гигантских сырых моделей к оптимизации их работы на этапе вывода (inference). Питер Ли отмечает, что в исследовательских кругах фокус внимания переместился на «пост-тренинг» и вычисления во время инференса . Это связано с тем, что совершать прорывы на этапе предварительного обучения (pre-training) становится всё труднее и дороже.
Ключевые тезисы этой смены парадигмы:
- Лимиты физики: масштабные прогоны обучения требуют колоссальных вычислительных кластеров и электроэнергии, что делает их рискованными «ставками», сравнимыми с проектированием новой архитектуры процессоров .
- Эффект размышления: Ли цитирует Ноама Брауна из OpenAI, утверждая, что несколько секунд, данных модели на «раздумья» перед ответом, эквивалентны многократному масштабированию вычислительной мощности при обучении .
- Важность базы: несмотря на акцент на постобработке, базовая модель всё равно должна быть чрезвычайно качественной, чтобы надежно выдавать результаты в рамках парадигм логического рассуждения .
Для оценки таких моделей Microsoft Research использует экспериментальный подход под названием Adele, который заимствует идеи из психометрики . Вместо простых бенчмарков, проверяющих знания, этот метод пытается оценить модель как потенциального коллегу или «интерна» .
🤖 От узких моделей к медицинским оркестраторам 10:53
Вместо сотен разрозненных узких моделей (например, только для чтения рентгена или анализа крови) индустрия движется к созданию «агентов-оркестраторов». Мэтт Ландгрен и Питер Ли обсуждают проект Healthcare Agent Orchestrator, который уже тестируется в Стэнфорде для участия в онкологических консилиумах (tumor boards) .
Особенности работы таких агентов:
- Интеграция инструментов: агент может сам вызывать узкоспециализированные модели (например, для измерения узлов в легких), если считает это необходимым для выполнения задачи .
- Экономическая эффективность: в совместном исследовании Microsoft и Stanford изучалась модель «последовательной диагностики». ИИ начинал с краткого описания пациента (например, «18-летняя женщина с кашлем») и должен был сам назначать анализы .
- Результаты: ИИ показал результат в 4,5 раза лучше, чем врачи-люди в рамках данной симуляции, учитывая точность и стоимость назначенных процедур .
Однако Ли подчеркивает, что пока такие агенты остаются «гражданами второго сорта»: они не могут активно вмешаться в разговор врачей, подняв руку, и требуют управления со стороны человека .
🎙️ Ambient AI и борьба с бюрократическим выгоранием 18:19
Одной из самых «горячих» зон применения ИИ является Ambient AI — системы, которые слушают прием врача и автоматически формируют медицинские записи. Питер Ли вспоминает личный опыт посещения дерматолога, где в справке было указано ложное обоснование процедуры («невозможность носить маску») ради получения страховых выплат (так называемый upcoding) .
Продукты в этой сфере:
- Nuance (Dragon Copilot): результат проекта Empower MD, начатого в 2018 году .
- Bridge и Ambiance: системы, призванные снять когнитивную нагрузку с врачей.
Питер Ли выступает с критикой сложившейся практики: по его мнению, последние 8 лет регуляторы и технологи (включая его самого) непреднамеренно увеличивали нагрузку на врачей через мандаты на интероперабельность данных (например, стандарты FIRE/FHIR) . ИИ должен наконец развернуть этот тренд, снижая, а не увеличивая количество кликов и записей.
📅 Прогноз на 2 года: пациент как драйвер перемен 33:16
Собеседники разошлись в оценках сроков массового внедрения ИИ «у постели больного». Джастин (ведущий) полагает, что в технологически развитых городах, таких как Сан-Франциско, это случится уже через 2 года .
Аргументы в пользу скорого «перелома»:
- Давление снизу: пациенты уже используют ChatGPT (5–10% запросов к OpenAI связаны с медициной) и будут приходить на прием с готовыми ИИ-отчетами .
- Прозрачность карт: текущие порталы (типа MyChart) выдают результаты анализов в нечитаемом для обывателя виде. Пациенты потребуют возможности обсудить свою карту с ИИ в режиме «объясни мне это как шестилетке» .
- Доверие: Ли считает, что менее чем через 10 лет пациенты будут встревожены, если узнают, что их врач не использует ИИ в качестве «второго мнения» для подстраховки .
🏥 Исчезнут ли узкие специалисты? 40:39
Один из самых провокационных вопросов дискуссии — как ИИ изменит структуру медицинских профессий. Существует две противоположные позиции, которые Питер Ли детально анализирует.
Аргумент за сохранение специализаций: Исторически технологии только увеличивали количество узких направлений. Единственные примеры исчезновения специальностей — френология (из-за развития неврологии) и цирюльники, делавшие кровопускание .
Аргумент за возвращение генералистов: Узкая специализация возникла потому, что человеческий мозг не может вместить весь объем знаний (кардиология, нефрология, эндокринология одновременно). ИИ, обладающий знаниями во всех 50+ областях сразу, может превратить обычного терапевта в «супергероя», способного решать сложнейшие задачи без направления к узкому специалисту .
В завершение Ли отмечает изменение менталитета самих разработчиков. Если 10 лет назад айтишники зацикливались только на этапе диагностики, то сегодня они начинают видеть всю картину: от профилактики до долгосрочного наблюдения за исходами .
