Как нейросети находят опухоли и помогают патологоанатомам

Всем привет! Меня зовут Самат Галимов, и это подкаст «Запуск завтра». Как технический директор я пытаюсь разобраться, как устроены сложные и интересные штуки. Я зову профессионалов, с которыми можно поговорить простым человеческим языком. Наш сегодняшний гость— патологоанатом. Чем на самом деле занимаются врачи-патологоанатомы, я спойлерить не буду, вы это скоро услышите. Скажу лишь, что мы разберемся, как современные технологии, машинное обучение, большие данные, супермикроскопы приходят в одну из самых консервативных областей медицины и экономят время именно тогда, когда оно жизненно важно для пациента. Это подкаст студии «Либо/Либо», и мы его сделали вместе с сервисом онлайн-образования «Яндекс.Практикум». У «Практикума» есть курсы по разработке, по анализу данных, по машинному обучению, еще куча курсов для того, чтобы получить эти специальности. Если вы давно об этом задумывались, то есть классный повод не откладывать. У большинства курсов есть бесплатная часть. Если вы пройдете бесплатную часть курса до 30 ноября, то получите промокод на 20% скидку на основную часть. Использовать промокод можно до конца года, так что будет время решить, хотите вы на самом деле платить или нет. Все детали по ссылке в описании к этому эпизоду.

Меня зовут Артём Борбат. врач-патологоанатом и не постеснялся несколько лет назад погрузиться в искусственный интеллект. Имел достаточно смелости и опыт, чтобы туда нырнуть. И, в общем, вот оно так потихоньку и движется. Это тема моей докторской диссертации. Я на ней сейчас работаю.

Артём, скажи, пожалуйста, патологоанатом— это тот, кто режет трупы?

Ну, конечно, нет. Конечно, это совсем не про трупы. Услово «патология»— это нарушение. Любые нарушения в организме человека— это про патологоанатома. Да, много-много лет патологоанатомы вскрывали трупы, и, в общем, можно сказать, что практически больше ничем и не занимались. Но медицина-то тоже не стоит на месте. Технологии двигаются, и мы сейчас, конечно, на фантастическом уровне. У нас происходят фантастические изменения в специальности. И теперь это совсем не про вскрытие трупов.

Получается, это нужно живым, да? То есть мы у живого человека можем исследовать ткани и что-то про него понять.

Совершенно верно, да, и, в общем, на сегодняшний день больше 90% работы этой специальности, этого врача, это как раз изучение того, что же происходит у живого человека. Патологоанатом это такой сервис-провайдер, он оказывает помощь другим врачам, сам по себе он диагнозы обычно не ставит, при прижизненном исследовании он дает ту самую важную, ценную информацию, которая позволит хирургу, онкологу, терапевту что-то потом с этим сделать. Как-то это приобщить к другой информации и получить развернутый диагноз и начать лечение.

Можешь вспомнить какой-то случай из практики, когда твой анализ изменил ход лечения?

Да тут даже вспоминать не надо, это происходит, ну, наверное, раз в две недели. Вот на прошлой неделе, я сейчас работаю в детской клинике федеральной, хирурги шли на опухоль печени у ребёнка 17 лет, а на поверку это оказалось не опухоль, хотя очень похоже было, действительно, и когда я внешне смотрел на этот орган, мне тоже казалось, что это опухоль удалённой, но когда Посмотрели под микроскопом, оказалось, что это совсем не опухоль, а это такой врожденный дефект, который случайно обнаружился, вскрылся и, в общем, скорее всего, уже никаких проблем у ребенка с этим не будет. И вот отсюда порождаются сложности и специфика специальности, потому что область знаний широкая, органов много, тканей еще больше, изменений тьма вряд ли их можно даже посчитать.

Знаешь, Когда ты всё это рассказываешь, я себе представляю школьный урок биологии, где прямо и сам смотришь в микроскоп, как там лук выглядит под микроскопом, и какие-то картинки клеток. Вот вы с этим работаете? То есть вы изучаете ткани, то, как клетки выглядят, или ещё что-то есть, с чем непосредственно ведётся работа?

За последние, получается, сколько у нас? 30 лет в мире и последние там 15-20 лет у нас в стране мы научились смотреть не только на клетки и на ткани, Причём не то, что научились смотреть. В научной лаборатории это дело уже существует там с полвека примерно, это делают, но это был удел учёных. А последние 20 лет это стало уделом рутины, медицины. То есть вот ежедневного использования, как вот мы приходим к терапевту, и там чуть ли не в первую очередь нам назначают анализ крови. Почти всегда, чтобы мы там не жаловались. И ведь это же тоже что-то там, какое-то оборудование, какие-то клеточки, все это рассматривают. То же самое здесь. Появились технологии, и они стали широко доступны, которые позволяют уже не просто разглядеть клетки, а понять, скажем так, природу этих клеток, понять их родственные взаимоотношения. Мне очень нравится, импонирует эта аналогия, работа патологоанатома за микроскопом. Она во многом похожа на разглядывание Google-карты, Яндекс-карты. Мы включаем режим спутника и что-то там ищем. Скроллим, вводим, приближаем, отдаляем. Вот патологоанатом, например, тем же самым занимается, только с микропрепаратами из ткани человека. В углу печени, например, проникнуть и взять оттуда фрагментик. Совсем небольшой. И смотришь иногда порой на это и думаешь, господи, а что же с этим можно сделать? А с этим можно очень много сделать, как выяснилось. Потому что в этом маленьком фрагменте, там миллиметр на миллиметр, клеток-то сотни тысяч, а то и миллионы. И, в общем, есть на что посмотреть и с чем подразобраться. И вот у нас появились технологии молекулярно-биологические, которые позволяют нам кое-какие аспекты подсвечивать. И сейчас очень большую роль начинает играть компьютерное зрение. Самое компьютерное зрение, та самая цифра. Вспомним рентгенологов. Вот про рентгенологов все более-менее знают, да? Это вот люди на рентген смотрят. И раньше там и в кино можно встретить, и в фильмах, я имею в виду, и в научных популярных, да везде. Вот этот вот на стене висит белый такой с матовым светом экран, на него...

На него наклеивают эти чёрные пластины.

Снимочек, совершенно верно. И вот оно всё так прекрасно видно. Да вы пойдите, найдите сейчас это хоть где-нибудь, да? Всё уже на компьютерах, всё уже сразу в цифре. И эти снимки пересылают. Если вы хотите, вам, наверное, на диск запишут или на флешку. Только дайте девайсы, и все будет окей. Это все оцифровано. Вот патанатомия только-только вступает в эту индустрию, только-только начинает в этом работать. Но у нас есть пример. И на самом деле даже у нас в стране есть как минимум одна лаборатория, которая стала полностью цифровой. И где доктора смотрят уже не глазками через микроскоп, а глазками через монитор.

Офигеть! Только сейчас это немножко дико слышно в 2022 году.

Совершенно верно. И более того, я тебе могу заверить, это не демонстрация какой-то нашей суперотсталости. Все то же самое, что в Западной Европе, в США, в Японии. В общем, схожие процессы.

Я не знаю, как это работает, но я себе представляю, что, наверное, появились автоматические сканеры, которые могут, типа, увидеть больше, чем человек. Просмотреть, типа, могут больше, чем человек.

Это так или... Да, тут можно на две части разделить всю эту историю. Значит, одна история— это вообще сделать цифру. Это был колоссальный технологический прорыв. Вернее, даже как это было сначала, этакое стояние на реке Угре очень долго, очень много лет. Топтались, пытались там телефонами фотографии.

Вот-вот, я о себе и думаю. Прикладываешь камеру к окуляру, как бы, вот, я снимок.

Так и было. И очень долго этим занимались, прикладывали эти камеры. Потом появились у нас более-менее смартфоны нормальные. Кто-то начал смартфоны прикладывать, и это даже работало. И даже что-то можно было сделать, получить цифровой снимок. Здесь есть нюанс. Мой наставник еще, когда я был студентом, Совершенно верную вещь подметил. Если специалист может сфотографировать нужное место. Вспомним, да, вот эту вот аналогию Google карт. Если вы на Google картах можете найти тот город, который вам нужен, то вам не нужна консультация. Вы сами разберетесь, город это или не город, и что с ним дальше делать. Так же и здесь. Если вы в огромном микропрепарате можете найти то самое место, где суть отклонений отражена, вот на что надо обратить внимание, то дальше вам не нужен эксперт, консультант или еще кто-то. Вы открываете книжку и решаете вопрос, что это такое. Но в большинстве случаев вы обращаетесь к эксперту-консультанту именно потому, что вы не можете найти эту точку, вот то, что надо сфотографировать. И вот мы очень долго как специальности, как и индустрия топтались вокруг того, что сколько можно сделать фотографий. Такой средненький микропрепарат, вам надо будет сделать фотографии. В лучшем случае это вот если он будет небольшой микропрепарат, да и увеличение вы возьмете небольшое, ну сотни, сотни снимков. Снимайте.

Воу-воу-воу, погоди, пожалуйста. То есть вот я взял маленький кусочек печени, типа грамм, миллиметр на миллиметр, и из него получился препарат, из которого я делаю минимум 100 снимков.

Ну, фотографий, да, обычно, на которые можно будет что-то посмотреть, что-то понять.

Ой-ой-ой, погоди, погоди. Вот у тебя есть такая огромная карта. То есть это условно, на Google Maps я смотрю целую страну, или там как минимум регион какой-то большой.

Да, даже больше зачастую, да, да, что-то. Ну, или это страна будет, по-твоему говоря, размером с Россию, там, с Канаду, с Китаем.

Ох, погоди.

А тебе надо найти там реки какие-то или города. Не дай бог сёла. Это всё тогда сушителю, в основном, называется.

А как ты вообще это делаешь? Какие процедуры ты делаешь с помощью... У тебя, типа, на компьютере есть прямо функция зума?

Да, вот здесь вот и произошло. У микроскопа зум представить легко. Крутим ручку, короче. Да-да, совершенно верно. И вот вон зум. Разные объективы подставляются. Как в фотоаппарате, все то же самое. Приблизили, удалили, посмотрели сначала план, потом какие-то детали разглядели, если вам интересно. А когда вы сделали статичную фотографию, вы с ней уже ничего не сделаете. Ну всё, всё, фотография. Поэтому и появились вещи, которые, да, на профессиональном жаргоне они называются сканеры. Когда весь микропрепарат фотографируется, да, это делают с оборудованием, это оборудование потом эти фотографии сшивает в одну большую простыню, в огромную простыню. Там свой формат файлов, который нигде больше не встречается вообще в мире. Ни в рентгенологии, ни в каких-либо геоприложениях. Нюанс там в том, что этот файл послойный. У вас есть в основании файла огромная вот эта простыня, которая там, например, 37 тысяч пикселей на 50 тысяч пикселей. Это вполне обычная история.

Нормально.

Потом следующий слой у вас поменьше, следующий слой поменьше. У вас таких, например, может быть 8 слоев. И самый верхний слой уже будет более-менее такой похожий на фотографию, относительно небольшой. И чтобы вот этот вот зум делать, вам система будет между этими слоями переключаться и подводить вас к определенному участку. На это ушли годы, чтобы вот этот вот технологический прорыв совершить. Это даже не про то, чтобы компьютерное зрение помогло нам что-то видеть. Это просто про то, чтобы перевести вот это все в цифру.

То есть теперь такие инструменты уже есть?

Они есть. По крайней мере, они доступны. Будем говорить вот так вот. Они доступны. И это не, not rocket science. Это вот то, что у вас может быть вполне на руках. Эту технологию, послойности ее приняли и реализуют почти все производители там. У них свои технологические находки, как именно это сделать, но в целом идея крутится вокруг этого. Мы берем несколько слоев, так и работаем с ними.

Как это сейчас выглядит, Артем, чисто физически? Вот у тебя есть много этих стеклашек, куда ты их засовываешь?

Сейчас это выглядит примерно так. Вот эти сканеры, которые используются, их средний размер, как половина современного холодильника. Только он лежит на боку. Такого размера будет сканер современный. И туда загружаются стекла от 100 до 1000, даже по 1000 есть такие системы. Они загружаются, и все, а дальше машина пошла. Причем затык был. Стекла перемещать, потому что... Конвейер нужен. Да, какой-то нужен внутри этой машины конвейер. Какое-то устройство, которое будет брать одно стекло, помещать его под микроскоп, свет наладить, там что-то еще поднастроить, фокусировку определить. Автоматически, между прочим, да, не забываем. Нужен автофокус. Никто не сядет, машине не будет говорить, фокусируйся здесь. И вот чтобы это делать быстро, потолково, с адекватной скоростью, вот очень много производителей, очень много копий на этом сломали.

Но это сложная инженерная задача. Скажи, пожалуйста, это реально удобнее, чем в микроскопе? Это помогает лучше делать свою работу?

Идеальная история, это когда оно встраивается очень хорошо в инфраструктуру. Там приезжаешь на конференции международные, вылезает кто-нибудь там, да даже из Канады, я даже не говорю там США или Германия, из Канады кто-нибудь, и говорит, А вот мы запустили такую систему, и у нас и консультации, и врачи смотрят, и так далее, и тому подобное. И там колоссальный ресурсный задел. Там куча айтишников, инженеров над этим всем работает. Там закупаются мощности действительно серверные или арендуются в огромном объеме. У нас это очень сложно представить. У нас все делается кустарно. Поэтому, с одной стороны, конечно, идеальную историю мы видим редко, но даже при отсутствии идеальной истории на сегодняшний день эта штука фантастически помогает пациентам во всей нашей, так сказать, необъятной родине. Объясняю конкретно на примере. Я некоторое время работал как раз в онкоцентре на Каширке и занимался тем, что там называется телемедицинские консультации. Ну и представь, какой-нибудь Петропавловск-Камчатский, какие-нибудь сомнения в диагнозе. и онкологическом. И врачи, онкологи хотели бы перепровериться, уточнить что-то для себя. Выписку, рентгенологические снимки, все это можно электронно переслать. Но в онкологии принципиально-то что за опухоль? А что за опухоль, это определяется под микроскопом. До появления вот этих вот сканеров надо было брать эти проклятые микропрепараты, класть их в карман и везти самолетом, поездом, у кого сколько денег, в один из федеральных центров. Ну сколько ехать там, неделю на поезде, почти день на самолете лететь. Сейчас они сканируют эти микропрепараты и уже пересылают файлы через интернет. И это не проблема. Минуты, да, сканирования. Современный сканер сканирует микропрепарат за 4 минуты. Значит, у нас обычный случай клинический, там, какой-нибудь рак толстой кишки со всеми его весельями, там, с лимфоузлами, с краями резекции, с прочим-прочим-прочим, 20-30 микропрепаратов. Умножаем на 4 минуты, то есть, ну, вам надо 2 часа на то, чтобы сканировать это все, и в зависимости от того, насколько быстро у вас интернет, ну, до 30 минут, чтобы загрузить это на сервер. Все, за день вы можете решить вопрос, вы можете получить консультацию.

И ты дальше подключаешься и смотришь это уже в Москве или где-то в центре?

Да, там, где хотят. Да хоть где, хоть в Японии, да? Вот на что, так сказать, хватит воли, денег и ресурсов.

И это решение, которое, типа, жизнь и смерть?

Для кого-то да. Может быть, не каждый раз, но, в общем, вполне может быть. Жизнь и смерть, или назначить это лекарство, или не назначить, идти на операцию или не идти.

А вот эти коробки, эти сканеры, они теперь есть, условно, в каждой лаборатории, которая занимается патоморфологией, или это редкость пока в России?

Можно сказать, что они, в принципе, есть почти в каждой онкологической лаборатории. Другое дело, что, могу тебе заверить, что очень часто можно увидеть картину, как на них стоит, они накрыты тряпочкой, а на них стоит цветочек, ну или что-нибудь еще.

Блин, они же дорогущие еще, наверное.

Сейчас, если я не ошибаюсь, там диапазон в рублях от 30 до 60 миллионов.

Нифига себе.

Вот эта штука используется плохо зачастую, потому что вклинить некуда. Потому что вам недостаточно просто сканера. Вам же где-то надо хранить все эти изображения. Эти простыни, они от гигабайта до 10 и больше гигабайт размерами.

За одну пластинку?

Да, за один микропрепарат, за одну фотографию.

Нифига себе.

И куда их сохранять, да? Ну это же колоссальные серверные мощности нужны.

Одна фотография на iPhone занимает там, не знаю, мегабайта 3, максимум 10. То есть это в 100 раз больше, чем обычная фотография. Получается, что сканировать мы умеем, а хранить и обрабатывать у нас типа негде.

Умеем, но это стоит денег. И уже других денег, да.

Ну вот, окей, мы сделали штуку, в которой тебе глазами удобнее смотреть, и быстрее смотреть, и гораздо удобнее делиться, если настроена инфраструктура. Ну, делиться с другими коллегами, советоваться там пересылать, вот это всё. Но когда речь заходит о загрузке изображений в компьютер, то я сразу начинаю думать, а можно ли сюда прикрутить машинное зрение, чтобы у меня компьютер сам, например, определял интересные участки. У вас такое есть?

Это же, в первую очередь, что приходит в голову. Если вот нас слушают айтишники, я воспользуюсь возможностью и порекламирую, что, ребят, да тут же целое непаханное поле для вас. Потому что мы берем гугл-карты, и если вам надо на гугл-картах найти реки, или города, или села, или хорошо, там, в юго-западном округе Москвы найти детские сады, это же история компьютерного зрения. Искусственный интеллект, анализ изображений, это же вот оно все на поверхности. И здесь всё то же самое. Оно здесь абсолютно применимо и работает. Вам нужно найти какой-то объект, вы просто просите машины, обучаете машину это делать, просите это сделать, и она находит. Она находит очень быстро.

И это применяется?

Да, это применяется. Более того, если уж совсем упуститься на простые вещи, где-то год назад я как раз выложил видео на YouTube, где в клинике, где я работал, мы обучили нейросеть находить опухолевые метастазы в лимфоузлах. А это очень важно для стадирования поражений. То есть если опухоль прилетела из своего первичного места в лимфоузлы, то это уже более продвинутый процесс. Если она прилетела в один лимфоузел, это одна история. Если она прилетела в пять лимфоузлов, это уже другая история. Здесь уже и лечение может быть. меняться, и подходы разные, в зависимости от того, какой тип опхоли. Ну, в общем, это важно. Раз это важно, значит, важно находить. И вот представь, сидишь, эти картины разглядываешь, разглядываешь или Google карты. Устал, за окном дождь льет, не выспался. Можно ведь пропустить очень легко. Нейросеть не пропустит. Компьютерное зрение не пропустит никакой объект. Если она четко знает, какой объект ей нужно найти, она его найдет. Да-да, я не ожидал те результаты, которые я получил. У меня эта проклятая нейросеть находила опухолевые метастазы в 7-8 клеток. То есть, помнишь, я говорил про миллионы клеток, да? И вот среди миллионов клеток 7-8 клеток.

А-а-а, я понял. Маленькую деревеньку на карте России.

Да-да, какую-то прям совсем маленькую из нескольких домов, умирающую. Более того, это шайтан-машина. Она же посмотрела туда, куда врач, скорее всего, не посмотрит. Она же весь препарат посмотрела, ей-то чего? Ей-то чего, ей дайте мощности, дайте видеокарту, она вам все это сделает. Вот мы ей дали мощности, дали видеокарту, и смотрю, она мне подсвечивает какие-то совсем места в стороне, куда я вот традиционно, когда провожу исследования, туда даже не заглядываю.

Блин, прям мурашки по коже, очень круто. Насколько много нужно данных для того, чтобы обучить вот эту нейросеть, которая смотрит на

картинки и находит эти... Один из моих любимых вопросов. Я когда начинал всем этим заниматься, у меня старшему ребёнку было 5 лет. Ну и он тут крутится рядом, что-то многие вещи дома сидишь делаешь с компьютером, он тут крутится рядом. А что это? А что это? А что это? Так, садись. Значит, это опухоль. Это не опухоль. Это опухоль. Это не опухоль. Где-то после 15-20 картинок, но очень чётких, очень ярких, выраженных, он уже мне начал сам говорить, это опухоль, это не опухоль.

Обучил нейросеть ребенка.

Да-да. В общем, когда различия яркие, тебе, например, человека от автомобиля надо отличить, там тебе не надо много картинок. Это относительно легко делается. Когда тебе надо какие-то нюансы найти, какие-то схожие вещи вычленить, тогда речь начинает идти на сотни, на тысячи или на десятки тысяч даже. Ну вот я тебе про лимфоузлы и метастазы рассказываю. Вот у нас эта нейросеть была обучена в общей сложности, там было чуть больше 100 тысяч изображений.

100 тысяч? Нифига себе. Это изображение и больной, и здоровой ткани, да?

Да.

Откуда они берутся?

Вот те самые цифровые микропрепараты брали. Их, значит, то, что называется процесс, кто работает с нейросетями, термин понятен, разметка, да? То есть они маркируются, врач говорит, вот это опухоль, а это не опухоль, а это еще что-то. И через вот это, так сказать, обучение Мы обучаем, да. Ну да, пришлось вот мне посидеть, там, эти 100 тысяч фотографий посортировать. Ну да, ушло пару недель на это.

А кто размечает?

К сожалению, это может только врач сделать. Потратит своё время, свободно отработает, и, скорее всего, или за небольшие деньги, или совсем за бесплатно этот вопрос решить. А размечать данные, это вам, извините, тоже такая работёнка нудноватая сейчас.

Раз за разом видишь картинки, и нужно просто сказать то не то, то не то, или там, так сказать, это один

из таких... Нет, всё гораздо хуже. Зачастую нужно обвести. А, господи... Вспомним, как мы смотрим за окно и видим там снег. Теперь берём и обводим весь этот снег.

Фломастером, да.

Фломастером, да. И чем лучше обведём, тем лучше.

Очень неприятно.

Были попытки привлекать к этому делу, по крайней мере, мне известных студентов. Это не получается, не хватает компетенций. С врачами тоже проблемы. Да, это одно из бутылочных горлышек. Почему у нас это все не происходит лавинообразно, не происходит какого-то такого взрыва? Патологоанатом редкая специальность, их очень мало. У нас в стране их около 3500 патологоанатом.

Вау, погоди, на всю страну 150 миллионов.

Да, и это самое большое комьюнити в Европе. Да, в Китае их побольше, в Штатах их побольше, в Индии их побольше, но в Европе это самое большое комьюнити. Ни в одной стране их так много нет. Людей, обладающих вот этими уникальными компетенциями. И при этом, по крайней мере, по официальным данным, у нас дефицит врачей, ну, порядка 50% патологоанатомов.

О, то есть их нужно в два раза больше.

Ну, примерно, да. Не чтобы нейросети обучать, а чтобы просто выполнять рутинную работу, которую здравоохранение просит выполнить.

Скажи, пожалуйста, разве это не делается как раз за счёт обычной работы? Мне казалось бы, что обучение... Разметка— это такой вторичный продукт того, что ты просто делаешь каждый... Ты сказал, что в один день через нормальную лабораторию проходят сотни снимков. Вот типа сотня снимков в день у тебя довольно быстро наберётся. Или это не так работает?

Совершенно верно. Но там есть нюансы, значит. Первое, мы же когда смотрим в окно, глядя мы утром в окно, выпал снег. Мы же не описываем все, что мы там видим. Мы же просто говорим, да выпал снег. Так же и патологоанатом. Да здесь рак такой. Он не говорит, что вот этот рак находится вот здесь, и на крышах машин, на их капотах, на складке между дворником и стеклом. Он немножко подтаял на дороге, немножко дворник подмел этот снег на тротуаре, и там еще и так далее, и тому подобное. Вот этой детализации-то нету.

А для обучения сети нужно как раз детально... Детализация, да.

Есть нюанс, да, конечно, если у вас большой объем данных, почему сейчас у нас некоторые страны, Британия анонсировала, Нидерланды, Бельгия, в основном небольшие страны, конечно, потому что у них просто есть возможность это сделать. анонсировали тотальное сканирование микропрепаратов всех, которые в стране производят. Потому что потом при раке толстой кишки, например, у вас на порядке 20 микропрепаратов. С одной стороны, у тебя есть 20 микропрепаратов, с другой стороны, у тебя есть совершенно точный факт, что это рак толстокешки с такими-то там его характеристиками. Вот когда мы наберем сотни тысяч этих случаев, этих кейсов, то, в принципе, наверное, более детальной разметки не понадобится. можно будет научить нейросеть понимать, что... ну или примерно ориентироваться, где здесь рак, где не рак, что ещё, куда, как, и что-то находить уже самой, самообучение подключать, да, уже пытаться с её помощью получить какую-то детализацию.

Очень круто. То есть это другое... два разных подхода. В одном случае ты детально описываешь каждый снимок, а в другом случае ты просто говоришь, вот эти там 100 тысяч снимков, рак толстой кишки, найди мне ещё такие же.

Да, он там есть.

Ты как раз сказал, что маленькие страны уже начали делать тотальную общую базу. Скажи, а есть общая база вообще для всего мира? Или у каждой лаборатории свой датасет?

С датасетами фантастические сложности сейчас. Значит, есть несколько международных инициатив, которые пытаются это все делать, собирать. Оно все-таки собирается потихоньку. Но в большинстве случаев мы сталкиваемся либо с тем, что данные не очень активно расшаривают, либо создают откровенные препятствия для их распространения. И вот я опять же, да, кто ж похвалит, кроме самого себя. В общем, я поэтому использую ситуации, позволю себе такую шалость. Мы с коллегами опубликовали первые данные, сделали их открытыми, по раку молочной железы в России. И, по-моему, это вообще был первый медицинский датасет в России, опубликованный и открытый для использования всеми желающими. И это было вот так год назад, да. Примерно.

Совсем недавно.

Да, после нас как раз опубликовали набор данных где-то через три месяца. Департамент здравоохранения Москвы, рентгенологические данные с ковидом и с прочим. У них по качеству, конечно, датасеты по размерам, по масштабам, я не спорю, но у них там коллектив авторов и московский департамент здравоохранения со всей его финансовой машиной, а нас двое. И все. И мы тоже что-то сделали.

Ты сказал, что создают препятствия. Кто создает препятствия? Врачи, власти? Кому это нужно?

Значит, я не берусь тут говорить о том, как оно за рубежом происходит. Там, скорее всего, регуляторы мешают юридически. Вот эта защита данных пациентов, вот вся эта история, они же немножко заморочены, немножко слишком, как мне кажется. У нас в России я довольно неплохо эту ситуацию знаю, общался с разными людьми. должен констатировать, что это одна из проблем для нас и для развития вообще в принципе всего этого. С одной стороны, если поискать новостях, даже на РБК можно найти историю про то, что Мишустин анонсировал, наш уже будущий премьер-министр, анонсировал, что доступ к медицинским данным будет для исследователей. Хорошо. Прекрасная новость. Очень хорошая новость. А дальше начинаются детали, в которых кроется дьявол. Во-первых, потом, чуть позже было анонсировано, что доступ к этим данным получат только некие одобренные исследователи. Извините, но А разве не чем больше исследователи будут иметь доступа, тем больше толку будет с этих данных? По-моему, именно так. Но это еще полбеды. На практике мы сталкиваемся с тем, что некоторые, как я их называю, особенно талантливые администраторы в учреждениях здравоохранения, особенно в крупных, они, значит, почему-то считают, что хранящиеся у них данные принадлежат им, и ими надо торговать. И вот здесь вообще начинается проблема. То есть ты приходишь, тебе... Ты готов делать исследование, а тебе говорят, а ты мне заплати. А за что? Просто за то, что этот пациент к вам попал. Вы же разметку мне не дадите, я же разметку сам сделаю. Я даже отсканирую сам. Я не прошу вас сканировать, оцифровывать, это все я сделаю. А ты нам заплати. Поначалу, да, когда я слышал эти ожидания, я думал, господи, да что же это за безумцы-то, и какие они бессовестные. Ну ладно, у меня немножко идеалистическое восприятие мира, я все-таки врач, а у людей более такое, прагматичное. Да, вот ты нам заплати. Но проблема в том, что ящик Пандоры открыли. И у нас в стране есть прецеденты оплаты за эти данные. И раз ящик Pandora открыли, то теперь уже не так просто будет получить данные. Теперь все будут хотеть получить за это что-то.

Охренеть!

И это, конечно, не способствует развитию индустрии. Это колоссальная проблема.

Последний вопрос про разметку данных. Скажи, пожалуйста, а когда врач ошибается в разметке данных, насколько это критично вообще? Часто ли это происходит? Насколько это опасно?

Слушай, у меня тут есть на самом деле несколько подходов к этому делу. Я приверженец одного из них, причем не то чтобы ярый, но я больше туда склоняюсь. А поскольку, как мне кажется, у меня больше математической подготовки и немножечко больше опыта, ну опять же, да, хорошо себя нахваливать. Значит, с одной стороны, есть такой подход и такая понятие, как нулевая терпимость, нулевое зашумление. Вот размечаем данные так, чтобы, не дай бог, тут хоть одна клеточка попала лишняя. Вот прям по рукам бьем и все, что угодно.

Перепроверяем по два раза.

Да, перепроверяем по два раза. И вот такие данные будут очень качественными, и их надо будет меньше для того, чтобы обучить. Но эти данные требуют колоссальных ресурсов со стороны врачей. То есть это врач должен сидеть и прям разглядывать, вглядываться, чесать. Не всегда все так просто разобраться, да. А вот три снежинки – это уже снег или нет? Они же сейчас растают. И вот тут начинается. А есть другой подход, более такой, так сказать, лайтовый, когда определенный уровень шума допустим. Почему? Потому что любой математический алгоритм, он этот шум проигнорирует. Он же возьмет среднее значение в итоге. И я вот как бы тоже придерживаюсь второго подхода, потому что он позволяет получить немножко грязноватые данные, до каких-то разумных пределов, уж не надо уж совсем, да, ужас какой-то, ужас вытворять, и откровенную неопухоль называть опухолью, и откровенную опухолевую ткань называть нормальной. Но зато врач меньше напрягается.

И он может сделать больше.

Да, и он может сделать больше. А алгоритмы, они потом это переварят. Им инженеры помогут, они смогут подобрать адекватные вещи. И вероятность... Даже вот, например, мы говорим, вот те же лимфоузлы и поиск метастазов у них. Но вот что для врача важно, и для пациента на самом-то деле? Не то, чтобы нейросеть однозначно сказала, это метастаз или нет. Для врача, для пациента важно, чтобы она ни одного метастаза не пропустила.

Принять решение, насколько это опасно.

А врач уже, да, отфильтрует. Если она тут что-то лишнего подмахнула, не беда, я скажу, что это не совсем то. Но вот если она хоть один пропустит, это уже проблема, потому что врач может туда не посмотреть.

Это как раз был мой вопрос, что обычно в машинообучение разделяют ложноположительные и ложноотрицательные ошибки. И у вас как раз получается лучше лишний раз посчитать здоровую ткань больной, чем пропустить болезнь.

Да, для любого скринингового метода уровень ложноположительных не проблема, а вот ложноотрицательные, чем меньше, тем лучше. И лучше, чтобы они были нулевые. модель можно доучить. На потоке потом, когда она в практику войдет, ты ткнешь, скажешь, подруга, ты здесь ошиблась, здесь ошиблась, это не совсем то, это не совсем это, и оно потом за месяц-два работы, оно доучится.

То есть тебе окей, чтобы он тебе говорил много возможных... И сюда посмотри, и сюда посмотри, зато ты уверен, что ты ничего не пропустишь.

Да, конечно.

Окей. Хочу про модели и про разные болезни. Скажи, пожалуйста, модель строится под конкретную болезнь или это какая-то супермодель, которая умеет классифицировать все болезни?

Да, супермодель звучит как плацебо, как лекарство от всех болезней. Было бы здорово. И я тебе более того скажу, модель зачастую решает даже не про болезнь, а вообще какую-то конкретную задачу. Вот про метастазы я тебе рассказал, да, в нем в узлах. Там же болезнь, это опухоль, рак какого-то органа и так далее и тому подобное. А мы решаем частную задачу. Берем другой пример, тоже такой довольно уже работающий в практике, совершенно точно знаю, видел работающую систему, использую EMUI. Пересадка почек, трансплантация. Почка неживая, ее пересаживают в другую, в донорскую почку, а дальше через некоторое время берут фрагмент этой почки, чтобы посмотреть, как хорошо она прижилась и все ли у нее в порядке. И здесь проблема в том, что в одном таком вот маленьком кусочке помещается и вообще хорошо бы иметь десятки почечных клубочков. Не хочется погружаться сейчас в эти анатомические, морфологические детали. Ну, в общем, десятки неких объектов. И каждый из них надо врачу посмотреть и сказать, так, с этим все в порядке. А у этого небольшие отклонения, а у этого отклонения выраженные. А дальше, по результатам, количество нормальных и ненормальных или степени ненормальности, делается заключение о том, что да, здесь все хорошо. Или не, ребят, вы знаете, здесь надо повысить дозу такого-то препарата, чтобы вот эти процессы отторжения подавить немножечко. Или ничего не делать. И это же все может сделать машина.

И мы, получается, делаем отдельную нейросеть под каждую из этих задач типа, например, найти

эти Какие-то объекты, посчитать их, да.

Круто. Все ли болезни одинаково легко даются машине? Определение из выражений, анализ.

Ну, конечно же, нет. Какие-то вещи находить легче, какие-то нет. И опять же, да, я возвращаюсь к конференции этой июньской Целая группа исследователей там, вместе коммерсанты с врачами, сейчас прорабатывают историю доказательства того, что использование нейросетей эффективно. И как именно эффективно? Они пытаются посчитать эту эффективность, потому что к любому чиновнику приди и вот этими вот широкими мазками и красками начни расписывать, он тебе скажет, ты мне, пожалуйста, на бумаге, сколько это выйдет, поиск вот этих конкретных задач, где-то оно более четко, более понятно. где-то оно просто облегчит работу врачу, и не более того. Когда врач будет работать быстрее с помощью нейросети, это не придёт к тому, что он будет работать больше, это придёт к тому, что он будет уходить домой раньше. Это вполне нормальная история, да?

и меньше будет уставать, и меньше будет совершать ошибок.

Да, совершенно верно. Но ошибки сложно объяснить, они сложно считаются, да. Ценность от снижения уровня ошибок, она считается сложной. Более того, никто не знает, сколько ошибок совершает врач. Этого никто не считает. Потому что у тебя должна быть сначала смелость врачей признать эти ошибки, а потом понимание, что за эти ошибки, за то, что ты их признал, тебя не посадят. И вот сейчас идёт поиск тех направлений и тех задач, которые лучше всего решаются нейросетевыми алгоритмами.

Которые очевидно помогают.

Которые очевидно, да, помогают, совсем хорошо. И которые будут эффективны. Ну, например, вот у нас очень большой объём патологоанатомической работы, скринингового характера, это биоптаты желудка у людей старшего возраста. Там надо не пропустить рак. Рак или лимфома. Вот научить этому нейросеть, прекрасное дело. Пусть она фильтрует. Там поток, там огромный поток идёт в тех учреждениях, которые с этим работают, которые скрининг проводят пациентов, большой поток. Другая вещь – рак шейки матки. Колоссальная проблема, которая в нашей стране далека от решения. А существует скрининг, когда материал можно посмотреть и найти эти изменённые клетки, и выхватить вовремя женщину из проблемы.

То есть, чем более распространённая болезнь, тем болезнее там будет машинное обучение?

тем более распространенной, да, и тем более она калечащая, да, скажем так. Это тоже важно для социального здравоохранения, для того, чтобы для государства было важно вкладываться в это.

Может быть, глупый вопрос, но болезни отличаются от страны к стране? Или эта штука одинаковая для всего мира?

Ты знаешь, они, может быть, по-хорошему... Может быть, они в чём-то отличаются, именно вот как патологический процесс, то, что называется, да, как его течение. Но пока этого мы еще не очень хорошо знаем. У нас в большей степени то, что выпячивает, то, что ярче, у нас отличается структура болезней, спектр болезней и их частота. Вот мы говорим, я очень много занимался просто раком шейки матки, так уж получилось, и, например, если у нас его условно много, в Европе, благодаря их жесточайшей борьбе с ним, системы здравоохранения прям чуть ли не кнутом загоняли на скрининг женщин, там на работу нельзя было устроиться. они его, ну не то что победили, на него задавили, то, например, в странах мусульманских это вообще не проблема, его там просто нет, потому что нет половых отношений до брака.

Оу, нифига себе, я не знал про это.

И для них это не проблема, это вообще не проблема. Но сам рак будет одинаковый во всех этих трех популяциях.

Сколько таких моделей? Ты сказал, что они специфичны для задачи. Сколько таких моделей сейчас есть?

Я думаю, что их много. Прямо сходу могу начать перечислять, и мне пальцев не хватит на руках. На обеих это точно. Может быть, и на ногах не хватит. Но вот даже то, чем я занимался, у нас уже несколько моделей. Три-четыре уже готовы. Они тоже по своей сути разные. Например, метастазы в лимфоузлах, она более полезная. А модель, которая ищет первичную опухоль, она менее полезная, потому что её искать не надо, она и так видна. Она обычно больших размеров, относительно больших для микроскопа, для микромира. Поэтому если мы говорим, например, в рутинной работе, в идеальном мире, спустя 10-15 лет врач-патологоанатом, сколько бы у него могло быть в арсенале этих моделей? Это будут десятки, как минимум десятки.

Кто их разрабатывает? Ты сказал, у нас там двое человек этим занимаются. Можешь немножко подробнее рассказать, кто делает такие модели? Потому что вот, например, про модели распознавания речи я знаю. Там есть четыре ведущие корпорации Apple, Google, Microsoft, и вот у них типа самые лучшие. Есть OpenAI и еще что-то. А вот у вас как?

Здесь история другая. Здесь гигантов раз-два и обчелся, и они в основном показывают технологии оцифровки изображений, вот эти сканеры, как они с ними справились или еще что-то. Так. А основной массив составляют стартапы, которых десятки. Десятки. И это тоже проблема, потому что, да, мы врачи консервативные, патологоанатомы консервативные в квадрате. Для них все эти оцифровка, искусственный интеллект, это все какой-то такой настоящий рокет-сайенс, космос и так далее. И они с большой-большой осторожностью к этому относятся. и не очень-то хотят покупать, не очень-то хотят пробовать, не очень хотят выбивать деньги.

Но именно вы являетесь этим гейткиперами, которые либо позволите технологиям появиться в этой индустрии, либо нет.

Да, и поэтому призыв совершенно четко от наших же коллег. Обратите, пожалуйста, на это внимание. Начните с этим работать, потому что иначе мы потеряем эту индустрию. И это правда.

Очень интересно. А на какие деньги ведется эта разработка? Ты сказал, что это стартапы, то есть они реально прям пытаются, типа, на этом заработать денег? Это коммерческие проекты?

Ну, они фандрайзингом занимаются, да, в основном. Это какие-то венчурные вещи, какие-то... Мы, например, наш проект делали с помощью вот этого фонда Бортникова. Ну, он в народе называется фонд Бортникова, да, у него на самом деле там какое-то длинное название, кому надо, найдет. Вот мы на эти деньги этот вопрос решали, да.

То есть это благотворительные и государственные какие-то штуки инвестируются в технологии?

Да, совершенно верно.

Ты вот уже упомянул, что в России вот вы это делали на деньги фонда Бортникова. Как с этим обстоят дела в России, кроме вас?

Ну, обстоят, в общем-то, я хочу сказать, у нас и государственные структуры этим занимаются немножко, и не только медицинские, между прочим, Минпромторг этим занимается.

То есть обучает модели на онкологических снимках?

Ну, на медицинских, да, с медицинскими данными пытается работать, да.

Ничего себе.

И Первый институт Мечникова, который первый медмосковский, работает в этом направлении, пытаются. Но это всё на сегодняшний день очень очагово. Прямо вот такие пятнышки. К сожалению, вот каких-то прорывов пока не видно. Вот я иду на следующей неделе выступать на мероприятии, как раз первым медом проводится. Там в основном врачи выступают. Не в основном там только врачи выступают. А где вот этот консорциум между инженерами и врачами? Да, если нет консорциума, врачи сами... Да, вот освоил программирование на Python, мне потребовалось что-то около полугода. Я даже сейчас потихоньку сам могу нейросеть по шаблону, спрограммировать, обучить, потом оттестировать ее. Но это по шаблону, и я от этого не остановлюсь программистом. Я не становлюсь инженером в области искусственного интеллекта.

Я как раз хотел спросить, а нужно ли быть врачом для того, чтобы заниматься разработкой этих моделей?

Я боюсь, что да, потому что не то чтобы прям самому нужно быть врачом, нужно иметь человека рядом. Вот у меня тоже я изучал, когда питон, благо у меня своевременно появился человек из IT-среды, который мне что-то подсказывал и наставлял, и направлял. То же самое здесь. Но здесь как раз проблем особенно нет. Вот, например, одно из моих, скажем так, учебных пособий, когда я погружался во все эти вещи, в искусственный интеллект, в том числе и в программирование, Одно из важнейших учебных пособий, это были выложенные на YouTube лекции MIT для инженеров по медицинским данным. Цикл лекций прям. Там и про патанатомию отдельная лекция была посвящена. И, кстати, читал ее человек, у которого два образования математика и патологоанатома. Есть такие персонажи. И там про рентгенологию была лекция отдельная. То есть всему были посвящены часовые лекции отдельным направлением. Пожалуйста, материал есть. Сейчас возможности для образования колоссальные, было бы желание.

Очень интересно. Скажи, а вот готовые обычные модели, они распространяются бесплатно или это коммерческие продукты?

Для продукта сама модель, к сожалению, на сегодняшний день, наверное, недостаточно. Хотя, возможно, рынок поменяется. У нас сейчас вот мы опять возвращаясь к тому, как у нас кто-то разрабатывает модели. Не прозвучал вопрос, а что же делают гиганты в это время, если стартапы модели разрабатывают?

Кстати, вот интересно, да, почему стартапы, а Adobe вам делает какие-то решения для хранения даже изображений 100%. Наверняка.

наверняка Сбер чем-нибудь таким занимается-то, да? Что уж там ходить в Адоби.

Самое понятное, как бы загрузить миллиард денег и получить результат.

Да. Дело в том, что, по-видимому, индустрия пойдет... По крайней мере, они так собирались действовать, и где-то даже не стеснялись это анонсировать. По пути, по следующему, гиганты будут создавать трубу, pipeline. Они будут приходить в клинику со своей экосистемой, а вот стартапы будут в эту экосистему вливаться со своими моделями. И задача стартапа будет свою модель подстроить под работу этой экосистемы.

То есть гиганты делают инфраструктуру, а стартапы делают конкретную модель, которая уже анализирует изображение и делает выводы.

Да, частные задачи, скорее всего, будут решаться маленькими коллективами научно-исследовательскими. И это интересная вещь, потому что, извини меня, но вот маленькому коллективу сделать законченный продукт, потому что модели-то недостаточно, модель должна быть, у нее должен быть интерфейс, ее надо как медицинское изделие зарегистрировать. А у нас, например, если мы берем нашу страну, на самом деле это много где такая проблема есть, я общался с людьми. Мы завысили планку. Искусственный интеллект в медицине, ему назначен самый высокий риск. Группа риска присвоена. Третья. У нас их всего четыре. Первая, вторая, вторая, третья. Если мы говорим про российскую медицину... Как

рентгеновский аппарат, короче, да, Иван?

Скорее всего. Хуже? Нет, как водитель ритма. Как аппарат, который ставят в сердце, чтобы он регулировал сердечную деятельность. А почему, а зачем такие сложности?

Ну это дичь, конечно.

Все равно врач проверит работу этой нейросети, да? Не нейросеть подпись свою поставит, под диагнозом врач поставит. Врачу просто надо конкретную задачу решить с помощью нейросети. В итоге, для того, чтобы зарегистрировать такое медицинское изделие в сегодняшних реалиях, тебе надо порядка 3-4 миллионов рублей. Одна модель.

Хочу двинуться дальше. Все это звучит очень современно, но если я пойду сдавать анализы завтра, какова вероятность, насколько вероятность, что их будет анализировать нейросеть?

На сегодняшний день практически нулевая, если мы говорим про Россию. У нас есть кое-какие там частные решения, алгоритмы, которые действительно используются, но это не очень про нейросеть. Это про компьютерное зрение, но не про нейросеть. Но это прям, опять же, вспышки. Вспышки на солнце такие, да. Отдельные, случайные, и, наверное, пока еще, да, не случится. Но поскольку вот этот бульон, он потихоньку варится, то, ты знаешь, во всех вот таких инновационных штуках никогда не знаешь, когда оно рванет вверх. А может рвануть завтра.

Ага, я понял. Скажи, а насколько вероятно, что анализы, которые я сегодня условно сдам, станут данными для обучения нейросети?

А вот здесь, вероятно, сильно выше. Я с тобой согласен. Я тебе более того скажу, анализы, которые ты сдал год назад, очень даже могут стать данными для обучения нейросети.

А, сегодня. То есть у вас же есть этот библиотекархив.

Они же хранятся.

Круто.

Они же хранятся, конечно.

Они не портятся, да? Они прямо долго хранятся?

Они хранятся очень... Большинство из них хранится очень долго, там есть некоторые очень узкие вещи, которые действительно имеют срок годности, но это очень частые вопросы. В основном все это хранится, лежит годами, и ничего с этим срезом микроскопическим за эти годы не происходит, он вполне может быть задействован. И это здорово, потому что у нас масса редких опухолей, редких процессов, которыми нейросеть... Не набрать, да, количество, где взять столько материала?

А вот если посмотреть на 10 лет назад, типа за 10 или 20 лет историю, то там наверняка наберется.

Наберется, да.

Очень круто, я прямо представляю, что в какой-то момент появятся проекты типа, когда, знаешь, были массовые сканирования книг в библиотеках.

Вот что-то подобное, да, конечно.

И вот мой следующий вопрос. А обычные больницы в этом как-то участвуют? Какие-то суперцентры, я не знаю, типа в Москве федеральные, вот это всё.

Ты знаешь, вот, к сожалению, опять же, да, то, как у нас мир устроен, не центром, да, определяется, не суперскостью центра определяется появление инноваций. Появление инноваций определяется отдельным сумасшедшим или группой сумасшедших, которым не сидится, у них там колет что-то сзади, одно шило или два шила. Им вот очень надо. А им очень надо... Это может быть человек в Москве, в Самаре, в Нижнем Новгороде. В Петербурге у нас фантастическая группа появилась исследователей в Институте Петрова, которые очень много делают в этом направлении. Больше там про компьютерное зрение, но тем не менее очень яркий образчик. И это было абсолютно не про учреждения, это было про желание конкретных людей что-то делать. Поскольку я специалист из лабораторной медицины, то все, что я могу делать, это лабораторные вещи. А лабораторные вещи – это реактивы и оборудование. И у меня нет денег закупать реактивы и оборудование, чтобы делать науку. Вау.

Вот это поворот.

Никто мне это не профинансирует. Ну, конечно.

То есть тебе дешевле купить видеокарту и попытаться обучить модель, чем закупать миллион.

Да я тебе даже сейчас сумму назову. Видеокарта мне обошлась в 40 тысяч рублей, когда я ее покупал. Которой более чем достаточно для решения этих задач. Да уж точно для исследовательской работы, да. Может быть, не для промышленных вещей. Тут нужны облачные сервисы. 40 тысяч рублей она мне обошлась. А реактивы на 100 реакций. 100 реакций. Что такое для статистики 100 реакций? Сравнить там 50 нормальных образцов и 50 измененных. Вот тебе 100 реакций.

Мало, да. Мало статистики.

Маловато. Это один тип реакции, а их надо несколько. Это больше 150 тысяч рублей. А еще кто-то это должен все сделать. Это просто из-за реактивы.

Офигеть. Это реально демократизация исследований.

В общем, во многом, да. Это почему меня так возмущает то, что данные прячут, ну, прячут, условно, хотят за них что-то взамен и хотят денег, потому что вы ограничиваете исследователей, которые могут этим заниматься, вот этих самых сумасшедших.

Мне очень радостно, что вот мы эту завесу профессионального, когда никто, нормальный человек про это ничего не знает, мы, мне кажется, сейчас вот этим подкастом немножко приоткрыли. Вопрос мой такой. Есть цель в какой-то момент полностью заменить человека, патоморфолога нейросетью? Или мы всегда говорим только об упрощении, о добавлении инструментов для человека?

Прекрасный вопрос, потому что, ты знаешь, все говорят, что нет такой цели. Но мне кажется, что некоторые лукавят. Потому что еще там 20 лет назад, я помню, ходил у нас по больнице вновь появившийся директор, который не из числа врачей был, а он инженер по образованию. Ему рассказали, что врачей нет, кадров брать негде, потому что подготовка длительная, потому что человек, который в состоянии потом эти опухоли диагностировать, это еще несколько лет работы. И он подумал, подумал, только говорит, а вот как бы вот так вот сделать, чтобы вот вместо врачей кто-то вот там, может быть, компьютер бы все это делал. Я думаю, что есть люди, которые этим грезят, я совершенно точно знаю, что есть люди, которые этого боятся, из числа врачей, что их заменят, но я совершенно не верю в это как врач. Скорее всего, этого не произойдет, потому что слишком мы далеки от того, да, опять же возвращаемся, мы выглядываем в окно и видим, что там снег. Нам важно сейчас именно снег, нам не важно, что там мы видим пять машин, нам не важно, что мы видим подъезд соседний, нам не важно, что там идет человек. А может быть и важно. Мы тогда обратим внимание, во что он надет, чтобы понять, какая температура снаружи. И вот человек, когда он анализирует вот эту очень сложную, очень комплексную картинку, чтобы некое для себя вытащить решение, как мне одеться, да, в итоге выйти сейчас на улицу. Он очень многого не понимает, что происходит. Он не структурирует эту информацию, он её оценивает всю, как есть, во всём её комплексе, во всём её многообразии. Не так просто обучить компьютер этому.

Артём, спасибо тебе огромное за этот разговор. Последний мой вопрос будет такой. Вот я, допустим, технарь, послушал всё это, впечатлился, вдохновился и хочу в этом поучаствовать. Если ты технарь, как можно в этом поучаствовать?

Я на сегодняшний день ищу людей, которые работают в этом. Я знаю, я уверен, что ищу не только я. Другое дело, что зачастую всё, что можно предложить, это стать одним из таких же безумных, потому что финансирование пока что, мягко говоря, скромное.

Бывают онко-хакатоны? Или надо состроить такую конференцию, или есть какие-то группы, чаты?

Зарубежные, да, бывают. И датасеты, собственно, откуда берутся? Kaggle. Очень много там конкурсов именно по патанатомии.

Супер. Ссылка на Kaggle, на главную платформу соревнований дата-сайентистов, будет в описании к этому эпизоду. Спасибо тебе большое, Артём. Прям очень много нового. Это подкаст студии «Либо/Либо». И мы его сделали вместе с сервисом онлайн-образования Яндекс.Практикум. Над подкастом работали редакторка Маша Агличева, продюсерка Настя Медведева, звукорежиссер Юрий Шустицкий. За джингл спасибо Алексею Зеленскому.

Редактор субтитров Т.Горелова Корректор А.Егорова