Достижения в области искусственного интеллекта для анализа медицинских данных

Здравоохранение открыло эпоху преобразований, в которой доминируют искусственный интеллект и машинное обучение, которые теперь занимают центральное место в анализе данных и операционных утилитах.

Здравоохранение открыло эпоху преобразований, в которой доминируют искусственный интеллект (ИИ) и машинное обучение (МО), которые сейчас занимают центральное место в анализе данных и операционных утилитах. Преобразующая сила искусственного интеллекта и машинного обучения открывает беспрецедентную ценность за счет быстрого преобразования огромных наборов данных в практические идеи. Эти идеи по мнению разработчиков компании DST Global, не только улучшают уход за пациентами и оптимизируют процессы лечения, но и открывают путь к революционным медицинским открытиям. Благодаря точности и эффективности, обеспечиваемым искусственным интеллектом и машинным обучением, диагностика и стратегии лечения становятся значительно более точными и эффективными, ускоряя темпы медицинских исследований и знаменуя фундаментальный сдвиг в здравоохранении.

Преимущества ИИ в здравоохранении

Искусственный интеллект и машинное обучение будут влиять на всю экосистему отрасли здравоохранения. От более точных диагностических процедур до персонализированных рекомендаций по лечению и операционной эффективности — всего этого можно добиться с помощью искусственного интеллекта и машинного обучения. Технологии искусственного интеллекта помогают поставщикам медицинских услуг использовать возможности анализа данных в реальном времени, прогнозного анализа и поддержки принятия решений для наиболее активного и высоко персонализированного подхода к уходу за пациентами. Например, алгоритмы искусственного интеллекта повысят точность диагностики за счет изучения изображений, а модели машинного обучения помогут анализировать исторические данные, чтобы предсказать результаты лечения пациента, что позволит определить используемый подход к лечению.

Машинное обучение в анализе медицинских данных

Революция в данных о здоровье лежит на пороге машинного обучения с мощными инструментами, которые выявляют закономерности и прогнозируют будущие результаты на основе исторических данных. Первостепенное значение имеют алгоритмы, которые прогнозируют прогрессирование заболевания, улучшают методологии лечения и оптимизируют оказание медицинской помощи. Эти результаты позволят улучшить персонализированную медицину для разработки более эффективных стратегий замедления прогрессирования заболевания и улучшения ухода за пациентами. Самое главное, что алгоритмы машинного обучения оптимизируют операции в сфере здравоохранения посредством тщательного анализа данных о тенденциях, которые могут включать уровни госпитализации пациентов и использование ресурсов в оптимизированном рабочем процессе больницы, чтобы обеспечить более эффективное предоставление услуг.

Пример: уровень госпитализации пациентов со случайным лесом

Объяснение

— Загрузка данных: загрузите данные из файла CSV. Замените « Patient_data.csv» путем к вашему фактическому файлу данных.

— Выбор функций: выбираются только те функции, которые соответствуют целевым показателям госпитализации, например возраст, артериальное давление, частота сердечных сокращений и предыдущие госпитализации.

— Разделение данных: разделите данные на наборы обучения и тестирования, чтобы оценить производительность модели.

— Масштабирование признаков следует использовать для изменения масштаба признаков, чтобы модель учитывала все признаки одинаково, поскольку логистическая регрессия чувствительна к масштабированию признаков.

— Обучение модели: обучение модели логистической регрессии с использованием данных обучения.

— Попробуйте спрогнозировать поступление, используя модель из тестового набора.

— Оценка. Построенную модель следует оценить на основе точности, матрицы путаницы и подробного отчета о классификации из набора тестов для проверки прогноза модели для госпитализации пациентов.

Обработка естественного языка при анализе медицинских данных

Обработка естественного языка (NLP) — еще одна важная функция, позволяющая извлекать полезную информацию, включая клинические записи, отзывы пациентов и медицинские журналы. Инструменты НЛП помогают анализировать и интерпретировать огромное количество текстовых данных, ежедневно собираемых в медицинских учреждениях, тем самым облегчая доступ к соответствующей информации. Эта возможность очень важна для поддержки клинических решений и исследований, позволяя быстро получать информацию из существующих записей пациентов и литературы, повышая скорость и точность медицинской диагностики и ведения пациентов.

Пример: Модель глубокого обучения для обнаружения заболеваний при медицинской визуализации

Объяснение

— ImageDataGenerator: автоматически настраивает данные изображения во время обучения для увеличения (например, поворот, сдвиг по ширине и высоте), что помогает модели лучше обобщать ограниченные данные.

— Flow_from_directory: загружает изображения непосредственно из структуры каталогов, изменяя их размер по мере необходимости и применяя преобразования, указанные в ImageDataGenerator.

— Архитектура модели. В модели последовательно используются несколько сверточных (Conv2D) и слоев пула (MaxPooling2D). Сверточные слои помогают модели изучить особенности изображений, а объединение слоев уменьшает размерность каждой карты объектов.

— Dropout: этот слой случайным образом устанавливает для части входных единиц значение 0 при каждом обновлении во время обучения, что помогает предотвратить переобучение.

— Сгладить: конвертирует объединенные карты объектов в один столбец, передаваемый в плотно связанные слои.

— Плотный: полностью связанные слои. Эти слои состоят из полностью связанных нейронов, которые получают входные данные от функций данных. Последний уровень использует сигмовидную функцию активации для получения результатов двоичной классификации.

— Компиляция и обучение: модель компилируется с использованием двоичной функции кросс-энтропийных потерь, которая обычно подходит для этой задачи классификации. Затем он компилируется и оптимизируется с помощью данного оптимизатора и, наконец, обучается с использованием метода .fit на данных поезда, полученных от train_generator с проверкой с помощью validation_generator.

— Сохранение модели: сохраните обученную модель для дальнейшего использования, будь то для развертывания в медицинских диагностических приложениях или для дальнейшего уточнения.

Глубокое обучение в анализе медицинских данных

Глубокое обучение — это сложный предмет машинного обучения, используемый для анализа структур данных высокой сложности с использованием соответствующих нейронных сетей. Эта технология оказалась полезной в таких областях, как медицинская визуализация, где модели глубокого обучения эффективно обнаруживают и диагностируют заболевания по изображениям с уровнем точности, который иногда выше, чем у экспертов-людей. В геномике глубокое обучение помогает анализировать и понимать генетические последовательности, предлагая понимание, необходимое для анализа персонализированной медицины и планирования лечения.

Пример: глубокое обучение для классификации геномных последовательностей

Объяснение

— Подготовка данных: мы моделируем данные последовательности, где каждое основание последовательности ДНК (A, C, G, T) представлено как вектор с горячим кодированием. Это означает, что каждая база преобразуется в вектор из четырех элементов. Последовательности и соответствующие метки (двоичная классификация) генерируются случайным образом для демонстрации.

— Архитектура модели и слои Conv1D. Эти сверточные слои особенно полезны для данных последовательностей (например, временных рядов или генетических последовательностей). Они обрабатывают данные таким образом, чтобы учитывать их временной или последовательный характер.

— Слои MaxPooling1D: эти слои уменьшают пространственный размер представления, уменьшая количество параметров и вычислений в сети и, следовательно, помогают предотвратить переобучение.

— Слой сглаживания: этот слой сглаживает выходные данные сверточных слоев и слоев объединения, которые будут использоваться в качестве входных данных для плотно связанных слоев.

— Плотные слои: это полностью связанные слои. Выпадение между этими слоями уменьшает переобучение, предотвращая сложную совместную адаптацию обучающих данных.

— Компиляция и обучение: Модель компилируется с помощью ' adam'оптимизатор и' categorical_crossentropy' функция потерь, типичная для задач многоклассовой классификации. Он обучается с использованием метода .fit, а производительность проверяется на отдельном наборе тестов.

— Оценка: после обучения производительность модели оценивается на тестовом наборе, чтобы увидеть, насколько хорошо она может обобщаться на новые, невидимые данные.

Применение искусственного интеллекта в диагностике и планировании лечения

ИИ значительно повысил скорость и точность диагностики заболеваний, используя медицинские изображения, генетические индикаторы и истории болезни для выявления самых незначительных признаков заболевания. Во-вторых, алгоритмы искусственного интеллекта помогают разрабатывать персонализированные схемы лечения, фильтруя огромные объемы данных о лечении и реакциях пациентов, чтобы обеспечить индивидуальный уход, оптимизируя терапевтическую эффективность и сводя к минимуму побочные эффекты.

Проблемы и этические соображения в области искусственного интеллекта и анализа данных о здоровье

Однако интеграция искусственного интеллекта и машинного обучения в здравоохранение по своей номинальной стоимости также сопряжена с этическими соображениями. Тем не менее, проблемными областями, требующими корректировки, являются конфиденциальность данных, алгоритмическая предвзятость и прозрачные процессы принятия решений, что указывает на важные ориентиры этих корректировок для надлежащего и ответственного использования ИИ в здравоохранении. Необходимо обеспечить безопасность и защиту данных пациентов, а любая установка должна гарантировать свободу от каких-либо предвзятостей и не терять доверия и справедливости при развертывании услуг.

Заключение

Будущее по мнению специалистов DST Global здравоохранения весьма многообещающее благодаря развитию технологий искусственного интеллекта и машинного обучения, которые обеспечивают новую изощренность спектра аналитических инструментов, таких как AR в хирургических процедурах и виртуальных медицинских помощников, работающих на базе ИИ. Эти достижения сделают возможным более качественную диагностику и лечение, обеспечивая при этом бесперебойную работу и, в конечном итоге, способствуя более индивидуальному и эффективному уходу за пациентами. По мере дальнейшего развития и непрерывной интеграции технологий искусственного интеллекта и машинного обучения оказание медицинских услуг изменится за счет более эффективного, точного и централизованного обслуживания пациентов. Это означает, что в дополнение к обсуждаемым бизнес- и техническим проблемам необходимо учитывать ряд нормативных ограничений.

ИИ и МО стали для нас настоящими союзниками в процессе медицинского анализа. Благодаря этим технологиям, время на диагностику сократилось, а точность увеличилась. Мы внедрили ИИ-решения для анализа сложных медицинских данных, и результаты превзошли ожидания. Эти технологии не только облегчили нашу повседневную работу, но и открыли путь к ранее недостижимым открытиям. ИИ помогает обнаруживать скрытые паттерны, которые не видны человеческому глазу, что значительно ускоряет процессы лечения и улучшает качество ухода за пациентами. Особо хочется отметить точность прогнозирования и способность ИИ адаптироваться к новым данным. Без сомнения, это новый уровень в сфере здравоохранения.

Лично я наблюдаю значительное влияние искусственного интеллекта и анализа данных на наше повседневное функционирование. Эти технологии, способствуя повышению эффективности диагностики и лечения, значительно улучшили качество обслуживания пациентов. Однако не менее важно учитывать этические вызовы. Проблемы с конфиденциальностью данных и алгоритмическая предвзятость требуют активного внимания и прозрачности процессов, чтобы гарантировать справедливые и обоснованные результаты.

Очень впечатляет, как ИИ позволяет получать более глубокое понимание сложных медицинских данных, что ведет к принятию более обоснованных клинических решений. Это будущее, в котором я вижу огромное преимущество для пациентов, если этические соображения остаются в центре разработок. Мы должны стремиться к безопасности и защите данных, чтобы удержать доверие пациентов и обеспечить устойчивое развитие медицинских технологий.

Существует и много других возможных вариантов использования ИИ в сфере здравоохранения. Если говорить о перспективах их внедрения, то решения, основанные на машинном обучении, могут быть эффективными в тех областях, где доступно достаточно количество обучающих данных и можно четко сформулировать постановку задачи. В этих областях ИИ может принести пользу врачам и пациентам за счет взвешенного принятия решений на основе имеющихся данных. Вот некоторые области, где приложения на основе искусственного интеллекта уже успешно используются:

— Ведение беременности. Регулярное наблюдение за здоровьем матери и плода необходимо, чтобы уменьшить беспокойство матери и обеспечить раннюю диагностику возможных патологий у нее и ребенка.

— Разработка лекарств. ИИ позволяет находить новые лекарства на основе имеющихся биомедицинских данных. Так, биофармацевтическая компания NuMedii уже создала технологию AIDD (искусственный интеллект для обнаружения лекарств), которая использует большие объемы данных (BigData) и ИИ для быстрого обнаружения связей между лекарствами и заболеваниями на системном уровне. Компания занимается этим уже более 10 лет. За это время была извлечена информация из тысяч разрозненных хранилищ данных и создана собственная структурированная база данных, охватывающая сотни заболеваний и тысячи соединений. Запатентованные алгоритмы AIDD позволили ему выйти далеко за рамки традиционных подходов к поиску лекарств. Так, они могут повысить эффективность терапии за счет моделирования воздействия нового лекарства на организм при нескольких путях развития той или иной болезни.

— Приложения для здоровья. Технологии IoMT (Internet of Medical Things или Интернета медицинских вещей) в сочетании с ИИ уже позволяют массово выпускать «умные» приложения для контроля самых разных параметров организма, что обеспечивает полный контроль за состоянием здоровья человека. Основная цель этих приложений и устройств такая же, как и у профессионального ПО и диагностического оборудования — оперативно выявлять нарушения в работе различных органов или систем организма, чтобы их можно было исправлять самостоятельно или, в крайнем случае, без частых посещений врача.

— Генный анализ. Алгоритмы ИИ позволяют прогнозировать, как может повлиять на организм редактирование генома в каждом конкретном случае.

— Оценка эффективности медицинского оборудования и препаратов. Технологии BigData и глубокого обучения могут использоваться для извлечения значимой информации из изображений и видео для помощи в выборе оборудования и препаратов, наиболее подходящих для нужд той или иной отрасли медицины.

— Анализ причин заболеваний. Например, продукт компании Migraine Buddy под названием Healint анализирует терабайты данных, чтобы помогать пациентам, врачам и ученым-медикам лучше понимать реальные причины и последствия неврологических расстройств.

— Чат-боты для обслуживания клиентов. Про первичную диагностику мы уже говорили, а еще чат-боты позволяют пациентам задавать вопросы, касающиеся оплаты услуг, назначений или пополнения запасов лекарств.

— Исследование рынка медицинских услуг. ИИ помогает определить оптимальные цены лечения в условиях конкуренции, проводя исследования рынка, что является отличным подспорьем для частных клиник, которые могут сэкономить на услугах маркетологов. Таким анализом занимается ПО от MD Analytics — одной из самых старых на рынке компаний маркетинговых исследований в области здравоохранения и фармацевтики (работает с 2003 года).

— Работа с документами. Существуют приложения на основе ИИ, упрощающие документооборот в медицинских учреждениях. Например, технологии автоматизации процессов, такие как интеллектуальная автоматизация и RPA, помогают больницам автоматизировать рутинные операции с документами, в том числе отчетность.

Конечно, описать все реальные и потенциальные варианты использования искусственного интеллекта в медицине в рамках небольшой статьи не представляется возможным, однако мы написали эту статью с другой целью. Ее цель в том, чтобы показать, насколько эффективным может быть ИИ, если использовать его в узкоспециальных областях. И медицинская наука — пожалуй, наиболее красноречивый пример для этого, как вы могли убедиться на многочисленных примерах.

А в завершение еще один характерный график, на котором видно, как росли и будут расти финансовые вложения в индустрию. Даже с учетом возможной коррекции из-за текущей ситуации в мире реальные цифры всё равно будут выше прошлогодних. Добавим, что общие суммы по годам указаны в миллионах долларов, то есть в 2021 году в технологии ИИ в медицине было вложено более 1 млрд долларов.

Искусственный интеллект, внедряемый в узкоспециальных областях, оказывается перспективнее более общих проектов, недостатки которых мы рассмотрели в предыдущей статье на примере беспилотных автомобилей. На этот раз разберем медицинские технологии. И для начала один любопытный график, который дает наглядное представление об уровне развития технологий машинного обучения в медицине. За 15 лет (с 2005 по 2020 гг.) количество случаев внедрения ИИ в медицинские процессы выросло почти в 62 раза. 

Столь значительный рост, наблюдавшийся за последнюю отчетную пятилетку, может говорить только об одном: ранние технологии принесли определенные успехи, что открыло ученым возможности для массового внедрения ИИ. Рассмотрим, в каких областях медицины применяются сегодня алгоритмы машинного и глубокого обучения и проиллюстрируем каждую часть конкретными примерами.

Проведение хирургических операций

Уже в 2018 году было задействовано более 5 тысяч роботов, которые ассистировали хирургам более чем в 1 млн операций различной степени сложности. При этом создания полноценных роботов-хирургов в ближайших планах разработчиков пока нет, что вполне разумно, учитывая, какие ошибки порой может допускать ИИ (смотрите нашу предыдущую статью про беспилотные автомобили). А вот в качестве ассистентов роботы могут стать незаменимыми для специалистов и вполне способны улучшить статистику проведения многих операций. Особенно это касается такой области, как микрохирургия.

Хирургические роботы хорошо подходят для процедур, требующих одних и тех же повторяющихся действий, поскольку, в отличие от человека, роботы могут работать без устали. Кроме того, ИИ может выявлять закономерности в хирургических процедурах, чтобы повысить точность управления роботами до субмиллиметровых значений.

В качестве примера успешной работы роботов-ассистентов приведем исследование, в котором приняли участие 379 пациентов, перенесших ортопедические вмешательства, и было задействовано девять операционных. Исследование показало, что использование роботов с искусственным интеллектом в качестве ассистентов привело к пятикратному снижению осложнений по сравнению с операциями, выполняемыми хирургами в одиночку. В этой же статье указывается, что при правильном применении роботизированная хирургия с помощью ИИ также может обеспечить сокращение продолжительности пребывания пациентов в больнице после операции. Сократить это время можно на 21% в результате меньшего количества осложнений и ошибок в лечении, что даст ежегодную экономию в отрасли в размере 40 миллиардов долларов.

А в мае 2022 года ученые из американского Northwestern University представили свою новейшую разработку: крошечного робота-краба толщиной всего лишь 0,5 мм. Этот «малыш», разглядеть которого без специальной оптики практически нереально, способен не просто двигаться, но также крутиться на месте, подпрыгивать и даже ползать. Мини-крабик стал первым изобретением, о котором заговорили как о прототипе роботов будущего. Такие роботы будут способны ремонтировать что угодно: вспомните наноботов из различных компьютерных игр и фильмов — теперь это вряд ли покажется кому-то фантастикой. И при достаточном уровне ИИ эти маленькие помощники смогут под контролем хирурга проводить малоинвазивные процедуры, избавляя пациентов от закупорки артерий или даже от злокачественных новообразований. Перспективы диагностики последних, кстати, тоже стали выглядеть весьма радужно благодаря изобретению ученых из Бостонского университета, о котором мы расскажем ниже. А пока вернемся к нашему «малышу».

В конструкции крабика отсутствуют электросхемы — он выполнен из металлического сплава с хорошим эффектом памяти формы. Этот сплав имеет свойство изменять форму при нагреве, а при охлаждении принимает первоначальную. При этом материал, из которого изготовлен робот-краб, позволяет менять состояние достаточно часто для того, чтобы микроробот мог ходить и прыгать. Форму материала меняет лазерный луч, «уколы» которого в соответствующие точки на «теле» крабика заставляют последнего выполнять различные действия.

Как отмечает руководитель проекта Джон Роджерс, эта технология уже позволяет создавать роботов практически любого размера и формы: например, червяков, жуков и кузнечиков они с коллегами уже сделали. Интересно, что 4 года назад исследователи из Гарвардского университета представили робота-паука толщиной 1 см, для контроля которого использовались те же принципы управления состоянием материалов. При этом в Гарварде также подчеркивали, что целевой областью этой разработки является именно медицина.

Следующее изображение даст вам наглядное представление о том, какой миниатюризации удалось достичь ученым всего за несколько лет. Впрочем, миллиарды транзисторов в современных процессорах уже никого не удивляют, так почему же должен удивить полумиллиметровый робот-краб? Наверное, потому что он такой первый, представленный широкой общественности.

Терапевтические назначения и лечение отдельных заболеваний

В этой области методы искусственного интеллекта применяются, в частности, для решения проблемы ошибок в дозировке лекарств. И результаты показали, что искусственный интеллект может назначать дозировки более точно, чем терапевты, повышая эффективность лечения и попутно экономя значительные суммы для клиник.

Так, один из подходов, называемый параболическим персонализированным дозированием (PPD), основан на алгебраических уравнениях для связи фенотипа с концентрацией препарата (в исследовании рассматривались иммунодепрессанты). Путем исследования реакций пациента во время курса лечения по выведенному уравнению создается двумерная парабола, указывающая на следующую дозу, которую должен получить пациент. Подход PPD был протестирован на четырех пациентах, а затем его сравнили со стандартными методами терапии, когда лекарства назначались по рекомендации врача. Пациенты, лечение которых осуществлялось по PPD, выходили за пределы минимально необходимых дозировок реже и в течение более коротких периодов времени, чем контрольная группа под руководством терапевта, что позволяет предположить, что уравнение точнее предсказывает следующие дозы.

Подход PPD впервые был опробован в трансплантационной медицине, однако прогнозируется его широкое применение за пределами этой области, в том числе и обычными терапевтами. Дело в том, что параболическое персонализированное дозирование не зависит от механизма заболевания или выбора препарата и, таким образом, может определять оптимальные схемы лечения для многих типов пациентов. Например, применение PPD возможно и в тех случаях, когда пациент подвергается таким процедурам, как гемодиализ, которые могут препятствовать распределению лекарства в организме. Это возможно, поскольку парабола смещается по мере того, как добавляются новые лекарства или убираются уже не нужные, или когда пациент проходит дополнительные клинические процедуры.

Из других примеров можно отметить компании GNS Healthcare и Oncora Medicals. Первая использует машинное обучение, чтобы подбирать для пациентов наиболее эффективные методы лечения. А программное обеспечение второй, разработанное на основе ИИ, анализирует и изучает данные и ресурсы, которыми располагают конкретные клиники, специализирующиеся на борьбе с онкологией, чтобы обеспечить пациентам наилучшее лечение в определенных условиях. Как указано на сайте Oncora, «улучшение качества лечения и результатов для больных раком требует тесного сотрудничества между врачами, учеными, онкологическими центрами и пациентами. Платформа Oncora позволяет всем заинтересованным сторонам собирать и применять реальные данные для принятия любых решений, связанных со здравоохранением, на благо пациента».

Ряд систем ИИ позволяют медицинским учреждениям детально анализировать клинические данные и получать более глубокое представление о здоровье пациентов. Это дает возможность снизить стоимость медицинской помощи, используя ресурсы более эффективно, и значительно упростить заботу о здоровье населения. На развитии этих технологий для клиник специализируется компания Zakipoint Health. Их продукт отображает всю важную информацию на одной панели инструментов и предлагает индивидуальные программы лечения. Таким образом, современные медицинские программы на основе ИИ находят лучшие планы лечения в соответствии с клиническими данными пациентов и могут гибко изменять эти планы под влиянием сопутствующих факторов, что снижает затраты и повышает эффективность лечения. 

Диагностика заболеваний

Чат-боты уже могут с высокой эффективностью помогать пациентам самостоятельно ставить диагноз, а также помогать в постановке диагноза и врачам. Например, ИИ компании Babylon Health предоставляет соответствующую информацию о здоровье на основе симптомов, описанных самим пациентом. Понятно, что симптомы могут быть описаны неверно или пациент может попытаться ввести ИИ в заблуждение умышленно. Поэтому в компании прямо заявляют, что их компьютерный ассистент не ставит диагноз. Это сделано для того, чтобы свести к минимуму юридическую ответственность компании, но в будущем мы наверняка увидим, как чат-боты будут ставить диагнозы по мере повышения точности их работы.

А на перспективы ИИ в Babylon Health смотрят оптимистично, заявляя, что они уже доказали эффективность своего ИИ в первичной медико-санитарной помощи, а также смогли создать такую систему искусственного интеллекта для медицины, которая не является «черным ящиком». Это отличает их, например, от Alphabet, материнской компании Google, представители которой еще сравнительно недавно заявляли о том, что до сих пор не знают, что конкретно изучают их модели машинного обучения, о чём мы писали в статье, посвященной LLM. И пока сложно сказать, насколько они продвинулись в понимании алгоритмов работы своих программ глубокого обучения. А вот исследователи из Babylon Health продвинулись совершенно точно.

Также современные ИИ решают проблемы приоритизации и медицинской сортировки. Рекомендации на основе глубокого анализа данных поступающих пациентов для обеспечения точной приоритизации и медицинской сортировки ИИ дает очень быстро в режиме реального времени. Наиболее известные решения для этих целей предлагает Enlitic. ИИ Enlitic Curie сканирует поступающих пациентов, обрабатывая множество клинических данных (в том числе учитываются и старые диагностические карты) и определяя приоритет на лечение, после чего сразу же направляет больных к наиболее подходящему врачу. Трудно переоценить пользу этих алгоритмов, исключающих из анализа человеческий фактор, ведь после того как они будут усовершенствованы, они помогут спасти тысячи жизней. Более подробно о комплексных решениях Enlitic Curie можно прочитать здесь.

Стоит рассказать и о новом алгоритме ИИ, который поможет диагностировать рак легких. Много лет человечество проигрывало борьбу с онкологическими заболеваниями, которые ежегодно убивают около 10 миллионов человек по всему миру. Одной из самых страшных форм онкологии является рак легких, распознавание которого на ранних стадиях и до сих пор является для ученых сложнейшей задачей. Но весьма вероятно, что справиться с этим человеку поможет искусственный интеллект.

Исследователи из Бостонского университета разработали ИИ, который долгое время обучался на полноформатных фотографиях легочных тканей пациентов (размеры таких изображений составляют обычно более 1 Гб, что делает их анализ человеком крайне сложным). ИИ на примере фото обучали распознавать аденокарциному легкого, плоскоклеточный рак легкого и соседнюю не раковую ткань. Результаты обучения оказались положительными: алгоритм смог продемонстрировать более высокую эффективность, чем другие современные методы распознавания патологий на полноформатных слайдах.

На данный момент новый алгоритм планируется внедрить в помощь патологоанатомам, однако при успешном внедрении возможности ИИ могут быть расширены, ведь главное — научиться диагностировать опасные заболевания на самых ранних стадиях, пока сохраняются высокие шансы на полноценное излечение.

Существуют и компании, специализирующиеся на разработке ИИ-продуктов для ранней диагностики различных заболеваний. Они позволяют анализировать хронические состояния, используя лабораторные и другие медицинские данные, чтобы выявлять опасные болезни как можно раньше. Так, программное обеспечение от Ezra использует ИИ при анализе МРТ-сканов всего тела, чтобы помочь специалистам в раннем выявлении рака. Их слоган говорит сам за себя: «Мы обнаружили самую большую слабость рака — раннее обнаружение». С помощью алгоритмов, разработанных командой Ezra, удалось выявить рак на ранней стадии у 13% людей, обследовавшихся при помощи этого ПО. И это большой успех, ведь согласно статистике, раннее выявление онкологии обеспечивает 80% выживаемость по сравнению с менее чем 20% при обнаружении рака на поздних стадиях.

SkinVision — компания, занимающаяся диагностикой рака кожи на основе медицинской визуализации, то есть диагностикой по фото. ИИ, разработанный командой SkinVision, позволяет обнаруживать рак кожи на ранней стадии по фотографиям, сделанным на телефон. Умные алгоритмы после исследования очередного фото просигнализируют о том, если с кожей что-то не так. Таким образом, пациент сможет вовремя обратиться в клинику за помощью. Медицинская визуализация на основе ИИ также широко используется для диагностики ОРВИ и выявления пациентов, которым требуется клиническая поддержка. Например, китайская компания Huiying Medical разработала решение для медицинской визуализации на основе искусственного интеллекта с точностью определения пневмонии 96%, что позволит спасти драгоценные часы для своевременного лечения.

Уход за пациентами

Системы ИИ уже нашли широкое применение и в этой сфере. Например, компания Wellframe предоставляет мобильное ПО Medicare, разработанное специально для сиделок и медсестер. Ряд клинических модулей, разработанных на основе доказательной медицины, позволяет специалистам по уходу за пациентами находить индивидуальный подход к каждому. При этом приложение существенно облегчает жизнь не только сиделкам, но и не выходящим из дома пациентам, которые могут пользоваться им самостоятельно. В функции Medicare входят напоминания о приеме лекарств, возможность оперативных консультаций с различными специалистами, подбор полезной медицинской литературы и многое другое.

А в Positronic разработали перспективное решение в области глубокого обучения, которое точно предсказывает возможный исход, прежде чем пациент попытается покинуть палату. Это позволяет улучшать профилактику заболеваний и осложнений в больницах и домах престарелых. На главной странице сайта компании на самом видном месте красуются гордые цифры: более 3,7 Пб обработанных данных, более 67 миллионов сделанных прогнозов и почти 19 тысяч сэкономленных часов. Тестируемые возможности тоже впечатляют: определение патологий по снимкам, открытие новых лекарств, обучение алгоритмов с целью улучшения профилактических возможностей ИИ.

Дмитрий Аксёнов, хотелось бы обсудить вопрос: Кто несет ответственность за действия искусственного интеллекта. А то получается ситуация, что если обязать врача следовать рекомендациям системы, то за проблемы с пациентом врач не должен нести ответственность. А если ИИ является только рекомендательной системой, то врач, как говорится, «знает лучше» и имеет свое мнение, а вводить его в заблуждение альтернативным мнением может быть чревато. Но достижения в области диагностики конечно впечатляют.

Пока ответственность будет нести врач и медицинская организация. Возможно регрессом еще и разработчик ИИ. В настоящее время ИИ все же помощник для врача и медицинской организации. Особенно для рутинных и объемных задач. Но не более. 

Вот, например, ИИ может выявить поражение легких или образования, но пока он не сможет описать рентгенографическое исследование органов грудной клетки с учетом всех возможных патологий, как это бы сделал врач.

Пока ответственность будет нести врач и медицинская организация. Возможно регрессом еще и разработчик ИИ. В настоящее время ИИ все же помощник для врача и медицинской организации. Особенно для рутинных и объемных задач. Но не более. 

Вот, например, ИИ может выявить поражение легких или образования, но пока он не сможет описать рентгенографическое исследование органов грудной клетки с учетом всех возможных патологий, как это бы сделал врач.

Дмитрий Аксёнов

Т.е. Вы думаете, что в будущем мы сможем все-таки перенести ответственность с врача на другой персонал (разработчик модели, отладчик, может ответственный за адекватность). Просто в данный момент наблюдаю, что системы «помощники» не могут противоречить мнению врача (ЛПР), а, следовательно, их работа бессмысленна. Но, повторюсь без иронии, достижения в области именно диагностики (не принятия решения, а подсвечивания областей, быстрого отсева нормальных данных, быстрого выявления патологий) ИИ действительно впечатляют.

Про будущее не готов судить. Наверное, у разработчиков ИИ должна быть такая же ответственность, как и у разработчиков различного медицинского оборудования (изделий) или лекарственных препаратов. Но пока за всем стоит врач и решение принимает врач.

А вот про настоящее:С апреля 2022 года алгоритм обработал 2988 КТ снимков, в которых выявил 151 случай возможных новообразований и направил их на дополнительную верификацию врачам-консультантам MDDC. После проверки специалистами 78 результатов КТ лёгких были переданы врачам Нижегородского областного клинического онкологического диспансера для принятия решения по дальнейшей маршрутизации и дообследованию пациентов.

С одной стороны, врачи описали изначально эти 2988 исследований шире и подготовили полноценное заключение, что ИИ пока сделать не может. Но с другой стороны, проверив ретроспективно конкретным алгоритмом, который может выявлять только одну патологию, получилось выявить онкологию на ранней стадии, которую врачи изначально пропустили. Вот в этом и помощь врачу от ИИ в настоящее время.

Так же вот еще пример с учетом особенностей нашей страны. Есть места, где не хватает врачей, но есть возможность провести исследование. Его проводят, отправляют сначала на рассмотрение ИИ, а потом с учетом полученных результатов по основным нозологиям, уже перепроверяет врач и готовит полноценное заключение.