Искусственный интеллект сейчас в большом тренде. Ему под силу рисовать картины, водить автомобили и эффективно отвечать на звонки в самых разных организациях. Искусственный интеллект всё шире применяется, в т.ч. в медицинских приложениях. Причём, здесь он показывает очень высокую эффективность и покажет ещё бо́льшую, если привлечь простых людей к сбору данных и изменить законодательство. Правда, некоторые связанные с его внедрением проблемы в рамках текущей мировой политэкономической ситуации кажутся неразрешимыми. Медицина, ориентировавшаяся ранее, в основном, на лечение острых заболеваний, теперь больше внимания уделяет недугам хроническим, многие из которых не так давно и болезнями не считались. Врачи сталкиваются с необходимостью лечить ожирение, депрессии, болезни пожилого возраста.
Диабет, сердечная недостаточность, аутоиммунные расстройства всё чаще диагностируются вне фазы обострения, на самых ранних стадиях, причём речь всё чаще идёт не только о поддерживающей терапии, но о возможности полностью излечить, исправить эти системные сбои организма. Развивается превентивная медицина, позволяющая распознать предрасположенность к определённым типам заболеваний ещё до их проявления и принять меры. Быстро растут объёмы медицинских данных, и мы начинаем понимать, что от скорости и качества их анализа зависят наше здоровье и качество жизни. И что всё это — работа для искусственного интеллекта.
Что такое искусственный интеллект
Здесь под искусственным интеллектом (ИИ) мы будем понимать способность машины имитировать умное поведение людей, то есть — умение ориентироваться в меняющемся контексте и принимать с учётом этих изменений оптимальные, позволяющие достичь цели решения.
Сегодня масштабно используются две технологии ИИ — экспертные системы и нейронные сети. В то время как экспертные системы отживают свой век, нейронные сети (НС) завоевали рынок благодаря способности учиться.
Выделяют несколько видов ИИ:
- Узкий ИИ (narrow AI) — спроектирован, чтобы решать определённую задачу;
- Общий ИИ (general AI, AGI) — сможет решать любые задачи, с которыми справится человек;
- Superintelligence — будет опережать человека по сложности решаемых задач.
В данной статье под ИИ я буду подразумевать «узкий ИИ», реализованный на базе нейронных сетей. Механизм работы последних был вдохновлён биологическими нейронными сетями. В компьютерном виде НС представляют граф с тремя или более слоями нейронов, соединённых в слоях тем или иным образом. У соединений есть веса, играющие важную роль в обучении НС.
Примитивно обучение нейронных сетей можно представить так: на входные нейроны подаются данные, дальше они обрабатываются нейронами на внутреннем слое, и на выходных нейронах получаются некоторые значения. Если полученные значения нас не устраивают, мы меняем веса соединений в нейронной сети и заново её учим (подробнее об этом можно почитать в книге Дэвида Криселя (David Kriesel) A Brief Introduction to Neural Networks). Чем больше релевантных данных подаётся на входные нейроны, тем релевантнее выходит и результат работы сети.
Что необходимо сделать прямо сейчас?
Тонны медицинских карт пылятся на полках больниц и поликлиник. Между тем, если на их материале обучить нейронные сети, системы искусственного интеллекта многим спасли бы жизни и уменьшили затраты на лечение. Однако открыть сведения об истории болезней — смелый шаг, и многие ему воспротивятся, полагая, что их личные данные могут быть использованы им во вред. Открытие данных должно происходить с соблюдением множества условий и сопровождаться подписанием различного рода соглашений, гарантирующих (возможно, при участии государств) использование строго по назначению. Но, так или иначе, сделать медкарты доступными для нейронных сетей — необходимо: сегодня «тренировочные сеты» информации — узкое место ИИ в медицине.
Современные системы искусственного интеллекта уже помогают врачам лечить пациентов. Например, компания HeartFlow, используя снимки КТ, компьютерное моделирование потоков крови и алгоритмы глубокого обучения, умеет строить 3D-карту сердца. Это дает докторам возможность точнее и быстрее диагностировать сердечные заболевания, снижая число необходимых инвазивных процедур на 80%. Однако ИИ находит применение и в областях, напрямую не связанных с лечением больного, но все равно влияющих на качество медицинского обслуживания. Об этих, в какой-то степени вспомогательных, но по-прежнему важных задачах, мы сегодня и хотим поговорить.
«Внимательный доктор приедет, куда удобно вам»
Маршрутизация в больницах
Системы искусственного интеллекта и машинное обучение могут помочь не только в постановке диагноза. Например, в конце мая Клиника Университетского колледжа Лондона в Блумсбери (UCLH) объявила, что будет использовать системы ИИ для определения пациентов, которым действительно нужна неотложная медицинская помощь.
Когда в приемный покой поступает пациент, жалующийся на боль, медперсонал выполнят стандартные процедуры — берет кровь на анализ, собирает анамнез, при необходимости делает рентген. Как отмечают в поликлинике, в 80% случаев у пациентов нет ничего серьезного — им выписывают лекарства и отпускают домой.
Система искусственного интеллекта позволит быстрее выявлять те самые 20%, которым действительно требуется неотложная помощь. Генеральный директор UCLH в интервью Guardian рассказал, что ПО будет устанавливать пациенту приоритет, оценивая опасность озвученных им симптомов. Например, боль в области живота может означать аппендицит или заболевание почек, поэтому такой человек будет «двигаться» в сторону головы очереди.
Алгоритмы машинного обучения также способны помочь и с маршрутизацией пациентов и докторов. Например, исследователь и консультант-невролог в Национальном госпитале неврологии и нейрохирургии Великобритании Парашкев Начев (Parashkev Nachev) разработал алгоритм машинного обучения, который анализирует информацию о записях на прием в поликлинику и оценивает вероятность того, что пациент по тем или иным причинам пропустит сеанс МРТ-сканирования. Его система учитывает такие параметры, как возраст человека, его адрес и расстояние до клиники, погодные условия. Пока ученому удалось достичь точности в 85%. Это помогает оперативно перераспределять время записи.
А в той же UCLH система искусственного интеллекта, которую разрабатывают ученые из Института им. Алана Тьюринга, будет отслеживать, как доктора и пациенты «перемещаются» по госпиталю — какие задачи выполняют, на какие процедуры ходят. Это поможет определять потенциальные «бутылочные горлышки» в организации работы поликлиники — ситуации или места, где потенциально возможны очереди или дефицит оборудования.
Поиск новых знаний
Практики лечения, которым следуют врачи, имеют свойство устаревать. Появляются новые методологии, новые исследования и препараты. Еще в 2004 году исследователи изучили содержание 341 медицинского журнала и установили, что в сумме количество ежемесячных публикаций превышало 7 тысяч.
В идеале врачу необходимо постоянно поддерживать уровень предметных знаний, быть в курсе современных практик лечения — однако изучать весь корпус публикаций, которые регулярно выходят в тематических журналах, практически невозможно — даже если речь идет об узком специалисте.
Помочь в этой ситуации способны технологии искусственного интеллекта в комбинации с поисковыми системами. Подобное решение разработали ученые из американского исследовательского центра RAND, занимающегося методами анализа стратегических проблем. Они научили систему искать в огромных объемах информации ключевые слова и термины, имеющие отношение к теме запроса.
Во время тестов этой темой были данные о подагре, низкой плотности костных тканей и остеоартрозе коленного сустава. Алгоритм сумел сократить количество актуальных статей, представляющих интерес для докторов, на 67–83%. По словам разработчиков, система пропустила лишь две статьи, которые были бы отобраны людьми, но ни одна из них не содержала критически важной информации. Точность работы алгоритма машинного обучения составила 96%.
Разработка лекарств
Опыт работы фармацевтических компаний показывает, что с момента начала доклинических испытаний до утверждения препарата и лечения пациентов проходит примерно 12 лет. При этом всего 0,1% «препаратов-кандидатов» попадают на клинические тесты. Одобрение получают 20% из них.
Помочь разрешить эту ситуацию и ускорить выход новых лекарств способны системы искусственного интеллекта. Машинное обучение и системы ИИ находят применение на ранних этапах разработки медицинских препаратов.
Пример — решение компании AtomWise из Сан-Франциско. Их система называется AtomNet. Она использует методы глубокого обучения, чтобы спрогнозировать, как поведут себя молекулы и с какой вероятностью они будут образовывать необходимые связи.
Во время обучения разработчики AtomNet «скормили» системе искусственного интеллекта данные о результатах нескольких миллионов уже известных взаимодействий молекул. На основе этих взаимодействий система научилась предсказывать взаимодействия, которые еще не происходили. ПО уже помогло создать препараты для лечения Эболы.
Системы искусственного интеллекта и машинное обучение помогают врачам и ученым работать эффективнее. Доктора освобождаются от рутинных задач, ученым становится проще проводить исследования, а пациенты быстрее получают лечение.
Сегодня разработки на стыке ИИ и медицины становятся все более популярными. Например, Google начали отбирать компании, занимающиеся созданием «медицинских» систем искусственного интеллекта, для участия в программе стартап-акселератора Launchpad Studio. В конце прошлого года к проекту присоединились сразу четыре компании.
Мы в DOC+ тоже занимаемся разработками в этой сфере: развиваем собственную NLP-систему, которая умеет обрабатывать тексты на медицинскую тематику. Она используется в нашем чат-боте — он помогает собрать анамнез, умеет вычленять симптомы заболеваний из жалоб пациента и в структурированном виде передает их доктору.
