Искусственный интеллект в медицине: существующие технические решения и проблемы использования

Одним из важнейших факторов, влияющих на развитие человеческого общества в ближайшие годы, станет искусственный интеллект (ИИ). В это понятие мы вкладываем все направления развития сферы, включая  машинное обучение (Machine Learning, ML),  генеративно-состязательные сети (Generative Adversarial Networks, GAN), градиентный бустинг (Gradient-boosted-tree models, GBM), глубокое обучение с подкреплением (Deep Reinforcement Learning, DRL) и т.д. Бизнес, технологический сектор, а также здравоохранение — это те области, где ИИ особенно востребован. Давайте посмотрим, как инструменты AI/ML способны повлиять на качество оказания медицинских услуг. Прим.: Cloud4Y подготовил статью из трёх частей, посвящённых связке ИИ и медицины. Первые две рассказывают о способах использования технологии, а третья посвящена проблемам, которые возникают при реализации этой идеи.

Идея использования искусственного интеллекта в медицине восходит к 1972 году, когда заработал MYCIN Стэнфордского университета. Это была программа-прототип ИИ, используемая для изучения вопроса заражения крови. Ранние исследования ИИ продолжались в основном в американских учреждениях (совместно работали MIT-Tufts, активно развивали технологию в Стэнфорде и Ратгерском университете. В 1980-х годах Стэнфордский университет продолжил свою работу в области искусственного интеллекта в рамках проекта «Медицинский экспериментальный компьютерно-искусственный интеллект в медицине» ( SUMEX-AIM).

Благодаря росту вычислительной мощности и появлению новых технологий искусственного интеллекта, работа в этом направлении стала намного более активной. Регулярно появляются новости об очередном научном открытии, сделанном с помощью нейросетей и машинного обучения. Что интересного можно рассказать о возможностях и перспективах ИИ в медицине на сегодняшний день?

ИИ в радиологии

Многочисленные данные медицинской визуализации в изобилии хранятся в небольших локальных системах. Но что, если использовать глубокое обучение, загрузив данные в облако и «скормив» их ИИ? Машины и алгоритмы могут эффективно интерпретировать данные визуализации, выявляя закономерности и аномалии.

Самый очевидный вариант использования: ассистент радиолога/рентгенолога, занимающийся выявлением и локализацией подозрительных образований на коже, повреждений, опухолей, внутренних кровоизлияний, образований на мозге и т.д. Компьютер работает быстрее и точнее, а потому способен выдать конкретные данные о заболевании спустя несколько секунд после обработки информации. Человек так не может.

Есть и другой момент. Высококвалифицированные специалисты стоят дорого, и на них колоссальный спрос. Они испытывают нешуточное давление, буквально увязая в потоках данных, которые сыплются на них со всех сторон. Если верить этой статье, такой специалист должен выдавать диагноз каждые 3-4 секунды. Машинный интеллект может повысить квалификацию обычного специалиста, помогая ему разобраться в сложных ситуациях. Тем самым уменьшая количество ложных диагнозов и спасая жизни людей.

Выявление редких или трудно диагностируемых заболеваний часто зависит от опыта врача, а также степени «запущенности» болезни. Проще говоря, пока болячка не полезет наружу, её могут и не распознать. Обучив компьютер на больших наборах данных, содержащих необработанные изображения и множество форм патологий, сопутствующих тем или иным заболеваниям, можно повысить качество постановки диагнозов и количество выявленных заболеваний. Такую идею разрабатывает стартап AIDOC.

ИИ способны повысить качество работы медучреждений, автоматизировав трудоёмкую и ответственную часть работы врачей. С помощью компьютерных алгоритмов можно также контролировать эффективность лечения и качество выполненной операции, прогнозировать скорость восстановления организма.

Хорошим примером такой технологии является проект Microsoft InnerEye. Он предлагает использовать  методы ML для сегментации и идентификации опухолей с использованием 3D-рентгеновских снимков. Это может помочь в точном планировании операции, навигации и эффективном формировании контуров опухоли для планирования лучевой терапии.

Также нужно заметить, что МРТ и другие современные системы визуализации, используемые для раннего выявления рака, работают с ML. Алгоритмы помогают проводить расширенный анализ изображений. Например, выполнить сегментацию предстательной железы или совместить несколько разных снимков (например, УЗИ, КТ и МРТ) для получения более точной картины. Машинный интеллект также способен распознать онкологию во время плановых медицинских процедур и даже хирургическом вмешательстве (часто бывает, что во время операции остаётся незамеченным ещё одно злокачественное образование).

ИИ в патологии

Патологическая диагностика включает исследование среза ткани под микроскопом. Использование Deep Learning для обучения алгоритма распознавания изображений в сочетании с человеческим опытом обеспечит более точную диагностику. Анализ цифровых снимков на уровне пикселей может помочь в обнаружении патологических изменений, которые человеческий глаз легко может пропустить. И это обеспечит более эффективную диагностику.

Такую технологию разрабатывает, к примеру, медицинская школа Гарварда. Алгоритм использует технологию распознавания речи и изображений для распознавания снимков с патологиями и обучает компьютеры различать раковые и не раковые образования. Сочетание этого алгоритма с работой человека привело к точности 99,5%.

Машинное обучение и медицинская наука

Во всевозможных медицинских учреждениях генерируются петабайты данных. Эти данные, к сожалению, обычно являются беспорядочно разбросанными и неструктурированными.  Это ни в коем случае не упрёк в сторону врачей. Им приходится не столько лечить, сколько отчитываться о лечении. Однако хаос здорово мешает в планировании и глобальном наблюдении за здоровьем отдельно взятой страны или мира в целом.

Дополнительная сложность заключается в том, что в отличие от стандартных бизнес-данных, данные пациентов не слишком-то хорошо поддаются простому статистическому моделированию и аналитике. Мощная облачная платформа с поддержкой ИИ, имеющая доступ к медицинским БД, способна эффективно анализировать смешанную информацию (например, патологию крови, генетические особенности, рентгеновские снимки, историю болезни). Она же (теоретически) способна анализировать входные данные и выявлять скрытые закономерности, которых не видно из-за чересчур большого объёма медицинской информации.

Интерпретируемые модели ИИ и распределённые системы машинного обучения отлично подходят для этих задач. Они позволят не только эффективно развивать медицинскую науку, находя новые закономерности и расовые/половые/возрастные особенности людей, но формировать более точные данные о состоянии здоровья населения в конкретных регионах.

Хирургические роботы-ассистенты

Уже сейчас многие операции проводятся с помощью компьютерного зрения и манипуляторов, которыми управляет хирург. Это значимая часть развития медицинских технологий, нивелирующая фактор человеческой усталости и повышающая эффективность процедур. Роботы с ИИ способны здорово помочь обычным хирургам. Например:

  • Контролировать работу врача, выполняя роль страховки на случай невнимательности;
  • Улучшать видимость для хирурга, напоминать ему о последовательности действий во время процедуры;
  • Создавать точные, минимально инвазивные разрезы тканей;
  • Снижая уровень боли для пациента за счёт подбора оптимальной геометрии разреза и накладываемого шва.

Но для успешной реализации такого проекта необходимо накопить опыт. Разработать ПО для взаимодействия робота и хирурга. Собрать массив информации, основанной на реально проведённых операциях (как с участием только людей, так и связки человек+робот).

Хорошим вариантом может стать генерация компьютером пространства виртуальной реальности для управления действиями хирурга в режиме реального времени. Также можно использовать телемедицину и удалённую хирургию для проведения относительно несложных операций.

Виртуальные медсёстры

Активно разрабатывается и технология виртуальной медсестры, способной неотрывно «сопровождать» больного на протяжении всего периода лечения. ИИ планируется использовать для мониторинга состояния пациента, фиксации показателей датчиков, установленных на его теле, предоставления ответов на стандартные вопросы больного (о времени процедур, фамилии врача, длительности лечения и пр.).

Дополнительной функцией таких помощников может стать транскрипции голосовых сообщений врача в текст. Сами знаете, сколько времени тратят медики на всевозможную писанину. Голосовая запись в медкарты пациентов позволила бы увеличить время, затрачиваемое непосредственно на лечение, за счёт избавления от избыточной бумажной работы.

Надо подчеркнуть что речь идёт не про модернизированный чат-бот. Это именно медсестра-ассистент, позволяющая установить качественный канал связи между лечебным учреждением, врачом и пациентом. Возможно, такие ИИ будут ставиться и вне больничных палат. Например, если человек лечится дома. Так сокращается количество лишних контактов, отпадает надобность в регулярном посещении больницы. Технология также позволит обеспечить уход за пациентами из малоимущей части населения, которые не имеют возможности обратиться к дорогим специалистам.

Ещё один плюс ИИ в том, что компьютеры могут взять на себя диагностические функции в регионах, где не хватает врачей. Людям в любой ситуации будет обеспечена минимально необходимая медицинская помощь. А это важно.

Создание новых лекарств с помощью AI/ML

Про создание новых лекарств с помощью ИИ говорилось уже не раз. Это действительно перспективная идея. Фармацевтические гиганты всё активнее используют технологии искусственного интеллекта для решения адски сложной проблемы успешного создания новых эффективных лекарств против рака, нарушения обмена веществ, иммунных проблем. О том, как они это делают, можно почитать, к примеру, здесь.

Компьютерные алгоритмы, используя уже накопленный людьми опыт и информацию, способны упростить процесс поиска лекарств. Их применяют для:

  1. Отсева неэффективных и выделения перспективных лекарственных соединений на раннем этапе создания;
  2. Создания и выявления новых комбинаций лекарств, которые были пропущены/отброшены как неэффективные ранее;
  3. Выявления механизмов действия конкретного лекарства в моделируемых ситуациях.

Просто как пример: фармацевтическая компания Berg использует технологии ИИ для анализа массива биологических данных и результатов анализов пациентов (липиды, энзимы, метаболиты, белковые профили). Эти сведения позволяют выявить новые механизмы появления рака и его лечения, найти главные отличия здоровых клеток от больных. Еще одним ярким примером стала публикация DeepMind возможных белковых структур, связанных с вирусом COVID-19, с использованием их системы AlphaFold.

Множество медицинских стартапов (вот интересный перечень) также тестируют возможности ИИ по анализу разнонаправленных и неструктурированных медицинских данных (исследовательских работ, патентов, клинических испытаний, историй болезней пациентов). Используются методы байесовского вывода, цепи Маркова, обучение с подкреплением и обработка естественного языка (NLP). Модели строятся в облаке, поскольку эта технология позволяет проводить сложные вычисления быстрее и дешевле. Кроме того, хранить собранные массивы данных и построенные ранее модели в облаке также удобнее, чем на локальных серверах.

Точная медицина и профилактика заболеваний

Точная медицина может стать одним из наиболее значительных преимуществ использования AI/ML. Под этим термином подразумевают принципиально новый подход к лечению и профилактике заболеваний, учитывающий индивидуальные генетические особенности и образ жизни конкретного человека, а также окружающую среду.

Проще говоря, лечить будут не по усреднённым стандартам, которые подходят большинству заболевших. Люди слишком разные, и одна и та же таблетка на всех действует тоже по-разному. Будет составляться индивидуальный план терапии, позволяющий быстрее, безопаснее и эффективнее вылечить человека.

Задача крайне интересная, но сложная. Найти точный способ лечения человека нужно на основе истории болезни, образа жизни, генетических данных и постоянно меняющихся результатов анализов тестов. Естественно, нам нужно задействовать самые мощные методы искусственного интеллекта: глубокие нейронные сети, алгоритмы поиска на основе ИИ, расширенное обучение с подкреплением, вероятностные графические модели.

Если выйти за рамки традиционного лечения, то ИИ-системы с помощью данных раннего скрининга или регулярного ежегодного физического обследования способны прогнозировать риски возникновения определённых заболеваний у конкретных людей.

Машинный разум может вычислить, почему и при каких обстоятельствах заболевания могут возникать чаще. И подготовить врачей к вмешательству (на индивидуальной основе) ещё до того, как у человека появятся первые симптомы. Сердечно-сосудистые и онкологические проблемы, диабет — если научить машину предугадывать эти заболевания, то человечество станет здоровее, продолжительность жизни и её качество тоже должно улучшиться.

Возможен и менее точечный вариант. Например, когда ИИ выявляет степень сходства клинической картины у пациентов с одинаковыми заболеваниями. С помощью этих данных можно составить отдельные категории пациентов, а также определить, какие методы лечения подходят им лучше всего. Анализируя информацию о пациенте, полученную при обращении к врачу, ИИ автоматически относит его к определённой группе и выдаёт рекомендации по лечению.

ИИ и системы всеобщего здравоохранения

Само собой разумеется, что такие мощные инструменты могут быть применены и к решению глобальных вопросов. Вполне возможно повысить качество компьютерного наблюдения за пандемиями и подготовки аналитики о здоровье населения.

Коронавирус показал, насколько важно, чтобы велись сотни параллельных испытаний вакцин и медицинских научно-исследовательских проектов. Сбор данных и выявление закономерностей с помощью разрозненных источников информации — трудоёмкая задача, дающая весьма приблизительные результаты. Стандартные методы статистического моделирования хорошо подходят для небольших исследований. Методы ИИ же отлично подходят для задач планетарного масштаба.

Клинические испытания

Машинное обучение может оказаться полезным и в сфере клинических испытаний/исследований. Известно, что эта работа требует много времени, усилий и денег. Иногда испытания растягиваются на годы из-за сложности нахождения пациентов с определённым заболеванием, трудности постоянного мониторинга их состояния и контроля приёма лекарств, проблемы выбора наилучших образцов лекарств.

Применяя интеллектуальную прогностическую аналитику к кандидатам в клинические испытания, врачи и фармацевты смогут оперировать более полными и точными данными. Также алгоритмы ИИ способны найти оптимальные размеры выборки для повышения эффективности клинических испытаний и уменьшить вероятность ошибок в данных.

Технологии ML могут использоваться для выявления потенциальных кандидатов в клинические испытания, обеспечения доступа к их истории болезни, мониторинга участников испытаний на протяжении всего процесса испытания. Предоставляя статистику здоровья пациентов в облаке, инструменты ИИ позволяют прогнозировать и предотвращать любые потенциальные угрозы здоровью пациентов.

Прогнозирование эпидемий

Медицинские организации используют технологии ML для мониторинга и прогнозирования возможных эпидемических вспышек, которые могут охватить разные части мира. Собирая данные со спутников, отслеживая сообщения в социальных сетях в режиме реального времени, анализируя другую важную информацию из интернета, эти инструменты способны дать точный прогноз возникновения вспышки заболевания в конкретном регионе. Это может быть благом в первую очередь для стран третьего мира, в которых отсутствует развитая система здравоохранения. Но и для развитых стран функция прогнозирования роста заболеваемости лишней не будет.

Примером можно назвать медицинское приложение ProMED-mail. С его помощью всемирная организация здравоохранения может следить за ситуацией в мире и прогнозировать вспышки заболеваний в режиме реального времени.

Технология постоянно совершенствуется. Учёные хотят сделать инструмент мониторинга более эффективным и самостоятельным. Например, чтобы нейронные сети предсказали вспышку малярии, основываясь на таких факторах, как температура, среднемесячное количество осадков. Для этого и нужны искусственный интеллект, машинное обучение.

Промежуточный итог

Разумеется, мы должны стремиться к светлому будущему, в котором мощь алгоритмов ИИ помогает миллиардам простых людей улучшать своё здоровье и благополучие. Однако не нужно считать, что машина способна в мгновение ока решить все наши проблемы. Повлиять на качество жизни – да. Стать панацеей — пока вряд ли. Слишком много вопросов остаётся без ответов. И в первую очередь это касается ответственности за постановку диагноза, геополитики и юридических тонкостей.

Какие же недостатки есть у лишь частично реализованного проекта по использованию ИИ в медицине? Давайте разберём и этот вопрос.

Несмотря на все высокие достижения, новые технологии в медицину «заходят» тяжело. ИИ ждёт та же участь. Мы подготовили перечень наиболее вероятных проблем, с которыми придётся столкнуться компаниям, которые будут продвигать это направление. Будет интересно увидеть и ваши версии в комментариях.

1. Ошибки в диагнозах

Одной из важнейших проблем применения искусственного интеллекта в медицине можно назвать риск ошибочного выставления диагноза. Об этом прямо говорится в одном из свежих исследований. Учёные предупреждают, что использование методов реконструкции и анализа снимков с помощью искусственного интеллекта для постановки диагноза и определения лечения может в конечном итоге нанести вред пациентам. По их словам, даже мелкие погрешности «на входе» могут привести к принципиально разным диагнозам на выходе. И кому отвечать?

Опасения имеют право на существование. Опытный врач, глянув на снимок, сможет отличить дефект изображения от какого-нибудь образования. Или попросит сделать диагностику ещё раз. ИИ так не умеет. Он использует имеющуюся информацию и поставит диагноз. Тем самым, возможно, сильно повлияв на дальнейшую процедуру лечения.

2. Недостаточная точность распознавания

Близкая по смыслу к первой, но довольно оправданная претензия в адрес разработчиков «умных» систем распознавания медицинской информации. Простой пример — системы распознавания кошек до сих пор работают некорректно. Достаточно добавить парочку деталей, и ИИ подумает, что перед ним не кошка, а грузовик, например. При распознавании изображений некоторые детали (например, опухоль) могут быть пропущены или наоборот, добавлены.

Проблема может возникнуть как на этапе обучения компьютера, так и при его эксплуатации медучреждением. Малейшее искажение на снимке, которое может быть вызвано простым движением пациента, сильно ухудшает результаты распознавания изображений. Это было доказано с помощью исследования.

3. Опасения со стороны медучреждений

Общество всегда ратует за использование новых технологий в нашей жизни. Но рисковать и первым внедрять их в своих рабочие процессы готовы не все. В медицине особенно. Мало кто готов взять на себя ответственность задействовать новые инструменты, которые ещё недостаточно изучены и неизвестно, насколько эффективны они будут. Больницы и чиновники боятся как рисков, вызванных использованием новых устройств, так и критики со стороны пациентов, которые не хотят становиться «подопытными кроликами» и просят, чтобы их лечили по старинке. Получается замкнутый круг. Чтобы внедрять технологию, нужны кейсы, а чтобы были кейсы, нужны уже внедрённые технологии.

4. Сложность «чёрного ящика»

Нейросети, ML не дают ответ на вопрос, почему был получен такой результат. Логика, лежащая в основе сделанных выводов, непонятна. И это приводит к неуверенности в корректности достигнутого результата. То, каким образом ИИ пришёл к тому или иному выводу, является существенной информацией, важной для составления плана лечения. И если этого не понимать, будет сохраняться скепсис по отношению к машинной логике и её достижениям.

5. Забота о конфиденциальности данных

Данные о состоянии здоровья пациентов — это персональные данные, крайне чувствительная информация. Соответственно, для их защиты необходимо создать надлежащие механизмы. Как у нас заботятся о базах данных — рассказывать, пожалуй, нет смысла. Немногие компании относятся к этому вопросу со всей серьёзностью. И в итоге случаются утечки, про которые сообщали многие, и мы в том числе. Так что системы защиты нужно дорабатывать.

Отчасти может помочь обезличивание данных, но мы рассказывали, что это не всегда гарантирует анонимность. Да и вообще, собрать в одну базу истории болезни, снимки с приборов визуализации, другую медицинскую документацию — это чрезвычайно сложная задача, а сама БД будет весьма лакомым кусочком. Так что опасения справедливы.

6. Конфликт с заинтересованными сторонами

В медицине крутятся огромные деньги, хотя сами врачи получают подчас до неприличия маленькую зарплату. И делить вкусный пирог ещё на одного участника организации, работающие в сфере здравоохранения, вряд ли захотят. Фармацевты, страховщики, департаменты здравоохранения — у всех свои интересы. И для их защиты, разумеется, будут предприниматься определённые шаги. Сопротивление технологии на любом уровне приведет к проблемам с включением ИИ в медицинские процессы.

7. Соответствие законодательству

Сбор данных о пациентах регулируется рядом законов, включая всё тот же ФЗ-152, для гарантированного соответствия которому бизнес часто обращается к нам. Обмен данными между различными базами данных для анализа с помощью алгоритмов ИИ представляет собой проблему с точки зрения соответствия требованиям действующего законодательства. Учитывая, что значительная часть законопроектов пишется в стиле «запретить» и «не пущать», легализовать такие эксперименты будет ой как сложно.

8. Геополитические угрозы

Можете смеяться, но государство (да и общество) способно углядеть угрозу в объединении медицинских баз данных. А вдруг ИИ найдёт какую-то особенность у определённой категории людей, и можно будет разработать точечное действующее биологическое оружие? Вдруг иностранное государство, используя наши базы данных, сумеет навредить нам? Вдруг сделает какие-то важные выводы по специфике заболеваний в отдельных регионах?

В общем, подобные опасения, как бы странно они не звучали, возникают уже сейчас, когда про ИИ в медицине ещё мало что слышно. Можно только догадываться, что произойдёт, когда начнётся реальное внедрение технологии. Не пойдут ли протестующие жечь ЦОДы и 5G-вышки (вышки так-то ни при чём, но привычка-то осталась!).

9. Потребность в новых технологиях

Использование моделей глубокого обучения для развития и успешной интеграции искусственного интеллекта в сфере здравоохранения почти всегда включает в себя объёмные задачи, такие как обучение моделей сканированию и анализу больших объемов данных медицинской визуализации. Для нормальной работы требуется мощная ИТ-инфраструктура. В частности, высокопроизводительные графические процессоры (GPU). Соответственно, будут активнее использоваться облачные платформы. Они способны дать необходимую вычислительную мощность при надлежащей защите данных. А про то, как относятся к новым технологиям, мы уже говорили.

10. Человеческий фактор

Новая технология требует новых знаний. Как быстро освоит новый инструмент врач, лет 30-40 лечивший традиционным способом? А как скоро технология доберётся до районных больниц, где и компьютеры-то не у каждого врача есть? Всё может получиться так, как это часто бывает: в столичном регионе технология заработает, а там, где она как раз-таки нужна, появится со значительным опозданием.

Возможно, вы видите ещё какие-то перспективы или проблемы внедрения искусственного интеллекта в медицину. Будет интересно услышать ваши аргументы и возражения. Спасибо за внимание.

Авторство:
Источник: https://habr.com/