Почему российским врачам следует пристальней следить за развитием машинного обучения и искусственного интеллекта?

Куда идешь ты?

Глубокое обучение (ГО) – это наиболее сложный подтип машинного обучения (МО) и одна из бурно развивающихся областей информационных технологий. Наиболее известными алгоритмами ГО являются нейронные сети. ГО и МО относят к подтипам искусственного интеллекта (ИИ). Джереми Говард, специалист по обработке и анализу данных, бывший генеральный директор компании Enlitic и преподаватель Singularity University (Университета сингулярности), считает ценность создания ГО сопоставимой с ценностью открытия электричества. Хотя ГО появилось несколько десятилетий назад, только недавно оно стало более доступным и применимым благодаря экспоненциальному росту вычислительных мощностей.

По словам Питера Диамандиса, соучредителя Singularity University и компании XPRIZE, от вычислительной мощности зависит абсолютно все. В настоящее время денег, технологий и знаний достаточно для преодоления всех насущных проблем человечества. Остается только активно привлекать интернет-сообщество для разработки решений. К 2025 году благодаря повсеместно доступной технологии 5G со скоростью передачи данных от 10 до 100 Гбит/с к интернету будет подключено 5 млрд человек. Это вкупе с новыми вычислительными технологиями и массовыми открытыми онлайн-курсами приведет к появлению новых Кулибиных. Кроме того, увеличение количества датчиков – средств сбора информации – предоставит больше данных для анализа и МО. «Искусственный интеллект поглощает мир», – говорит Питер Диамандис.

 

Современные тенденции можно продемонстрировать несколькими примерами. Компания Oppticity картирует и наглядно отображает профессиональные навыки, которые благодаря развитию ИИ будут востребованы в будущем. Institute for Health Metrics and Evaluation (healthdata.org) использует краудсорсинг (т.е. мобилизацию ресурсов людей посредством информационных технологий с целью решения поставленных задач) для сбора данных в здравоохранении. Iris.ai предоставляет «доступный всем ИИ», позволяя ученым автоматически изучать и картировать определенную тему посредством анализа любой статьи. Ресурсы по машинному обучению становятся все более многочисленными. Например, сайт www.fast.ai создан для разработки моделей ИИ и МО, доступных каждому.

Основные факторы, затрудняющие распространение этих технологий, – необходимость контроля расходов, недостаточная доступность алгоритмов и нехватка точных определений рабочих процессов. Однако наибольшую сложность представляет контроль качества этих алгоритмов. Данная проблема усугубляется отсутствием среди неспециалистов ясного понимания того, как именно работают искусственные нейронные сети. «Мы можем создавать алгоритмы, но мы не знаем, как они работают», – констатирует Джоэл Дадли, возглавляющий исследовательскую группу в нью-йоркской больнице Mount Sinai Hospital.

Искусственный интеллект «поглощает мир»?

Изначально большинство людей считали ИИ угрозой для своей работы и благосостояния. Постепенно приходит понимание того, что ИИ – союзник человека, обеспечивающий «усиление» интеллекта или интеллектуальную помощь. Государства и частные компании активно финансируют развитие ИИ для здравоохранения и образования. В настоящее время эти области все еще отстают от других отраслей по уровню автоматизации. Следовательно, потенциал для внедрения ИИ в них очень велик.

По словам Нила Якобштейна, возглавляющего направление искусственного интеллекта и робототехники в Singularity University, к основным движущим силам «революции искусственного интеллекта» относятся:

• наличие финансовых средств;
• качество и доступность алгоритмов;
• применимость ИИ во всех отраслях промышленности;
• всемирное развитие человеческих ресурсов благодаря доступности интернета и онлайн-курсов;
• доступность аппаратного обеспечения;
• изобилие данных для анализа.

Основное направление внедрения ИИ в медицине, скромно названное «интеллектуальной помощью», заключается в автоматизации рутинных действий, которая позволяет экономить время большинства медицинских специалистов. Следовательно, основной движущей силой для внедрения ИИ является стремление уменьшить затраты. По оценке McKinsey, автоматизация здравоохранения может привести к снижению затрат примерно на 7%. Именно поэтому она столь привлекательна для медицинских и научных организаций любого уровня. Кроме того, ИИ в медицине позволяет проводить в реальном времени анализ потока биомедицинских данных с целью раннего выявления рисков и угроз. В клиническом варианте – это данные от прикроватных мониторов, диагностической медицинской аппаратуры. В бытовом варианте – данные от датчиков, встроенных в среду обитания (проактивный мониторинг). Наконец, ИИ позволяет создавать предиктивные модели на основе обработки гигантских массивов гетерогенных данных, содержащихся в медицинских публикациях, сопоставлять их с конкретными клиническими задачами и генерировать рекомендации.

Лучевая диагностика: уникальна и невосприимчива к грядущим изменениям?

По различным оценкам, до 33% всех процессов в системе здравоохранения могут быть автоматизированы. Наиболее «уязвимы» рутинные, или «механические», процессы, такие как сбор и анализ данных. В частности, по оценкам CB insights, работа рентгенолаборанта постепенно будет стандартизирована с высоким потенциалом автоматизации – более 60%.

Лучевая диагностика – одна из наиболее перспективных для автоматизации областей медицины. По разным данным, от 30% до 60% рабочих процессов могут быть заменены компьютерными алгоритмами.

На рынке уже представлено множество систем с высоким уровнем автоматизации процесса сканирования. Это позволяет минимизировать длительность исследования. Схожие направления развития – автоматизированные аппараты для ультразвукового исследования (например, ABUS от компании GE) и компактные карманные сканеры (скажем, Lumify от компании Philips).

Основные тенденции в лучевой диагностике, способствующие будущей автоматизации, основаны на процессах перехода:

• от аналогового оборудования к цифровому;
• от модальностей (КТ, МРТ, УЗИ и т.д.) к узким специальностям;
• от «мастеров-на-все-руки» (врачей или лаборантов, выполняющих несколько функций) к четкому разделению труда (регистратор, лаборант, медсестра, физик, программист и врач);
• от отдельных клинических учреждений к интегрированным;
• от «искусства» к профессии и навыкам;
• от уникальных услуг к повсеместному распространению.

Ценность и качество диагностических услуг определяются их целесообразностью (своевременностью и эффективностью), технической и клинической точностью, безопасностью (физической, психологической и информационной), протоколами (стандартизацией, структурированием и клинической ценностью), а также надлежащей и своевременной коммуникацией.

Эффективный подход к определению роли ИИ в здравоохранении сопряжен с выявлением и ликвидацией слабых мест.

В лучевой диагностике слабые места заключаются в низком качестве исследований (в 15–20% случаев при повторном анализе обнаруживаются расхождения с первоначальным результатом), недостатке квалифицированных узких специалистов, ограниченной связи с пациентом и лечащим врачом, рисках нарушения конфиденциальности и низкой эффективности службы, обусловленной в основном затратами времени.

Неэффективное использование времени в лучевой диагностике происходит, как правило, на следующих этапах диагностического процесса:

• решение о целесообразности и типе исследования, оформление направления (лечащий врач);
• запись на исследование;
• ожидание даты исследования;
• заполнение анкет;
• ожидание начала исследования;
• выбор подходящей модальности и типа исследования (лаборант);
• оптимизация протокола сканирования (лаборант);
• анализ серий изображений, включая анатомическую норму;
• сравнение с массивом данных предыдущего исследования (если в PACS нет сохраненных ключевых изображений);
• реконструкция изображений;
• составление протокола.

Реальные и потенциальные применения ИИ

В лучевой диагностике технологии искусственного интеллекта могут быть задействованы практически во всех сферах – от сбора и обработки данных до экспертной оценки и взаимодействия с врачами и пациентами.

Так, в сфере сбора данных ИИ может обеспечить:

• заполнение анкеты в электронной медицинской карте с последующим извлечением данных;
• направление на исследование с автоматическим выбором модальности и протокола сканирования для определенных кодов МКБ (система поддержки принятия решений);
• доступность и прозрачность записи на исследования;
• создание «эпикриза» с важнейшими клиническими данными;
• получение информированного согласия с электронной подписью;
• сканирование с помощью стандартизированных протоколов;
• предоставление доступа к прошлым исследованиям.

При обработке данных ИИ поможет провести анализ опросников; выделение патологических изменений, оценку изменений в динамике; реконструкцию изображений; создание протоколов исследований, а также «коллегиальную» оценку.

Ключевые положения:

 

• ИИ и МО активно внедряются в здравоохранение и лучевую диагностику.
• Здравоохранение имеет общий потенциал автоматизации, равный 36%.
• Основная функция ИИ – автоматизация рутинных задач.
• Внедрение ИИ/МО следует начинать с проблемы, требующей решения, но никак не просто с технической возможности.
• Любой алгоритм ИИ/МО следует оценивать как новую технологию с ключевыми показателями эффективности.
• Эффективность ИИ/МО зависит от поставленной задачи и типа данных: что посеешь – то и пожнешь.
• Для реализации новых технологий в будущем оптимизацию инфраструктуры следует начинать уже сегодня.
• «Эксперт по вызову» – одна из наиболее перспективных технологий будущего, связанная с распределенными базами данных.

Благодаря использованию множественных навыков прямой и непрямой коммуникации ИИ может облегчить управление персоналом.

Искусственный интеллект предоставит экспертную оценку для консультаций и клинической интеграции. А на основе навыков и методов общения он улучшит взаимодействие с врачами и пациентами.

Наконец, ИИ может оказаться полезным и с точки зрения физической работы – на основе личного взаимодействия, такого как уход за больными.

ИИ наиболее перспективен для автоматизации рутинных, хорошо структурированных функций рабочего процесса, а именно:

1. Медицинская сортировка больных на основании предварительного анализа изображений:

• Определение исследований без патологических изменений («нормы»). Требуется высокая чувствительность алгоритма.
• Определение исследований с патологическими изменениями для детального анализа. Требуется высокая специфичность алгоритма.
• Потенциальные области применения – оценка «костного возраста» на основании рентгенографии, НДКТ для скрининга рака легких, КТ при почечной колике, подозрении на тромбоэмболию легочной артерии.

2. Стандартизация измерений:

• Выделение и измерение патологических изменений в стандартизированных рабочих процессах.
• Потенциальные области применения – критерии RECIST.

3. Частичная автоматизация процесса составления протоколов:

• Стандартизированные шаблоны.
• Pi-RADS, Bi-RADS, Li-RADS, Lung-RADS, Rectal-MR-RADS, Colon C-RADS и т.д.
• Автоматизированное кодирование протоколов для научной работы и анализа массивов данных.
• Адаптация текста протоколов в зависимости от целевой аудитории (рентгенолог, врач общей практики, пациент).

4. Контроль качества:

• Анализ работы специалистов на наличие несоответствий, артефактов, качества протокола. Все это может быть выражено соответствующими метриками.

Нередко новая технология, появившаяся на рынке, «не вписывается» в рабочие процессы системы здравоохранения. Обычно это происходит, когда технология создается для решения локально важной, но не масштабируемой проблемы. Так произошло и с МО. Однако самые большие проблемы – это самые большие возможности для бизнеса. Намного эффективнее определить проблему, затрудняющую рабочий процесс на «глобальном» уровне, и разработать и предложить способ ее решения на основе ИИ.

Одна из таких проблем – нехватка рентгенологов, способных в 95–100% случаев правильно поставить диагноз. Она послужила ключом к бурному развитию телерадиологии по всему миру. В ближайшие несколько лет планируется внедрить в телерадиологию автоматизированные структурированные протоколы, перевод на другие языки и сортировку исследований для обмена между учреждениями. Использование технологии блокчейн обеспечит безопасное удаленное и распределенное хранение данных пациентов. В результате снизится стоимость их передачи и сформируется новая разновидность услуг, которые можно будет предлагать всему миру. Юридические и этические аспекты использования таких «экспертов по вызову», несомненно, вызовут жаркие дебаты, но именно в этом случае в глобальном масштабе значительно возрастет доступность экспертов.

Что ждет нас дальше?

По словам Джереми Говарда, ИИ будет крайне прост в эксплуатации. Однако большинство алгоритмов МО пока не находят применения, поскольку они не основаны на будущих бизнес-моделях и стандартизованных рабочих процессах. По словам Нила Якобштейна, внедрение ИИ сопряжено с определенными рисками, такими как уменьшение рабочих мест и экзистенциальный кризис. Со временем даже разработка алгоритмов ИИ может быть автоматизирована!

Стимулами к разработке и внедрению ИИ в здравоохранении служат желание сэкономить и повысить эффективность рабочих процессов:

• оптимизация заработной платы за счет исключения выполнения человеком рутинных функций;
• повышение качества услуг благодаря уменьшению числа ошибок идентификации пациента или протокола сканирования;
• оптимизация затрат на клинические испытания путем стандартизации протоколов сканирования и анализа изображений, в том числе при динамическом наблюдении;
• контроль затрат с помощью контроля назначений и целесообразности исследований.

В настоящее время повсеместное внедрение алгоритмов ИИ в здравоохранении ограничено рядом факторов, главным из которых является отсутствие клинически протестированных и одобренных решений. Отсутствие законодательной базы, определяющей статус ИИ, затрудняет использование клинических данных для обучения нейронных сетей. Многие правительства негативно относятся к идее обучения алгоритмам на основании данных пациентов. Тем не менее некоторые страны считают развитие и внедрение ИИ в здравоохранении стратегически значимым направлением. В число таких стран входят Китай, Канада и Бразилия.

С мая 2018 года в силу вступит новый Европейский генеральный регламент о защите персональных данных, который позволяет использовать клинические данные для исследований и устанавливает границы возможного взаимодействия. Регламент даст возможность начать полномасштабное развитие алгоритмов ИИ, основанных и протестированных на реальных клинических данных. Начиная с 2019 года можно ожидать множество научных работ о клиническом использовании МО.

ИИ также будет применяться в радиомике для выявления корреляции между самыми разными клиническими, гистологическими, рентгенологическими, лабораторными и генетическими данными. Интеграция всех персональных медицинских данных пациента с электронной медицинской картой позволит установить корреляцию между изолированными в настоящее время показателями, такими как количество шагов в день и коронарный кальций. Наступит новая эра высокоточных моделей прогнозирования и персонализированной медицины, основанной на данных каждого пациента, а не популяции.

ИИ – часть целой технологической экосистемы, включающей облачные хранилища и облачные вычисления, системы блокчейна (распределенные базы данных) и телемониторинг (дистанционный контроль). В частности, системы блокчейна позволяют постоянно отслеживать результаты всех транзакций в любой отрасли. Системы хранения на их основе помогут защитить данные пациентов и улучшить взаимодействие между медицинскими организациями, соблюдая при этом права пациента. Если рассматривать ИИ как двигатель, то облачные хранилища – это аккумуляторные батареи, блокчейн – электропроводка, методы лучевой диагностики и телемедицины – камеры и сенсоры, системы хранения (RIS и PACS) – коробка передач от изображений к понятным и клинически значимым протоколам. Очевидно, что врач будет водителем такого автомобиля.

Принятый 29 июля 2017 г. Федеральный закон от 29.07.2017 N 242-ФЗ «О внесении изменений в отдельные законодательные акты Российской Федерации по вопросам применения информационных технологий в сфере охраны здоровья», более известный как «закон о телемедицине», значительно расширил возможности прямого взаимодействия пациентов и медицинских работников посредством цифровых систем и интернета. Теперь в правовом поле находится не только так называемая клиническая телемедицина (т.е. дистанционное взаимодействие медицинских работников), но и телемедицина «пациент – врач». Это обособленное направление включает широкий спектр технологий: от простой телеконсультации до высокотехнологичной телереабилитации или телемониторинга в бытовых условиях. Легитимность дистанционного контроля состояния здоровья открывает новые возможности для развития цифровой экономики. А точнее – рынка цифровых услуг и технологий в сфере сохранения здорового образа жизни, профилактики, медицинской поддержки в особых ситуациях (например, во время беременности, в послеоперационном периоде) или сопровождения пациентов с хроническими заболеваниями.

* * *

Пессимисты считают, что мир тонет в океане информации. Сложные задачи требуют сложных решений. Технологии, разработанные инноваторами и опробованные энтузиастами-первопроходцами, – вот движущая сила сегодняшнего прогресса. Становится очевидным, что предприниматели готовы инвестировать в новый рынок – ИИ в здравоохранении. Сейчас внедрение и использование таких технологий по-прежнему встречается нечасто из-за осторожного консерватизма медицинских работников, стоящих на страже безопасности пациентов. Однако некоторые страны постепенно меняют политику в отношении анонимизации и передачи данных пациентов для исследований, контроля качества и разработки алгоритмов МО.

Со временем инновации в сфере ИИ улучшат качество медицинских услуг и позволят врачам сосредоточиться на пациентах, обмене информацией и работе в команде. Когда американское Управление по контролю пищевых продуктов и лекарственных средств одобрит применение первых диагностических алгоритмов, революцию будет уже не остановить. ИИ – «диагностический комбайн» будущего, и стоит ожидать увеличения числа сообщений по данной тематике на крупных конференциях по лучевой диагностике.

Авторы благодарят Антона Владзимирского за дополнения и комментарии и Ивана Блохина за творческое оформление текста.

Сергей Морозов, Эрик Раншэрт, Европейское общество информационных технологий в медицинской диагностике (EuSoMII), НПЦ медицинской радиологии.

Источник