Стоит ли бояться применения искусственного интеллекта в медицинской диагностике
В самом общем смысле, нейронная сеть – это сложная математическая функция, состоящая из множества блоков. Она получает на вход данные, производит необходимые математические операции и формирует итоговый результат – например, классификацию типа патологии и выделение контуров обнаруженного объекта или рекомендации по дополнительному обследованию пациента.
Для обучения нейронной сети разработчики используют большое количество данных. Их тип зависит от задачи, которую система будет решать. Например, чтобы обучить нейросеть находить на маммографии признаки рака груди, нужны десятки тысяч маммографических исследований (с патологией и без). А чтобы научить нейросеть ещё и выделять на снимках зоны интереса, нужно предварительно выполнить дополнительно разметку – то есть выделить и «показать» нейронной сети на снимках те области, где локализуется патология. Для этого ответственные разработчики привлекают к обучению высококвалифицированных врачей.
Текстовые данные также широко применяются при разработке ИИ-систем. Это, пожалуй, самый большой по объёму тип медицинских данных, в который входит самая разная информация о пациенте: пол, возраст, история болезни, результаты анализов и многое другое. Эти данные могут использоваться, например, для разработки систем предиктивной аналитики, которые на основе данных о пациенте выявляют факторы риска и формируют индивидуальные рекомендации по предотвращению заболеваний.
Рассмотрим, как технологии машинного обучения применяются на практике – на примере сервиса для выявления патологий Цельс (разработка российской компании «Медицинские скрининг системы»).
Искусственный интеллект анализирует исследования по одному или целым пакетом. Во втором случае, когда исследований много, он ранжирует их список от наибольшей вероятности наличия патологии до наименьшей. Это нужно для того, чтобы врач в первую очередь просматривал снимки тех пациентов, у которых потенциально есть патология – тогда им можно будет быстрее назначить дообследование и поставить диагноз. На самом снимке искусственный интеллект выделяет области локализации патологии, чтобы врач не мог её пропустить. Также система автоматически формирует заключение, а специалист проверяет его и при необходимости дополняет своими комментариями.
Другой пример – система прогнозной аналитики и управления рисками Webiomed от российской компании «К-Скай». Она анализирует пакет деперсонифицированных данных о пациенте из его электронной медицинской карты (ЭМК) и выявляет факторы риска развития заболеваний или даже смерти пациента. Врач знакомится с результатами анализа и учитывает их при назначении лечения или профилактики.
Таким образом, на практике искусственный интеллект не заменяет врача, а лишь берёт на себя рутинную часть его работы и подстраховывает. Ответственность за постановку диагноза целиком лежит на человеке.
Однако, чтобы искусственный интеллект был действительно полезным и применимым в медицинской практике, программное обеспечение должно быть удобным для врача. Если результаты ИИ-системы невозможно просмотреть в привычном для врача интерфейсе по одному клику, его использование может стать обузой.
Поэтому разработка искусственного интеллекта обязательно должна включать в себя:
- постоянное улучшение метрик эффективности системы (в том числе снижение времени на анализ данных, повышение точности анализа);
- интеграцию решения в привычное IT-окружение врача;
- разработку дополнительного функционала для оптимизации деятельности врача (например, в Цельсе для врачей реализован удобный просмотрщик изображений с возможностью изменения настроек контрастности и яркости);
- прочие доработки и улучшения системы на основе постоянной обратной связи от пользователей – то есть врачей.
Медицинский искусственный интеллект в России имеет особый правовой статус – система поддержки принятия врачебных решений. Это определение ещё раз подчёркивает, что ИИ – это ассистент врача, его помощник, партнёр и консультант. А главная задача разработчиков – создать систему, которой врач сможет доверять. Доверять, но проверять.
Теперь поговорим о первых итогах внедрения искусственного интеллекта в реальную клиническую практику. Крупнейшая в мире площадка по тестированию подобных решений создана на базе Центра диагностики и телемедицины Департамента информационных технологий (ДИТ) Москвы. Участниками масштабного эксперимента стали более 15 ИИ-сервисов, которые смогли пройти калибровочное тестирование и были интегрированы в Единую радиологическую информационную систему (ЕРИС), объединяющую более 1300 аппаратов в 65 медицинских учреждениях Москвы.
Организаторы эксперимента подвели промежуточные итоги и сообщили, что применение ИИ-технологий помогает снизить время на описание исследования в среднем на 30%. Сервисы обработали более 2 миллионов исследований на предмет наличия тех или иных патологий на маммограммах, флюорограммах, компьютерных томограммах и рентгенографических снимках.
И если на старте эксперимента большая часть врачей была настроена скептически, то результаты опроса, проведенные на форуме Радиология 3.0 спустя год, показали обратную тенденцию: большая часть опрошенных врачей, использующих ИИ, сочла его применение полезным в работе.
Подведём итоги. Искусственного интеллекта в медицинской диагностике бояться не стоит. Он представляет собой лишь инструмент, который в руках высококвалифицированного специалиста поможет достичь более высоких результатов в медицине – чтобы мы с вами были здоровы и жили дольше!
Материал подготовлен совместно с «Цельс»
Чтобы ответить на вопрос, заявленный в заголовке, для начала разберёмся, что такое ИИ и как он применяется в медицинской диагностике.