Ключевыми предпосылками к «революции», которая сегодня происходит в медицинской науке, стали вызовы и проблемы человечества. В 2022 году население Земли достигло 8 млрд, а продолжительность жизни за последние 75 лет выросла в среднем на 25 лет. Все это неизбежно влечет за собой увеличение нагрузки на врачей и необходимость изменения парадигмы медицины: «реактивная» медицина становится «проактивной». О предпосылках к интеграции информационных технологий в медицину и в радиологию в частности, о проблемах, которые решает искусственный интеллект и трудностях, возникающих на этом пути, в первом подкасте проекта «Медицина в точке бифуркации» рассказал Виктор Гомболевский, к.м.н., врач-рентгенолог, научный сотрудник Института искусственного интеллекта AIRI, сотрудник компании IRA Labs, глава комитета по искусственному интеллекту в лучевой диагностике московского регионального отделения Российского общества рентгенологов и радиологов.
.png)
«Революционные изменения, которые происходят медицине сегодня, – следствие «проблем» и новых задач, которые стоят перед медицинской наукой. Революция не происходит сама собой. Должны накопиться проблемы, которые нужно решить. В надежде найти решения этих проблем, мы обращаемся к искусственному интеллекту.»
Изменение парадигмы медицины
Медицинская радиология является ключевым методом в диагностике, оценке эффективности лечения и реабилитации, и охватывает около 80% диагнозов. В большинстве случаев интерпретацией данных лучевой диагностики занимаются врачи-рентгенологи. Однако за последние 10 лет количество исследований в рентгенологии, например, компьютерной томографии (КТ), выросло на 658%, в то время как количество врачей-рентгенологов в России увеличилось всего лишь на 32%. Таким образом, через врачей проходит несоразмерно большой поток пациентов, а потому они вынуждены сокращать время на интерпретацию каждого исследования. Это неизбежно приводит к повышению частоты ошибок. Например, сокращение времени на 50% ведет к увеличению количества ошибок на 16%. Таким образом, формируется проблема «снежного кома»: банальная перегрузка врачей приводит к увеличению ошибок в диагностике и, как следствие, в лечении.
.jpeg)
«Мы находимся в той точке, когда пришло время взглянуть на изменение парадигмы медицины. Она была реактивной, догоняющей. Теперь она становится проактивной, т.е. обгоняющей симптомы. Один из примеров – это скрининг – обследование людей в группе риска, но без симптомов. Все это должно быть экономически эффективно.» – прокомментировал Виктор Гомболевский.
Проблемы в медицине стали предпосылками к изменению парадигмы медицины: от реактивной к проактивной. Согласно концепции 4П, основными принципами медицины становятся прогнозирование, профилактика, партисипативность (подразумевает активное участие пациента) и персонализированный подход, и искусственный интеллект – удобный инструмент для реализации этой концепции.
Почему радиология?
Среди всех индустрий в мире здравоохранение имеет наибольшие инвестиции в область искусственного интеллекта. Вместе с этим, лучевая диагностика находится на острие индустрии искусственного интеллекта. Это обусловлено спецификой данных, которые представлены изображениями – именно на них искусственный интеллект обучается лучше всего.
Искусственный интеллект, машинное обучение, нейросети – в чем разница?
Область машинного обучения – это верхнеуровневая система, которая имеет различные вариации и архитектуры, решающие разные задачи. Основным принципом алгоритмов, которые используются для анализа изображений, является принцип обратного распространения ошибки. Это значит, что искусственный интеллект улавливает закономерности, чтобы прийти от ответа, например, готового изображения, к вопросу – то, что нужно обнаружить в этом изображении. Так, машинное обучение работает с данными, основываясь не на фундаментальных законах, а на видимых связях, и пытается структурировать их в закономерности.
Три «игрока»
Интеграция искусственного интеллекта в медицину опирается на трех участников процесса. Организатор ставит цель и задачу для разработчика; врачи выступают в роли экспертов (в некоторых случаях и организаторов) – они оценивают качество данных, проводят их сбор и разметку; разработчики занимаются непосредственно созданием алгоритмов.
Основное время при разработке алгоритмов машинного обучения уходит на сбор и подготовку данных. Чем больше данных используется для обучения алгоритма и чем качественнее они размечены, тем точнее и эффективнее будет модель. При этом врачи могут иметь разные взгляды на одну и ту же проблему и разные подходы к разметке. Наибольшую ценность составляют данные, содержащие подтвержденную (в том числе гистологически) патологию – в большинстве случаев разметка таких данных также более однообразна.
Как развивается сотрудничество медицинских специалистов и разработчиков?
Основу создания эффективного и точного алгоритма составляют правильно поставленная задача, мультимодальные специалисты или «переводчики», которые обеспечивают коммуникацию между врачом и разработчиком, а также сами данные.
«Когда за один сто садятся разработчики, врачи и организаторы – они все говорят на разных языках. Нужен переводчик с IT-языка на медицинский и обратно. Поэтому ключ решению проблемы – это мультимодальный специалист. Само целеполагание также является крайне важной вехой в алгоритмах искусственного интеллекта.» – рассказал эксперт.
Примером влияния данных на алгоритмы является область нейровизуализации: большая часть алгоритмов искусственного интеллекта, используемых в медицине, относятся именно к этой области, потому что МРТ и КТ данные, полученные в медицинских исследованиях, часто находятся в открытом доступе, и их проще всего получить и использовать для обучения алгоритма. Однако у этого есть и обратная сторона: избыточность алгоритмов, относящихся к одному типу данных, не всегда приводит к решению глобальных медицинских проблем. Например, несмотря на то, что множество алгоритмов было обучено на модели альцгеймеровской патологии мозга, лечения от этого заболевания до сих пор нет. Поэтому целеполагание остается важнейшим принципом разработки алгоритмов машинного обучения: следует выбирать те задачи, которые будут полезны для большего количества людей.
.jpeg)
Второй ключевой аспект эффективности алгоритма – качество и количество данных. На одном и том же наборе данных можно создать как хороший, так и плохой алгоритм: все зависит от того, насколько хорошо была проведена разметка данных (а это, в свою очередь, от большого количества факторов – вплоть до того, в какое время суток эксперт размечал изображение). Эффективный и точный алгоритм – это «продукт» суммарного опыта врачей, которые участвовали в разметке.
Важно помнить, что алгоритм совершенствуется на ошибках, поэтому их не нужно бояться. Применяя алгоритмы на новых данных, он может столкнуться с незнакомыми случаями, которых ранее не видел, – и ошибиться. Именно на подобных данных можно дообучить алгоритм при разработке новой версии. Для достижения наилучшего качества следует пересматривать результаты применения алгоритма искусственного интеллекта на новых данных и брать оттуда ошибки, чтобы сделать модель еще лучше.
Кто первый – врач или программист?
Обучение в медицинском ВУЗе дает глубокое погружение в проблематику, а потому разработчиком алгоритма может быть врач, получивший базовые навыки программирования. Этому способствует большое разнообразие и доступность различных открытых курсов. Техническому специалисту погрузиться в медицину будет гораздо сложнее.
«В медвузах уже есть медицинская кибернетика. Врачу не обязательно программировать, ему важно понимать принципы того, как работают эти технологии. Лучше всего эти знания предоставлять будущим медикам во время студенчества. В образовательной программе должна появиться не просто информатика, а курс по искусственному интеллекту. Отворачиваться от этого и игнорировать уже невозможно. Чем больше мы знаем про эти технологии, тем больше пользы они нам принесут. Когда я общаюсь со студентами медвузов, я вижу, что они готовы, им интересно. Они спрашивают, как можно продвинуться в сторону искусственного интеллекта и что нужно сделать.» – прокомментировал Виктор Гомболевский.
Как и когда искусственный интеллект «покорил» медицину?
Технологии искусственного интеллекта применялись в медицине уже в 60-х годах прошлого века. В статье 1967 года был описан опыт применения алгоритма машинного обучения к данным маммографии для выявления признаков рака молочной железы. Сегодня уже имеются результаты по использованию технологий искусственного интеллекта на очень больших выборках. Пример успешного проекта – Московский эксперимент, самый крупный проект по внедрению искусственного интеллекта для лучевой диагностики в Москве. На сегодняшний день в рамках проекта обработано уже боле 10 млн исследований. Более того, больше половины всех исследований лучевой диагностики во поликлиниках и больницах Москвы обрабатываются с помощью искусственного интеллекта. При этом, врач всегда может принять окончательное решение. Машинное обучение – это всего лишь подсказки, которые получают врачи от алгоритмов, прошедших тестирование и допущенных к тому, чтобы использоваться в клинических условиях. У врача всегда есть исходное изображение и результат, полученный от искусственного интеллекта, в том числе заключение – текст в виде автоматически сформированного описания того, что обнаружил алгоритм.
«Уже есть инфраструктура, на которой мы можем это применять. Это большие архивы, например, ЕРИС (единый радиологический информационный сервис), который покрывает все поликлиники и больницы Москвы и к которому присоединено более 1400 разных диагностических устройств. Когда мы говорим об успешном проекте, конечно, важнейшим является самый первый проект 60-х готов. Однако для нас это московский эксперимент – тот проект, который действительно уже сегодня влияет на клиническую практику.» – подчеркнул в заключение эксперт.
Смотрите и слушайте полную версию подкаста в удобном для вас формате:
Слушать в Я.Музыке
Слушать в сервисе Звук
Смотреть на Youtube
Смотреть на Rutube
Смотреть на Яндекс.Дзен
Материал подготовлен в рамках проекта «Медицина в точке бифуркации». Проект поддержан грантом Минобрнауки России в рамках федерального проекта «Популяризация науки и технологий»
