Современное здравоохранение сталкивается с кадровым дефицитом, особенно во время эпидемий, когда медицинские учреждения перегружены и медработникам нужна помощь. Алгоритмы искусственного интеллекта могут выступить в качестве поддержки для врачей: они способны диагностировать болезни, распределять потоки пациентов, ухаживать за ними и помогать врачам принимать правильные решения. В новой статье цикла Naked Science про ИИ и его влияние на общество рассказано о применении нейросетей, предиктивной и видеоаналитики в больницах.
Великий уравнитель
Создатель метода обратного распространения ошибки Джеффри Хинтон… «Грезы о весне искусственного интеллекта»Недавно высказанное мнение о прекращении выпуска рентгенологов вызывает дискуссию. Инженеры часто отличаются неистощимым энтузиазмом и недостаточной чувствительностью к социальным проблемам при внедрении технологий. Врачей отменить невозможно, ведь взгляд и опыт квалифицированного специалиста необходимы. Тем не менее, Хинтон прав в том, что современные алгоритмы могут эффективно помогать врачам в диагностике.
Автоматизация операций по устоявшимся процедурам и модели искусственного интеллекта в медучреждениях могут решить множество проблем сразу: освободить врачей от рутины для повышения точности диагнозов, а также стандартизировать медицинские услуги, сделав их качественнее и быстрее. Такой подход может скорректировать региональное и имущественное неравенство в сфере здравоохранения.
Флюорограмму или ЭКГ можно выполнить даже в отдаленном поселке и отправить по электронной почте туда, где искусственный интеллект выдаст диагноз такого же качества, как консультация трех авторитетных врачей. Окончательный диагноз все равно должен подтвердить специалист, но теперь у него будет надежное второе мнение от ИИ.
С видеоаналитикой и датчиками удалённого мониторинга медсестры и санитарки обслуживают больше пациентов. Одна медсестра может оказывать помощь тем, кто нуждается в ней первым. Лучшие хирурги мира проводят операции сверхточными роботами-хирургами по 5G связи. сложные операцииНа расстоянии многих тысяч километров от настоящего местонахождения технологии впервые в истории дадут возможность всем людям равным образом заботиться о здоровье и продлении жизни.
Изображая звуки
Начало отсчёта можно установить на номер авторитетного научного журнала Nature от 2 февраля 2017 года. Редактор поместил исследование о диагностике рака кожи с помощью глубокого обучения на обложку. Модель, обученная на датасете из 130 тысяч изображений, ставила диагноз не хуже, а в некоторых случаях и точнее, чем группа врачей-контроль. Прошло всего пять лет, но прогресс в области медицинской диагностики поразительный.
Классификация изображений, особенно медицинских, является одной из самых ранних и эффективных задач для ИИ. К таковым относятся рентгенограммы, снимки КТ, УЗИ и МРТ.
Кроме того, как это поначалу может показаться удивительным, в изображения можно преобразовывать и изначально не визуальную информацию. Это далеко не только записи кардиограмм, электроэнцефалограмм и другой функциональной активности органов и систем, но и, например, звуки.
Пример из Гонконга иллюстрирует применение подобных методов для оценки состояния здоровья птиц. Ученые записывали звуки кур в ангарах, где выращивают цыплят. Затем преобразовывали записи в спектрограммы — изображения, отображающие изменение мощности сигнала на разных частотах. Обработка полученных картинок нейронной сетью с 9,7 миллионами параметров позволила определять сигналы стресса и нехватки пищи у цыплят с точностью 97 процентов. Это дало ветеринарам возможность вовремя оказывать птицам поддержку, а владельцам компании — экономить миллионы юаней.
Приложение AI Resp от «СберМедИИ», появившееся в 2021 году, анализирует звуки дыхания и кашля, определяет в них особенности, характерные для COVID-19, за минуту выдавая результат. Нейросетевая модель, лежащая в основе приложения, обучалась на трех тысячах анонимных записей пациентов с коронавирусом, и точность ее работы составляла 82 процента. В 2022 году приложение получило премию Digital Communications AWARDS. Эксперты отмечают, что подобные инструменты способствуют самодиагностике, раннему выявлению заболеваний и более эффективному их лечению, а также предотвращению распространения вирусов.
Дьявол в деталях
При анализе медицинских изображений важно помнить, что умение распознавать патологические изменения по мельчайшим деталям развивается у врачей-диагностов благодаря длительному обучению и практической работе. Чем больше опыта у врача, тем точнее его «видение». Диагностический вывод часто формируется не только на основе изображений, но и контекста — рассказов пациентов о травмах или заболеваниях, которые могут отсутствовать или искажать картину.
Эрик Тополь — кардиолог, профессор геномики, директор Института трансляционных исследований Скрипса в Ла-Хольле, Калифорния. приводитЛожноположительные оценки встречаются в двух процентах исследований. Системы искусственного интеллекта могут помочь – они всегда внимательны и не устают. Способны быстро обрабатывать большое количество информации и находить закономерности, не всегда доступные человеческому глазу. Их обучение возможно с использованием опыта лучших людей-диагностов. В этом кроются как огромные возможности, так и самые большие проблемы диагностических моделей.
Чтобы обучить модель, необходим большой набор данных с разметкой. Если для определения мотоциклов на фотографиях нужно пометить несколько сотен или даже тысяч изображений — задача выполнима любой занятой домохозяйке (многие из которых, кстати, так и подрабатывают на сервисах типа…). «Яндекс.Толока» или TagMe от «Сбера»), то с рентгенограммами все уже гораздо труднее.
Во-первых, метки на снимках могут ставить только квалифицированные специалисты с соответствующим опытом. Это существенно увеличивает затраты на создание обучающего набора данных.
Во-вторых, диагностика — это не только наука, но и искусство, поэтому оценки врачей субъективны. Три разных доктора могут по-разному разметить одну и ту же единицу данных из-за личного опыта, мнения и образования.
В-третьих, контекст может как способствовать постановке диагноза, так и привести к ошибочным выводам. При разметке данных жесткие требования к анонимизации не дают врачам доступа к информации о пациенте, кроме как к изображению. здесь описаны правила такой разметки).
Несмотря на это, при достаточном финансировании можно создать большой и качественный тренировочный набор данных. Такие данные наиболее дороги из всех возможных, и собирать их могут позволить себе только крупные компании или ученые в университетах, получающие гранты от государства или частных благотворителей. Из-за высокой стоимости и сложности сбора медицинские наборы данных очень ценны, и все инициативы по их передаче в общедоступный доступ приветствуются.
Отечественные алгоритмы
В России несколько компаний достигли серьезных успехов в сборе данных и разработке эффективных диагностических алгоритмов искусственного интеллекта. Среди них «СберМедИИ», «Платформа Третье Мнение», «Цельс» и «ФтизисБиоМед». «СберМедИИ» представил три модели. Первая — «КТ Легких» была дообучена в 2021 году для обнаружения и выделения на КТ-снимках легких узелковых образований. Если алгоритм обнаруживает новообразование размером 4 мм, то он выделяет все узелки на снимке независимо от их размера. Врач Медицинского цифрового диагностического центра (MDDC) получает предварительно проанализированные изображения и формирует окончательное заключение.
В 2021 году модель «КТ Легких» проанализировала 1500 КТ-исследований легких, накопленных в Карачаево-Черкесской РКБ за период пандемии COVID-19. Алгоритм обнаружил признаки патологии у 12 пациентов. После верификации врачами восемь пациентов были направлены на дообследование в Карачаево-Черкесский онкологический диспансер им. С.П. Бутова. В апреле-мае 2022 года в Нижегородской области система проанализировала еще 3155 КТ-исследований. В 231 случае обнаружены возможные новообразования, 125 пациентов направлены в Нижегородский онкодиспансер для дальнейшего дообследования.
Модель «СберМедИИ» под названием «КТ Инсульт» распознает кровоизлияния на КТ-снимках головного мозга. Скорость и точность диагностики критически важны, так как от этого зависит шанс сохранения моторных и когнитивных функций пациента.
Модель «Маммография» для анализа снимков молочных желез соответствует мировому тренду скрининга и раннего выявления рака у женщин. Аналогичные алгоритмы разрабатывали британский стартап DeepMind AI совместно с Google Health при поддержке благотворительной организации Cancer Research UK или ученые из Массачусетского технологического института в США. модель машинного обученияMirai оценивает риск развития рака молочной железы и по маммографии может предсказывать недостающие сведения о женщинах (такие как возраст, вес, уровень гормонов), что позволяет применять ее даже в госпиталях с неполной информацией о пациентах, включая страны с ограниченными ресурсами.
Исследователи обучили Mirai на 211 тысячах снимках, сделанных в Массачусетской больнице общего профиля. Тестирование проходило на трёх наборах данных пациенток из Массачусетской больницы, Каролинского института в Швеции и Мемориальной больницы Чан Гун на Тайване.
Резидент фонда «Сколково» компания «Платформа Третье Мнение» предлагает решение для анализа девяти видов медицинской информации: цифровых мазков клеток крови и костного мозга, снимков глазного дня, рентгенограмм, флюорограмм, КТ органов грудной клетки, МРТ головы и зубочелюстной системы. ИИ-алгоритмы «Третьего Мнения» способны обнаруживать признаки более чем 70 патологий — от рака крови до сердечно-сосудистых заболеваний.
Крупнейшая сеть частных медицинских центров России ГК «МЕДСИ» входит в состав учредителей компании, что даёт возможность быстро опробовать и внедрить решения в клиническую практику. ИИ-алгоритмы компании уже функционируют в десятках больниц и за последние несколько лет помогли врачам из девяти субъектов Российской Федерации обработать 1 миллион 110 тысяч видов исследований.
«Третье Мнение» — интеллектуальный помощник врача, экономит время на изучении исследований, повышает точность диагностики и помогает с приоритетизацией пациентов в списке доктора.
Изображения с подозрением на патологии перемещаются вверх в очереди, что особенно важно при угрожающих жизни состояниях. Кроме этого, ИИ-алгоритм проводит ретроспективный анализ исследований для выявления ранее не замеченных патологий и дифференцирует поток исследований в ходе массовых скринингов населения.
Это повышает выявляемость заболеваний и оптимизирует нагрузку на врачей.
Компания «ФтизисБиоМед» разрабатывает системы автоматического анализа цифровых флюорографических снимков для выявления патологий, определяемых при флюорографии. Облачный сервис компании интегрирован с ЕРИС ЕМИАС и внесен в стандарты работы московских клиник. С 2019 года сервис используется еще в 53 регионах России. По информации компании, за это время более миллиона снимков (цифровых флюорограмм и рентгенограмм грудной клетки) обработаны через сервис.
Компания «Цельс» использует компьютерное зрение в традиционных областях анализа медицинских изображений, но ее особенность — глубокая интеграция сервиса с системой поддержки принятия врачебных решений. Продукты «Цельса» не только определяют наличие доброкачественных или злокачественных изменений на снимках и указывают их местоположение, но и интерпретируют результаты в соответствии с международными стандартами.
Под наплывом пациентов
COVID-19 длится уже три года. Проявляется он периодическими волнами заболеваемости. В периоды высокого числа больных медучреждения испытывают перегрузку: не хватает коек, аппаратов ИВЛ и ЭКМО, кислорода. Врачи и медсестры работают по две, а то и три смены.
Помимо привлечения резервных кадровых ресурсов и развертывания дополнительного персонала, оптимизация триажа — сортировки пациентов по тяжести состояния, вероятности осложнений и требуемому лечению — может помочь. Однако при потоке больных COVID-19 принимать пациентов приходится не только терапевтам и пульмонологам, но и врачам из других специальностей. Им не всегда просто верно спрогнозировать развитие болезни и возможные осложнения. Поэтому распределение пациентов не всегда оптимально, что увеличивает нагрузку на систему здравоохранения. Искусственный интеллект способен существенно улучшить оценку рисков.
В 2020 году Лаборатория искусственного интеллекта «Сбера» разработала модель для прогнозирования риска осложнений у пациентов с COVID-19 или пневмонией. Программа должна была быть точной и совместимой с существующими в больницах системами электронной медицинской регистрации, а также уметь обрабатывать различные форматы медицинских отчетов.
В процессе госпитализации собирается большое количество текстовых данных о пациенте: анамнез, результаты первичного осмотра и тестов, история болезни и применявшиеся ранее стратегии лечения. К ним добавляются результаты радиодиагностики и лабораторных анализов. За 24 часа с момента поступления больного в медицинское учреждение достаточно собранной информации для оценки рисков развития заболевания лечащим врачом: потребуется ли пациенту искусственная вентиляция легких или перевод в палату интенсивной терапии.
Модель искусственного интеллекта показала аналогичные результаты. В «Сбербанке» для этого использовали трансформеры — алгоритмы с механизмом «внутреннего внимания» или «самовнимания» для ускорения обучения. Это слой, позволяющий кодировщику модели одновременно обращать внимание на все слова входящей последовательности (например, предложения) и точнее закодировать конкретное слово.
Разработчики обучили свою модель на датасете из двадцати пяти тысяч историй болезней и сведений из регистрационных карт пациентов. Проверку алгоритма провели посредством ретроспективного анализа. В результате выделена группа из ста человек с высоким риском осложнений из общей выборки более тысячи пациентов. При проверке оказалось, что 55 человек из этой группы действительно попали в отделения интенсивной терапии. Это почти в три раза больше, чем по всей выборке — 55 процентов против 20, что подтвердило прогностическую ценность предиктивной аналитики модели.
Вас много, а мы одни
В России, как и во многих странах мира, медсестры и медбратья получают высокие зарплаты и пользуются спросом.
Для решения этой проблемы можно использовать искусственный интеллект. Компьютерное зрение не ограничивается анализом отдельных изображений, активно развивается видеоаналитика. Успехи в этой области достигла российская компания «Платформа Третье Мнение», которая интегрирует системы видеонаблюдения с ИИ-алгоритмами собственной разработки. В результате одна дежурная медсестра может эффективно контролировать множество палат с пациентами.
Медсестре достаточно контролировать десяток трансляций с видеокамер из палат не постоянно. Умный алгоритм по изображению с камеры выявит экстраординарные события, например падение пациента с кровати или потерю сознания. Медсестра получит пуш-уведомление на часы и сможет сразу оказать помощь пациенту.
Видеоаналитика дает главврачу возможность отслеживать использование рабочего времени медсестрами и лечащими врачами: исполняют ли они свои обязанности, уделяют ли внимание всем пациентам, насколько часто посещают их и оказывают помощь. Это позволяет выявить малоэффективных сотрудников, оптимизировать трудозатраты и обязанности текущего медицинского персонала.
Эффективное импортозамещение
В нынешних реалиях значимо то, что для большинства разработок в сфере искусственного интеллекта для медицины и здравоохранения существуют отечественные аналоги, а Россия лидирует в этом направлении прогресса. Действительно, создание качественных медицинских баз данных вызывает трудности, но это преодолимая проблема, особенно при государственной поддержке и реализации национальных проектов.
В сфере математики и алгоритмов Россия сохраняет высокий уровень. При цифровизации здравоохранения у страны есть возможность не только не отстать, но и, подобно банковским услугам или сервисам доставки, получить передовую и надежную медицину. Она будет основана на принципах предсказания заболеваний, ранней диагностики и превентивной терапии, а не лечении запущенных форм.