Кадровый дефицит представляет собой значительную проблему для систем здравоохранения во всем мире, особенно в периоды эпидемий, когда медицинские учреждения испытывают колоссальную нагрузку, и сами сотрудники нуждаются в поддержке. В этой ситуации алгоритмы искусственного интеллекта оказываются ценным подспорьем для врачей. В настоящее время они способны диагностировать широкий спектр заболеваний, оптимизировать распределение пациентов, обеспечивать уход за ними и содействовать врачам в принятии обоснованных и своевременных решений. О том, как нейросети, предиктивная аналитика и видеоаналитика применяются в больницах, читайте в новой статье цикла Naked Science, посвященном искусственному интеллекту и его влиянию на общество.
Великий уравнитель
Один из разработчиков алгоритма обратного распространения ошибки — Джеффри Хинтон (для получения более подробной информации о нем и его идеях — «Грезы о весне искусственного интеллекта») недавно было сделано заявление о том, что медицинским учебным заведениям следует перестать готовить специалистов по рентгенологии. Инженеры нередко проявляют излишний энтузиазм и недостаточно учитывают социальные аспекты перед внедрением новых технологий. Конечно, врачей нельзя отменить, поскольку взгляд и опыт квалифицированного специалиста незаменимы. Тем не менее, Хинтон прав, указывая на то, что современные алгоритмы могут значительно облегчить работу врачей при медицинской диагностике.
Внедрение автоматизации повторяющихся операций и использование моделей искусственного интеллекта в медицинских учреждениях позволяет оперативно решать широкий спектр задач. Это, с одной стороны, позволяет снизить нагрузку на медицинский персонал, освободив его от рутинных обязанностей и улучшив точность постановки диагнозов. С другой стороны, это способствует унификации оказываемых медицинских услуг, что делает их более качественными и быстрыми, а также помогает выровнять различия в доступе к ним в зависимости от региона и уровня благосостояния.
Получение флюорограммы или электрокардиограммы возможно даже в отдаленных населенных пунктах, после чего данные можно передать по электронной почте для анализа системой, основанной на искусственном интеллекте. Результат, полученный таким образом, будет сопоставим по качеству с заключением, выданным консилиумом из трех опытных специалистов. Тем не менее, окончательный диагноз все равно должен будет подтвердить квалифицированный врач, который теперь получит дополнительную поддержку в виде экспертной оценки от ИИ.
Для медсестер и санитаров использование видеоаналитики и датчиков удаленного мониторинга значительно упрощает рабочий процесс, поскольку одна медсестра может отслеживать состояние большого количества пациентов и своевременно оказывать помощь наиболее нуждающимся. Лучшие хирурги мира могут дистанционно управлять высокоточными хирургическими роботами во время операций, используя связь 5G, и осуществлять сложные операции за тысячи километров от места своего фактического пребывания. Технологии впервые в истории способны уравнять людей в главном вопросе — поддержании здоровья и долголетия.
Изображая звуки
В качестве отправной точки можно назвать выпуск авторитетного научного журнала Nature от 2 февраля 2017 года. На обложке этого выпуска редактор представил исследование, посвященное диагностике рака кожи с применением методов глубокого обучения. Модель, обученная на базе данных, содержащей 130 тысяч изображений, ставила диагноз не хуже, а в некоторых случаях даже точнее, чем специалисты-медики. Всего пять лет прошло с тех пор, однако за это время область медицинской диагностики совершила значительный прогресс.
Классификация изображений, включая медицинские, является одной из первых и наиболее успешно решаемых задач искусственного интеллекта. К медицинским изображениям относятся рентгенограммы, снимки, полученные при компьютерной томографии (КТ), ультразвуковые исследования (УЗИ) и магнитно-резонансная томография (МРТ).
На первый взгляд это может показаться неожиданным, однако из невидимых данных можно создавать визуальные образы. И речь идет не только о записях кардиограмм, электроэнцефалограмм и других проявлений деятельности органов и систем организма, но и, к примеру, о звуках.
Ярким примером, пусть и относящимся к здоровью птиц, а не людей, служит опыт, полученный на одной крупной птицефабрике в Гонконге. Исследователи фиксировали звуки, издаваемые курами в помещениях, где выращивают цыплят. Эти записи затем переводили в спектрограммы – визуализации, демонстрирующие изменения интенсивности сигнала в зависимости от частоты. Полученные изображения обрабатывались с использованием высокоточной нейронной сети, содержащей 9,7 миллиона параметров. Эта модель научилась с 97-процентной точностью распознавать сигналы, указывающие на стресс и недостаток питания у цыплят, что позволило ветеринарам своевременно оказывать необходимую помощь птицам и принесло владельцам компании значительную экономию в миллионы юаней.
Если что-то полезно для птиц, это может оказаться еще более ценным для людей. В 2021 году команда «СберМедИИ» представила приложение AI Resp, предназначенное для анализа звуков дыхания и кашля. Оно способно за короткое время, около минуты, выявлять в них признаки, свойственные людям, заболевшим коронавирусной инфекцией. Нейронная сеть, лежащая в основе этого приложения, была обучена на базе более чем трех тысяч анонимных записей пациентов с COVID-19, а на момент выпуска ее точность составляла 82 процентов. В 2022 году AI Resp удостоилось премии Digital Communications AWARDS, и эксперты подчеркнули, что развитие подобных инструментов помогает в самодиагностике среди населения, способствует раннему обнаружению болезней и, как следствие, обеспечивает более эффективное лечение и сдерживание распространения вирусов.
Дьявол в деталях
При рассмотрении медицинских изображений стоит подчеркнуть, что способность распознавать незначительные признаки патологических изменений и новообразований формируется у врачей-диагностов в процессе длительного обучения и практической работы. Опыт специалиста напрямую влияет на его способность выявлять детали. Однако диагностический вывод часто зависит и от сопутствующей информации – данных от пациента о причинах травмы или заболевания, которые могут быть недоступны или даже ввести в ошибку.
Эрик Тополь — кардиолог, профессор геномики и директор Института трансляционных исследований Скриппса, расположенного в Ла-Холье, штат Калифорния) приводит следующие данные: ложноположительные оценки встречаются в двух процентах исследований. И здесь на помощь вновь придут системы искусственного интеллекта — они не устают и всегда внимательны. Они способны быстро обрабатывать большое количество информации и находить закономерности, не всегда доступные человеческому глазу. При этом для их обучения можно использовать опыт сразу нескольких лучших людей-диагностов. Здесь кроются как огромные возможности, так и самые большие проблемы диагностических моделей.
Для обучения модели требуется значительный объем данных — размеченный набор. Разметка данных, например, для идентификации мотоциклов на фотографиях, предполагает указание на мотоциклы на нескольких сотнях или даже тысячах изображений. Эта задача, доступная практически любому человеку, и многие домохозяйки, к примеру, таким образом находят дополнительный доход, работая на специализированных сервисах «Яндекс.Толока» или TagMe от «Сбера»), то с рентгенограммами все уже гораздо труднее.
Прежде всего, аннотацию изображения может выполнить исключительно врач, обладающий необходимой квалификацией, что существенно увеличивает затраты на создание тренировочного набора данных. Кроме того, диагностика во многом представляет собой искусство, а не только науку, поэтому врачи склонны к субъективным оценкам. Разные специалисты могут по-разному разметить один и тот же фрагмент данных, поскольку каждый из них обладает уникальным опытом, точкой зрения и уровнем образования. Наконец, контекст может приводить как к неверным выводам, так и, наоборот, способствовать постановке точного диагноза. В процессе разметки, в связи со строгими требованиями к анонимизации данных, врачи лишены не только информации из истории болезни, но даже сведений о поле и возрасте пациента (например, здесь описаны правила такой разметки).
Несмотря на это, при достаточном финансировании создание обширного и качественного тренировочного набора данных вполне осуществимо. Однако это самые затратные из доступных данных, и позволить себе их сбор могут только крупные организации или исследователи в университетах, получающие финансирование от государственных или частных источников. Ввиду высокой стоимости и сложностей сбора медицинские наборы данных представляют собой большую ценность, поэтому любые усилия по обеспечению их доступности для широкого круга пользователей получают поддержку.
Отечественные алгоритмы
В Российской Федерации несколько компаний достигли значительных результатов в области сбора подобных данных и создания действенных диагностических алгоритмов на базе искусственного интеллекта. Среди них стоит отметить «СберМедИИ», а также «Платформа Третье Мнение», «Цельс» и «ФтизисБиоМед». В частности, «СберМедИИ» разработал три модели. Первая из них, «КТ Легких», в 2021 году была доработана для выявления и обозначения узелковых образований на КТ-снимках легких. Если алгоритм обнаруживает новообразование диаметром 4 мм, он выделяет все узелки на снимке, вне зависимости от их размера. Специалист Медицинского цифрового диагностического центра (MDDC) получает изображения, предварительно обработанные алгоритмом, и делает окончательный вывод.
В 2021 году модель «КТ Легких» провела ретроспективный анализ 1500 КТ-исследований легких, собранных в Карачаево-Черкесской республиканской клинической больнице в период пандемии COVID-19. В ходе анализа алгоритм выявил признаки патологии у 12 пациентов. После проверки врачебной комиссией восемь из них были направлены на дополнительное обследование в Карачаево-Черкесский онкологический диспансер имени С.П. Бутова. А в апреле и мае 2022 года в Нижегородской области система обработала еще 3155 КТ-исследований. В 231 случае были выявлены возможные новообразования. В конечном итоге 125 пациентов были направлены в Нижегородский онкодиспансер для дальнейшей диагностики.
Еще одна разработка «СберМедИИ», под названием «КТ Инсульт», позволяет выявлять кровоизлияния на компьютерной томографии головного мозга. В этой ситуации скорость и точность диагностики имеют решающее значение, поскольку своевременное начало лечения повышает вероятность сохранения двигательных и когнитивных способностей у пациента.
Модель «Маммография», предназначенная для анализа изображений молочных желез, соответствует глобальной тенденции скрининга и ранней диагностики рака молочной железы у женщин. Подобные алгоритмы разрабатывались британским стартапом DeepMind AI в сотрудничестве с Google Health при поддержке благотворительной организации Cancer Research UK, а также исследователями из Массачусетского технологического института в США. Их модель машинного обучения Mirai способна не только оценивать вероятность развития рака молочной железы, но и, основываясь на результатах маммографии, прогнозировать отсутствующие сведения о женщинах (например, возраст, вес, уровень гормонов в крови). Это позволяет применять ее в медицинских учреждениях, где не хватает полной информации о пациентках, включая больницы в развивающихся странах.
Для обучения Mirai ученые применили 211 тысяч снимков, полученных в Массачусетской больнице общего профиля. Проверка работоспособности проводилась на трех различных наборах данных, включающих информацию о пациентках из Массачусетской больницы, Каролинского института в Швеции и Мемориальной больницы Чан Гун на Тайване. Это еще раз подчеркивает трудности, возникающие при разработке диагностических и прогностических систем искусственного интеллекта для применения в медицине.
Компания «Платформа Третье Мнение», резидент фонда «Сколково», предлагает решение, охватывающее девять направлений: от расшифровки результатов лабораторных исследований (включая цифровые мазки клеток крови и костного мозга) и анализа снимков глазного дна до интерпретации результатов лучевой диагностики (рентгенограмм, флюорограмм, компьютерной томографии органов грудной клетки, магнитно-резонансной томографии головы и зубочелюстной области). Искусственный интеллект, используемый в «Третьем Мнении», способен выявлять признаки более чем 70 различных заболеваний, начиная от онкологии крови и заканчивая патологиями сердечно-сосудистой системы.
Компания была основана при участии крупной сети частных медицинских центров ГК «МЕДСИ», что обеспечивает возможность тестирования и оперативного внедрения разработок в клиническую практику. Искусственный интеллект, разработанный компанией, используется в работе нескольких десятков больниц, и за последние годы врачи из девяти регионов России смогли обработать с его помощью более миллиона сто десять тысяч различных исследований.
«Третье Мнение» способно выступать в роли интеллектуального помощника для медицинских работников, помогая им экономить время на изучении исследований и улучшать точность диагностики. Также система позволяет приоритизировать пациентов в списке врача, особенно когда на первый план выходят изображения, указывающие на возможные патологии, что критически важно при угрозе для жизни. Кроме того, ИИ-алгоритм способен проводить анализ уже существующих исследований для обнаружения патологий, которые могли быть упущены врачом, а также для сортировки исследований при проведении массовых скринингов населения. Это способствует повышению точности выявления заболеваний и снижению нагрузки на медицинский персонал.
«ФтизисБиоМед» занимается разработкой систем для автоматизированного анализа цифровых флюорографических изображений с целью выявления любых возможных отклонений, обнаруживаемых при флюорографическом обследовании. Их облачная платформа интегрирована с комплексами ЕРИС и ЕМИАС и соответствует стандартам работы медицинских учреждений Москвы. С 2019 года система внедрена также в 53 регионах Российской Федерации. По информации самой компании, с момента запуска их сервисом проанализировано свыше миллиона снимков – цифровых флюорограмм и рентгенограмм грудной клетки).
Компания «Цельс» использует компьютерное зрение во всех упомянутых ранее областях анализа медицинских изображений, но ее ключевой особенностью является тесная интеграция сервиса с системой поддержки принятия врачебных решений. Продукция «Цельса» способна не только идентифицировать доброкачественные или злокачественные изменения на снимках и определять их местоположение, но и впоследствии интерпретировать полученные результаты в соответствии с общепринятыми международными стандартами.
Под наплывом пациентов
Пандемия COVID-19 затянулась на три года. Характерной чертой этого периода стали периодические подъемы заболеваемости. В моменты наибольшей нагрузки на систему здравоохранения медицинские учреждения испытывают серьезные перегрузки: наблюдается дефицит больничных коек, аппаратов искусственной вентиляции легких и ЭКМО, кислорода, а медицинский персонал вынужден работать в усиленном режиме, по две или даже три смены.
Для оказания поддержки возможно использование резервных ресурсов коечного фонда и привлечение дополнительных сотрудников. Также может помочь оптимизация процесса сортировки пациентов — медицинской оценки их состояния по степени тяжести, вероятности возникновения осложнений и необходимого лечения. В условиях большого количества обращений больных с COVID-19 приходится привлекать к работе не только врачей-терапевтов и пульмонологов, но и специалистов других профилей, которым не всегда просто точно оценить течение болезни и возможные последствия. В результате распределение пациентов не всегда происходит наилучшим образом. Это создает дополнительную нагрузку на систему здравоохранения. Более точная оценка рисков может быть достигнута с помощью технологий искусственного интеллекта.
В 2020 году специалисты из Лаборатории искусственного интеллекта «Сбера» приняли решение о разработке модели, способной прогнозировать вероятность осложнений у пациентов, перенесших COVID-19 или пневмонию. Помимо высокой точности прогнозов, новая программа должна была обеспечивать простоту интеграции с существующими в медицинских учреждениях системами электронного документооборота и обрабатывать медицинские данные, представленные в различных форматах.
Во время госпитализации пациента накапливается значительный объем текстовой информации. В него входят сведения об анамнезе, данные первичного осмотра и результатов проведенных тестов, история болезни и ранее использованные методы лечения. К этим данным добавляются результаты исследований, проведенных с использованием методов радиодиагностики и лабораторных анализов. Как правило, этих сведений, полученных в течение суток после поступления пациента в больницу, достаточно врачу для оценки вероятности неблагоприятного течения болезни – необходимо ли пациенту искусственная вентиляция легких или же перевод в отделение интенсивной терапии.
Похожие результаты были получены и с помощью модели искусственного интеллекта. В «Сбере» для этого использовали «трансформеры» (Transformer) — алгоритмы, применяющие механизм «внутреннего внимания» или «самовнимания» (self-attention) для ускорения процесса обучения. Проще говоря, это слой, позволяющий кодировщику модели одновременно анализировать все слова входящей последовательности, например, одного предложения, и тем самым точнее кодировать каждое слово.
Разработку обучали в «Сбере», используя датасет, состоящий из 25 тысяч историй болезни и данных регистрационных карт пациентов. Оценка эффективности модели проводилась стандартным способом – посредством ретроспективного анализа. Алгоритм выделил из всей выборки более тысячи пациентов, сформировав группу из 100 человек с повышенным риском осложнений. В ходе проверки выяснилось, что 55 человек из этой группы действительно оказались в отделениях интенсивной терапии. Это почти в три раза превышает показатели по общей выборке – 55 процентов против 20, что продемонстрировало ценность предиктивной аналитики модели.
Вас много, а мы одни
Во многих странах медсестры и медбратья являются специалистами с высокой заработной платой и ощутимой нехваткой. В России предпринимаются усилия для достижения ситуации, описанной в первой части этого утверждения (в частности, национальный проект «Здравоохранение» также нацелен на решение этой проблемы), однако вторая часть остается верной: потребность в младшем медицинском персонале в больницах, безусловно, должна быть удовлетворена. Обеспечить уход и своевременную помощь всем пациентам становится непростой задачей.
Для решения данной проблемы можно использовать искусственный интеллект. Компьютерное зрение не ограничивается анализом отдельных изображений. Значительное развитие получила видеоаналитика. Российская компания «Платформа Третье Мнение», упомянутая ранее, также достигла здесь заметных успехов, интегрируя систему видеонаблюдения с ИИ-алгоритмами собственной разработки. Благодаря этому одна дежурная медсестра может эффективно контролировать большое количество палат с пациентами. Теперь искусственный интеллект всегда присутствует.
Медсестре не требуется постоянный мониторинг видеопотока с десятка камер, установленных в палатах. Интеллектуальный алгоритм анализа изображения сможет выявить необычные события, такие как падение пациента с кровати или потеря им сознания. В таких случаях на часы медсестры будет мгновенно отправлено уведомление, что позволит ей оперативно оказать необходимую помощь.
Видеоаналитика также предоставляет главврачу возможность контролировать, как медсестры и лечащие врачи используют рабочее время: выполняют ли они свои должностные обязанности, уделяют ли достаточно внимания каждому пациенту, как часто оказывают им помощь и посещают их. Это позволяет определить сотрудников с низкой продуктивностью, оптимизировать распределение трудовых ресурсов и функциональные обязанности действующих медицинских работников.
Эффективное импортозамещение
В настоящее время критически важно, что практически для всех разработок в сфере искусственного интеллекта для медицины и здравоохранения существуют российские аналоги, и наша страна находится в числе лидеров в этой области. Действительно, создание качественных медицинских баз данных представляет собой определенную трудность, однако это преодолимая проблема, особенно при государственной поддержке и в процессе реализации национальных проектов.
Россия по-прежнему демонстрирует высокие показатели в области математики и алгоритмов. Это открывает возможность для развития цифровой медицины, которая позволит не только не уступать другим странам, но и, подобно банковским услугам или сервисам доставки, создать передовую и надежную систему здравоохранения. Она будет базироваться на иных подходах, ориентированных на прогнозирование заболеваний, их раннее выявление и профилактическое лечение, а не на борьбу с уже развившимися стадиями.