ИИ и машинное обучение в медицине / Хабр

Одним из важнейших факторов, влияющих на развитие человеческого общества в ближайшие годы, станет искусственный интеллект (ИИ). В это понятие мы вкладываем все направления развития сферы, включая …

Содержание

Обучение нейросети: отсутствие датасетов и универсального оборудования

Как известно, для обучения нейросети нужны наборы данных (датасеты). К сожалению, в сфере диагностической медицины все еще очень мало качественных, верифицированных, полных датасетов, еще меньше из них — публично доступных. Без сбора собственных датасетов и их разметки получится сделать разве что MVP (минимально жизнеспособный продукт. — РБК Тренды), но никак не качественный продукт, готовый к эксплуатации.

Здесь не обойтись без сотрудничества с медицинскими учреждениями и профильными специалистами. В «Цельсе» разметкой каждого снимка занимаются сразу несколько рентгенологов, в случае расхождений снимки отдаются на дополнительное исследование.

Еще одна техническая сложность связана с тем, что в медицинских учреждениях встречается разное оборудование. Изображения с разных рентгеновских аппаратов могут визуально сильно различаться. Если нейронная сеть не обучалась на таких снимках, нет ничего удивительного в том, что она «проваливается» и ничего не детектирует. Самое простое, на первый взгляд, решение — нужно собрать всевозможные виды снимков со всех аппаратов со всеми настройками, разметить их и обучить систему. Минусы? Долго и дорого. Однако и это не панацея, к тому же требует сбора всех существующих в мире типов снимков, что кажется невыполнимой задачей.

Лучшим решением будет использование универсального препроцессинга, то есть специальной обработки данных перед их подачей в нейронную сеть. В процедуру препроцессинга могут входить автоматические изменения контрастности и яркости, всевозможные статистические нормализации и удаления лишних частей изображения (артефактов). Нашей команде после месяцев экспериментов удалось создать универсальный препроцессинг для рентгеновских изображений, который приводит практически любые вводные изображения к единообразному виду. Это позволяет нейронной сети корректно их обрабатывать.

Еще одна особенность связана со спецификой deep learning (глубокого обучения. — РБК Тренды) и актуальна для многих команд разработки на рынке медтеха. Медицинские нейронные сети чаще всего «тяжелые», каждый эксперимент над моделью длится продолжительное время и требует огромных вычислительных ресурсов, а значит и дорогостоящей техники. У «Цельс» есть собственный сервер, на котором можно параллелить четыре эксперимента, а также cloud-инфраструктура, с помощью которой мы можем увеличить число экспериментов в случае необходимости. К слову, и качественных специалистов машинного обучения пока не так много, к тому же они весьма дороги.

Фото:Frank Augstein / AP

ИИ в радиологии

820tzbbs6odsmrpq4eswhwb_yde.png

Многочисленные данные медицинской визуализации в изобилии хранятся в небольших локальных системах. Но что, если использовать глубокое обучение, загрузив данные в облако и «скормив» их ИИ? Машины и алгоритмы могут эффективно интерпретировать данные визуализации, выявляя закономерности и аномалии.

Самый очевидный вариант использования: ассистент радиолога/рентгенолога, занимающийся выявлением и локализацией подозрительных образований на коже, повреждений, опухолей, внутренних кровоизлияний, образований на мозге и т.д. Компьютер работает быстрее и точнее, а потому способен выдать конкретные данные о заболевании спустя несколько секунд после обработки информации. Человек так не может.

Есть и другой момент. Высококвалифицированные специалисты стоят дорого, и на них колоссальный спрос. Они испытывают нешуточное давление, буквально увязая в потоках данных, которые сыплются на них со всех сторон. Если верить

этой статье

, такой специалист должен выдавать диагноз каждые 3-4 секунды. Машинный интеллект может повысить квалификацию обычного специалиста, помогая ему разобраться в сложных ситуациях. Тем самым уменьшая количество ложных диагнозов и спасая жизни людей.

Выявление редких или трудно диагностируемых заболеваний часто зависит от опыта врача, а также степени «запущенности» болезни. Проще говоря, пока болячка не полезет наружу, её могут и не распознать. Обучив компьютер на больших наборах данных, содержащих необработанные изображения и множество форм патологий, сопутствующих тем или иным заболеваниям, можно повысить качество постановки диагнозов и количество выявленных заболеваний. Такую идею разрабатывает стартап

AIDOC

ИИ способны повысить качество работы медучреждений, автоматизировав трудоёмкую и ответственную часть работы врачей. С помощью компьютерных алгоритмов можно также контролировать эффективность лечения и качество выполненной операции, прогнозировать скорость восстановления организма.

Хорошим примером такой технологии является проект

Microsoft InnerEye

. Он предлагает использовать  методы ML для сегментации и идентификации опухолей с использованием 3D-рентгеновских снимков. Это может помочь в точном планировании операции, навигации и эффективном формировании контуров опухоли для планирования лучевой терапии.

Также нужно заметить, что МРТ и другие современные системы визуализации, используемые для раннего выявления рака, работают с ML. Алгоритмы помогают проводить расширенный анализ изображений. Например, выполнить сегментацию предстательной железы или совместить несколько разных снимков (например, УЗИ, КТ и МРТ) для получения более точной картины. Машинный интеллект также способен распознать онкологию во время плановых медицинских процедур и даже хирургическом вмешательстве (часто бывает, что во время операции остаётся незамеченным ещё одно злокачественное образование).

7 практических советов тем, кто решил выпустить медицинский ИТ-продукт 

Решайте «боль» заказчика ИТ-продуктом

Часто основатели видят, как улучшить жизнь пациента или врача, но это не является проблемой, за решение которой люди или бизнес готовы платить.

Например, наш проект полезен, потому что оцифровывает данные и предоставляет их и врачу, и пациенту в наглядном виде. Без такой наглядности пациент в большинстве случаев не может увидеть масштаб своих стоматологических проблем и не понимает, за что он платит.

Учитывайте интересы всех акторов в здравоохранении

Пример ошибки: стартап делает решение, которое невероятно удобно врачу, но не подходит для общепринятой системы закупок в медучреждении. То есть вероятность практического применения будет стремиться к нулю — продукт просто не купят.

Оценивайте решение совместно с техническими и бизнес-руководителями

Особое внимание обращайте на сроки проекта. Из-за разного бэкграунда и специализации руководителей могут возникать противоречивые ожидания и даже конфликты. Стоит убедиться, что все стороны верно понимают особенности проекта и эффективно взаимодействуют.

Определитесь, кто ваш клиент: врач, руководитель или пациент

Часто делают проект для врача, который основан на потребностях пациента — а они могут отличаться.

Например, стоматологу нужно поставить максимально полный диагноз — в этом, вроде бы, заинтересованы и врач, и пациент. Но если вернуться к реальной жизни, то мы увидим, что пациент в силу нехватки компетенций не способен распознать, в чем разница между полным и неполным диагнозом.

Так что избегайте перегруженности проекта лишним функционалом в ущерб полезным фишкам.

Проводите больше интервью с реальными пользователями

Именно с их помощью можно обнаружить неожиданные идеи!

И это точно не сотрудники медицинских вузов или друзья из других стартапов.

Помните: ни в коем случае нельзя ориентироваться на представления лидеров мнений и мединститутов — как правило, они живут в другой реальности, далекой от обычной медицины. Апеллировать надо к настоящей реальности, а не к теории или искусственным ситуациям.

Отвечайте бизнес-моделью стартапа на вопрос, откуда у заказчика появятся деньги на покупку вашего продукта

Потому что плательщики от здравоохранения — сложная структура.

В стоматологии, где работаем мы, более простая ситуация: маленькая клиника с небольшим расстоянием между руководителем и рядовым врачом, поэтому все вопросы решаются быстро.

Если же речь идет про городскую поликлинику, то решение о покупке принимает департамент здравоохранения. А дистанция между врачом и департаментом здравоохранения — образно говоря, годы и километры.

Набирая техническую команду, не давайте обещания стать самым скачиваемым приложением через полгода работы

Медицина — это медленные изменения. Здесь не случаются революции каждые полгода. 

Смартфоны и трекеры для медицинской слежки

Смартфонами пользуются 4 млрд людей, и почти в каждом есть набор датчиков, который можно эффективно использовать, чтобы следить за здоровьем. Конечно, гаджеты создавались не для этого, но пандемия показала, что в чрезвычайных обстоятельствах смартфоны быстро превращаются в средства превентивной медицины. Так произошло в Южной Корее, а также в Китае, где к программе отслеживания контактов с носителями COVID-19 подключился почти 1 млрд человек.

Второе место по популярности после смартфонов занимают специализированные приборы — носимые датчики вроде фитнес-трекеров. Сейчас такими устройствами регулярно пользуется каждый пятый американец, а государственные и частные работодатели в США уже не первый год используют трекеры в своих оздоровительных программах для сотрудников. Например, если человек проходит определенное количество шагов в день или посещает тренажерный зал не меньше 6 раз в месяц, ему могут дать денежный бонус, а если он не делает этого — оштрафовать. Впрочем, такие программы приживаются со скрипом и вызывают протесты работников.

В 2020 году американские ученые доказали, что данные носимых датчиков помогают оценивать риск смерти у пожилых людей лучше, чем традиционные методы.

Во-первых, фитнес-браслеты, пояса и часы гораздо точнее показывают уровень физической активности человека, чем самоотчеты. Во-вторых, простые данные о ходьбе и передвижениях помогают предсказывать смертность лучше, чем информация о том, курит ли человек и был ли у него инсульт или рак. От сердечно-сосудистых заболеваний умирает каждый третий человек в мире, поэтому способность носимых трекеров собирать данные о сердечном ритме — очень полезная функция, и при этом доступная многим.

В конце 2017 года Apple запустила масштабный проект Apple Heart Study. 15 месяцев компания беспрерывно отслеживала сердечные ритмы 419 тысяч пользователей Apple Watch, чтобы выявить среди них людей с сердечными неполадками. Если проблемы обнаруживались, Apple связывала носителя часов с теледоктором, который высылал пользователю ЭКГ-пластырь — его нужно было носить на груди, чтобы отслеживать сердечный ритм еще точнее. До этого этапа дошли 450 человек.

Apple доказала, что смарт-часы определяют сердечный ритм не хуже специализированного оборудования. И, что еще важнее, пользователи айфонов и Apple Watch доверяют компании не только свои медицинские данные, но и свое здоровье.

ИИ в патологии


pmtmgvz15mkvdumlw2raub4zbva.jpeg

Патологическая диагностика включает исследование среза ткани под микроскопом. Использование Deep Learning для обучения алгоритма распознавания изображений в сочетании с человеческим опытом обеспечит более точную диагностику. Анализ цифровых снимков на уровне пикселей может помочь в обнаружении патологических изменений, которые человеческий глаз легко может пропустить. И это обеспечит более эффективную диагностику.

Такую технологию разрабатывает, к примеру, медицинская школа Гарварда. Алгоритм использует технологию распознавания речи и изображений для распознавания снимков с патологиями и обучает компьютеры различать раковые и не раковые образования. Сочетание этого алгоритма с работой человека привело к точности 99,5%. 

Обработка огромных объёмов информации

ИИ способен обрабатывать несколько тысяч страниц в секунду при поиске необходимой информации.

Примерно каждые двадцать минут в мире появляется новая статья по медицине. Так каталог MED-LINE за прошедший год был пополнен 870 тысячами ссылок.

В помощь медикам недавно была создана система поддержки по принятию решений — CDSS на основе ИИ, которая объединила информацию и данные о показателях здоровья пациентов и их истории болезни.

Машинное обучение и медицинская наука

Во всевозможных медицинских учреждениях генерируются петабайты данных. Эти данные, к сожалению, обычно являются беспорядочно разбросанными и неструктурированными.  Это ни в коем случае не упрёк в сторону врачей. Им приходится не столько лечить, сколько отчитываться о лечении. Однако хаос здорово мешает в планировании и глобальном наблюдении за здоровьем отдельно взятой страны или мира в целом.

Дополнительная сложность заключается в том, что в отличие от стандартных бизнес-данных, данные пациентов не слишком-то хорошо поддаются простому статистическому моделированию и аналитике. Мощная облачная платформа с поддержкой ИИ, имеющая доступ к медицинским БД, способна эффективно анализировать смешанную информацию (например, патологию крови, генетические особенности, рентгеновские снимки, историю болезни). Она же (теоретически) способна анализировать входные данные и выявлять скрытые закономерности, которых не видно из-за чересчур большого объёма медицинской информации.

Интерпретируемые модели ИИ и распределённые системы машинного обучения отлично подходят для этих задач. Они позволят не только эффективно развивать медицинскую науку, находя новые закономерности и расовые/половые/возрастные особенности людей, но формировать более точные данные о состоянии здоровья населения в конкретных регионах.

Основные препятствия

Несмотря на большие перспективы, существует целый спектр ограничений для развития ИИ в медицине. Эти стоп-факторы должны стать основным объектом для совместной работы технологических компаний и медицинских организаций, так как их минимизация способна существенно расширить возможности применения этой технологии в здравоохранении.

  • Нехватка компетенций и сотрудников. Исследование, представленное этой весной Ассоциацией электронной коммуникации (РАЭК), показало, что 48% компаний в России отмечают “сложности проектной реализации” инициатив в области ИИ в связи с нехваткой кадровых или инструментальных ресурсов. Для эффективного внедрения технологии искусственного интеллекта необходимы квалифицированные специалисты, наличие ресурсов для тестирования гипотез и разработки эффективных бизнес-моделей. Это касается рынка систем ИИ в целом, и медицинские организации не меньше других сталкиваются с дефицитом кадров, недостатком квалификации уже работающих сотрудников, а также нехваткой ресурсов для внедрения технологии.
  • Недостаток структурированных данных. Далеко не во всех сферах здравоохранения достигнуты такие результаты, как, например, в борьбе с раком. Действительно, в медицине очень много неструктурированных данных, но для использования в системах машинного обучения их необходимо сначала структурировать и разметить. Это большая работа для Data Scientists (специалистов по классификации данных).
  • Недостаточный уровень доверия. Искусственному интеллекту еще только предстоит заработать свой кредит доверия — как со стороны пациентов, так и практикующих специалистов. В своем большинстве люди пока еще скептически относятся к прогнозам, построенным алгоритмами. Для преодоления этого барьера необходимо появление большого количества успешных кейсов в сфере компьютерной диагностики для разных областей медицины, а также большая работа по формированию и соблюдению этических принципов использования ИИ для отрасли.
  • Потребность в повышенной защите данных. При внедрении ИИ в медицине возникают риски безопасности, связанные с возможными хакерскими атаками, компрометацией данных и нарушением врачебной тайны. Поэтому сегодняшние технологические решения должны отвечать самым строгим требованиям конфиденциальности и обеспечивать полную безопасность подобных данных.

Виртуальные медсёстры

Активно разрабатывается и технология виртуальной медсестры, способной неотрывно «сопровождать» больного на протяжении всего периода лечения. ИИ планируется использовать для мониторинга состояния пациента, фиксации показателей датчиков, установленных на его теле, предоставления ответов на стандартные вопросы больного (о времени процедур, фамилии врача, длительности лечения и пр.).

Дополнительной функцией таких помощников может стать транскрипции голосовых сообщений врача в текст. Сами знаете, сколько времени тратят медики на всевозможную писанину. Голосовая запись в медкарты пациентов позволила бы увеличить время, затрачиваемое непосредственно на лечение, за счёт избавления от избыточной бумажной работы.

Надо подчеркнуть что речь идёт не про модернизированный чат-бот. Это именно медсестра-ассистент, позволяющая установить качественный канал связи между лечебным учреждением, врачом и пациентом. Возможно, такие ИИ будут ставиться и вне больничных палат. Например, если человек лечится дома. Так сокращается количество лишних контактов, отпадает надобность в регулярном посещении больницы. Технология также позволит обеспечить уход за пациентами из малоимущей части населения, которые не имеют возможности обратиться к дорогим специалистам.

Ещё один плюс ИИ в том, что компьютеры могут взять на себя диагностические функции в регионах, где не хватает врачей. Людям в любой ситуации будет обеспечена минимально необходимая медицинская помощь. А это важно.

Автоматизация и улучшение

Бывает, что пациент отменяет визит к врачу, и это несёт клинике убытки: в США подсчитали, что система здравоохранения страны ежегодно теряет около 150 миллиардов долларов. Чтобы снизить эти показатели нужен новый подход к организации и управлению.

С такой задачей может справиться только ИИ, который будет учитывать нюансы и грамотно наладит поток пациентов в медицинские учреждения. Касательно автоматизации, ИИ может помочь специалисту при проведении анализа УЗИ, всевозможных снимков и анализов. Согласно оценкам экспертов, подобная информация составляет около 90% всего объёма медицинских данных.

IBM разработала сервис Arterys который совмещает в себе визуализацию работы сердца и аналитику. Основой сервиса выступает нейросеть, способная анализировать изображения.

image1.png

Правовые аспекты и стандартизация

Специфика российского здравоохранения, как и ряда других стран, состоит в том, что оно по большей части государственное. Коммерческими клиниками представлена лишь небольшая часть рынка. Этот факт должен учитываться компаниями, так как государственная система здравоохранения подразумевает финансирование по системе тендеров и/или грантов.

Для использования технологии в реальной клинической практике требуется регистрационное удостоверение медицинского изделия. Задача усложняется тем, что в законодательстве (по крайней мере, российском) до сих пор не существует определенных стандартов, регламентирующих работу медицинских ИИ-сервисов. Это касается и подготовки датасетов, и проведения клинических и технических испытаний сервисов, и стандарта по интеграции этих сервисов в бизнес-процессы медицинских учреждений.

Но ситуация меняется в лучшую сторону, и этому способствует государство. Правительство запустило Национальную программу «Цифровая экономика», одним из приоритетных направлений которой является цифровизация здравоохранения. Проводится масштабный эксперимент Департамента здравоохранения города Москвы по использованию ИИ-сервисов в работе отделений лучевой диагностики. Результаты проекта станут основой для национальных стандартов, регламентирующих применение ИИ в клинической медицине.

Несмотря на наличие большого количества новых и специфических проблем, при правильном подходе ИИ-сервисы уже сейчас могут позитивно влиять на нашу жизнь и здоровье. При условии тесного взаимодействия разработчиков и медицинского сообщества мы уже в ближайшее время услышим о настоящих историях успеха.

Подписывайтесь на Telegram-канал РБК Тренды и будьте в курсе актуальных тенденций и прогнозов о будущем технологий, эко-номики, образования и инноваций.

Создание новых лекарств с помощью AI/ML

Про создание новых лекарств с помощью ИИ говорилось уже не раз. Это действительно перспективная идея. Фармацевтические гиганты всё активнее используют технологии искусственного интеллекта для решения адски сложной проблемы успешного создания новых эффективных лекарств против рака, нарушения обмена веществ, иммунных проблем. О том, как они это делают, можно почитать, к примеру, здесь.

Компьютерные алгоритмы, используя уже накопленный людьми опыт и информацию, способны упростить процесс поиска лекарств. Их применяют для:

  1. Отсева неэффективных и выделения перспективных лекарственных соединений на раннем этапе создания;
  2. Создания и выявления новых комбинаций лекарств, которые были пропущены/отброшены как неэффективные ранее;
  3. Выявления механизмов действия конкретного лекарства в моделируемых ситуациях.

Просто как пример: фармацевтическая компания Berg использует технологии ИИ для анализа массива биологических данных и результатов анализов пациентов (липиды, энзимы, метаболиты, белковые профили). Эти сведения позволяют выявить новые механизмы появления рака и его лечения, найти главные отличия здоровых клеток от больных. Еще одним ярким примером стала публикация DeepMind возможных белковых структур, связанных с вирусом COVID-19, с использованием их системы AlphaFold.

Множество медицинских стартапов (вот интересный перечень) также тестируют возможности ИИ по анализу разнонаправленных и неструктурированных медицинских данных (исследовательских работ, патентов, клинических испытаний, историй болезней пациентов). Используются методы байесовского вывода, цепи Маркова, обучение с подкреплением и обработка естественного языка (NLP). Модели строятся в облаке, поскольку эта технология позволяет проводить сложные вычисления быстрее и дешевле. Кроме того, хранить собранные массивы данных и построенные ранее модели в облаке также удобнее, чем на локальных серверах.

Создание лекарственных препаратов

Препараты представляют собой сложные органические соединения, и поиск правильной структуры занимает много времени. Перед тем как попасть на рынок, препарат проходит массу проверок, испытаний, но даже это не даёт гарантии, что лекарство будет эффективным: более 50% новых лекарств против рака не дают заметного эффекта.

ИИ призван точнее моделировать состав препаратов. В будущем исследователи смогут задавать свойства, а искусственный интеллект будет формировать химическую структуру препарата.

Уже сегодня компания Atomwise применяет ИИ для поиска оптимальных лекарственных формул.

image2.png

А как в России

В России ведётся работа сразу по нескольким направлениям из сферы медицинского искусственного интеллекта. Популярны распознаватели речи и сервисы онлайн-диагностирования болезней по снимкам.

В 2017 году запущен проект Voice2Med, призванный сократить время на заполнение бумаг. Он успешно протестирован в республиканской больнице Татарстана в городе Казань.

Российский Институт развития интернета создает ИИ, который позволит ставить диагнозы самостоятельно, основываясь на снимках МРТ и рентгена.

Ещё одно применение ИИ получило название TeleMD (сервис удалённых консультационных эфиров), которая специализируется на онкологических болезнях.

DOC+ представляет собой «мобильную» клинику, которая вызывает врача домой, бронирует лекарства в онлайн-аптеках, интегрируется с клиниками. При этом приложение сохраняет информацию в электронную медицинскую карту, расположенную в телефоне пациента.

Контроль за здоровьем или тотальный контроль?

Израильский историк Юваль Харари считает, что мы живем в эпоху перехода от «надкожной слежки» к «подкожной». То, что происходит внутри нашего организма, теперь очень интересует правительства и корпорации:

«До сих пор, когда ваш палец касался экрана смартфона и нажимал на ссылку, правительство хотело знать, на что именно нажал ваш палец. Но с коронавирусом фокус интереса сменился. Теперь правительство хочет знать температуру пальца и артериальное давление под кожей».

Если мы видим в человеке пациента, то современные сенсоры и технологии мониторинга здоровья дают ему надежду на значительное увеличение качества и длительности жизни. Если же мы смотрим на него как на гражданина, избирателя или потенциального преступника, те же технологии делают его более уязвимым и дают необычайные преимущества контролирующей стороне.

За сердечным ритмом можно следить, чтобы предотвратить приступ. Или для того, чтобы распознать, кто неискренне аплодировал речи диктатора.

Пандемия и цифровая слежка, которую правительства используют для борьбы с пандемией, поставили еще один важный вопрос, ответ на который будет определять наше будущее. Наше здоровье принадлежит только нам или же является общественным достоянием, поэтому государство вправе его регулировать?

Опросы говорят, что люди меньше всего доверяют данные о своем здоровье правительству и считают медиков и IT-корпорации (как в истории с Apple) более достойными доверия. Однако пока что только у государства есть права и возможности контролировать наше здоровье в одностороннем порядке.

Прогнозирование эпидемий

Медицинские организации используют технологии ML для мониторинга и прогнозирования возможных эпидемических вспышек, которые могут охватить разные части мира. Собирая данные со спутников, отслеживая сообщения в социальных сетях в режиме реального времени, анализируя другую важную информацию из интернета, эти инструменты способны дать точный прогноз возникновения вспышки заболевания в конкретном регионе. Это может быть благом в первую очередь для стран третьего мира, в которых отсутствует развитая система здравоохранения. Но и для развитых стран функция прогнозирования роста заболеваемости лишней не будет.

Примером можно назвать медицинское приложение ProMED-mail. С его помощью всемирная организация здравоохранения может следить за ситуацией в мире и прогнозировать вспышки заболеваний в режиме реального времени.

1cr6bhpqh8l0lbqbb9uasqkvlyo.jpeg

Технология постоянно совершенствуется. Учёные хотят сделать инструмент мониторинга более эффективным и самостоятельным. Например, чтобы нейронные сети предсказали вспышку малярии, основываясь на таких факторах, как температура, среднемесячное количество осадков. Для этого и нужны искусственный интеллект, машинное обучение.

Рейтинг
( 1 оценка, среднее 5 из 5 )
Загрузка ...