Спецпроекты

Медицинский ум: чем может помочь искусственный интеллект здравоохранению

AI

Ни в ближайшее время, ни в обозримом будущем искусственный интеллект не заменит врачей. Он может заменить собой только человека, который на работе занимается перекладыванием файлов — из одной папки в другую. Никакого механического доктора Ватсона, который жужжит 5 минут, а потом выдаёт целительную пилюлю каждому больному, у нас не будет.  Провал интеллекта? Или мы сами вообразили, что микроскопом надо забивать гвозди, и просто не умеем использовать технологию правильно?

Искусственный интеллект поставит диагноз

Искусственный интеллект прочтет анализы и даст рекомендацию. Знакомые заголовки? Ну а что, рассуждает обыватель, достаточно взять схему, по которой врач определяет болезни, сто медицинских учебников, результаты анализов — и все эти ингредиенты загрузить в умную машину, как в «ведьмин котел». Она быстренько проверит, какие цифры какой строке соответствуют и вуаля — больной диагностирован полностью, можно отправляться в аптеку.

На самом деле, так это не работает. Искусственный интеллект плохо понимает контекст, не ориентируется в причинно-следственных связях, наконец, банально не отличает профессиональную медицинскую статью от подделки, написанной шарлатаном. Ему всё равно. А врачевание — это что-то среднее между наукой и искусством.

Человек сам по себе тоже крепкий орешек. Одни и те же симптомы могут указывать на разные заболевания, быть как причиной, так и следствием, картина болезни бывает стёртой, наконец, пациент может одновременно страдать сразу несколькими заболеваниями, которые взаимно влияют друг на друга, и симптомы выглядят совсем не так, как об этом сказано в учебнике.

В России с медицинским искусственным интеллектом отношения особые. Отечественные компании не созрели для того, чтобы полноценно применять аналитические решения. Мы стоим на перепутье: ИИ — это уже модно, все его хотят, но еще не очень понимают, зачем и как его применять на практике. При этом на рынке много манипуляций терминами, когда приставка ИИ нужна разрабатываемой системе для того, чтобы понравиться инвестору, а не для реального решения задач. Иногда бывает даже так, что искусственный интеллект заявлен, но не реализован. Продавцы предлагают ИИ, а по факту это старые и набившие всем оскомину BI с их визуализациями, простым анализом, сценарным моделированием, но не более.

Настоящие задачи

Маркетинговые трюки понятны, но если мы не хотим, чтобы бизнес разочаровался и мысленно положил технологию на полочку с пометкой «очередной хайп», то нужно понять одну простую вещь: нет смысла использовать искусственный интеллект везде, где только вздумается. Его нужно применять там, где он силен, где он действительно помогает. И в медицине такие области есть.

Существует огромный пласт задач по экспертизе медицинской помощи и переориентации подхода к оказанию медицинских услуг и их аудиту с самого факта оказания помощи на результат, т.е. по переходу на ценностно ориентированный принцип работы (value-based care). Но это «внутренняя кухня», об этом говорят в профессиональном сообществе, а самим пациентам и обществу будут заметны только результаты такой перемены во внутренних подходах.

Из того, что широко обсуждается, уже достаточно распространённые задачи для ИИ — диагностика и управление качеством с помощью компьютерного зрения. Анализ изображений для поддержки принятия решений при расшифровке снимков, например, КТ, МРТ и прочих. Видеоаналитика и анализ изображений на производстве помогает снизить количество брака при производстве медицинских изделий и лекарственных препаратов, следит за качеством продукции в целом. И не только за продукцией — компьютерное зрение может увидеть, достаточно ли стерильны помещения, соблюдены ли регламенты, не нарушен ли процесс производства.

Одной из самых очевидных задач является прогнозирование поломок оборудования, на котором производятся медицинские изделия и препараты. Такое прогнозирование уже зарекомендовало себя в автомобильной промышленности, позволив компаниям существенно экономить на ремонте. Почему бы не применить этот опыт и в других отраслях? Структурное подразделение Siemens, занимающееся производством медицинской техники, разработало прогностическое решение для технического обслуживания клинических диагностических систем. Решение, построенное на платформе SAS, минимизирует простои автоматических систем, которые позволяют лабораториям тестировать тысячи образцов в день. Лабораторные диагностические системы транспортируют множество жидкостей, а сами состоят из большого числа компонентов, поэтому техобслуживание тут — нетривиальная задача. Цель Siemens состояла в том, чтобы прекратить чинить то, что сломалось, а вместо этого постараться не допустить самой поломки.

В крупной фармацевтической компании, представленной в 150 странах мира, компьютерное зрение применяется, чтобы выявлять дефекты медицинских изделий автоматически, прямо во время производственного процесса. Компания производит 100 млн медицинских изделий в год. Ранее процесс сборки проходил неэффективно, и большие партии устройств просто списывались, так как проблемы в них обнаруживали слишком поздно, а те ИТ-системы, что были, не могли этот брак вовремя отследить.

Руководство приняло решение: пора переключаться на «цифру». В рамках цифровой трансформации планировалось автоматизировать процессы визуального контроля и обеспечения качества продукции на производстве. В течение двух недель SAS помогла создать инфраструктуру, аналитические инструменты и модели, позволяющие автоматически идентифицировать неисправные устройства. Это привело к тому, что заказчик смог сэкономить материала на сумму 2 млн фунтов стерлингов. Доказано, что используя модули компьютерного зрения и глубокого обучения, SAS Viya может предсказывать дефектные устройства с точностью до 99%.

И, конечно, цифровые двойники. Создание полнофункциональной виртуальной копии медицинского оборудования или целого предприятия также помогает улучшить качество производства. Цифровые двойники наглядно демонстрируют, как поведет себя реальный объект в тех или иных условиях. Решение дает полное представление о качестве и его управлении на предприятии. Цифровые двойники могут быть и у отдельного пациента, и даже у органа! Моделировать можно всё. В частности, формирование цифрового двойника пациента происходит с применением данных IoT и носимых человеком устройств.

ИИ может выявить связь между заболеваниями пациента, условиями в которых он живёт, его привычками, а также определить, кто из пациентов в регионе подвержен максимальному риску.

Увидеть тайное в явном

Искусственный интеллект можно применять, чтобы следить за здоровьем жителей в целом, а не в частности, как это бывает, когда горожане приходят на обследования самотёком. Проект по оздоровлению населения Невады доказал, что это возможно. Исследователи создали хранилище, в котором содержатся генетические, клинические, социальные данные, данные об окружающей среде, а также обезличенная информация пациентов из их медицинских карточек.

Теперь с помощью технологий ИИ и машинного обучения исследователи выявляют связь между заболеваниями пациента, условиями в которых он живёт, его привычками. Даже состояние окружающей среды может подсказать, кто из пациентов в данном регионе подвержен максимальному риску. Также можно обнаружить наиболее уязвимые регионы или слои населения, чтобы дать им рекомендации заранее, до того, как понадобится серьезная медицинская помощь.

Точечная работа искусственного интеллекта тоже возможна. Amsterdam UMC, один из крупнейших онкологических центров Европы, собирает большое количество данных о каждом пациенте, включая биомаркеры, ДНК и геномные данные. Пациенту ставят диагноз — онкологическое заболевание. Далее следует химиотерапия, после этого делается компьютерная томография и врач, глядя на снимки, на глаз проверяет, уменьшилась ли опухоль и есть ли необходимость в операции или продолжении терапии. Такой метод оценки не всегда эффективен, особенно для системной терапии. Например, при раке толстой кишки, который является третьим по распространённости раком в мире и в половине случаев распространяется на печень, лучший способ — удаление опухоли. Но некоторые опухоли слишком велики, чтобы их можно было удалить. Такие пациенты должны проходить системную терапию, способствующую уменьшению опухоли, например, химиотерапию.

После периода лечения опухоли оцениваются вручную с помощью компьютерной томографии. В это время медицинские работники могут проверить, уменьшилась ли опухоль, изменилась ли она по внешнему виду. От того, как опухоль реагирует на системную терапию, зависит, возможно ли проведение спасающей жизнь операции или необходим другой режим химиотерапии. Но такой ручной подход создает множество проблем.

Оценка опухолей — это трудоемкий процесс для рентгенологов. И для каждой компьютерной томографии, как правило, измеряются только две крупнейшие опухоли, что, возможно, оставляет без контроля жизненно важные улики, скрытые в оставшихся опухолях, если у пациента их больше двух. Кроме того, ручная оценка предполагает субъективность, что приводит к вариациям в оценках рентгенологов.

ИИ обнаруживает опухоли быстрее и точнее, чем люди. Используемые технологии компьютерного зрения и модели глубокого обучения позволяют повысить скорость и точность оценки реакции химиотерапии. Ученые, занимающиеся сбором данных, также создают модели глубокого обучения. Такие возможности, как автоматическая сегментация, помогают врачам быстро определять изменения формы и размера опухолей и отмечать их цвет.

Ковид в базе данных

Сейчас, с наступлением эпохи Сovid-19, компания SAS сфокусировалась на том, чтобы помочь бизнесу не просто преодолеть все последствия пандемии, но и адаптироваться к новым реалиям, продолжая развиваться. Второе направление — это поиск решений, которые помогут победить сам вирус. Специалистами компании была собрана огромная база данных с научными трудами, со всей той информацией, которую генерируют изучающие вирус исследовательские институты. Кроме того, SAS участвует в создании исследовательской базы данных с историями заболевших, чтобы попытаться понять, кого именно и в какой степени поражает SARS-CoV2, какие стадии болезни можно наблюдать, помогают ли выбранные для лечения препараты, как соотносятся их вред и польза.

Чтобы найти решение, нужно изучить огромные объемы данных. Искусственный интеллект не может анализировать сто изображений или строчек — для него в них слишком мало информации, прогнозы будут очень недостоверными. Ему нужны массивы. А в случае с медициной, данные — это в принципе большая проблема. Они есть, их много, но так как область деликатная, защищенная законами, то использовать их просто так, в исходном виде, без анонимизации — нельзя.

А если данные все-таки удалось подготовить так, чтобы их можно было использовать, начинаются другие проблемы: часто у исследователей в НИИ нет доступа к хорошим аналитическим системам, что может обеспечить компания SAS. «В основе ИИ лежат алгоритмы машинного обучения, нейронных сетей, углубленной аналитики — и это то, где у нас есть большой опыт, и чем мы занимаемся уже 44 года, — говорит Александр Жуков, руководитель департамента решений для здравоохранения SAS Россия/СНГ. — Мы внесли значительный вклад в развитие этих технологий. Сейчас SAS занимает второе место в мире по доле рынка искусственного интеллекта, более того, на протяжении последних трёх лет мы каждый год удваиваем объём выручки от ИИ-решений».