Поделиться
Андрей Милосердов в интервью CNews — о внедрении ИИ в медицину и масштабировании медицинских технологий
Пандемия COVID-19 стала триггером не только для перестройки системы здравоохранения, но и для роста медицинских технологий. Резкий рост количества компьютерных томографий, нехватка специалистов и необходимость принимать клинические решения в кратчайшие сроки ускорили внедрение искусственного интеллекта в медицинскую практику.
Одним из наиболее заметных проектов в этой области стала международная компания RADLogics, платформа автоматизированного анализа медицинских изображений. Проект объединил команды в России, Израиле и США, его решения внедрены в государственных медицинских учреждениях, а в 2020 году платформа получила клиренс FDA для рынка США.
За развитие продукта, внедрение платформы в клиниках, взаимодействие с отраслевыми партнерами и адаптацию технологии к реальной медицинской инфраструктуре отвечает старший продукт-менеджер Андрей Милосердов. CNews поговорил с ним о том, как безопасно внедрять ИИ в медицину, какие вызовы были на пути масштабирования платформы и как выстраивается работа с государственными медицинскими учреждениями.
CNews: Андрей, вы присоединились к проекту в октябре 2020 года, в разгар пандемии. На каком этапе был продукт RADLogics на тот момент и какие задачи стали для вас приоритетными?
Андрей Милосердов: Когда я присоединился к RADLogics, у компании была сильная технологическая база и работающие модели анализа КТ. Основной вызов состоял в том, чтобы превратить отдельные успешные внедрения в устойчивый и масштабируемый продукт.
В первую очередь я адаптировал платформу к инфраструктуре конкретных клиник, управлял процессом интеграции и координировал работу разработчиков. Важным приоритетом была работа с государственными заказчиками и медицинскими специалистами: решение должно стабильно работать в реальном потоке исследований и помогать врачам ежедневно. Фактически мы переходили от технологического продукта к полноценной промышленной эксплуатации. Только в рамках московского эксперимента по компьютерному зрению решение использовалось более чем в 130 стационарах и поликлиниках, а в пиковый период через платформу прошло свыше 36 тысяч КТ-исследований, с которыми работали около 570 рентгенологов.
CNews: Ваша работа объединяет разработчиков, врачей, государственные учреждения и облачную инфраструктуру. Как удается находить баланс и где возникает больше всего сложностей?
Андрей Милосердов: Баланс возникает тогда, когда все участники понимают общую цель: технология должна помогать врачу быстрее и точнее принимать решения, а не усложнять его работу. Разработчики думают о точности модели и надежности системы, врачи о клинической ценности, а государственные учреждения о безопасности и соответствии требованиям. Моя задача состояла в том, чтобы перевести ожидания каждой стороны на общий язык и превратить их в единый план развития продукта.
Больше всего сложностей появляется на стыке технологии и существующих процессов, потому что даже сильное решение не приживется, если требует от врача полностью менять привычный рабочий сценарий. Поэтому мы встраивали продукт в уже существующую практику.
CNews: Со стороны кажется, что подобные технологии легко внедряются. А что происходит перед тем, как платформа начинает работать внутри клиники?
Андрей Милосердов: Внедрение начинается задолго до первого запуска алгоритмов. Необходимо проанализировать ИТ-инфраструктуру медицинской организации, интегрировать платформу с PACS и медицинскими системами, настроить обмен данными. Затем проводится серия тестов, чтобы убедиться в корректной обработке исследований и стабильности всей цепочки. Только после этого система переводится в промышленную эксплуатацию. На практике большая часть работы связана именно с интеграцией, а не с самой моделью машинного обучения. Когда эта подготовка сделана, само подключение новой клиники к платформе занимало один день.
CNews: Какие задачи приходилось решать при эксплуатации ИИ-моделей? Столкнулись ли вы с инфраструктурными проблемами?
Андрей Милосердов: Да, и поэтому мы постоянно дообучали модель. Изображения поступали с разного оборудования, в различных форматах и с разным качеством, поэтому модель должна корректно работать не только в идеальных лабораторных условиях. Мы сталкивались с устаревшими аппаратами, разнородными информационными системами и сложностями интеграции между поставщиками медицинского ПО. Одним из моих решений стала интеграция с Yandex Cloud: она дала необходимую вычислительную мощность для обработки исследований и упростила масштабирование платформы при подключении новых медицинских организаций. Отдельной проблемой во время пандемии стала эволюция штаммов вируса: приходилось быстро находить неточности в результатах и обновлять модели. Качество результата зависит от всей цепочки, от получения изображения до заключения врача.
CNews: Как быстро выходить на результат в медицинской индустрии, сохраняя качество работы моделей?
Андрей Милосердов: В медицине скорость не должна достигаться за счет сокращения обязательных этапов проверки. Мы ускоряли организационные процессы. Например, я предложил заранее формализовать требования, использовать типовые сценарии внедрения и четко распределять зоны ответственности. Еще один принцип: начинать с конкретной клинической задачи. Это позволяет быстрее получить обратную связь от врачей и понять, решает ли продукт их проблему. При этом мониторинг качества продолжается и после запуска, потому что работа модели в реальной среде всегда отличается от тестовых сценариев. Такой подход позволил сократить время анализа исследования для врача в среднем на 30%, это около 7 минут на каждое исследование. В более раннем исследовании UCLA, опубликованном в Academic Radiology, экономия времени чтения доходила до 44%.
CNews: Ранее вы выводили на рынок крупнейшую в Европе сеть автобусных перевозок FlixBus и работали продукт-менеджером в Gett. В чем особенность работы в индустрии мед.технологий?
Андрей Милосердов: В транспортных продуктах пользователь сразу говорит, удобно ли ему решение: совершает поездку, отменяет заказ или уходит к другому сервису. В медицине обратная связь сложнее, а цена ошибки несравнимо выше, потому что продукт напрямую влияет на диагноз и лечение. Здесь недостаточно сделать удобный интерфейс. При этом опыт Gett и FlixBus оказался полезен: он научил меня запускать продукты в сложной операционной среде, где одновременно задействовано много партнеров и инфраструктурных систем, и работать с потребностями государственных структур.
CNews: Когда технология перестает быть пилотом и становится частью реальной медицинской практики?
Андрей Милосердов: Пилот доказывает, что технология в принципе способна работать, но этого недостаточно. Продукт становится частью медицины, когда врач использует его регулярно и воспринимает не как эксперимент, а как естественный элемент процесса. Система должна стабильно обрабатывать поток исследований, корректно интегрироваться с инфраструктурой клиники и сохранять качество при росте нагрузки. Должны быть выстроены процессы поддержки, мониторинга и реагирования. Для меня главный показатель зрелости: способность технологии приносить измеримую пользу без постоянного ручного участия команды.
CNews: Что вы считаете главным итогом этого этапа работы?
Андрей Милосердов: Для меня главный итог в том, что платформа перестала быть набором алгоритмов и стала рабочим инструментом врача. Я выстроил процессы внедрения, интеграции и поддержки так, что подключение новой клиники превратилось из отдельного проекта в отлаженную процедуру, а система стала приносить измеримую пользу без ручного участия команды. Когда технология работает в реальном потоке исследований и врач опирается на нее каждый день, это и есть та польза, ради которой мы ее строили.
Короткая ссылка
