Развитие технологий искусственного интеллекта в онкологии и лучевой диагностике

И.В. Бузаев, В.В. Плечев, Р.М. Галимова, А.Р. Киреев, Л.Х. Юлдыбаев, А.Ф. Шайхулова, С.Г. Ахмерова

Введение

Интеллект — ум, мыслительная способность, умственное начало у человека [1]… Искусственный интеллект (ИИ) — теория разработки, а также сами разработанные компьютерные системы, способные осуществлять задачи, требующие обычно наличия человеческого разума для их решения, например зрительное восприятие, распознавание речи, принятие решений или перевод с одного языка на другой (https://en.oxforddictionaries.com/) [2]. С давних времен люди добывали и использовали знания для того, чтобы сделать жизнь легче. Мы почти уверены, что обобщение и мыслительные способности отличают нас от животных. С давних времен люди делегировали искусственно созданным объектам — машинам то, что не хотели делать сами. Эти машины, при уважительном отношении и должном внимании, давали нам больше пользы, чем доставляли проблем. С давних времен люди, передавая работу машинам, выполняли эти задачи по желанию. Они изобрели автомобили, но продолжают бегать для удовольствия, изобрели сельскохозяйственную технику и продолжают вручную ухаживать за своими садами, люди изобрели принтеры, но тем не менее продолжают рисовать карандашами. И вот приходит искусственный интеллект… Есть ряд умственных задач, в которых человек не так совершенен, как хотелось бы. Многие из них тесно связаны с безопасностью и ответственностью. Люди склонны забывать и ограничены в обмене опытом [3, 4], они склонны к риску, и их решения зависят от уровня гормонов в крови [5], люди плохо обучаются в задачах с отложенной обратной связью (когда результат по времени значительно позже воздействия) [6, 7]. Человеческие реакции на потерю и приобретение нелинейны и зависят от «оформления» вопроса (prospect theory) [8]. Ряд когнитивных искажений хорошо изучен психологами [4]. Очевидно, что хорошей возможностью может быть использование искусственного интеллекта для помощи в этих умственных задачах. Одним из важных прорывов Индустриальной революции 4.0 явилось применение методов искусственного интеллекта. Эта революция затронула все аспекты нашей деятельности, и медицина — одна из них. Системы ИИ могут включать формальные алгоритмы для задач, которые могут быть решены с помощью логических конструкций типа «если — то». Процесс решения задачи здесь — это движение от пункта до пункта, как у поезда на железной дороге. Эти алгоритмы быстры, и с их помощью можно получить объяснение, почему решение принято именно так. Люди также используют эти способы в повседневной жизни, когда не нуждаются в оценке и взвешивании большого количества факторов одновременно. Особенностью искусственного интеллекта являются алгоритмы нечеткой логики. Эти алгоритмы хорошо отражены в современной литературе. Так, F. Jiang et al. (2017) делит обработку естественного языка и машинное обучение. Со своими коллегами авторы статьи сделали срез различных алгоритмов, опубликованных в базе данных PubMed, и нашли наиболее часто используемую методологию: метод опорных векторов, нейронные сети, логистическую регрессию, дискриминантный анализ, линейную регрессию, метод случайного леса, наивный байесовский классификатор, метод ближайших соседей и скрытые марковские модели [9]. Цель и задачи исследования Целью исследования явилось показать качественные изменения, которые произошли в последние 2 года в развитии искусственного интеллекта, исследуя тренды в литературе, индексированной в PubMed. Задачами было оценить динамику интереса к теме ИИ, динамику неанглоязычных публикаций и сферы применения ИИ в современной практике.

Материалы и методы

Исследованная литература:

• книги, связанные с темой [10, 11];

• патентный поиск в patents.google.com;

• специализированный журнал “Artificial intelligence”;

• база данных PubMed.

Все резюме статей с ключевыми словами “artificial intelligence” были загружены из базы данных PubMed в .txt файлы https://www.ncbi.nlm.nih.gov/pubmed/. Далее нами была создана программа Microsoft Access Visual Basic для преобразования текста в реляционную базу данных. Затем был проведен анализ полученного набора данных MS SQL Server 2000. Набор данных включал имена всех авторов, mesh-тэги, год, язык, а также все слова по отдельности из названия и резюме. Эта информация была извлечена в таблицы, которые связали друг с другом уникальными ключами. Все неинформативные слова помечены как неинформативные, оставшиеся слова сгруппированы в обобщающие слова. Используя эти обобщения, мы классифицировали существующие сферы применения ИИ в медицине. Затем были написаны SQL-запросы для создания таблиц частот. С помощью этого метода мы классифицировали ИИ технологии.

Результaты

78 420 резюме были получены, из них 5558 обзоров, 304 рандомизированных исследования, 247 многоцентровых исследований (рис. 1). На рисунке 1 показан экспоненциальный рост к интересу в области ИИ, который немного замедлился в середине 2010 годов. Это проявление феномена s-образной кривой развития инновации, который показывает эффективность старой технологии и предсказывает либо стагнацию, либо новый этап развития [12]. Количество неанглоязычных публикаций увеличивалось до 2008 и было представлено на китайском, немецком, французском и русском языках. После 2008 количество неанглоязычных публикаций снизилось в пользу англоязычных (рис. 2). Таблица 1 и рисунок 3 показывают, что около 2010 года интерес ИИ в онкологии вышел на первый план. Наиболее очевидная причина — необходимость анализа данных медицинской визуализации с помощью обсуждаемой технологии. Наиболее часто это нацелено на распознавание опухолей на изображениях и анализ генома (рис. 4). Из набора данных были выделены 809 451 mesh-тэг. Они были сгруппированы и добавлены в оставшийся набор ключевых слов. Затем мы выделили типичные сферы применения ИИ и классифицировали их. D. Poole [13] выделяет среди ИИ следующие подклассы. Во-первых, вычислительные машины с физическими двигателями и сенсорами, их принято называть роботами, например робот-доставщик или робот-пылесос. Во-вторых, компьютеры-советчики, экспертные системы с участием человека, который обеспечивает входной информацией и постановкой задачи, например диагностический ассистент. В-третьих, это может быть программа, которая работает в полностью компьютеризированном окружении — инфобот. Инфобот занимается поиском информации в компьютерных системах для обычных пользователей, например руководителей компаний.

Классификация задач ИИ

1. Управление и оптимизация:

— графы совпадений событий (совместной встречаемости) [14],

— кластеризация лечебного процесса, - определение несоответствий в клинических рекомендациях [15],

— маркетинг и оценка доверия медицинскому учреждению [16],

— сбор данных, - регистрация, - планирование.

2. Анализ сигналов, кодирование, декодирование, фильтрация: - тактильное чувство [17], - кинестетическое чувство [18], - вкусовые рецепторы [19], - анализ изображений, - определение контуров [20], - сегментация [21], - гистопатологическая идентификация рака [22], - анализ звука, - классификация звуков легких [23], - анализ запахов, - определение концентраций алкоголя [24], - электронный нос [25], - анализ выдыхаемого воздуха [26, 27].

3. Детекция, идентификация: - эпидемиология, - определение носителей талассемии [28].

4. Предсказание, прогноз, моделирование, симуляция, картирование: - моделирование риска, например риск рака [29], - моделирование заболевания, - проводящие пути мозга при аутизме [30].

5. Классификация, кластеризация, сегментация.

6. Мониторирование и контроль: - телемедицина [31].

7. Анализ текстов и обработка естественного языка: - намерения в тексте из обсуждений онлайн [32], - семантика медицинских текстов [33], - получение статистических данных из свидетельств о смерти [34], - автоматическая классификация отчетов в радиологии [35], - классификация многоязыковых медицинских документов [36], - связи данных в медицинских записях [31], - обработка естественного языка (обобщение, классификация текстов, определение взаимоотношений).

8. Медицинские устройства: - интернет медицинских устройств (IoHT) [37], - умный дом и раннее обнаружение патологии у престарелых [38], - переносные устройства и мобильные приложения.

9. Поддержка клинических решений и экспертные системы: - ретинопатия и артериовенозное соотношение [39], - стентирование или аортокоронарное шунтирование [40].

10. Диагностика - диагностическая маркировка [41], - диагностика по распознаванию последовательностей [42], - усталость человека по слежению за его взглядом [43], - корреляция между болезнями, - раннее определение аномалий в поведении [38], - ранние индикаторы и прогрессирование паркинсонизма [44].

11. Лечение: - терапия, - автоматическая анестезия [45], - хирургия, - роботизированная (Remebot, робот для навигации и ориентации в нейрохирургии) [46], - реабилитация, - протезы.

12. Автоматизация вышеизложенных задач

Настоящее

Глубокое обучение достигло прорывов во многих исторически сложных областях машинного обучения. Достигнут почти человеческий уровень классификации изображений, распознавания речи, а также вождения, созданы цифровые ассистенты, такие как Google Now и Amazon Alexa, улучшены результаты поиска по сети и возможность ответа на вопросы на естественном языке, кроме того, ИИ превзошел человека в игре го [11].

Что нового?

Во-первых, инструменты для разработки ИИ. В настоящий момент эти инструменты уже не диковинка и не космические инструменты будущего. С 2015 года доступны быстрые алгоритмы Tensor Flow (https:// tensorflow.rstudio.com/) или Keras. Оба написаны с открытым кодом и бесплатны. Tensor Flow, например, — это простая к развертыванию и использованию на различных платформах рабочая среда для машинного обучения, выпущенная компанией Google. Ее можно легко поставить даже на переносной компьютер.

В 2017 году компания Apple предложила платформу CoreML на Xcode. С помощью Core ML разработчик может интегрировать уже обученную модель ИИ в свое приложение [47]. Также компания Apple уже предлагает такие платформы, как Vision для анализа изображений, Natural Language для обработки естественного языка. Программная платформа Vision позволяет разработчику включить в свое приложение готовые подпрограммы для распознаваний лиц, текста, штрихкодов, регистрации изображений и отслеживания предмета. Кроме того, в эту библиотеку Core ML включены модели для классификации и идентификации объектов. Язык «R» является бесплатным инструментом статистической обработки с открытым кодом, доступным на сайте проекта CRAN, он позволяет подключить библиотеки Tensor Flow или Keras. Руководства, как начать исследование в этой области, также доступны [11]. Существуют открытые базы данных региональных регистров, которые можно использовать для машинного обучения [40]. Во-вторых, появился ИИ для клинического использования. В апреле 2018 года IDx-DR стала первым продуктом, разрешенным к маркетингу Американским управлением по контролю за продуктами питания и лекарствами (FDA), который допущен к интерпретации изображений без необходимости участия врача. Это позволяет использовать его учреждениями здравоохранения, которые обычно не занимались офтальмологией [48]. В феврале 2018 года FDA разрешила к маркетингу программное обеспечение для поддержки клинического решения для оповещения о возможном остром нарушении мозгового кровообращения у пациентов [49]. OsteoDetect — это диагностическое программное обеспечение, которое использует алгоритмы ИИ для анализа двухмерных рентгеновских снимков о признаках перелома костей, в частности лучевой кости, частой локализации перелома в области запястья. Программа маркирует расположение перелома на снимке и помогает медицинскому работнику в обнаружении и постановке диагноза. Программа также одобрена FDA 24 мая 2018 года [50]. Среди российских систем ИИ для поддержки клинических решений можно выделить систему автоматического нахождения и классификации образов спектрограмм комбинационного рассеяния света (раман-спектроскопии) для детекции и классификации опухолевой и неопухолевой ткани со специфичностью и чувствительностью более 92 %. Для решения поставленной задачи в качестве искусственной нейронной сети авторы использовали двуслойный персептрон на базе Tensor Flow [51]. Среди российских разработок следует отметить систему «третье мнение» (https://3opinion.ru/ru/) которая заявлена авторами как «Первая медицинская нейросеть, которая выявляет патологические состояния на уровне ведущих специалистов, учится непрерывно 24 часа в сутки, не устает и не болеет» [52].

Будущее…

Наиболее фантастическим использованием искусственного интеллекта в медицине был бы перенос человеческого разума из больных и смертных человеческих тел в системы, которые легко чинить, улучшать и соединять между собой. Гипотетически возможность сканирования нейронов, синапсов и их моделирование с воссозданием в машине не противоречит законам природы. Кремний находится в одном столбце таблицы Менделеева с углеродом и имеет много общих свойств. Возможно, с развитием технологий кибернетических организмов, когда-нибудь, мы выделим углеродную и кремниевую формы жизни.

Заключение

Онкология и лучевая диагностика являются отраслями, где интерес в разработке систем, использующих методологию искусственного интеллекта, лидирует. В последние два-три года появились инструменты, доступные как для обычных врачей, так и для ученых, позволяющие пользоваться этой технологией. Американское управление по контролю за пищевыми продуктами и лекарственными препаратами одобрило ряд приложений к клинической практике. Это еще одна перемена, которая затронула не только ученых, но и практиков. Большинство таких приложений используются для анализа медицинских изображений и демонстрируют сравнимую точность со специалистом человеком. Мы должны помнить слова Далай ламы: «Технологии значительно улучшили человеческие способности. Они сделали проще многое. Но технология не может создавать сострадание». Кому мы бы доверили клиническое решение: машине, которая делает меньше ошибок, но не несет ответственности, или человеку, который может сделать больше ошибок, но…

Литература

1. Ожегов С.И., Шведова Н.Ю. Толковый словарь русского языка. 4-е изд. М., 1997–1999.
2. Stevenson A. (ed.) Oxford Dictionary of English. Oxford University Press, 2010.
3. Kruger J., Dunning D. Unskilled and unaware of it: how difficulties in recognizing one’s own incompetence lead to inflated self-assessments. J Pers Soc Psychol. 1999;77(6):1121–34. PMID: 10626367

Полный текст статьи с таблицами, графиками и полным списком литературы доступен по ссылке: https://www.surgonco.ru/jour/article/view/334/306

Источник: m.vk.com

Комментарии: