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 машинное обучение (Machine Learning, ML), генеративно-состязательные сети (Generative Adversarial Networks, GAN), градиентный бустинг (Gradient-boosted-tree models, GBM), глубокое обучение с подкреплением (Deep Reinforcement Learning, DRL) и т.д.
Бизнес, технологический сектор, а также здравоохранение — это те области, где ИИ особенно востребован. Давайте посмотрим, как инструменты AI/ML способны повлиять на качество оказания медицинских услуг.
Прим.: Cloud4Y подготовил статью из трёх частей, посвящённых связке ИИ и медицины. Первые две рассказывают о способах использования технологии, а третья посвящена проблемам, которые возникают при реализации этой идеи. Идея использования искусственного интеллекта в медицине восходит к 1972 году, когда заработал MYCIN Стэнфордского университета. Это была программа-прототип ИИ, используемая для изучения вопроса заражения крови. Ранние исследования ИИ продолжались в основном в американских учреждениях (совместно работали MIT-Tufts, активно развивали технологию в Стэнфорде и Ратгерском университете. В 1980-х годах Стэнфордский университет продолжил свою работу в области искусственного интеллекта в рамках проекта «Медицинский экспериментальный компьютерно-искусственный интеллект в медицине» ( SUMEX-AIM). Благодаря росту вычислительной мощности и появлению новых технологий искусственного интеллекта, работа в этом направлении стала намного более активной. Регулярно появляются новости об очередном научном открытии, сделанном с помощью нейросетей и машинного обучения. Что интересного можно рассказать о возможностях и перспективах ИИ в медицине на сегодняшний день?
ИИ в радиологии
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).
ИИ в патологии
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%.
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.
Хирургические роботы-ассистенты
Уже сейчас многие операции проводятся с помощью компьютерного зрения и манипуляторов, которыми управляет хирург. Это значимая часть развития медицинских технологий, нивелирующая фактор человеческой усталости и повышающая эффективность процедур. Роботы с ИИ способны здорово помочь обычным хирургам. Например:
Контролировать работу врача, выполняя роль страховки на случай невнимательности;
Улучшать видимость для хирурга, напоминать ему о последовательности действий во время процедуры;
Создавать точные, минимально инвазивные разрезы тканей;
Снижая уровень боли для пациента за счёт подбора оптимальной геометрии разреза и накладываемого шва.
Но для успешной реализации такого проекта необходимо накопить опыт. Разработать ПО для взаимодействия робота и хирурга. Собрать массив информации, основанной на реально проведённых операциях (как с участием только людей, так и связки человек+робот).
Хорошим вариантом может стать генерация компьютером пространства виртуальной реальности для управления действиями хирурга в режиме реального времени. Также можно использовать телемедицину и удалённую хирургию для проведения относительно несложных операций.
