Перспективы использования ИИ для помощи терапевтам

В 2018 году в Пекине врачи соревновались с компьютерами с ИИ в диагностике болезней по магнитно-резонансной томографии человеческого мозга. Тогда люди проиграли. Mark Schiefelbein/Associated Press

Автор: Кэйд Метц

Каждый год миллионы людей выходят из кабинетов врачей с ошибочным диагнозом. Терапевты стараются придерживаться систематического подхода при диагностике болезней и состояний, но иногда в их суждения закрадываются субъективные ошибки. Не принимаются во внимание альтернативы.

Недавно группа исследователей из Соединенных Штатов и Китая испытала потенциальное решение для уменьшения человеческого фактора — искусственный интеллект.

В статье, опубликованной в Nature Medicine, ученые сообщили о том, что они создали систему, которая автоматически диагностирует распространенные детские заболевания  — от гриппа до менингита — после анализа симптомов пациента, истории болезней, результатов лабораторных исследований и других клинических данных.

По словам исследователей, система показала высокую точность и когда-нибудь сможет помогать врачам в диагностике сложных или редких заболеваний.

В исследовании были использованы медицинские записи почти 600 000 китайских пациентов, которые посещали детские больницы за период в 18 месяцев — обширный массив данных, на которых обучалась новая система, подчеркивает ведущую роль Китая во всемирной гонке систем искусственного интеллекта.

Из-за огромного населения, а также из-за того, что законы о защите персональной информации не так сильно ограничивают использование цифровых данных, китайским компаниям и исследователям проще строить и обучать системы «глубинного обучения», которые с большой скоростью изменяют траекторию системы здравоохранения.

Не так давно президент США Дональд Трамп подписал приказ, который должен ускорить внедрение ИИ в правительстве, образовательном сообществе и промышленности Соединенных Штатов. В рамках этой «Американской инициативы по ИИ» администрация будет рекомендовать федеральным агентствам и университетам делиться данными, которые могут способствовать развитию автоматических систем.

Сбор данных в системе здравоохранения — особенно сложная задача. В то время как исследователи посетили одну китайскую больницу и собрали там все необходимые им данные для разработки своей системы на основе искусственного интеллекта, получить такие данные в американских учреждениях не всегда так легко.

«Надо посещать много разных мест», — говорит д-р Джордж Ших, доцент клинической радиологии медицинского центра «Уэйл Корнелл» и сооснователь MD.ai, компании, которая помогает исследователям маркировать данные для служб ИИ. «Везде стоит разное оборудование. Надо обязательно анонимизировать данные. Даже если удается получить разрешение, надо проделать огромную работу».

После переформатирования интернет-сервисов, потребительских приборов и беспилотных автомобилей в начале десятилетия, глубинное обучение стремительно проникает во многие ниши здравоохранения. Многие организации, включая Google, разрабатывают и тестируют системы, которые анализируют электронные медицинские карточки с тем, чтобы сообщать о таких заболеваниях, как остеопороз, диабет, гипертензия и сердечная недостаточность.

Создаются похожие технологии для автоматического распознавания признаков болезней и нарушений по результатам рентгенологических исследований, магнитно-резонансной томографии и сканирования сетчатки глаза.

Новая система работает на основе нейронной сети, подвиде искусственного интеллекта, который ускоряет развитие множества сфер — от здравоохранения и беспилотных автомобилей до применения военными. Нейронная сеть способна обучаться по большому счету самостоятельно, анализируя большие объемы данных.

Благодаря новым технологиям д-р Канг Жанг, руководитель отдела офтальмологической генетики Калифорнийского университета, г. Сан-Диего, создал системы, которые могут анализировать сетчатку глаза на предмет истечения крови, повреждений и других признаков диабетической слепоты. В идеале подобные системы будут использоваться в качестве первой линии обороны, для проведения скрининга пациентов и отбора тех, кому необходимо уделить внимание.

Сейчас д-р Жанг со своими коллегами создали систему, которая способна диагностировать даже более широкий спектр заболеваний путем распознавания характера текста, а не только медицинской визуализации. Это может увеличить возможности каждого отдельного врача, говорит он.

«В некоторых ситуациях терапевты не могут учитывать все возможности», — заявил ученый. «Система может делать точечные проверки, с тем чтобы врач чего-либо не упустил».

Экспериментальная система проанализировала электронные медицинские записи почти 600 000 пациентов Женского и детского медицинского центра Гуанчжоу на юге Китая, обучаясь связывать распространенные патологические состояния со специфической информацией о пациентах, которую собирают врачи, медсестры и другие технические сотрудники.

Сначала группа подготовленных терапевтов провела аннотацию больничных записей, расставляя маркировку, которая идентифицирует информацию, связанную с определенными заболеваниями. Затем система проанализировала маркированные данные.

После этого в нейронную сеть добавили новую информацию, включая симптомы пациентов, выявленные во время медицинского обследования. Вскоре она смогла самостоятельно выстраивать связи между письменными записями и наблюдаемыми симптомами.

Во время проверки на немаркированных данных, программа смогла работать наравне с опытными терапевтами. Она была способна диагностировать астму с точностью более 90 процентов, в то время как точность терапевтов в исследовании колебалась в пределах 80-94 процентов.

Система показала точность 87 процентов в диагностике заболеваний пищеварительной системы, по сравнению с точностью врачей 82-90 процентов.

Благодаря способности распознавать характеристики данных, на которые люди никогда бы не обратили внимание, в определенных ситуациях нейронные сети могут оказаться невероятно мощным инструментом. Но даже экспертам сложно понять, почему такие сети принимают определенные решения и каким образом они самостоятельно обучаются.

Из-за этого необходимо проводить расширенное тестирование, чтобы доказать врачам и пациентам надежность подобных систем.

По словам экспертов, сейчас для системы д-ра Жанга необходимо провести дополнительные клинические испытания, учитывая сложность в истолковании решений, которые принимают нейронные сети.

«Медицина — это сфера, которая развивается медленно», — говорит Бен Шикел, исследователь Университета Флориды, который специализируется на использовании глубинного обучения для здравоохранения. «Никто просто так не станет внедрять технические новшества без жестких проверок, которые точно покажут, что к чему».

Могут пройти годы, прежде чем системами глубинного обучения будут оснащены кабинеты неотложной помощи и клиники. Но некоторые из них ближе к реальному использованию чем другие: Сейчас Google проводит клинические исследования своей системы сканирования роговицы глаз в двух больницах южной Индии.

Инструменты диагностики, использующие глубинное обучение, вероятнее всего, будут развиваться за пределами Соединенных Штатов, говорит д-р Жанг. Автоматизированные системы скрининга могут быть особенно полезными в тех местах, где не хватает врачей, включая Индию и Китай.

Система, построенная д-ром Жангом и его коллегами, смогла использовать большой массив данных, собранных в больнице Гуанчжоу. Подобные массивы данных из американских больниц, как правило, меньше по объему, так как в стране среднестатистическая больница меньше, а также потому что законодательство затрудняет сбор данных из разных учреждений.

Д-р Жанг говорит, что во время нового исследования они с коллегами принимали меры предосторожности для защиты персональных данных. Но он признал, что в Китае у исследователей есть преимущество, когда дело касается сбора и анализа данных подобного вида.

“Есть большая разница в самом размере населения, в объеме данных”, — говорит он.

Источник — ссылка.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *