Перспективи використання штучного інтелекту для допомоги терапевтам

У 2018 році в Пекіні лікарі змагалися з комп’ютерами зі штучним інтелектом у діагностиці хвороб за результатами магнітно-резонансної томографії людського мозку. Того разу люди програли. Mark Schiefelbein/Associated Press

Щороку мільйони людей виходять з кабінетів лікарів з помилковим діагнозом. Терапевти намагаються дотримуватися системного підходу при діагностиці хвороб і медичних проблем, але іноді у їх судження закрадаються суб’єктивні помилки. Не завжди приймаються до уваги альтернативи.

Нещодавно група дослідників зі Сполучених Штатів і Китаю випробувала потенційне рішення для зменшення людського фактору – штучний інтелект.

У статті, опублікованій в Nature Medicine, вчені повідомили про те, що вони створили систему, яка автоматично діагностує поширені дитячі захворювання – від грипу до менінгіту – після аналізу симптомів пацієнта, історії хвороб, результатів лабораторних досліджень та інших клінічних даних.

За словами дослідників, система показала високу точність і колись зможе допомагати лікарям у діагностиці складних або рідкісних захворювань.

У дослідженні було використано медичні записи майже 600 000 китайських пацієнтів, які відвідували дитячі лікарні за період 18 місяців – великий масив даних, на яких навчалася нова система, підкреслює провідну роль Китаю у всесвітніх перегонах систем штучного інтелекту.

Завдяки величезному населенню, а також через те, що закони про захист персональної інформації не так сильно обмежують використання цифрових даних, китайським компаніям і дослідникам простіше будувати і навчати системи “глибинного навчання”, які з великою швидкістю змінюють траєкторію системи охорони здоров’я.

Не так давно президент США Дональд Трамп підписав наказ, який повинен прискорити впровадження ШІ в уряді, освітньому співтоваристві та промисловості Сполучених Штатів. В рамках цієї “Американської ініціативи щодо ШІ” адміністрація рекомендуватиме федеральним агентствам і університетам ділитися даними, які можуть сприяти розвитку автоматизованих систем.

Збір даних в системі охорони здоров’я – особливо складне завдання.

У той час як дослідники відвідали одну китайську лікарню і зібрали там всі необхідні їм дані для розробки своєї системи на основі штучного інтелекту, отримати такі дані в американських установах не завжди так легко.

“Треба відвідувати багато різних місць”, – говорить д-р Джордж Ших, доцент клінічної радіології медичного центру “Уейл Корнелл” і співзасновник MD.ai, компанії, яка допомагає дослідникам маркувати дані для служб ШІ. “Усюди стоїть різне устаткування. Потрібно обов’язково анонімізувати дані. Навіть якщо вдається отримати дозвіл, потрібно виконати величезну роботу “.

Після переформатування інтернет-сервісів, споживчих приладів і безпілотних автомобілів на початку десятиліття, глибинне навчання стрімко проникає в численні ніші охорони здоров’я. Багато організацій, включаючи Google, розробляють і тестують системи, які аналізують електронні медичні картки для того, щоб повідомляти про такі захворювання, як остеопороз, діабет, гіпертензія та серцева недостатність.

Створюються схожі технології для автоматичного розпізнавання ознак хвороб і порушень за результатами рентгенологічних досліджень, магнітно-резонансної томографії та сканування сітківки ока.

Нова система працює на основі нейронної мережі, підвид штучного інтелекту, який прискорює розвиток різноманітних сфер – від охорони здоров’я і безпілотних автомобілів до застосування військовими. Нейронна мережа здатна навчатися за великим рахунком самостійно, аналізуючи великі обсяги даних.

Завдяки новим технологіям д-р Канг Жанг, керівник відділу офтальмологічної генетики Каліфорнійського університету, м.Сан-Дієго, створив системи, які можуть аналізувати сітківку ока на предмет витікання крові, пошкоджень та інших ознак діабетичної сліпоти. В ідеалі подібні системи будуть використовуватися в якості першої лінії оборони, для проведення скрінінгу пацієнтів та відбору тих, кому необхідно приділити увагу.

Зараз д-р Жанг зі своїми колегами створили систему, яка здатна діагностувати навіть більш широкий спектр захворювань шляхом розпізнавання характеру тексту, а не тільки медичної візуалізації. Це може збільшити можливості кожного окремого лікаря, каже він.

“У деяких ситуаціях терапевти можуть не враховувати всі можливості”, – заявив учений. “Система може робити вибіркові перевірки, щоб лікар чогось не пропустив”.

Експериментальна система проаналізувала електронні медичні записи майже 600 000 пацієнтів Жіночого і дитячого медичного центру Гуанчжоу на півдні Китаю, навчаючись пов’язувати поширені патологічні стани зі специфічною інформацією про пацієнтів, яку збирають лікарі, медсестри та інші технічні співробітники.

Спочатку група підготованих терапевтів провела анотацію лікарняних записів, розставляючи маркування, яке ідентифікує інформацію, пов’язану з певними захворюваннями. Потім система проаналізувала марковані дані.

Після цього в нейронну мережу додали нову інформацію, включаючи симптоми пацієнтів, виявлені під час медичного обстеження. Незабаром вона змогла самостійно вибудовувати зв’язки між письмовими записами і симптомами, які можна спостерігати.

Під час перевірки на немаркованих даних, програма змогла працювати нарівні з досвідченими терапевтами. Вона була здатна діагностувати астму з точністю понад 90 відсотків, у той час як точність терапевтів у дослідженні коливалася в межах 80-94 відсотків.

Система показала точність 87 відсотків у діагностиці захворювань травної системи, у порівнянні з точністю лікарів 82-90 відсотків.

Завдяки здатності розпізнавати характеристики даних, на які люди ніколи б не звернули увагу, у певних ситуаціях нейронні мережі можуть виявитися неймовірно потужним інструментом. Але навіть експертам складно зрозуміти, чому такі мережі приймають певні рішення і яким чином вони самостійно навчаються.

Через це необхідно проводити розширене тестування, щоб довести лікарям і пацієнтам надійність подібних систем.

За словами експертів, зараз для системи д-ра Жанга необхідно провести додаткові клінічні випробування, враховуючи складність у тлумаченні рішень, які приймають нейронні мережі.

“Медицина – це сфера, яка розвивається повільно”, – говорить Бен Шикель, дослідник Університету Флориди, який спеціалізується на використанні глибинного навчання для потреб охорони здоров’я. “Ніхто просто так не стане впроваджувати технічні нововведення без жорстких перевірок, які точно покажуть, що до чого”.

Можуть пройти роки, перш ніж системами глибинного навчання будуть оснащені кабінети невідкладної допомоги та клініки. Але деякі з них стоять ближче до реального використання ніж інші: Наразі Google проводить клінічні дослідження своєї системи сканування рогівки очей у двох лікарнях південної Індії.

Інструменти діагностики, які використовують глибинне навчання, найімовірніше, будуть розвиватися за межами Сполучених Штатів, говорить д-р Жанг. Автоматизовані системи скрінінгу можуть бути особливо корисними у тих місцях, де не вистачає лікарів, включаючи Індію і Китай.

Система, побудована д-ром Жангом і його колегами, мала змогу використовувати великий масив даних, зібраних в лікарні Гуанчжоу. Подібні масиви даних з американських лікарень, як правило, менші за обсягом, адже в країні середньостатистична лікарня менша, а також тому що законодавство ускладнює збір даних з різних установ.

Д-р Жанг каже, що під час нового дослідження вони з колегами вживали заходів для захисту персональних даних. Але він визнав, що в Китаї у дослідників є переваги, коли справа стосується збору та аналізу таких даних.

“Є велика різниця в самому розмірі населення, в обсязі даних”, – каже він.

Джерело – посилання.

Залишити відповідь

Ваша e-mail адреса не оприлюднюватиметься. Обов’язкові поля позначені *