Автор оригинала: altexsoft.com. Перевод: Куцев Роман. «Симптомы никогда не лгут», — так сказал самый блестящий диагност, доктор Хаус, который, увы, существует только в телесериале. В реальной жизни симптомы часто нелегко обнаружить даже лучшим специалистам, а ошибочные диагнозы признаны самыми частыми и опасными медицинскими ошибками: с теми или иными ошибочными диагнозами сталкиваются ежегодно от 12 до 18 миллионов жителей США.

Есть надежда, что искусственный интеллект (artificial intelligence, AI) и машинное обучение (machine learning, ML) смогут в будущем изменить эту тревожную ситуацию. В этой статье рассматриваются самые успешные примеры использования машинного обучения в диагностике, подчёркивается его потенциал и описываются современные ограничения.

AI в выявлении заболеваний: текущая ситуация

В 2016 году известный специалист по computer science Джеффри Хинтон, которого часто называют «крёстным отцом глубокого обучения», предсказал, что радиологи (специалисты, диагностирующие заболевания по рентгенограммам, снимкам компьютерной и магниторезонансной томографии) вскоре потеряют свою работу.

«Нам прямо сейчас надо перестать обучать радиологов. Очевидно, что через пять лет глубокое обучение будет справляться лучше, чем люди», — заявил он.

Шесть лет спустя глубокое обучение по-прежнему остаётся самой многообещающей и широко используемой техникой ML, для радиологии в частности и для выявления заболеваний в целом. Это неудивительно, ведь диагностическая визуализация преобладает в клинической диагностике, а распознавание изображений является естественной областью работы для алгоритмов глубокого обучения. Это то, с чем они справляются лучше всего.

Однако не менее очевидно и то, что машины всё ещё не могут заменить живых специалистов. «Мы видим, что глубокое обучение используется в помощь врачам или для предварительного выбора и расстановки приоритетов в случаях, когда в очереди находится много пациентов», — рассказывает о текущей ситуации консультант по здравоохранению из Conclusion Эрвин Бретшер, который среди прочего консультирует компании по искусственному интеллекту.

Существует множество стимулов, подталкивающих к использованию глубокого обучения в радиологии и в других диагностических практиках:

• Продолжающийся рост вычислительных мощностей и технологий хранения.
• Снижение стоимости оборудования.
• Повышение стоимости здравоохранения.
• Нехватка медицинского персонала.
• Изобилие медицинских данных для обучения моделей. Только в одних США ежегодно создаётся 60 миллиардов радиологических снимков, не говоря уже о других данных.

Сегодня большинство алгоритмов глубокого обучения дополняет процесс диагностирования, но ни в коем случае не заменяет живых специалистов. Ниже мы изучим самые многообещающие способы применения AI в здравоохранении и покажем примеры решений на основе ML, коммерчески используемых в Северной Америке (с одобрения FDA), в Европе (в соответствии с требованиям ЕС) или на обоих рынках.