Серьезный вызов для современного здравоохранения во всех странах мира — это кадровый вопрос, и особенно во время эпидемий: тогда больницы и поликлиники настолько перегружены, что медработники сами нуждаются в помощи. И здесь на подмогу врачам приходят алгоритмы искусственного интеллекта. Сегодня они способны диагностировать множество заболеваний, распределять потоки пациентов, ухаживать за ними, а также помогать лечащим врачам принимать правильные и своевременные решения.

Как нейросети, предиктивная и видеоаналитика используются в больницах — в новой статье цикла Naked Science про ИИ и его влияние на наше общество.

Великий уравнитель

Один из создателей метода обратного распространения ошибки Джеффри Хинтон (подробнее о нем и его идеях — «Грезы о весне искусственного интеллекта») не так давно заявил, что «медицинским институтам пора прекратить выпускать рентгенологов». Инженеры часто отличаются неумеренным энтузиазмом и слабой чувствительностью к социальной озабоченности перед внедрением технологий. Врачей отменить невозможно, разумеется, ведь взгляд и опыт хорошего клинициста-человека просто необходимы. Однако Хинтон прав в том, что современные алгоритмы способны очень эффективно помогать врачу справляться с некоторыми задачами медицинской диагностики.

Автоматизация рутинных процессов и модели искусственного интеллекта в больницах способны решить много проблем сразу. С одной стороны, разгрузить врачей от рутинных задач и способствовать повышению точности диагнозов. С другой — стандартизировать медицинские услуги, сделав их качественнее и быстрее, одновременно скорректировав региональное и имущественное неравенство.

Флюорограмму или запись ЭКГ можно сделать хоть в приполярном городке, а потом выслать по электронной почте туда, где система на основе искусственного интеллекта даст такой же по качеству диагноз, как консилиум из трех авторитетных врачей. Однако окончательный диагноз в любом случае должен будет подтвердить специалист, но теперь у него будет надежное второе мнение от ИИ.

Хирург с помощью 5G связи делает дистанционную операцию / Фото: interestingengineering.com

Медсестрам и санитаркам намного легче работать с видеоаналитикой и датчиками удаленного мониторинга — одна медсестра способна контролировать множество пациентов и оперативно оказывать помощь тем, кому она требуется в первую очередь. Сверхточными роботами-хирургами во время операций могут управлять по связи 5G лучшие люди-хирурги мира, осуществляя сложные операции за тысячи километров от места своего фактического пребывания. Технологии впервые в истории способны уравнять людей в главном вопросе — поддержании здоровья и долголетия.

Изображая звуки

Точкой отсчета здесь можно считать номер авторитетного научного журнала Nature от 2 февраля 2017 года. На его обложку редактор вынес исследование о диагностике рака кожи с помощью глубокого обучения. Натренированная на датасете из 130 тыс. изображений модель ставила диагноз не хуже, а в ряде случаев и гораздо точнее, чем контрольная группа медиков. С тех пор минуло всего пять лет, но прогресс в области медицинской диагностики произошел просто ошеломительный.

Журнал Nature от 2 февраля 2017 года / ©Nature

Одна из самых первых поставленных и наиболее эффективно решаемых ИИ задач — классификация изображений, в том числе медицинских. К последним относятся рентгенограммы, снимки, полученные в ходе компьютерной томографии (КТ), ультразвуковых исследований (УЗИ), магнитно-резонансной томографии (МРТ).

Кроме того, как это поначалу ни прозвучит удивительно, в изображения можно превращать и изначально не визуальную информацию. Причем это далеко не только записи кардиограмм, электроэнцефалограмм и другой функциональной активности отдельных органов и их систем, но и, например, звуки.

Хорошей иллюстрацией, хотя и касающейся здоровья не людей, а птиц, может послужить пример одной крупной птицефабрики в Гонконге. Ученые записывали куриный гвалт в ангарах, где выращивают цыплят. Затем его преобразовывали в спектрограммы — изображения, показывающие, как меняется мощность сигнала на разных частотах. А полученные картинки, в свою очередь, обрабатывали с помощью сверхточной нейронной сети на 9,7 миллиона параметров. Модель научилась с точностью 97 процентов определять сигналы стресса и нехватки пищи у цыплят, что позволило ветеринарам вовремя оказывать поддержку птицам и сэкономило владельцам компании миллионы юаней.

Что хорошо для куриц, то может быть еще лучше для человека. В 2021 году разработчики «СберМедИИ» выпустили приложение AI Resp, которое анализирует звуки дыхания и кашля, а затем за минуту определяет в них особенности, характерные для больных новой коронавирусной инфекцией. Лежащая в его основе нейросетевая модель была обучена более чем на трех тысячах анонимных записей пациентов, больных COVID-19, а точность ее работы на момент запуска достигала 82 процентов. Уже в 2022 году приложение получило премию Digital Communications AWARDS, а эксперты отметили, что развитие подобных инструментов способствует самодиагностике среди широких слоев населения, раннему выявлению заболеваний и, следовательно, более эффективному их дальнейшему лечению и предотвращению распространения вирусов.

Дьявол в деталях

Возвращаясь к собственно медицинским изображениям, важно отметить, что навык определения по малозаметным деталям патологических процессов и образований вырабатывается у врачей-диагностов благодаря долгому обучению и клинической практике. Чем значительнее опыт у доктора, тем больше он «видит». Однако диагностическое заключение нередко основывается еще и на контексте — информации от пациента об обстоятельствах травмы или болезни, которая иногда отсутствует, а в ряде случаев может ввести в заблуждение.

Эрик Тополь, практикующий кардиолог, профессор геномики и директор Института трансляционных исследований Скриппса (Ла-Холья, Калифорния) приводит следующие данные: ложноположительные оценки встречаются в двух процентах исследований. И здесь на помощь вновь придут системы искусственного интеллекта — они не устают и всегда внимательны. Они способны быстро обрабатывать большое количество информации и находить закономерности, не всегда доступные человеческому глазу. При этом для их обучения можно использовать опыт сразу нескольких лучших людей-диагностов. Здесь кроются как огромные возможности, так и самые большие проблемы диагностических моделей.

Как известно, чтобы натренировать модель, нужна большая обучающая выборка — размеченный датасет. Если для определения на фотографии мотоциклов разметить данные — указать на нескольких сотнях или даже тысячах изображений мотоциклы — задача, доступная любой скучающей домохозяйке (многие из них, кстати, так и подрабатывают на сервисах типа «Яндекс.Толока» или TagMe от «Сбера»), то с рентгенограммами все уже гораздо труднее.

«Прочитать» и понять такие данные может теперь не только врач, но и нейросеть / ©Getty images

Во-первых, разметить снимок может только квалифицированный врач с соответствующей специализацией, что сильно повышает стоимость подготовки тренировочного датасета. Во-вторых, диагностика все же в немалой степени искусство, а не только наука, поэтому среди врачей высок субъективизм оценок. Три доктора могут разметить одну и ту же единицу данных по-разному — ведь у каждого собственный опыт, мнение и образование. В-третьих, контекст может вести как к ошибочным суждениям, так и, наоборот, помогать в постановке диагноза. При разметке из-за жестких требований к анонимизации данных врачи лишены не только сведений из истории болезни, но даже указаний на пол и возраст пациента (вот, например, здесь описаныhttps://tele-med.ai/media/documents/21_Эталонные_медицинские_датасеты.pdf правила такой разметки).

Тем не менее при соответствующих затратах сформировать большой и качественный тренировочный датасет возможно. Однако это самые дорогие из возможных данных, и собирать их могут себе позволить лишь крупные компании или ученые в университетах на гранты от государства или частных меценатов. Из-за высокой стоимости и трудностей сбора медицинские датасеты очень ценятся, и любые инициативы по их передаче в общий доступ всячески приветствуются.

Отечественные алгоритмы

В России серьезных успехов в сборе подобных данных и разработке эффективных диагностических алгоритмов искусственного интеллекта добились сразу несколько компаний.