Сервис интеллектуального анализа и интерпретации маммограмм
Сервис для выявления заболеваний органов грудной клетки
Сервис для выявления признаков SARS-COV-2 и онкологии
Сервис для выявления признаков кровоизлияний в головной мозг
Технологии машинного обучения всё активнее проникают в повседневную жизнь, и мы даже не задумываемся о том, что нашу ленту в Instagram и других социальных сетях сформировал именно искусственный интеллект. Конечно, у него есть и более серьезные задачи — например, прогноз спроса на товары, распознавание лиц, отпечатков или голоса. Однако сложно представить более важную и перспективную сферу применения ИИ чем медицина. От нейросетей ждут серьезных достижений в этой области — это и диагностика различных заболеваний, и разработка новых лекарств, и новые методы лечения. Насколько эти ожидания оправданы? О том, как работают нейронные сети в медицине, и о конкретных системах помощи в принятии врачебных решений – рассказываем в этой статье.
Нейронная сеть — это программа для анализа данных, чаще всего разработанная для оптимизации того или иного рутинного процесса. Многие ассоциируют термины «искусственный интеллект» и «нейронная сеть» с работой человеческого мозга. Однако нейронная сеть — это в первую очередь софт, несмотря на некоторую схожесть процессов «обучения» нейронной сети и обучения человека.
Когда человек учится читать, он огромное количество раз сталкивается с каким-либо символом (буквой), учится складывать их в слоги, а слоги — в предложения. И лишь пройдя тысячи таких итераций, человек научится читать. Процесс обучения нейронной сети тоже невозможен без исходных данных: именно на них она учится решать ту или иную задачу.
На входной слой искусственных нейронов поступает информация, с которой в дальнейшем будет работать нейросеть. Посредством синапсов она передаётся следующему слою, при этом каждый синапс имеет свой коэффициент веса, а каждый следующий нейрон может иметь несколько входящих синапсов. В итоге информация, полученная следующим нейроном, представляет собой сумму всех данных, перемноженных на свой коэффициент веса.
Полученное значение подставляется в функцию активации, а она уже будет представлять собой выходную информацию, которая отправится дальше по слоям нейронной сети, пока не дойдет до выхода. Первая эпоха никогда не заканчивается успехом, для достижения достаточных метрик требуется их большее количество, которое зависит как от вида задачи, так и от данных и их качества
Технологии машинного обучения могут применяться при работе с различными видами информации. Наиболее широкое распространение нейросети в медицине получили именно в области работы с изображениями. Рабочие процессы медицинских учреждений неразрывно связаны со сбором, обработкой и анализом различных медицинских изображений: рентген, КТ, цифровые гистологические исследования и так далее.
Поднаправление искусственного интеллекта, которое занимается работой с изображениями и видеопотоком, получило название Computer Vision или компьютерное зрение. Это направление является наиболее перспективным в медицинской диагностике и скрининге патологий.
Сервисы с применением технологии компьютерного зрения разрабатываются по всему миру и помогают врачам выявлять признаки различных заболеваний, в том числе онкологии. Один из таких проектов — Цельс, разработка российской компании «Медицинские скрининг системы».
Рассмотрим подробнее, чем именно полезны сервисы с применением технологии компьютерного зрения, на примере системы для анализа медицинских изображений Цельс. На данный момент сервис работает по четырём направлениям диагностики — маммография, флюорография, компьютерной томография лёгких и гистология. Работа врача с системой происходит следующим образом:
Таким образом, основные задачи сервисов на основе технологий компьютерного зрения — облегчение рутинной работы врача, сокращение времени на исследование и как следствие более оперативная помощь пациенту.
Приведём ещё несколько примеров того, в каких сферах медицины может применяться машинное обучение, а также рассмотрим основные ограничения и сложности применения нейросетевых технологий в реальной клинической практике, которые мешают начать их массовое использование здесь и сейчас.
Анализ ДНК — ещё одно перспективное и активно развивающееся направление применения нейросетей. Например, инструмент, разработанный Университетом штата Мичиган, осуществляет генетические исследования и позволяет по геному человека установить его рост с точностью до трёх сантиметров, спрогнозировать развитие у него таких серьёзных заболеваний как рак, инсульт и инфаркт, выявить мутации, влияющие на плотность костной ткани, и даже предсказать уровень образования, которого может достичь человек.
Первым лекарством, созданным с помощью искусственного интеллекта и вышедшим на этап клинических испытаний, стал препарат DSP-1181. Он разработан компанией Exscientia совместно с японской фармацевтической компанией.
DSP-1181 является агонистом 5-HT1A рецептора серотонина и предназначен для лечения пациентов с обсессивно-компульсивным расстройством (ОКР). Обычно на разработку таких лекарств (этап Drug discovery) у исследователей уходит около пяти лет. Искусственный интеллект справился с этой задачей всего за год.
Первый этап клинических испытаний препарата был запланирован на март 2020 года. Пока нет информации о том, повлияла ли на эти планы пандемия COVID-19.
Рабочие процессы врача включают в себя не только консультации пациентов или проведение исследований. Значительная часть времени уходит на заполнение разного рода документации. С этой рутинной работой врачу также могут помочь нейросетевые технологии.
Программа Voice2Med экономит время врача благодаря голосовому заполнению медицинской документации. В сервис включены специализированные словари, что позволяет верно распознавать медицинские термины.
Первое препятствие связано не столько с применением медицинской нейросети, сколько с её разработкой. Для обучения искусственного интеллекта необходимо большое количество данных. В случае с анализом медицинских изображений требуются снимки с выполненной на них разметкой на объекты.
Существуют публично доступные датасеты (наборы данных), но использование большинства из них допускается только в некоммерческих целях. К тому же, разметка на них может быть разной — и не всегда подходящей под конкретную задачу.
Именно поэтому разработчикам не обойтись без сбора собственных датасетов для обучения своей модели. А это, в свою очередь, требует непосредственного участия врачей. Впрочем, их участие требуется не только в сборе и разметке данных, но и на других этапах разработки. Без обратной связи продукт будет «оторван» от реальной клинической практики и не сможет в достаточной степени учитывать специфику работы врачей.
Ещё одно препятствие касается процесса внедрения уже готового продукта в рабочие процессы медицинских учреждений: это отсутствие в законодательстве конкретных стандартов, регламентирующих применение таких технологий в медицине. Но работа в этом направлении ведётся — уже разработана первая редакция проекта национального стандарта ГОСТ Р для искусственного интеллекта в здравоохранении. После утверждения он будет регулировать клинические испытания медицинских ИИ-систем в России.