Будущее здравоохранения уже здесь: примеры реализованных проектов

Медицина сегодня — одна из сфер, наиболее остро заинтересованных в освоении новейших технологий. Краткий обзор достижений искусственного интеллекта в области охраны здоровья представил на 1134 заседании Московского общества урологов Степан Сергеевич Красняк, младший научный сотрудник отдела андрологии и репродукции человека НИИ урологии и интервенционной радиологии им. Н. А. Лопаткина.

Будущее здравоохранения уже здесь: примеры реализованных проектов
По материалам конференции в США «HLTH — The future of Healthcare»

Искусственный интеллект в офтальмологии

Как рассказал Степан Сергеевич, одно из интересных решений, предложенное сотрудниками Стэнфордского университета, касалось распознавания диабетической ретинопатии. На материале 128175 изображений сетчатки с участием 54 сертифицированных офтальмологов была обучена сверхточная нейронная сеть. В итоге она «научилась» распознавать это состояние лучше, чем сами врачи: если у них чувствительность при диагностике составляла 83,8%, а специфичность — 98,1%, то у нейронной сети — 97,5% и 93,4% соответственно. Показатель общей прогностической ценности (ОПЦ) у офтальмологов равнялся при этом 96,5%, а у машины — 99,8%.

В другой работе группа исследователей выяснила, что искусственный интеллект по изображению сетчатки может определить возраст пациента, его пол, индекс массы тела, систолическое и диастолическое артериальное давление в момент получения снимка, а также зафиксировать повышение уровня гликированного гемоглобина и наличие привычки к курению. Материал получен на основании 284335 изображений [1].

Нейросеть определяет меланому

Ещё одно важное исследование посвящено диагностике меланомы. Нейросеть обучалась на 127463 изображениях участков кожи при участии 21 сертифицированного дерматолога с различным уровнем опыта. Вслед за этим на 1942 тестовых изображениях сеть должна была отличить злокачественные кожные образования от доброкачественных [2]. В результате положительная прогностическая значимость диагностики (ППЗ) врача составила 86,6%, а нейросети — 95%. Эта разработка уже внедрена в практику телемедицины.

Признание искусственного интеллекта европейскими урологами

Достижения искусственного интеллекта применяются и в урологии. В частности, опубликована статья, посвящённая прогнозированию выживаемости пациентов с раком предстательной железы. Для этого применялся набор переменных, выявленных нейросетью на основании, так называемой, нечёткой логики — математического инструмента, способного учитывать промежуточные варианты в различных вопросах, а не только утверждение и отрицание. Таким образом, отобрав 10–20 переменных, при помощи этой технологии можно получить прогноз по выживаемости конкретного пациента с учётом всех его индивидуальных особенностей [3].

На минувшем конгрессе Европейской ассоциации урологов в Копенгагене проводилась постерная сессия, посвящённая применению искусственного интеллекта и нейронных сетей в урологии. Там была представлена работа из Японии по применению свёрточных нейросетей для диагностики опухолевых поражений простаты на предбиопсийных МРТ-изображениях. Точность определения составила 70% — небольшой показатель, по сравнению с остальными рассмотренными. Однако нужно учитывать, что нейросеть у японских исследователей обучалась лишь на 57 изображениях МРТ с наличием рака простаты и 26 контрольных. Это очень мало, поскольку для качественного обучения необходимо значительно большее число изображений.

Ещё один пример представили доктора из Китая: они обучили высокопроизводительную нейронную сеть распознавать опухоли на биопсийных изображениях предстательной железы. На основании 918 срезов от 283 пациентов была достигнута точность диагностики в 99,38% [4].

Модель «Живое сердце»

Другим интересным исследовательским направлением является компьютерное моделирование. В частности, французская компания Dassault Systemes представила недавно проект «Живое сердце». Объединив кардиографические, КТ- МРТ- и другие данные, разработчики создали реальную модель органа. Такую же модель сердца можно составить на базе данных любого пациента. Она может применяться, в частности, для моделирования лекарственных аритмий. Так, в эксперименте через 40 часов вычислений система смогла назвать риск развития аритмии у определённого пациента при назначении ему конкретного препарата. Также производилось моделирование гемодинамики после установки пациенту искусственного митрального клапана. В данный момент исследователи применяют свои наработки к созданию модели стопы.

Экосистема обработки медицинских данных

Широко известная сегодня технология — экосистема обработки медицинских данных IBM Watson health. Согласно опубликованным на сегодня данным, она в 93% случаев способна предугадать вариант лечения, предлагаемый междисциплинарным онкологическим консилиумом. Также в декабре 2017 года искусственный интеллект проранжировал 1500 белков с точки зрения их связи с боковым амиотрофическим склерозом (БАС). Для 8 белков из «верхней» выявленной десятки впоследствии была подтверждена связь с БАС, при этом 5 из них никогда ранее не ассоциировались с заболеванием. Вся операция заняла при этом всего несколько часов. В другом эксперименте, проанализировав 1018 историй болезни пациентов, Watson в 99% случаев предложил варианты лечения, аналогичные назначенным врачами. Однако для 300 больных он представил варианты, о которых лечащие доктора даже не задумывались. Также машина способна сократить время интерпретации полногеномного секвенирования глиобластомы со 160 человеко-часов до 10 минут.

Транспортировка и медицинская визуализация

От искусственного интеллекта Степан Сергеевич перешёл к более насущному вопросу транспортировки пациентов. К примеру, на территории США 3,6 млн человек ежегодно пропускают визит к врачу из-за отсутствия транспортных средств. Для борьбы с этой проблемой там открыта служба Uber Health. В числе её задач — доставка вакцин он гриппа в преддверии сезона высокой заболеваемости. Вместе с ними в труднодоступные районы приезжает средний медицинский персонал для проведения вакцинации. Другое направление работы сервиса — плановая медицинская транспортировка пациентов.

Новые технологии применяются и в сфере медицинской визуализации. Например, компания Arterys занимается моделированием изображений на КТ и МРТ. Один из примеров — трекинг патологических образований. К примеру, когда пациенту впервые делается КТ, система автоматически размечает патологические узлы. Далее, при следующем проведении КТ, искусственный интеллект отслеживает эти образования и сравнивает их объём с зафиксированным ранее. Таким образом, прослеживается динамика развития новообразований. Также на основании данных МРТ можно проследить аортальную гемодинамику в предельно сжатые сроки: если раньше процесс мог занимать у врача порядка 40 минут, то сейчас система способна справиться с этой задачей за 15 секунд.

Смартфон со стетоскопом и анализатор эмоций

Очень широкая область развития — компактные медицинские устройства и приложения для смартфонов. Например, Steth IO представляет собой чехол для мобильного телефона со встроенным в него стетоскопом, который фокусирует звук и направляет его в динамик мобильника. Таким образом можно записать визуализированные данные аускультации даже через одежду пациента. Устройство уже одобрено для использования американским Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов — FDA.

Также на рынке представлен носимый анализатор эмоций Feel. Его работа базируется на снимаемых показаниях электропроводимости и температуры кожи, ЧСС и вариабельности ритма. Устройство при этом выглядит как браслет. Зафиксировав резкую перемену в показаниях, система спрашивает у носителя, все ли с ним в порядке и не нужна ли экстренная помощь, а также предлагает простые методы успокоения типа дыхательной гимнастики. Такой гаджет может быть полезен для людей, страдающих, к примеру, депрессиями или паническими атаками.

Ещё одна система — BeyondVerbal — анализирует эмоции по голосу. По шкале от 1 до 100 она оценивает значимость объекта разговора для говорящего, степень возбуждения, характер высказывания (от мрачного до конфронтационного), а также определяет 11 вариантов настроения.

Анализ голоса — в принципе достаточно перспективное направление. Так, исследование, предпринятое в американской клинике Мэйо, ставило своей целью определение вероятности ишемической болезни на основании голосовых данных. Анализировались 3 записи от каждого пациента: в одной из них человек просто читал заготовленный текст, в двух других описывал случаи, связанные с позитивным и негативным эмоциональным опытом. Всего было отобрано 87 коэффициентов Фурье для частот чистых тонов, при этом выяснилось, что наличие одного из них повышает риск ишемии сердца в 4 раза [5].

Также по распределению пиков голосовых частот оказалась возможна диагностика аутизма у детей с чувствительностью 80%, специфичностью 90% и ППЗ 89% [6]. Как пояснил Степан Сергеевич, такая находка полезна для диагностики аутистических расстройств на ранних стадиях, что крайне важно для дальнейшей адаптации ребёнка.

Социальная поддержка

В заключение доктор напомнил, что здоровье человека во многом определяется так называемыми социальными детерминантами, среди которых уровень дохода, качество питания, уровень образования, доступ к медико-санитарной помощи, трудовая занятость, условия проживания и экологическая обстановка в месте обитания. В этой сфере достижения искусственного интеллекта также способны оказать человечеству немалую поддержку. Например, ресурс Healthify представляет собой платформу по управлению социальными детерминантами здоровья. Его поисковая система взаимодействует с различными объектами, предоставляющими ту или иную социальную поддержку: бесплатное питание, помощь по уходу за детьми и так далее. Также сервис предоставляет аналитическое данные с учётом множества факторов, оказывающих влияние на здоровье пользователя. С точки зрения Степана Сергеевича, эта платформа имеет большой потенциал для использования в государственных и социальных учреждениях.

Материал подготовила Ю.Г. Болдырева

Источники:

1. Ryan P. et al., Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning, Nature Biomedical Engineering, vol. 2, 2017: 158–164
2. Esteva A. et al., Dermatologist-level classification of skin cancer with deep neural networks, Naturе, 2017
3. Stankovic J., Stankovic M., Estimation of the Most Influential Factors for survival probability prediction of prostate cancer patients, Cancer Invest, 2017
4. Zhang C. et al., High accurancy and effectiveness with deep neural networks and artificial intelligence in pathological diagnosis of prostate cancer: initial results, Eur Urol Suppl, 2018
5. Maor E. et al., Voice signal characteristics are independently associated with coronary artery disease, Mayo Clin Proc, 2018
6. Booneh Y. S. et al., Abnormal Speech spectrum and increased pitch variability in young autistic children, Front Hum Neurosci, 2011