Искусственный интеллект в здравоохранении. Лучшие решения

16 Apr 2019
966
Прослушать

Шумиха вокруг технологий искусственного интеллекта (artificial intelligence, AI) не утихает, о решениях для здравоохранения на базе AI мы писали уже неоднократно и сегодня мы решили представить вам обзор нескольких лучших, по нашему мнению, систем.

Отметим сразу, что термин "искусственный интеллект" несколько вводит "публику" в заблуждение, поскольку AI подразумевает гораздо более развитую технологию, чем то, что существует в настоящее время. В лучшем случае современные методы машинного обучения способны выполнять узкие задачи, это означает, что алгоритмы могут распознавать шаблоны в тексте или изображениях или извлекать смысл из нескольких предложений целых документов. Пока мы далеки от такого уровня искусственного интеллекта, когда машина способна выделять идею на основе ограниченного опыта и использовать знания, полученные в одной сфере, в другой области.

Тем не менее, два основных направления использования AI - обработка естественного языка и компьютерное зрение - развиваются с невероятной скоростью. Последнее имеет решающее значение для диагностики в здравоохранении, так как основано на распознавании образов. В настоящее время множество алгоритмов обучены классифицировать различные структуры, которые можно увидеть на медицинских изображениях, и тем самым помочь врачам диагностировать заболевания.

Но подобные системы имеют свои ограничения. Во-первых, используемые для разработки алгоритмов медицинские данные, как правило, поступают из развитых стран и специфичны именно для них, кроме того, при создании самого алгоритма используются субъективные предположения рабочей группы. Во-вторых, прогностическая способность "умных" алгоритмов основана на анализе предыдущих случаев, однако они могут оказаться бесполезными при появлении, например, новых побочных эффектов, вызванных лекарственными препаратами, или при возникновении устойчивости к лечению.

Наконец, большая часть алгоритмов была разработана путем "тренировки" на наборах данных, полученных из различных медицинских учреждений, и системы, как правило, используются без воспроизведения конкретных клинических условий и учета региональных, социальных и других особенностей.

Это, к сожалению, снижает практическую ценность таких решений. Тысячи пациентов приходят в больницу с тысячами симптомов и описывают схожие или одинаковые состояния по-разному. Таким образом, результаты AI-исследований, проведенных по наборам учебных данных, могут не отражать того, что произойдет в реальной жизни. В публикациях часто упускают эти ограничения, представляя AI-решения как "волшебное средство", решающее многие проблемы в здравоохранении. Но это пока не так.

Поэтому представляя вам несколько лучших решений в этой сфере, мы просим вас все-таки учитывать все эти ограничения.

  1. Выявление мутаций ДНК в раковых опухолях.

Одна из причин, почему так трудно лечить рак, заключается в том, что злокачественные опухоли могут мутировать и изменяться. При этом трансформируется ДНК рака. Сегодня стал возможен генетический анализ опухолей и, кроме того, люди с помощью компьютерных средств начали анализировать данные, чтобы выяснить, какие именно генетические изменения происходят. Для повышения точности такого анализа ученые из Personal Genomic Diagnostics (США) разработали новый метод на базе алгоритма машинного обучения, автоматизирующий процесс диагностики ДНК опухолей и повышающий точность идентификации мутаций в раковых тканях.

  1. Предсказание сердечного приступа или инсульта

Исследователи из Ноттингемского университета в Великобритании создали систему, которая сканировала обычные медицинские данные пациентов и предсказывала, у кого из них будут инфаркты или инсульты в течение 10 лет. По сравнению со стандартным методом прогнозирования, основанным на хорошо известных факторах риска, таких как высокое кровяное давление, холестерин, возраст, курение и диабет, система смогла правильно диагностировать на 355 больше пациентов (всего были обследованы данные 5000 пациентов).

Это значительное достижение для системы искусственного дыхания, особенно если учесть, как трудно предсказать инфаркт миокарда и инсульт. Исследователи полагают, что алгоритм может быть использован в клинической практике в течение ближайших пяти лет.

  1. Точная диагностика рака кожи

Сегодня уже несколько исследовательских групп разработали интеллектуальные алгоритмы диагностики рака кожи. Но алгоритм на базе сверточной нейронной сети, созданный в Стэнфордском университете, вероятно, является наиболее надежным на сегодняшний день. Он прошел обучение на более чем 1,28 млн. изображений и был доработан с помощью набора из почти 130 000 сканирований повреждений кожи от более чем 2000 заболеваний. Это самый обширный набор данных, который используется для автоматизированной классификации рака кожи на данный момент. При сравнении с 21 опытными дерматологами алгоритм показал точно такой же результат при диагностике разных видов рака, работая при этом существенно быстрее.

  1. Контроль пациентов в отделении интенсивной терапии

Пациенты в реанимации находятся под наблюдением 24 часа в сутки с помощью целой армии приборов. Все эти мониторы, контролируют различные жизненно важные показатели пациента. Тем не менее, эти приборы обычно не подключены в сеть и представляют собой изолированные друг от друга устройства.

Американская компания Autonomous Healthcare разрабатывает решение, которое ставит перед собой цель изменить именно эту ситуацию. Это будет система для реанимации на базе AI-технологий, постоянно считывающая и анализирующая данные всех приборов у постели больного, объединяющая показатели, реагирующая на ухудшение состояния и тщательно регулирующая лечение.

  1. Определение риска заболевания раком груди

Как и в случае со многими другими видами рака, ранняя диагностика рака груди может спасти жизнь. Однако даже регулярное прохождение маммографии не гарантирует своевременности диагностики этого заболевания. Ученые из Калифорнийского университета в Сан-Франциско (США) разработали коммерческое программное обеспечение на базе AI-технологий для автоматической классификации плотности груди и, таким образом, обнаружения рака молочной железы. Тестирование показало, что эта система является таким же точным "диагностом", как и радиологи-люди. Этот алгоритм может помочь врачам в тех случаях, когда плотность молочной железы не позволяет поставить четкий диагноз.

  1. Диагностика рака шейки матки

Исследователи из американского Национального института рака разработали алгоритм, позволяющий точно определить предраковые изменения шейки матки на основе анализа медицинских изображений. Результаты тестирования свидетельствуют, что алгоритм по точности и скорости постановки диагноза превзошел экспертов-людей, анализирующих эти же файлы.

При разработке программы алгоритм был "натренирован" на 60 000 изображений, полученных в ходе скрининга на рак шейки матки, которое проводилось в Коста-Рике в 1990-х годах. Учитывая, что 9 400 женщин, принявших участие в исследовании, затем наблюдались врачами в течение 18 лет, исследователи получили почти полную информацию о том, какие изменения шейки матки стали предраковыми, а какие - нет.

В настоящее время исследователям необходимо уточнить алгоритм с учетом особенностей проявления рака шейки матки в разных регионах мира, поэтому они надеются получить репрезентативные наборы данных из различных стран, прежде чем можно будет использовать это решение в клинической практике

  1. Предсказание риска самоубийства.

Специалисты из Медицинского центра Университета Вандербилта в Нэшвилле (США) разработали систему искусственного интеллекта, направленную на раннее выявление депрессивного поведения и снижение вероятности возникновения тяжелых психических заболеваний.

Алгоритм машинного обучения использует данные госпитализации, включая возраст, пол, место жительства, лекарства и историю болезни, чтобы предсказать вероятность того, что тот или иной человек покончит с собой. В ходе испытаний с использованием данных, полученных от более чем 5000 пациентов, которые были госпитализированы в больницу либо из-за членовредительства, либо из-за попыток самоубийства, алгоритм был на 84% точным при прогнозировании того, попытается ли кто-либо совершить самоубийство на следующей неделе, и на 80% точным при прогнозировании того, попытается ли кто-либо совершить самоубийство в течение следующих двух лет.

  1. Прогнозирование риска смерти госпитализированных пациентов

Ученые из Стэнфордского университета (США) разработали AI-систему, которая ставит своей целью идентификацию в больнице пациентов, которые нуждаются в специализированном уходе в связи с приближающейся смертью. Т.е. они создали алгоритм, который позволяет спрогнозировать приближение конца жизни тяжелобольных пациентов.

Программная система была "обучена" путем анализа диагнозов, рецептов, демографических данных и других факторов, которые можно найти в большом объеме данных - в электронных медицинских картах за период 3-12 месяцев до смерти пациентов. Пройдя обучение, алгоритм смог выделить еще живых пациентов в больничной системе, которые могут быть кандидатами на паллиативную помощь. Программа при этом не принимает решения, которые полностью остаются в ведении врачей - она только выдает прогноз выживаемости пациента, который может быть полезен медицинским специалистам.

  1. Постановка диагноза на основе чтения медицинских снимков

Израильская компания Zebra Medical Vision начала внедрение в израильских больницах своей платформы, которая способна автоматически обрабатывать медицинские изображения с помощью инструментов искусственного интеллекта AI1 (All-In-One). Система отличается тем, что она содержит целый пакет алгоритмов, позволяющих находить признаки различных тяжелых заболеваний. В частности, это рак молочной железы, кровоизлияния в мозг, переломы позвоночника, заболевания коронарных артерий, пневмоторакс в грудной клетке, остеопороз и др. Всего около десятка алгоритмов. Это программное обеспечение считывает данные компьютерной томографии, анализирует информацию и выдает результаты диагностики с точностью до 90%.

Все эти алгоритмы уже сертифицированы в Израиле и Европе, т.е. имеют разрешение на реальное использование в больницах и клиниках, что и позволяет выделить эту платформу среди прочих систем на базе искусственного интеллекта.