Искусственный интеллект может помочь в диагностике рака, но с определенными оговорками

Искусственный интеллект способен революционизировать здравоохранение. Машинное обучение, форма искусственного интеллекта, использующая алгоритмы для моделирования аспектов принятия человеком решений, в последние годы привлекло к себе большое внимание. Несмотря на то, что потенциал применения этой технологии в здравоохранении широк, многие недавние прорывы были сделаны в области диагностики на основе изображений.

Диагностика рака, особенно твердых опухолей, в значительной степени основывается на визуальной интерпретации гистологических слайдов патологоанатомами, которые используют свой опыт распознавания образов для постановки диагноза. Это сложный и трудоемкий навык для человека, но идеальная задача для технологии машинного обучения, которая может использовать для своего обучения тысячи или даже миллионы изображений за относительно короткий промежуток времени. Учитывая способность "учиться" на большом объеме данных, системы на базе технологии машинного обучения обещают обеспечить более быструю и последовательную диагностику рака.

Однако эта технология имеет существенные ограничения. Надежность алгоритмов зависит от достоверности данных, на которых они обучаются. При диагностике рака это означает зависимость от данных, которые правильно размечены на основе точных знаний о том, что такое рак, а что нет. К сожалению, среди патологоанатомов существуют разногласия относительно того, что такое рак. Многочисленные исследования показали, что диагностическое согласие среди патологоанатомов часто бывает неудовлетворительным в отношении различных типов опухолей, в том числе простаты, щитовидной железы, меланомы и молочной железы, особенно на ранних стадиях рака.

Отсутствие золотого стандарта в диагностике рака является хорошо известной проблемой, которая имеет важные последствия для использования диагностики на основе машинного обучения. Фактически эта технология может еще больше высветить эту проблему. Исследователи и врачи, стремящиеся сделать диагностику рака на базе технологии машинного обучения клинической реальностью, обеспокоены тем, что опора этой технологии на решения патологоанатомов в качестве стандарта может привести к увеличению числа случаев гипердиагностики - диагностики заболевания, которое соответствует патологическому определению рака, но никогда бы не вызвало заболеваемость или смертность в течение жизни пациента.

Надежда на диагностику рака с помощью системы на основе алгоритмов машинного обучения заключается в том, что в один прекрасный день врачи смогут вмешаться на ранних стадиях заболевания и помочь пациенту избежать смерти, связанной с раком. Однако эта надежда в значительной степени опирается на предположение о том, что патологи могут правильно определять ранние стадии рака, которым суждено быть смертельными для пациентов. Накопленные доказательства гипердиагностики рака позволяют предположить, что это может быть не так. На самом деле, искусственный интеллект может усугубить проблему, повысив нашу способность диагностировать медленно развивающиеся, несмертельные виды рака.

Одним из возможных решений может быть обучение алгоритмов машинного обучения с использованием гистопатологических изображений, разделенных на три категории: полное согласие на наличие рака, полное согласие на отсутствие рака и несогласие с диагнозом. Размещение изображений в этих категориях будет основано на оценке разнообразной группы патологоанатомов. Категория несогласия могла бы стать предметом анализа для исследователей по естественной истории рака. Она также может быть полезна для врачей и пациентов, которые, возможно, захотят рассмотреть менее агрессивное лечение проблем в серой зоне патологоанатомических разногласий.

Использование технологии машинного обучения в здравоохранении все еще находится в зачаточном состоянии, но, как и любая другая технология, она должна быть адекватно проверена перед ее широким применением, учитывая возможность непреднамеренного вреда, такого как гипердиагностика. Основное внимание при диагностике рака с помощью таких решений должно быть сосредоточено не только на обнаружении возможно большего количества онкологических заболеваний, но и на выделении раковых заболеваний, которые убивают людей.