Как искусственный интеллект используется в радиологии?

Как искусственный интеллект используется в радиологии?

30 Apr 2020
162
Прослушать

Разговоры об искусственном интеллекте широко распространены в радиологических кругах. Многие считают, что ИИ, иногда называемый машинным обучением или глубоким обучением, может и будет оптимизировать рабочие процессы рентгенологов, содействовать количественной радиологии и помогать в обнаружении геномных маркеров.

Можно ли говорить о том, алгоритмы глубокого обучения нашли широкое применения в клинической практике?- об этом размышляет Дмитрий Блинов, д.м.н., руководитель отдела медицинских научных исследований и разработок компании Care Mentor AI.

- Мы, безусловно, не можем говорить о широком применении алгоритмов машинного обучения в клинической практике просто потому, что вся современная клиническая деятельность выстроена на персональной ответственности специалиста – лечащего врача или диагноста – за принятие лечебно-диагностического решения. Поэтому замена врача искусственным разумом порождает недоверие пациента, ибо ИИ не несет никакой ответственности, а использование машинных технологий как ассистента врача вызывает недоверие врача и его нежелание нести ответственность за не им принятое решение.

Именно это обстоятельство, с моей точки зрения, является одним из наиболее мощных сдерживающих факторов для формирования эры ИИ в клинической медицине. Хотя, безусловно, мы отмечаем чрезвычайный интерес к нашим технология со стороны профессионального сообщества. Мы также знаем примеры их использования – в роботизированной хирургии, в системах поддержки принятия врачебных решений и др.

- Некоторые радиологи говорят, что слишком много внимания уделяется замене радиологов компьютерами и скептически настроены в отношении внедрения ИИ. Другие наоборот, истово верят, что компьютеры не могут улучшить обслуживание пациентов, а заменить радиологов. Наверное, истина где-то посредине? Какой вам представляется жизнь врача радиолога, после тотального внедрения алгоритмов машинной диагностики?

- Сравнительно недавно, в ноябре 2019 года на полях VIII Всероссийского конгресса фтизиопульмонологов в Санкт-Петербурге у меня состоялась интересная беседа по этому поводу с одним из известнейших в мире российских специалистов в области социологии, профессором Санкт-Петербургского университета А.В. Резаковым и некоторыми из его учеников. Они также попросили меня пофантазировать, а как же изменится мир, медицина со смысловой и понятийной точек зрения, когда революция ИИ произойдет.

Если же все-таки сосредоточиться на вопросе об опасениях врачей-рентгенологов, то, я полагаю, они не совсем оправданы. Если мы возьмем лучевую диагностику, технологии в этой области развиваются по направлению не замены врача, а помощи врачу, по пути расширения природно-лимитированных возможностей зрительного анализатора человека по распознанию образов. При этом специалист, имея под рукой такого ассистента, не деградирует, а совершенствуется, переходит на экспертный уровень принятия диагностических решений.

- В чем заключаются преимущества ИИ для радиологии?

- Я в своем ответе на предыдущий вопрос уже отчасти затронул эту тему. Искусственный интеллект, выражаясь образно, расширяет горизонты природного интеллекта диагноста, позволяет человеку эволюционировать в уровне решаемых задач, что для лучевой диагностики особенно важно, поскольку приходится оперировать громадными массивами данных, трехмерными изображениями.

- Если говорить об истинной ценности данной технологии, то вероятно она заключается в координации и интеграции информации, идентификации пациентов для скрининговых обследований, оперативном выявлении пациентов, чье заболевание требует немедленной интерпретации, стандартизации отчетности и характеристики заболеваний. Расскажите, пожалуйста, вы уже обучили свой ИИ как все это сделать вместо специалиста?

- Хочу еще раз подчеркнуть, мы учим наш ИИ делать это вместе со специалистом, а не вместо его. Такая постановка проблемы кажется нам оптимальной и этичной.

- Как давно работает Ваша команда над обучением ИИ в области на рентгенографии, МРТ и КТ? Почему вы ограничили себя только этими тремя источниками данных?

- Мы работаем уже более двух лет: за это время, я могу сказать уверенно, наша компания превратилась в команду единомышленников, в абсолютно живой и чрезвычайно продуктивный организм. Говоря о второй части Вашего вопроса, замечу, что невозможно объять необъятное.

Мы выбрали объектом своих научно-производственных интересов перечисленные методы исследования в силу того, что они объединены тем, что являются лучевыми, а, во-вторых, потому что в результате этих методов получается неизменяемое во времени изображение или их серия. При ультразвуковых исследованиях диагност работает с изменяющимися изображениями, анализ и интерпретация которых требует иных методических подходов.

- Известно, что одной из проблем машинного обучения является то, что разработчики алгоритмов искусственного интеллекта часто не имеют медицинского образование или понимание рабочего процесса врача. Как Вам удалось решить эту проблему?

- Наша компания представляет собой органичную и сбалансированную команду, в которой работают не только специалисты в области искусственного интеллекта, инженеры, но и высококвалифицированные врачи, исследователи с опытом работы в области анализа медицинской информации. Кроме того, мы широко взаимодействуем с экспертным сообществом – у нас налажены широкие связи с ведущими российскими специалистами в области лучевой диагностики.

- Какие научные исследования Вами уже были проведены в последние годы?

- Мы проводим как фундаментальные, так и прикладные исследования. Фундаментальные работы посвящены, главным образом, обоснованию новых подходов и методов в области машинного обучения, сетевого проектирования, тогда как прикладные исследования сосредоточены на решении медицинских задач с применением технологий искусственного интеллекта.

Так, наши последние публикации посвящены разработке метода компьютерного зрения для диагностики продольного плоскостопия, машинному выявлению инородных тел на обзорных рентгенограммах грудной клетки, оптимизации методов препроцессинга изображений при реализации модели интеллектуальной интерпретации данных рентгеновской маммографии.

- Как вы считаете, где использование ИИ является наиболее эффективным: при массовых обследованиях или в диагностике редких случаев?

- Поскольку в основе работы искусственного интеллекта лежит процесс обучения, безусловно, проще обучить нейронную сеть чему-то более распространенному и часто встречающемуся. В этой связи при массовых исследованиях преимущества искусственного интеллекта неоспоримы. Вместе с тем, современные технологии обучения позволяют добиваться высокой диагностической точности и на малых данных, но данное направление пока ограничено.

- Каким образом вы оцениваете качество диагностики алгоритмов ИИ в клинической практике на примере опыта внедрения ваших алгоритмов?

- Несмотря на относительную новизну и революционность методов искусственного интеллекта, в настоящее время уже существуют стандартизированные методы оценки диагностической точности работы таких систем.

Для определенных клинических задач методы определения точности могут отличаться, однако, в большинстве случаев, оценка точности и эффективности работы модели не вызывает трудностей, очень понятна практическим специалистам, прозрачна и, что самое главное, всегда происходит при участии наших потенциальных потребителей – клинических партнеров.

Материал подготовила Надежда Данилова