В ближайшие 10 лет технологии искусственного интеллекта изменят радиологию

Большими проблемами в радиологии являются точность диагностики и скорость обработки. Для решения этих задач в радиологии стали использовать системы на основе алгоритмов машинного обучения и искусственного интеллекта (artificial intelligence, AI), хотя эти технологии все еще находятся на ранней стадии своего развития. В прошлом году американский Национальный институт здравоохранения совместно с Радиологическим обществом Северной Америки, Американским колледжем радиологии и Академией радиологии и исследований биомедицинских изображений провел семинар, в которых обсуждались эти проблемы. Участники семинара намерены сотрудничать в области разработки приложений на основе машинного обучения и искусственного интеллекта для диагностики по медицинским изображениям. Кроме того, они намерены совместно работать с целью выявление пробелов в знаниях и составления списка исследовательских потребностей академических лабораторий, профессиональных сообществ и отрасли здравоохранения.

Отчет о мероприятии был опубликован в журнале Radiology (журнал RSNA - Радиологического общества Северной Америки). В нем определены приоритеты будущих исследований:

• Создание новых методов реконструкции изображений, которые будут эффективно создавать изображения на основе исходных данных, пригодные для интерпретации человеком.
• Разработка методов автоматической маркировки и аннотации изображений, включая извлечение информации из описания изображения, электронное фенотипирование и структурированную отчетность по изображениям.
• Создание новых методов машинного обучения для данных клинической визуализации, такие как специализированные, предварительно подготовленные архитектуры моделей и распределенные методы машинного обучения.
• Разработка методов машинного обучения, которые могут объяснить советы, которые они дают людям (так называемый объяснимый искусственный интеллект, способный показать всю цепочку анализа, на основании которого алгоритм принял конкретное решение).
• Разработка апробированных методов деидентификации изображений и обмена данными для облегчения широкого доступа к наборам данных из медицинских изображений.

Еще одной целью участники совещания считают создание решений, позволяющих сократить клинически значимые ошибки при интерпретации изображений, оцениваемых рентгенологами в 3-6%. Диагностические ошибки ответственны за примерно 10% случаев смерти пациентов, согласно данному отчету.

Интересно, что в материалах больше упоминается машинное обучение, а не искусственный интеллект, например, отмечено, что именно "алгоритмы машинного обучения преобразуют клиническую практику визуализации в течение следующего десятилетия".