Искусственный интеллект в медицине

Технологии искусственного интеллекта, используемые технологическими компаниями, такими как Facebook, Google и Amazon, для распознавания голоса, лиц пользователей, управления беспилотными автомобилями и в других сферах, могут помочь врачам бороться с распространением инфекций (эпидемии), диагностировать заболевания, оптимизировать рабочий процесс.

Согласно исследованию 2015 года в журнале New England Journal of Medicine, болезнетворная бактерия Clostridium difficile, распространяемая при физическом контакте или инфицированными людьми, приводит к более чем 453 000 случаям заражения и 29 000 смертям в одних только больницах США. Традиционные методы профилактики и гигиены в медицинских учреждениях часто не способны остановить инфекцию.

Группа учёных во главе с Эрикой Шеной, специалистом по инфекционным заболеваниям из Массачусетской больницы общего профиля в Бостоне, и Дженной Винес, доцентом кафедры инженерного дела в Мичиганском университете, разработали алгоритм прогнозирования риска развития инфекции Clostridium difficile, известный как алгоритм CDI. На момент написания статьи он ещё находится на экспериментальной фазе, но исследователи надеются, что уже в ближайшее время CDI будет интегрирован в больничной электронной системой.

По словам Зиесан Сайед, руководителя Программы клинических испытаний и алгоритмов Стэнфордского университета: «Алгоритм CDI, основанный на форме искусственного интеллекта, называемого машинным обучением, находится на переднем крае технологической волны, которая настигает индустрию здравоохранения развитых стран. После многолетних экспериментов прогностические способности машинного обучения хорошо известны, и они уже готовы выйти из лабораторной среды в реальный мир. Последствия машинного обучения будут очень глубоки, принеся неоспоримую пользу всей медициной индустрии в целом, но также оставив без работы многих врачей и специалистов по целым областям».

Машинное обучение опирается на искусственные нейронные сети, которые примерно имитируют то, как происходит обучение у животных.

Например, лисичка или любое другое дикое животное, попадая на новую территорию, рисует у себя в голове карту местности, реагируя на запахи, шумовой фон (шум воды, хруст ветвей деревьев и т. п.), запоминая особенности ландшафта. Она постоянно адаптирует своё поведение в новой среде, выявляя всё новые особенности и совершенствуя своё поведение, чтобы максимизировать шансы найти добычу.
Нейронные сети, запрограммированные на идентификацию визуальных объектов, способны обнаружить заданный предмет на любом изображении, если он там находится. К примеру, нейронную сеть обучили находить чашку кофе на изображении. Сравнивая фотографии случайный объектов с базой данных изображений чашек кофе в разных ракурсах, уровнях освещённости, чёткости и т. п., программа в высокой долей вероятности сможет её обнаружить. Каждая новая успешная идентификация будет пополнять базу данных, корректируя алгоритм — самообучаясь.

Алгоритм CDI, разработанный Шеной и Винес проанализировал набор данных из более чем 374 000 случаев помещения в стационар, ища связи между вспышками инфекций Clostridium difficile и обстоятельствами, предшествовавшие им. Записи содержали более 4000 различных переменных. «У нас есть данные, относящиеся ко всему, от результатов лабораторных исследований до того, в какой кровати находились пациенты, кто размещался на кровати рядом с ними и чем они были больны. Мы также включили все данные о принимаемых лекарствах, анализы и поставленные диагнозы», — сказала Дженна Винес.
Многократно анализируя поступающие данные в процессе машинного обучения алгоритм извлекает предупреждающие признаки начала вспышки инфекции, локализуя место, где она может возникнуть, и предупреждая администрацию больниц, принимающих участие в эксперименте.

Подобные алгоритмы, упреждающие события, уже являются обыденным явлением в интернет-торговле, в анализе финансовых рынков и беспилотных автомобилях, но они только сейчас начинают активно применяться в здравоохранении. Главным препятствием к их широкому распространению стал медленный переход от письменных к электронным медицинским записям, качество и полнота которых сильно разниться от одного медицинского учреждения к другому.

Хотя алгоритмам вроде CDI ещё только предстоит пройти от эксперимента до рабочего продукта, ряд других направлений уже испытаны и применяются на практике в ограниченном режиме и под контролем врачей.

Применение искусственного интеллекта на практике

Эксперты сходятся во мнении, что радиология (рентгенология) и медицинская патология первыми испытают на себе последствия от внедрения искусственного интеллекта. Программы машинного обучения наиболее легко справятся с анализом изображений. Рентгеновские снимки, МРТ, Позитронно-эмиссионная томография и Компьютерная томография это классическая масса данных изображений, на который прекрасно обучаются нейросети. Анализируя тысячи существующих изображений сканирования, а также диагнозы, сделанные врачами на их основе, алгоритмы машинного обучения способны изучить накопленные коллективные знания медицинского учреждения в течение нескольких дней или часов. В результате программа способна поставить диагноз, повторив выводы врачей, а в ряде случаев превзойти знания и отдельного специалиста. Аналогичным образом алгоритмы машинного обучения на основе изображений и поставленных диагнозов уже могут надежно диагностировать рак кожи по фотографиям.

Исследователь Google Лили Пэн, возглавляет команду, разработавшую алгоритм машинного обучения для диагностирования рисков диабетической ретинопатии по сканированию сетчатки глаза. Диабетическая ретинопатия является тяжёлым осложнением при сахарном диабете, которая может привести к слепоте, если не начать своевременное лечение. По прогнозам, мировая тенденция к ожирению и как следствие увеличение числа больных диабетом, превратит диабетическую ретинопатию в глобальную проблему. Ожидается, что к 2030 году количество страдающих от этого недуга людей достигнет 191 миллион. На 2011 год таких было 126,6 млн. в 2011 году.

Команда Пэна собрала более 128 000 сканирований сетчатки глаз из больниц Индии и США и собрала команду из 54 офтальмологов, чтобы оценить их по 5-балльной шкале для идентификации признаков болезни. Несколько врачей просмотрели каждое изображение, чтобы усреднить индивидуальные различия в интерпретации. После «обучения» на исходном наборе данных с диагнозами офтальмологов алгоритм был протестирован на другом наборе данных. Результаты превзошли отдельные знания офтальмологов.

В настоящее время Пэн работает над применением этого инструмента в Индии, где хроническая нехватка офтальмологов означает, что диабетическая ретинопатия зачастую не диагностируется и не лечится. Выбранные для эксперимента индийские больницы начали тестирование алгоритма. Ранее, выполнив сканирование, пациент был вынужден ждать несколько дней, чтобы узнать результат. Программа, установленная на компьютеры в больницах, выполняет эту работа в считанные секунды.

В прошлом 2017 году американское Управление по контролю за продуктами и лекарствами одобрило первый алгоритм машинного обучения для коммерческого использования компанией Arterys в Сан-Франциско. Её алгоритм DeepVentricle выполняет за 30 секунд задачу, которую врачи обычно делают вручную, рисуя контуры желудочков из нескольких МРТ-сканов сердечной мышцы в движении, чтобы рассчитать объем проходящей крови. Это занимает в среднем 45 минут.

Спектр применения искусственного интеллекта в медицине будет расширяться по мере перехода на цифровые технологии и появлении баз данных, подходящий для использования в машинном обучении. Подобные технологии позволят сэкономить много времени и средств, но в месте с тем нивелируют ценность некоторых врачебных специальностей.

Источник: MedicalPress