Медицинский интеллект: острова решений в океане возможностей

19.10.2020

Гигантский потенциал искусственного интеллекта в здравоохранении невозможно полноценно рассмотреть в одном обзоре — каждое направление этой необъятной темы заслуживает отдельного исследования. В разработку технологий для этих частично пересекающихся направлений вкладывают свои средства 250 глобальных корпораций, которые занимаются медицинским интеллектом.

В России в этой области до сих пор работало около 20 коллективов, в основном средних и небольших. По меткому выражению Бориса Зингермана, генерального директора НБМЗ, если большие данные — это «новая нефть», то нефть эта сланцевая, трудно добываемая, а если искусственный интеллект — «новое электричество», то вырабатывается оно пока в основном ручной динамо-машиной. Однако в современном мире все меняется очень быстро. И молодым энтузиастам, которые хотят проявить себя в создании интеллектуальных решений для медицины, все пути открыты.

Разработка и применение лекарств: ускорение и перестройка

В процесс создания новых лекарств искусственный интеллект принес прежде всего скорость работы с большими данными. Чтобы выбрать несколько полезных молекул из того дециллиона частиц, что могут быть использованы для создания лекарств, инструменты машинного обучения анализируют базы данных существующих молекул и их свойств и предлагают новые варианты комбинаций. Основная роль искусственного интеллекта на этой стадии заключается в прогнозировании взаимодействия между молекулами будущего лекарства и белками в клетках человека. Ускорение поиска молекул-кандидатов резко снижает стоимость разработки новых препаратов. Кроме того, искусственный интеллект может использоваться для изучения механизмов заболевания и поиска биомаркеров.

Доказательство безопасности новых препаратов — дело долгое, поэтому единственный способ отреагировать на ситуацию так быстро, как это требуется, например, при пандемии, — найти новое применение ранее одобренным препаратам и быстро отобрать кандидатов на клинические исследования. Для репозиционирования препаратов «умная» система агрегирует информацию биомедицинских баз данных и массивов данных клинических испытаний.

К примеру, технологию cверточных нейронных сетей дизайнеры лекарств адаптировали для того, чтобы извлечь знания из миллионов измерений силы межмолекулярного взаимодействия, полученных экспериментальным путем. Таким образом несколько лет назад нашли молекулу, потенциально активную по отношению к вирусу Эбола. В этом году нейросеть российской команды GERO проанализировала активность тысячи препаратов на способность блокировать фермент, без которого вирус SARS-CoV-2 не может размножаться в человеческих клетках. Получилось два списка: уже применяемые препараты и находящиеся на стадии испытаний. Выбрать из них пять действительно интересных для дальнейшего исследования — задача уже посильная для людей.

Проверка структуры сотен миллионов химических соединений и выявление их свойств позволили добиться прогресса и в поиске принципиально новых антибиотиков, по механизму действия отличающихся от существующих препаратов. Над этой задачей ученые бьются уже несколько десятилетий. В начале 2020 года в Массачусетском технологическом институте синтезировали новый мощный антибиотик, использовав алгоритмы машинного обучения. Вещество назвали halicin в честь фантастической компьютерной системы HAL 9000, управлявшей кораблем в «Космической одиссее 2001 года» Стэнли Кубрика. Изначально его изучали как лекарство от диабета, а в результате получилось средство борьбы с супербактериями. MIT Technology Review даже включил применение искусственного интеллекта для разработки лекарств в список главных технологических тенденций 2020 года.

Еще одна ценная способность аналитических технологий ярко проявилась во время работы над вакциной от COVID-19. Искусственный интеллект помогает фармкомпаниям улучшать дизайн клинических исследований, быстро и точно подбирать подходящих пациентов, оптимизировать процесс и анализировать его результаты, а также сравнивать их с данными пациентов, которые находятся вне исследования, и систематизировать для последующего анализа.

Медицинские изображения и диагностика

Применение искусственного интеллекта для анализа и интерпретации изображений, полученных в результате лучевой диагностики, также в последнее время на слуху, в том числе «благодаря» коронавирусу. Разработчикам, которые раньше учили свои системы обнаруживать на снимках злокачественные новообразования, оказалось сравнительно легко обучить распознавать характерный для ковида эффект «матового стекла».

Проблемы с точностью диагностики существуют даже при определении самых распространенных заболеваний, не говоря уже о редких болезнях, и любая помощь врачу здесь бесценна. Компьютерное зрение в сочетании с технологиями машинного обучения дает возможность быстрее анализировать рентгеновские, КТ- и МРТ-снимки, маммограммы, макроснимки гистологических препаратов, автоматически выявлять на них области с возможной патологией и привлекать к ним внимание врача. Таким образом, сокращается время на постановку диагноза, которое может быть критичным для начала лечения, снижается количество ошибок и уменьшается стоимость обследования. Время, затрачиваемое рентгенологом на описание снимка, перестает быть узким местом процесса, появляется возможность проводить дистанционную диагностику и консультации для получения «второго мнения».

Десять сервисов, среди которых Botkin AI, Care Mentor AI, «Цельс» и другие российские разработки, в настоящее время интегрированы в Единую радиологическую информационную систему Москвы. В рамках этого эксперимента анализируются данные четырех ключевых направлений лучевой диагностики: КТ органов грудной клетки с признаками COVID-19, КТ/НДКТ органов грудной клетки с целью выявления рака легких, рентгенография/флюорография легких, а также рентгеновская маммография для выявления рака молочных желез. Алгоритмы проанализировали свыше 550 тыс. исследований и продолжают «трудиться». Предполагается, что результаты эксперимента станут основой для национальных стандартов, регламентирующих применение искусственного интеллекта в клинической медицине.

Не прекращаются и опыты ученых с автоматизированной диагностикой различных недугов по обычным фотографиям, задача которых — вовремя привести пациента к специалисту.

Системы поддержки принятия врачебных решений

Этот очень широкий и многообещающий класс «умных» систем успел вдохновить и разочаровать, а сейчас уже миновал фазу хайпа и вышел на стадию нормального развития. Разочарование, которое пришлось пережить при осознании ключевых проблем, было вызвано трудностями на двух уровнях. Решения, рожденные небольшими коллективами энтузиастов, не сумели выйти за пределы отдельных организаций, а колоссальные средства, вложенные корпорацией IBM в когнитивную мощь доктора Watson, не привели к столь же грандиозному эффекту. Ввод данных оказался весьма трудоемким, а выигрыш врача — не столь уж существенным. Интеграция социально-экономической информации и данных, генерируемых пациентами, которая помогла бы выявить новые закономерности, для некоторых групп пациентов оказалась чересчур сложной или даже невозможной. Огромного объема информации, «скормленной» алгоритму глубинного обучения Watson, все же не хватило, для того чтобы учесть различия в данных национальных и социальных групп пациентов. «Предвзятость» искусственного интеллекта вызывает озабоченность профессионального сообщества и порождает сомнения в том, что при разработке подобных технологий, рекомендующих путь лечения, можно опираться на мнение ограниченного круга экспертов, даже самых авторитетных.

Аналитики считают, что для появления эффективного медицинского искусственного интеллекта, сначала следует решить проблему доступности данных в здравоохранении. Не случайно ассоциация, созданная российскими разработчиками и пользователями, получила название «Национальная база медицинских знаний».

Но даже получив возможность использовать качественные датасеты для обучения искусственного интеллекта, гораздо рациональнее разрабатывать решения конкретных прикладных задач, возможно даже узкоспециальных, а не создавать универсального «цифрового доктора».

Прогнозная аналитика и анализ рисков

С учетом привлечения внимания к профилактике заболеваний, это очень перспективная область, которая пока сравнительно медленно развивается. К числу посильных для искусственного интеллекта относятся задачи, решение которых может дать заметный эффект: оперативный анализ изменения уровня заболеваемости, прогноз числа обращений пациентов в медицинские организации, мониторинг потребности в лекарственных препаратах, предупреждение распространения эпидемий, а также точный индивидуальный прогноз ухудшения здоровья пациента, что может спасти ему жизнь. Прекрасный пример основанного на искусственном интеллекте решения для оценки риска сердечно-сосудистых заболеваний описан в самом первом кейсе DobroData.

А последний алгоритм, разработанный на «злобу дня», способен предсказать потребность пациента с симптомами коронавируса в дополнительном кислороде в течение 24 часов. Прогноз производится на основе анализа рентгенограмм органов грудной клетки и данных анамнеза из цифровой истории болезни. Обучение этого алгоритма проводилось на данных 20 больниц со всего мира, что повысило его производительность и универсальность.

Самой «прорывной» обещает стать технология цифрового двойника — копии физического объекта (органа, медицинского оборудования и целого госпиталя), выполняющей функции оригинала. Поступающая с установленных на теле человека датчиков информация об анатомии, физиологии, геноме будет накапливаться и преобразовываться в аватар, который, постоянно обновляясь, станет приближаться к своему оригиналу. С помощью искусственного интеллекта двойником можно будет управлять и прогнозировать, как объект поведет себя в будущем.

Мониторинг образа жизни

Весьма перспективной считается технология машинного анализа содержимого социальных сетей и прочих цифровых следов для получения социологической, демографической и маркетинговой информации о качестве работы системы здравоохранения и отдельных лечебных учреждений. Повысить приверженность пациентов здоровому образу жизни и выполнению назначений врача способны помочь чат-боты. Они умеют отвечать на рутинные вопросы, подсказывать пациенту тактику поведения в простых ситуациях, соединять его с нужным специалистом для телемедицинской консультации, давать рекомендации по диете и т. д. Стимулирование «самообслуживания» пациентов и их вовлеченности в заботу о собственном здоровье снижает нагрузку на врачей и экономит дефицитные ресурсы системы здравоохранения.

Обработка и анализ информации с носимых устройств

Гаджеты, позволяющие отслеживать температуру, артериальное давление, частоту сердцебиения, уровень сахара в крови, фазы сна и тому подобное, не раскрывают и половины своего потенциала без инструментов для интеллектуального анализа тех данных, которые они генерируют. Сбор данных с медицинских датчиков и их обработка методами машинного обучения в потоковом режиме могут помочь предотвращать тяжелые заболевания и послеоперационные осложнения, разрабатывать индивидуальные программы реабилитации и в целом способствовать широкому распространению персонализированного подхода к пациенту.

Менеджмент хронических состояний

Проблемы хронических больных оказались самыми острыми даже в период пандемии, поскольку не менее половины населения имеет одно хроническое заболевание, а существенная доля таких пациентов — даже несколько заболеваний. Рассчитывать на то, что медиков хватит на такое количество больных, не приходится, поэтому искусственный интеллект представляется спасительной технологией. Он напомнит, когда какую таблетку надо принять, когда пора навестить лечащего врача, и пошлет сигнал доктору, если показатели состояния пациента его тревожат. Например, если соотносить данные с глюкометра с показателями активности диабетика и информацией о его питании, можно корректировать дозы инсулина дистанционно и обеспечивать пациенту-хронику полноценную жизнь в течение долгого времени. По словам Зингермана, проблема в том, что у нас недостаточно врачей, которые могут прописать пациенту носимое устройство и знают, как работать с массивом данных, полученным с его помощью. Хочется верить, что это временная ситуация, ведь, по данным зарубежного опроса, проведенного HIMSS Media Research, искусственный интеллект и машинное обучение при лечении хронических заболеваний используют для поддержки принятия клинических решений уже 77% опрошенных специалистов.

Виртуальные ассистенты

Существенно помочь и врачам, и пациентам способны системы распознавания речи и анализа естественного языка. Спектр их применения весьма широк. Тут и голосовые помощники, которые заносят в медкарту то, что врач диктует во время осмотра пациента, отмечают в календаре дату следующего визита и уведомляют об этом пациента. И роботы, напоминающие пациентам о записи к врачу, что существенно снижает количество пустых слотов в расписании и оптимизирует нагрузку специалистов. И чат-боты, собирающие предварительный анамнез, что экономит время врача в ходе очного приема. А также робот-регистратор в поликлинике или приемном отделении госпиталя, отвечающий на простые вопросы и помогающий маршрутизировать пациентов.

Даже обладая качественными датасетами для обучения искусственного интеллекта, гораздо рациональнее разрабатывать решения конкретных прикладных задач, а не создавать универсального «цифрового доктора», полагает Ирина Шеян

Психическое здоровье

В первую очередь с помощью искусственного интеллекта врачи пробуют решить самые острые проблемы с психическим здоровьем — спрогнозировать риск насилия и самоубийств. Например, ученые Медицинского центра детской больницы Цинциннати, используя технологии машинного обучения, разработали систему, которая анализирует языковые модели для прогнозирования риска насилия среди школьников. Утверждается, что система может определять риск агрессии для отдельных субъектов. А коллектив российских филологов, психологов, лингвистов и программистов из Института русского языка им. В. В. Виноградова, Научного центра психологического здоровья и Психологического института РАО разработал сервис для выявления социальной напряженности, депрессии, различных видов агрессии, деменции, аутизма и склонности к суициду. По текстам в Интернете и данным профиля в соцсети такие риски можно выявить достаточно точно. При вводе идентификатора профиля «ВКонтакте» система дает психологическую характеристику человека, включая черты его личности, конфликтность, склонность к депрессии и фрустрации и т. п.

Неотложная помощь и хирургия

В этой нише особенно опасно нарушить принцип «не навреди», тем не менее и тут есть интересные решения. Так, в одной из лондонских университетских клиник используют искусственный интеллект, чтобы быстро выделить среди пациентов в приемном покое те 20% людей, которым нужна неотложная помощь, а не только рецепт на лекарства, которые можно принимать дома. Программа устанавливает пациенту приоритет, оценивая опасность озвученных им симптомов. Например, боль в области живота может означать аппендицит, поэтому человек с таким симптомом будет продвигаться в очереди быстрее других.

Наряду с «умными» протезами, сложными симуляторами и виртуальными 3D-моделями пациентов, предназначенными для обучения врачей, проведения тренингов и планирования операций, используются и хирургические роботы со встроенными когнитивными алгоритмами. Интеграция робототехники и мехатроники с искусственным интеллектом — полезный способ переложить на машины шаблонные манипуляции, особенно в случае продолжительных и сложных хирургических вмешательств. Недавно ученые из Университета Беркли, Intel и Google Brain научили машину зашивать раны. Ей показывали видеозаписи работы восьми хирургов с известным роботом-ассистентом Da Vinci, после чего под руководством алгоритма Motion2Vec робот-манипулятор научился накладывать швы и завязывать узлы самостоятельно, без человека за консолью управления.

***

Ажиотаж вокруг искусственного интеллекта вредит его развитию, порождая завышенные ожидания общества, вплоть до мечты о «волшебной палочке». Искусственный интеллект не стоит рассматривать как замену врачу, его возможности следует оценивать трезво. В первую очередь технологии должны избавлять врача от рутины, а не добавлять ему работы. При этом у доктора должно освободиться время для общения с пациентами и, что тоже немаловажно, с коллегами. Прикладные инструменты, решающие хотя и неглобальную, но вполне реальную проблему «здесь и сейчас», имеют существенно больше шансов прижиться в медицинской среде, которая в силу базового принципа «не навреди» гораздо осторожнее воспринимает инновации, чем другие сферы. А качество решений не в последнюю очередь определяется качеством информации, использованной для обучения алгоритмов. Разнообразие данных повышает точность работы искусственного интеллекта, избавляет его от «предвзятости», расширяет возможности его применения в разных условиях и странах. Для этого предстоит активно развивать библиотеки датасетов, в том числе открытые.

Еще статьи

Борьба с бедностью: как помочь малоимущим, подскажут данные

«Умные» социальные проекты: от анализа бедности до азбуки Брайля

Добрые дела больших данных

Нет утечкам: нейросеть предупредит беду

По цифровому следу школьника

О доступе к данным замолвите слово