Искусственный интеллект в медицине: острова решений в океане возможностей

Разработка и применение лекарств

В процессе создания новых лекарственных препаратов искусственный интеллект прежде всего позволил ускорить работу с большими данными. Чтобы из дециллиона молекул выбрать несколько полезных, которые могут быть использованы для создания лекарств, системы на базе алгоритмов машинного обучения анализируют базы данных существующих молекул и их свойств, предлагая новые варианты комбинаций. Основная роль ИИ на этой стадии заключается в прогнозировании взаимодействия между молекулами будущего лекарства и белками клеток человека. Ускорение поиска молекул-кандидатов резко снижает стоимость разработки новых препаратов. Кроме того, ИИ может использоваться для изучения и понимания механизмов заболевания, поиска биомаркеров.

Процедура доказательства безопасности новых препаратов обычно занимает много времени, и единственный способ оперативно реагировать в ситуации, не терпящей отлагательства (например, при пандемии), — найти новое применение ранее сертифицированным препаратам и быстро отобрать кандидатов на клинические исследования. Для репозиционирования препаратов ИИ-система агрегирует информацию биомедицинских баз данных и массивов данных клинических испытаний. К примеру, дизайнеры лекарств адаптировали технологию cверточных нейронных сетей для извлечения знаний из экспериментальных данных миллионов измерений силы межмолекулярного взаимодействия. Именно таким образом несколько лет назад была обнаружена молекула, потенциально активная по отношению к вирусу Эболы. В 2020 году нейросеть российской команды GERO проанализировала активность тысячи препаратов в отношении способности блокировать фермент, без которого вирус SARS-CoV-2 не может размножаться в клетках человек. В итоге были сформированы два списка: уже применяемые препараты и находящиеся на стадии испытаний — выбрать из них пять интересных для дальнейшего исследования уже можно вручную.

Проверка структуры сотен миллионов химических соединений и выявление их свойств позволили добиться прогресса и в поиске принципиально новых антибиотиков, механизм действия которых отличается от такового у существующих препаратов. Над этой задачей ученые работают уже несколько десятилетий. В начале 2020 года в Массачусетском технологическом институте синтезировали новый антибиотик, использовав алгоритмы машинного обучения. Вещество назвали halicin в честь ИИ-системы HAL 9000, управлявшей кораблем из кинофильма Стэнли Кубрика «Космическая одиссея 2001 года». Изначально его изучали как лекарство от диабета, а в результате получилось средство борьбы с супербактериями.

Еще одну ценность ИИ выявил санитарный кризис COVID-19: искусственный интеллект помог фармакологическим компаниям усовершенствовать организацию клинических исследований, быстро и точно подбирать подходящих пациентов, оптимизировать процесс разработки новых вакцин и анализировать результаты испытаний, а также сравнивать и систематизировать данные различных групп пациентов.

Медицинские изображения и диагностика

Проблемы с точностью диагностики встречаются даже при самых распространенных заболеваниях, не говоря уже о редких болезнях, поэтому любая помощь врачу здесь бесценна. Применение ИИ для анализа и интерпретации результатов лучевой диагностики сегодня на слуху: разработчикам, ранее обучавшим свои системы обнаруживать на снимках компьютерной томографии злокачественные новообразования, оказалось относительно просто обучить их распознавать характерный для ковида эффект «матового стекла». Компьютерное зрение в сочетании с технологиями машинного обучения дает возможность быстрее анализировать все медицинские изображения (рентгеновские снимки, КТ-, МРТ-, маммограммы, макроснимки гистологических препаратов и пр.), автоматически выявляя области с возможной патологией и акцентируя на них внимание врача. Таким образом, сокращается время на постановку диагноза, которое может быть критично, снижается количество ошибок и уменьшается стоимость обследования. Появляется возможность проводить дистанционную диагностику и консультации для получения «второго мнения».

Сегодня в Единую радиологическую информационную систему Москвы интегрированы десять ИИ-сервисов от отечественных разработчиков: Botkin AI, Care Mentor AI, «Цельс» и др. Речь идет об анализе данных 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 молочной железы. Алгоритмы позволили проанализировать почти 600 тыс. исследований, и предполагается, что полученные результаты станут основой для разработки национальных стандартов, регламентирующих применение искусственного интеллекта в клинической медицине.

Не прекращаются и эксперименты с ИИ-диагностикой различных недугов по обычным фотографиям, задача которых— вовремя привести пациента к специалисту после профилактических обследований.

Поддержка принятия врачебных решений

Этот широкий и многообещающий класс ИИ-систем уже успел вдохновить, разочаровать и пройти путь от хайпа к нормальному развитию. Разочарование произошло сразу на двух уровнях. Решения, рожденные небольшими коллективами энтузиастов, не сумели выйти за пределы отдельных организаций, а вложение колоссальных средств такими крупными корпорациями, как IBM с системой Watson, привели лишь к локальным успехам: ввод данных оказался весьма трудоемок, а помощь врачу — невелика. Интеграция социально-экономической информации и данных, генерируемых пациентами, которая помогла бы выявить новые закономерности для некоторых групп пациентов, оказалась чересчур сложной или даже невозможной. Огромных объемов данных, «скормленных» алгоритму глубинного обучения Watson, не хватило для учета специфики информации для различных национальных и социальных групп пациентов. «Предвзятость» искусственного интеллекта вызывает большую озабоченность профессионального сообщества и порождает сомнения в том, что при разработке технологии можно опираться на мнение ограниченного круга даже самых авторитетных в своей области экспертов.

Для создания эффективного медицинского ИИ сначала следует решить проблему доступности данных в здравоохранении — не случайно ассоциация, созданная российскими разработчиками и пользователями медицинского ИИ, получила название «Национальная база медицинских знаний». Однако, даже получив доступ к качественным наборам данных для обучения искусственного интеллекта, пока еще рациональнее разрабатывать ИИ для решения конкретных прикладных (возможно, даже узкоспециальных) задач, чем универсального «сферического цифрового доктора».

Прогнозная аналитика и анализ рисков

В контексте набирающего сегодня популярность курса на возвращение внимания к профилактике заболеваний, прогнозная аналитика — весьма перспективная область. В числе задач для ИИ, решение которых способно дать существенный эффект, — оперативный анализ изменения уровня заболеваемости, предсказание обращений пациентов в медицинские организации и потребности в лекарственных препаратах, предупреждение распространения эпидемии, точный индивидуальный прогноз ухудшения здоровья, который может спасти жизнь пациенту. Прекрасный пример использования ИИ — оценка риска сердечно-сосудистых заболеваний в ходе профилактического обследования.

Весьма актуальный в пандемию алгоритм способен предсказать потребность пациента с симптомами коронавируса в дополнительном кислороде. Прогноз производится на основе анализа рентгенограмм органов грудной клетки и данных анамнеза из цифровой истории болезни. Алгоритм обучался на данных 20 больниц со всего мира.

Самой «прорывной» обещает стать технология цифрового аватара — копии физического объекта (органа, медицинского оборудования и целого госпиталя), выполняющей функции оригинала. Поступающие с датчиков, установленных на теле человека или внутри него, телеметрические данные об анатомии, физиологии, геноме накапливаются и преобразуются в актуальную цифровую модель (аватар), постоянно обновляемую для приближения к оригиналу. С помощью ИИ двойником можно будет управлять и показывать, как объект будет вести себя в будущем.

Управление образом жизни и его мониторинг

Весьма перспективна технология анализа содержимого цифровых следов, оставляемых человеком (поведение в социальных сетях, пользование сервисами государственных учреждений, аптек и пр.), 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 могут чат-боты. Они умеют отвечать на рутинные вопросы, подсказывать пациенту тактику поведения в конкретных типовых ситуациях, соединять его с нужным специалистом для 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 ресурсы системы здравоохранения.

Обработка и анализ данных с носимых устройств

Гаджеты, позволяющие отслеживать температуру, артериальное давление, частоту сердцебиения, уровень сахара в крови, фазы сна и пр., раскрывают лишь малую часть своего потенциала — требуются инструменты для интеллектуального анализа генерируемых сведений. 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, способствуя в целом широкому распространению персонализированного подхода к пациенту.

Контроль за хроническими состояниями

Проблемы хронических больных обостряются в период пандемии: не менее половины населения страдает хроническими заболеваниями, а существенная доля таких пациентов — даже несколькими. Сложно рассчитывать на то, что в периоды эпидемий медицинских работников хватит на всех. И в такой ситуации ИИ представляется спасительной технологией: можно будет вовремя напоминать пациенту, когда и какое лекарственное средство надо принять, когда пора посетить лечащего врача, и оповещать лечащего врача, если показатели состояния пациента превысили пороговые. Например, если соотносить данные с глюкометра с показателями активности диабетика и сведениями о его питании, то можно дистанционно корректировать дозы инсулина, обеспечивая хроническому пациенту полноценную жизнь в течение долгого времени. По словам Зингермана, проблема в том, что в стране недостаточно врачей, которые могут прописать пациенту носимое устройство и знают, как работать с массивом данных, полученных с его помощью. По данным опроса, проведенного обществом Healthcare Information and Management Systems Society, технологии искусственного интеллекта при лечении хронических заболеваний используют для поддержки принятия клинических решений уже 77% опрошенных во всем мире специалистов.

Виртуальные ассистенты

Существенно помочь и врачам, и пациентам могут системы распознавания речи и анализа речи на естественном языке: голосовые помощники способны заносить в медицинскую карту рекомендации врача, диктуемые во время осмотра пациента, и намечать в календаре дату очередного визита; роботы могут напоминать пациентам о записи к врачу, что позволит снизить количество пустых слотов в расписании и оптимизировать нагрузку специалистов; чат-боты могут собирать предварительный анамнез, экономя время врача на очном приеме; роботы-регистраторы в поликлинике или приемном отделении госпиталя могут отвечать на вопросы пациентов и помогать планировать их маршрут по лечебному учреждению.

Психическое здоровье

С помощью ИИ врачи в первую очередь пробуют решить самую острую проблему — прогнозирование риска насилия и суицида. 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 таким образом можно 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, оставляемым пациентом в Интернете, и данным его профиля в социальных сетях все это можно определить достаточно точно. Например, по идентификатору профиля в сети «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 области особенно опасно нарушение принципа «не навреди», тем не менее и тут предлагаются интересные ИИ-решения. В одной из лондонских университетских клиник используют подобные системы для выделения среди пациентов приемного покоя 20% тех, которым действительно нужна неотложная медицинская помощь. Приложение устанавливает приоритеты, оценивая опасность симптомов. Например, боль в области живота может означать аппендицит, и человек с таким симптомом будет продвигаться в очереди быстрее.

***

Излишняя шумиха вокруг ИИ вредит развитию соответствующих технологий, порождая завышенные ожидания общества, вплоть до веры в «волшебную палочку». Искусственный интеллект не стоит рассматривать как замену врачу. В первую очередь подобные технологии должны избавлять от рутины, а не добавлять врачу работы, они призваны освободить его время для общения с пациентами и с коллегами.

Прикладные инструменты, решающие реальные задачи «здесь и сейчас», имеют больше шансов прижиться в медицинской среде, которая в силу базового принципа «не навреди» более консервативна и в которой гораздо осторожнее воспринимаются инновации.

Не следует забывать, что качество ИИ-решений не в последнюю очередь определяется качеством данных, использованных для обучения алгоритмов. Разнообразие данных повышает точность работы систем искусственного интеллекта, избавляя их рекомендации от «предвзятости» и расширяя возможности их применения в разных условиях и странах. Для этого следует активнее развивать библиотеки обучающих наборов данных, в том числе открытые, такие как Kaggle.

Ирина Шеян (rrisha@osp.ru) — обозреватель, «Открытые системы» (Москва).

Первоначальная версия статьи опубликована в рамках проекта «Dobrodata. Данные на службе добра», реализованного издательством «Открытые системы» при поддержке Института развития Интернета в рамках федерального проекта «Цифровая культура» национального проекта «Культура».