BIG DATA 2019, Искусственный интеллект, Лучевая диагностика, Машинное обучение, Онкология, Опыт, Радиология, Скрининг, Статьи
Виктор Гомболевский: "Хотим мы этого или нет, медицинские данные будут использоваться как во благо человека, так и во зло."
За последние пару лет было опубликовано сразу несколько исследований, описывающих прецеденты, когда искусственный интеллект превосходит врача в точности диагностики. Прежде всего это касается случаев, когда для постановки диагноза требуется провести тщательный анализ медицинских изображений.
В столице все «тяжелое» медицинское оборудование поликлиник, предназначенное для лучевой диагностики, связано в общий цифровой контур Единым радиологическим информационным сервисом. Полученные снимки и сделанные по ним медицинские заключения могут анализироваться с помощью технологий машинного обучения. В пилотном проекте скрининга рака легкого, охватывающем 10 городских поликлиник, когнитивную систему обработки естественного языка IBM Watson Explorer обучили искать расхождения в протоколах между описаниями и заключениями, а также проверять, как врачи следуют методическим рекомендациям о тактике ведения пациентов после скрининговой низкодозной компьютерной томографии. Система принимает соответствующие решения с точностью 95%.
На ежегодном форуме BIG DATA 2019 издательства «Открытые системы» Виктор Гомболевский, руководитель отдела развития качества радиологии Научно-практического клинического центра диагностики и телемедицинских технологий Департамента здравоохранения Москвы, расскажет о том, какую роль играет искусственный интеллект в онкологическом скрининге. А сейчас он ответил на несколько вопросов.
— В чем основная проблематика больших данных в медицине?
Мир больших данных представляет благодатную почву для различных ИТ-продуктов, растущих как грибы после дождя. При этом сведения многих медицинских информационных ресурсов остаются незащищенными. Сегодня на основе агрегирования данных соцсетей можно предсказать дату рождения ребенка, чтобы вовремя предоставить маме рекламу коляски; медицинская информация сулит акулам бизнеса миллиарды. Поэтому, хотим мы того или нет, медицинские данные будут использоваться как во благо человека, так и во зло. Под благом можно понимать ИТ-решения, способные привести к продлению жизни конкретного человека и повышению качества его жизни, а под злом — те, что могут нанести ущерб, либо не окажут положительного воздействия на жизнь и ее качество (например, продажа информации о болезни пациента с целью увеличить его страховые взносы в связи с повышенным риском инфаркта).
— Что сулит применение искусственного интеллекта для анализа медицинских данных?
Для диагностики важен целый пул информации, окружающей пациента (его покупки, диагнозы, риски каких-либо состояний и т. д.). Ее анализ ведет к новой медицине — персонализированной и превентивной. Так, по результатам анализа больших данных можно предсказать риск психического заболевания у конкретного человека, в том числе депрессивных состояний, сопровождающихся суицидальными наклонностями.
Превентивная медицина представляется сверхэкономичной, так как фокусирует усилия точечно. Например, лекарственный препарат может не помогать 96% пациентов, но конкретному человеку нужно рекомендовать именно его, а другому, напротив, от данного назначения следует воздержаться, поскольку высок риск аллергической реакции.
Еще один пример — проведение исследований не всем подряд раз в год, а для каждого пациента по персональному графику, составленному в зависимости от его рисков.
Значительную часть рутины в работе врача можно автоматизировать за счет предварительного сбора и первичного анализа данных. Врач должен принимать решения, «переварив» вводную информацию, но зачастую ее так много, что пациент отсекает эпизоды, которые могут иметь решающее значение. Например, для того чтобы дифференцировать отдаленное распространение онкологического процесса на кости, важна информация о травмах, а пациент уверяет, что никаких травм не было. Но если его переспросить, «когда был перелом», то в ответ можно услышать «это же был перелом, а не травма».
Есть разные сценарии использования искусственного интеллекта в диагностике — от формирования «умного расписания» до агрегирования данных с целью построения предсказательной модели, позволяющей добиться повышения качества на каждом шаге.
Активный поиск новых сфер применения искусственного интеллекта в медицине, в том числе в скрининге, продолжается. Ведутся исследования по обнаружению очагов в легких по результатам низкодозной компьютерной томографии для скрининга рака легкого: на одном из открытых конкурсов было разработано более 18 тыс. алгоритмов искусственного интеллекта с различными результатами по одной задаче.
— Если результаты различаются даже на обучающих выборках, не обесценивает ли это работу алгоритмов в глазах врачей?
Именно поэтому обучающие и тестовые выборки должны быть максимально близки к реальным условиям применения. Иначе можно трактовать эти результаты совершенно по-разному. Например, в некоторых странах флюорографию выполняют в одежде. Обученный на отечественных кейсах искусственный интеллект не подойдет для них, так как в каждом пациенте он будет видеть неизвестную для себя ситуацию, которую вполне может признать патологией.
— Как решается проблема доверия к искусственному интеллекту?
Ответ состоит из двух частей. Во-первых, человек должен признать, что он не поймет, как работает искусственный интеллект: мы действительно не понимаем, как он приходит к тому или иному выводу. Но понимаем ли мы, как работает мобильный телефон, электронная почта или калькулятор? Разве это меняет наше доверие к ним? Во-вторых, алгоритмы искусственного интеллекта являются не целью, а еще одним инструментом в руках врача, увеличивающим его возможности.
— О чем вы расскажете участникам форума?
О результатах уже завершенного проекта по применению искусственного интеллекта, о выводах, которые мы сделали, и текущих задачах, где мы пытаемся расширить «компетенцию» искусственного интеллекта в диагностике. А также о том, каким образом мы добились высокой точности обработки естественного языка и какими должны быть обучающие выборки для алгоритмов поиска патологий на медицинских изображениях.
Источник: