Читайте РБК без баннеров

Подписка отключает баннерную рекламу на сайтах РБК и обеспечивает его корректную работу

Всего 99₽ в месяц для 3-х устройств

Продлевается автоматически каждый месяц, но вы всегда сможете отписаться

Искусственный интеллект в медицине: как ожидания не совпали с реальностью

Фото: Olga Guryanova / Unsplash, ThisIsEngineering / Pexels
Фото: Olga Guryanova / Unsplash, ThisIsEngineering / Pexels
С успешными кейсами внедрения ИИ в систему здравоохранения дела обстоят неважно не только в России, но и в мире. Почему разработчики медицинских ИИ-сервисов не могут повторить успех коллег в других индустриях?

Об эксперте: Никита Николаев, операционный директор Celsus.

«Умные» медицинские продукты разрабатывают практически все лидирующие ИТ-корпорации. Всего, по данным исследовательской компании Venture Scanner, такие разработки ведут более 2 тыс. компаний по всему миру. Искусственный интеллект (ИИ) — одна из самых многообещающих технологий в медтехе. ИИ-сервисы могут:

  • повысить точность диагностики;

  • автоматизировать работу врача;

  • подобрать оптимальный метод лечения;

  • создавать новые лекарства и т.д.

Пожалуй, самым крупным и наиболее обсуждаемым проектом по применению ИИ в медицине является американская корпорация IBM и ее когнитивная система IBM Watson, которая помогает ставить точный диагноз и находить эффективный способ лечения для каждого пациента. Не так давно Microsoft запустила программу AI for Health, в рамках которой инвестирует $40 млн в технологии искусственного интеллекта для сферы здравоохранения.

Перспективное направление применения ИИ — анализ медицинских снимков (рентгенография, МРТ, УЗИ и др.). Систему обучают определять различные заболеваний и патологии. В этом направлении технологии достигли очевидных успехов и потому уже сейчас постепенно внедряются в клиническую практику.

В России порядка десяти компаний ведут подобные разработки, в их числе и мы — искусственный интеллект «Цельс». На данный момент система уже умеет анализировать маммограммы и флюорограммы, ведется разработка решений для КТ и морфологии. Но мы видим развитие продукта и в других направления функциональной диагностики.

Обучение нейросети: отсутствие датасетов и универсального оборудования

Как известно, для обучения нейросети нужны наборы данных (датасеты). К сожалению, в сфере диагностической медицины все еще очень мало качественных, верифицированных, полных датасетов, еще меньше из них — публично доступных. Без сбора собственных датасетов и их разметки получится сделать разве что MVP (минимально жизнеспособный продукт. — РБК Тренды), но никак не качественный продукт, готовый к эксплуатации.

Здесь не обойтись без сотрудничества с медицинскими учреждениями и профильными специалистами. В «Цельсе» разметкой каждого снимка занимаются сразу несколько рентгенологов, в случае расхождений снимки отдаются на дополнительное исследование.

Еще одна техническая сложность связана с тем, что в медицинских учреждениях встречается разное оборудование. Изображения с разных рентгеновских аппаратов могут визуально сильно различаться. Если нейронная сеть не обучалась на таких снимках, нет ничего удивительного в том, что она «проваливается» и ничего не детектирует. Самое простое, на первый взгляд, решение — нужно собрать всевозможные виды снимков со всех аппаратов со всеми настройками, разметить их и обучить систему. Минусы? Долго и дорого. Однако и это не панацея, к тому же требует сбора всех существующих в мире типов снимков, что кажется невыполнимой задачей.

Лучшим решением будет использование универсального препроцессинга, то есть специальной обработки данных перед их подачей в нейронную сеть. В процедуру препроцессинга могут входить автоматические изменения контрастности и яркости, всевозможные статистические нормализации и удаления лишних частей изображения (артефактов). Нашей команде после месяцев экспериментов удалось создать универсальный препроцессинг для рентгеновских изображений, который приводит практически любые вводные изображения к единообразному виду. Это позволяет нейронной сети корректно их обрабатывать.

Еще одна особенность связана со спецификой deep learning (глубокого обучения. — РБК Тренды) и актуальна для многих команд разработки на рынке медтеха. Медицинские нейронные сети чаще всего «тяжелые», каждый эксперимент над моделью длится продолжительное время и требует огромных вычислительных ресурсов, а значит и дорогостоящей техники. У «Цельс» есть собственный сервер, на котором можно параллелить четыре эксперимента, а также cloud-инфраструктура, с помощью которой мы можем увеличить число экспериментов в случае необходимости. К слову, и качественных специалистов машинного обучения пока не так много, к тому же они весьма дороги.

Как работают искусственный интеллект, машинное и глубокое обучение Фото: Frank Augstein / AP

Доверие инвесторов и медицинского сообщества

К медтех-стартапам определенно есть интерес, но инвесторы и фонды сейчас придерживаются очень осмотрительной стратегии в отношении медтеха, осознавая сложность входа на этот рынок.

В медтехе довольно длинный цикл выхода компаний на самоокупаемость, связанный в том числе с необходимостью проведения сложной и долгой процедуры регистрации медицинского изделия.

Врачи и нейросети: почему бизнес инвестирует в цифровую медицину Фото: rawpixel.com / Pexels

К тому же последние два года по рынку пронеслась череда крупных банкротств и мошенничеств, которые не могли остаться без внимания. Самый примечательный кейс — «мыльный пузырь» Theranos. Их технология анализа крови оценивалась в $9 млрд. Не менее громкий кейс связан с банкротством Jawbone — производителем носимой электроники и фитнес-трекеров. В компанию проинвестировали более €1 млрд ряд респектабельных инвестиционных фондов, таких как Sequoia и Khosla Ventures.

В отчете, который в прошлом году опубликовала лондонская венчурная фирма MMC, говорится, что почти половина всех европейских стартапов, которые позиционируют себя как связанные с искусственным интеллектом, на самом деле не используют эту технологию.

Раздутый хайп вокруг ИИ оправданно вызывает скепсис и в медицинском сообществе. Не прибавляет доверия и то, что многие решения создаются в отрыве от понимания рабочего процесса врача. Разработчики не имеют ни медицинского образования, ни опыта взаимодействия с медицинскими организациями.

Вариант решения — сотрудничество с врачами в рамках пилотных проектов в медицинских учреждениях. Это позволяет наладить контакт с медиками — они размечают снимки по заранее утвержденным правилам, проводят тесты системы, дают оперативную обратную связь и консультируют разработчиков.

Отдельной головной болью для медицинских учреждений является сравнение разных систем от компаний-конкурентов, ведь любые метрики сильно зависят от данных, на которых система тестировалась, от процента пациентов с патологией от общего числа исследований, препроцессинга и других факторов. Поэтому любые заявления компаний о беспрецедентной точности их моделей стоит воспринимать со здоровой долей скепсиса — нет никаких гарантий, что на новых данных точность не упадет.

Для решения этой проблемы необходимо создавать золотые датасеты, на которых можно будет корректно и справедливо сравнивать конкурирующие сервисы. В этом направлении уже ведется работа, в том числе и в России. К примеру, московский Центр диагностики и телемедицины активно способствует созданию этих «золотых датасетов» в направлениях маммографии, компьютерной томографии легких, флюорографии.

Правовые аспекты и стандартизация

Специфика российского здравоохранения, как и ряда других стран, состоит в том, что оно по большей части государственное. Коммерческими клиниками представлена лишь небольшая часть рынка. Этот факт должен учитываться компаниями, так как государственная система здравоохранения подразумевает финансирование по системе тендеров и/или грантов.

Для использования технологии в реальной клинической практике требуется регистрационное удостоверение медицинского изделия. Задача усложняется тем, что в законодательстве (по крайней мере, российском) до сих пор не существует определенных стандартов, регламентирующих работу медицинских ИИ-сервисов. Это касается и подготовки датасетов, и проведения клинических и технических испытаний сервисов, и стандарта по интеграции этих сервисов в бизнес-процессы медицинских учреждений.

Как большие данные помогают бороться с пандемией

Но ситуация меняется в лучшую сторону, и этому способствует государство. Правительство запустило Национальную программу «Цифровая экономика», одним из приоритетных направлений которой является цифровизация здравоохранения. Проводится масштабный эксперимент Департамента здравоохранения города Москвы по использованию ИИ-сервисов в работе отделений лучевой диагностики. Результаты проекта станут основой для национальных стандартов, регламентирующих применение ИИ в клинической медицине.

Несмотря на наличие большого количества новых и специфических проблем, при правильном подходе ИИ-сервисы уже сейчас могут позитивно влиять на нашу жизнь и здоровье. При условии тесного взаимодействия разработчиков и медицинского сообщества мы уже в ближайшее время услышим о настоящих историях успеха.


Подписывайтесь на Telegram-канал РБК Тренды и будьте в курсе актуальных тенденций и прогнозов о будущем технологий, эко-номики, образования и инноваций.

Следующий материал: