Распознающие хвори: как компьютерное зрение и экспертные системы помогают врачам

Великий уравнитель

Один из создателей метода обратного распространения ошибки Джеффри Хинтон (подробнее о нем и его идеях — «Грезы о весне искусственного интеллекта») не так давно заявил, что «медицинским институтам пора прекратить выпускать рентгенологов». Инженеры часто отличаются неумеренным энтузиазмом и слабой чувствительностью к социальной озабоченности перед внедрением технологий. Врачей отменить невозможно, разумеется, ведь взгляд и опыт хорошего клинициста-человека просто необходимы. Однако Хинтон прав в том, что современные алгоритмы способны очень эффективно помогать врачу справляться с некоторыми задачами медицинской диагностики.

Автоматизация рутинных процессов и модели искусственного интеллекта в больницах способны решить много проблем сразу. С одной стороны, разгрузить врачей от рутинных задач и способствовать повышению точности диагнозов. С другой — стандартизировать медицинские услуги, сделав их качественнее и быстрее, одновременно скорректировав региональное и имущественное неравенство.

Флюорограмму или запись ЭКГ можно сделать хоть в приполярном городке, а потом выслать по электронной почте туда, где система на основе искусственного интеллекта даст такой же по качеству диагноз, как консилиум из трех авторитетных врачей. Однако  окончательный диагноз в любом случае должен будет подтвердить специалист, но теперь у него будет надежное второе мнение от ИИ.

Медсестрам и санитаркам намного легче работать с видеоаналитикой и датчиками удаленного мониторинга — одна медсестра способна контролировать множество пациентов и оперативно оказывать помощь тем, кому она требуется в первую очередь. Сверхточными роботами-хирургами во время операций могут управлять по связи 5G лучшие люди-хирурги мира, осуществляя сложные операции за тысячи километров от места своего фактического пребывания. Технологии впервые в истории способны уравнять людей в главном вопросе — поддержании здоровья и долголетия.

Изображая звуки

Точкой отсчета здесь можно считать номер авторитетного научного журнала Nature от 2 февраля 2017 года. На его обложку редактор вынес исследование о диагностике рака кожи с помощью глубокого обучения. Натренированная на датасете из 130 тыс. изображений модель ставила диагноз не хуже, а в ряде случаев и гораздо точнее, чем контрольная группа медиков. С тех пор минуло всего пять лет, но прогресс в области медицинской диагностики произошел просто ошеломительный.

Одна из самых первых поставленных и наиболее эффективно решаемых ИИ задач — классификация изображений, в том числе медицинских. К последним относятся рентгенограммы, снимки, полученные в ходе компьютерной томографии (КТ), ультразвуковых исследований (УЗИ), магнитно-резонансной томографии (МРТ).

Кроме того, как это поначалу ни прозвучит удивительно, в изображения можно превращать и изначально не визуальную информацию. Причем это далеко не только записи кардиограмм, электроэнцефалограмм и другой функциональной активности отдельных органов и их систем, но и, например, звуки.

Хорошей иллюстрацией, хотя и касающейся здоровья не людей, а птиц, может послужить пример одной крупной птицефабрики в Гонконге. Ученые записывали куриный гвалт в ангарах, где выращивают цыплят. Затем его преобразовывали в спектрограммы — изображения, показывающие, как меняется мощность сигнала на разных частотах. А полученные картинки, в свою очередь, обрабатывали с помощью сверхточной нейронной сети на 9,7 миллиона параметров. Модель научилась с точностью 97 процентов определять сигналы стресса и нехватки пищи у цыплят, что позволило ветеринарам вовремя оказывать поддержку птицам и сэкономило владельцам компании миллионы юаней.

Что хорошо для куриц, то может быть еще лучше для человека. В 2021 году разработчики «СберМедИИ» выпустили приложение AI Resp, которое анализирует звуки дыхания и кашля, а затем за минуту определяет в них особенности, характерные для больных новой коронавирусной инфекцией. Лежащая в его основе нейросетевая модель была обучена более чем на трех тысячах анонимных записей пациентов, больных COVID-19, а точность ее работы на момент запуска достигала 82 процентов. Уже в 2022 году приложение получило премию Digital Communications AWARDS, а эксперты отметили, что развитие подобных инструментов способствует самодиагностике среди широких слоев населения, раннему выявлению заболеваний и, следовательно, более эффективному их дальнейшему лечению и предотвращению распространения вирусов.

Дьявол в деталях

Возвращаясь к собственно медицинским изображениям, важно отметить, что навык определения по малозаметным деталям патологических процессов и образований вырабатывается у врачей-диагностов благодаря долгому обучению и клинической практике. Чем значительнее опыт у доктора, тем больше он «видит». Однако диагностическое заключение нередко основывается еще и на контексте — информации от пациента об обстоятельствах травмы или болезни, которая иногда отсутствует, а в ряде случаев может ввести в заблуждение.

Эрик Тополь, практикующий кардиолог, профессор геномики и директор Института трансляционных исследований Скриппса (Ла-Холья, Калифорния) приводит следующие данные: ложноположительные оценки встречаются в двух процентах исследований. И здесь на помощь вновь придут системы искусственного интеллекта — они не устают и всегда внимательны. Они способны быстро обрабатывать большое количество информации и находить закономерности, не всегда доступные человеческому глазу. При этом для их обучения можно использовать опыт сразу нескольких лучших людей-диагностов. Здесь кроются как огромные возможности, так и самые большие проблемы диагностических моделей.

Как известно, чтобы натренировать модель, нужна большая обучающая выборка — размеченный датасет. Если для определения на фотографии мотоциклов разметить данные — указать на нескольких сотнях или даже тысячах изображений мотоциклы — задача, доступная любой скучающей домохозяйке (многие из них, кстати, так и подрабатывают на сервисах типа «Яндекс.Толока» или TagMe от «Сбера»), то с рентгенограммами все уже гораздо труднее.

Во-первых, разметить снимок может только квалифицированный врач с соответствующей специализацией, что сильно повышает стоимость подготовки тренировочного датасета. Во-вторых, диагностика все же в немалой степени искусство, а не только наука, поэтому среди врачей высок субъективизм оценок. Три доктора могут разметить одну и ту же единицу данных по-разному — ведь у каждого собственный опыт, мнение и образование. В-третьих, контекст может вести как к ошибочным суждениям, так и, наоборот, помогать в постановке диагноза. При разметке из-за жестких требований к анонимизации данных врачи лишены не только сведений из истории болезни, но даже указаний на пол и возраст пациента (вот, например, здесь описаны правила такой разметки).

Тем не менее при соответствующих затратах сформировать большой и качественный тренировочный датасет возможно. Однако это самые дорогие из возможных данных, и собирать их могут себе позволить лишь крупные компании или ученые в университетах на гранты от государства или частных меценатов. Из-за высокой стоимости и трудностей сбора медицинские датасеты очень ценятся, и любые инициативы по их передаче в общий доступ всячески приветствуются.

Отечественные алгоритмы

В России серьезных успехов в сборе подобных данных и разработке эффективных диагностических алгоритмов искусственного интеллекта добились сразу несколько компаний. Это и упомянутая выше «СберМедИИ», а также «Платформа Третье Мнение», «Цельс» и «ФтизисБиоМед». Так, «СберМедИИ» представил три модели. Первая — «КТ Легких» была в 2021 году дообучена обнаруживать и выделять на КТ-снимках легких узелковые образования. Если алгоритм «видит» новообразование размером 4 мм, то он выделяет все узелки на снимке независимо от их размера. Врач Медицинского цифрового диагностического центра (MDDC) получает предварительно проанализированные алгоритмом изображения и формирует окончательное заключение.

В 2021 году модель «КТ Легких» ретроспективно проанализировала 1500 КТ-исследований легких, накопленных в Карачаево-Черкесской РКБ за период пандемии COVID-19. В результате у 12 пациентов алгоритм обнаружил признаки патологии. После верификации врачами восемь пациентов были направлены на дообследование в Карачаево-Черкесский онкологический диспансер им. С.П. Бутова. А в апреле-мае 2022 года в Нижегородской области система проанализировала еще 3155 КТ-исследований. В 231 случае обнаружены возможные новообразования. 125 пациентов в итоге были направлены в Нижегородский онкодиспансер для дальнейшего дообследования.

Другая модель «СберМедИИ» — «КТ Инсульт» способна распознать на КТ-снимках головного мозга кровоизлияния. Здесь крайне важна скорость и точность диагностики, так как чем раньше в таком случае начнутся лечебные мероприятия, тем выше шанс на сохранение моторных и когнитивных функций у пациента.

Ну а модель «Маммография» для анализа снимков молочных желез лежит в общемировом тренде скрининга и раннего выявления рака молочной железы у женщин. Аналогичные алгоритмы создавали британский стартап DeepMind AI совместно с Google Health при поддержке благотворительной организации Cancer Research UK или ученые из Массачусетского технологического института в США. Их модель машинного обучения Mirai не только определяет риск развития рака молочной железы, но и способна по маммографии предсказать недостающие данные о женщинах (такие как возраст, вес, уровень гормонов в крови), что позволяет использовать ее даже в госпиталях, где нет полной информации о пациентах, в том числе в странах третьего мира.

Кстати, для обучения Mirai исследователи использовали 211 тысяч снимков, сделанных в Массачусетской больнице общего профиля. А тестирование проходило на трех наборах данных пациенток из Массачусетской больницы, Каролинского института в Швеции и Мемориальной больницы Чан Гун на Тайване. Все это еще раз подтверждает сложность создания диагностических и предиктивных систем ИИ в медицине.

Резидент фонда «Сколково» компания «Платформа Третье Мнение» предоставляет решение по девяти модальностям сразу: от интерпретации лабораторных исследований (цифровых мазков клеток крови и костного мозга) и снимков глазного дня до лучевых исследований (рентгенограмм, флюорограмм, КТ органов грудной клетки, МРТ головы и зубочелюстной системы). ИИ-алгоритмы «Третье Мнение» способны обнаруживать признаки 70 с лишним патологий — от рака крови до сердечно-сосудистых заболеваний.

В состав учредителей компании входит крупнейшая сеть частных медицинских центров в России ГК «МЕДСИ», что позволяет опробовать и быстро внедрять решения в клиническую практику. ИИ-алгоритмы компании уже работают в десятках больниц и за последние несколько лет помогли врачам из девяти субъектов Российской Федерации обработать 1 миллион 110 тысяч видов исследований.

«Третье Мнение» может использоваться как интеллектуальный ассистент врача для экономии времени на анализ исследований и повышения точности диагностики, а также приоритизации пациентов в рабочем списке доктора, когда изображения с подозрением на признаки патологий попадают вверх очереди, что особенно ценно при угрожающих жизни состояниях. Помимо этого ИИ-алгоритм может также проводить ретроспективный анализ исследований для выявления необнаруженных врачом ранее патологий, использоваться для дифференциации потока исследований в ходе массовых скринингов населения. Все это повышает выявляемость заболеваний и оптимизирует нагрузку на врачей.

«ФтизисБиоМед» специализируется на системах для автоматического анализа цифровых флюорографических снимков на наличие всех возможных патологий, которые можно выявить при флюорографии. Их облачный сервис подключен к комплексу ЕРИС ЕМИАС и внесен в стандарты работы московских клиник. А начиная с 2019 года внедрен еще в 53 регионах России. По заявлениям самой компании, с того времени их сервисом обработано более миллиона снимков (цифровых флюорограмм и рентгенограмм грудной клетки).

Компания «Цельс» также применяет компьютерное зрение для всех вышеописанных традиционных областей анализа медицинских изображений, однако ее отличает глубокая интеграция сервиса с системой поддержки принятия врачебных решений. Продукты «Цельса» не только распознают наличие доброкачественных или злокачественных изменений на снимках, указывают их локализацию, но и затем интерпретирует результаты, согласно международным стандартам.

Под наплывом пациентов

Пандемия COVID-19 продолжается уже три года. Ее характерная особенность — периодический волнообразный всплеск числа больных. На пике заболеваемости медицинские учреждения сталкиваются с огромными перегрузками: не хватает больничных коек, аппаратов ИВЛ и ЭКМО, запасов кислорода, а врачи и медсестры вынуждены работать в две, а то и три смены.
Помимо введения в оборот резервов коечного фонда и разворачивания дополнительного персонала, помочь может оптимизация триажа — медицинской сортировки пациентов на группы в зависимости от тяжести их состояния, вероятности осложнений и требуемого лечения. Однако в условиях наплыва пациентов принимать больных COVID-19 приходится не только терапевтам и пульмонологам, но и непрофильным врачам — а им не всегда легко верно спрогнозировать развитие болезни и возможные осложнения. Из-за этого распределение больных не всегда осуществляется оптимально. Это приводит к дополнительной нагрузке на систему здравоохранения. Существенно улучшить оценку рисков способен искусственный интеллект.

Для этого в 2020 году Лаборатории искусственного интеллекта «Сбера» решили создать модель, которая могла бы дать прогноз риска осложнений для каждого пациента с COVID-19 или пневмонией. Помимо точности предсказаний, программа также должна была легко интегрироваться в уже существующие в больницах системы электронной медицинской регистрации и «понимать» разнообразные форматы медицинских отчетов.

Дело в том, что в ходе госпитализации пациента собирается большой массив текстовых данных. Они включают анамнез, результаты первичного осмотра и тестов, историю болезни и ранее примененных стратегий лечения. Затем к ним прибавляются результаты радиодиагностики и лабораторных анализов. Обычно всех этих сведений, полученных в течение 24 часов с момента поступления больного в медицинское учреждение, достаточно для лечащего врача, чтобы оценить риск негативного развития заболевания — потребуется ли пациенту искусственная вентиляция легких или перевод в палату интенсивной терапии.

Аналогичных результатов удалось добиться и от модели искусственного интеллекта. Для этого в «Сбере» использовали «трансформеры» (Transformer) — алгоритмы, которые применяют механизм «внутреннего внимания» или «самовнимания» (self-attention) для повышения скорости обучения. Другими словами, это слой, который позволяет кодировщику модели одновременно посмотреть на все слова входящей последовательности (например, одного предложения) и благодаря этому точнее закодировать конкретное слово.

Тренировали свою разработку в «Сбере» на датасете из 25 тысяч историй болезни и сведений из регистрационных карт пациентов. А проверили модель, как обычно: посредством ретроспективного анализа. Алгоритм выделил из общей выборки более тысячи пациентов группу 100 человек с высоким риском осложнений. Проверка показала, что в итоге 55 из них действительно попали в отделения интенсивной терапии. Это почти в три раза больше, чем по выборке в целом — 55 процентов против 20, что подтвердило прогностическую ценность предиктивной аналитики модели.

Вас много, а мы одни

Во многих странах мира медсестры и медбратья — высокооплачиваемые и дефицитные специалисты. В России делается многое, чтобы максимально приблизиться к соответствию первой части этого утверждения (в частности, национальный проект «Здравоохранение» направлен в том числе на решение и этого вопроса), но вторая часть в любом случае справедлива: младшего персонала в больницах определенно должно быть больше. Присматривать и вовремя помогать всем пациентам трудно.

Искусственный интеллект можно применить для решения этой проблемы. На анализе отдельных изображений компьютерное зрение не заканчивается. Хорошо развивающейся областью стала видеоаналитика. Больших успехов здесь также добилась упомянутая выше российская компания «Платформа Третье Мнение». Она интегрирует систему видеонаблюдения с ИИ-алгоритмами собственной разработки. В итоге одна дежурная медсестра способна эффективно контролировать множество палат с пациентами. С ней теперь всегда искусственный интеллект.

При этом медсестре вовсе не нужно непрерывно следить за десятком трансляций с видеокамер из палат. Умный алгоритм по изображению с камеры определит, что случилось нечто экстраординарное, например пациент упал с кровати или потерял сознание. Пуш-уведомление тут же придет на часы медсестры, и она сразу сможет оказать помощь пациенту.

Кроме того, видеоаналитика позволяет и главврачу отслеживать использование рабочего времени медсестрами и лечащими врачами: исполняют ли они свои обязанности, уделяют ли внимание всем пациентам, насколько часто посещают их и оказывают помощь. Таким образом можно выявить малоэффективных сотрудников, оптимизировать трудозатраты и обязанности текущего медицинского персонала.

Эффективное импортозамещение

В текущих условиях важно, что почти для всех разработок в области ИИ в медицине и здравоохранении есть отечественные аналоги, и наша страна идет здесь в авангарде прогресса. Да, с хорошими медицинскими датасетами есть сложности, но и это решаемая проблема, особенно с поддержкой государства и в условиях реализации национальных проектов.

Самое главное, что в плане математики и алгоритмов Россия продолжает удерживать высокий уровень. А это значит, что в условиях цифровой трансформации здравоохранения у нас есть шанс не только не отстать, но и, как это уже произошло с банковскими услугами или сервисами доставки, получить передовую и надежную медицину — просто основанную на других принципах, — направленную на предсказание заболеваний, их раннюю диагностику и превентивную терапию, а не на лечение уже запущенных форм.