✅Споры в медицине о применении искусственного интеллекта

Искусственный интеллект (ИИ) готов перевернуть медицинскую практику, повысив эффективность и точность диагностики в специальностях, которые полагаются на изображения, таких как радиология и патология. Но по мере того, как технология стремительно развивается, исследователи и врачи сталкиваются с ее потенциальными недостатками. “Просто работая с технологией, я вижу множество способов, по которым она может дать сбой”, - говорит Альберт Сяо, рентгенолог из Калифорнийского университета в Сан-Диего, который разработал алгоритмы для считывания изображений сердца и улучшения их качества. Одна из основных проблем: большая часть программного обеспечения для искусственного интеллекта разрабатывается и тестируется в одной больнице, и он рискует дать сбой при передаче в другую.

Правительственные ученые, регулирующие органы и врачи США в прошлом месяце опубликовали дорожную карту, описывающую, как преобразовать ИИ, основанный на исследованиях, в улучшенную медицинскую визуализацию для пациентов. Среди прочего, комментарий в журнале Американского колледжа радиологии призвал к расширению сотрудничества между дисциплинами в создании и тестировании алгоритмов ИИ, а также к интенсивной проверке алгоритмов до того, как они попадут к пациентам. На данный момент Сяо говорит: “Я бы хотел, чтобы врач-человек был, несмотря ни на что”, даже если рядом гудит машина.

На рентгенограмме грудной клетки (вверху) искусственный интеллект указывает на вероятную инфекцию (внизу).

ИЗОБРАЖЕНИЯ: АЛЬБЕРТ СЯО И БРАЙАН ХЕРТ / ЛАБОРАТОРИЯ AIDA КАЛИФОРНИЙСКОГО УНИВЕРСИТЕТА В САН-ДИЕГО

Большинство ИИ в медицине используется в исследованиях, но регулирующие органы уже одобрили некоторые алгоритмы для радиологов. Врачи также разрабатывают свои собственные, которые им разрешено использовать без одобрения регулирующих органов, пока компании не продают новую технологию. Исследования тестируют алгоритмы для считывания рентгеновских снимков, обнаружения кровоизлияний в мозг, выявления опухолей и многого другого.

Алгоритмы учатся, когда ученые передают им сотни или тысячи изображений — например, маммограмм, — обучая технологию распознавать шаблоны быстрее и точнее, чем это мог бы сделать человек. “Если я делаю МРТ движущегося сердца, я могу заставить компьютер предсказать, где сердце будет находиться в следующую долю секунды, и получить лучшее изображение вместо размытого”, - говорит Кришна Кандарпа, сердечно-сосудистый и интервенционный радиолог из Национального института биомедицинской визуализациии биоинженерия в Бетесде, штат Мэриленд.

Или ИИ может анализировать компьютерные томографические снимки головы с подозрением на инсульт, помечать те, которые с большей вероятностью могут вызвать кровоизлияние в мозг, и помещать их в верхнюю часть кучи для осмотра рентгенологом. Алгоритм может помочь обнаружить опухоли молочной железы на маммограммах, которые рискуют пропустить глаза рентгенолога.

Но Эрик Оерманн, нейрохирург из больницы Маунт-Синай в Нью-Йорке, исследовал один недостаток алгоритмов: сигналы, которые они распознают, могут иметь меньше отношения к болезни, чем к другим характеристикам пациента, марке аппарата МРТ или даже к углу наклона сканера. Вместе с коллегами Оерманн разработал математическую модель для обнаружения паттернов на рентгенограммах грудной клетки, соответствующих пневмонии, и обучил ее на снимках, полученных от пациентов на горе Синай. В больнице есть отделение интенсивной терапии, в котором много пожилых людей, которых часто госпитализируют с пневмонией; 34% рентгеновских снимков на горе Синай были сделаны инфицированными пациентами.

Когда алгоритм был протестирован на другой партии рентгеновских снимков горы Синай, он работал превосходно, точно выявляя пневмонию в 93% случаев. Но Оерманн также протестировал его на десятках тысяч изображений пациентов с двух других сайтов: Клинического центра Национального института здоровья в Бетесде и Сети помощи пациентам штата Индиана. С рентгеновскими снимками из тех мест, где уровень заболеваемости пневмонией только что превысил 1%, показатель успеха снизился с 73% до 80%, сообщила команда в прошлом году в PLOS Medicine. “Это не сработало так хорошо, потому что пациенты в других больницах были другими”, - говорит Оерманн.

На горе Синай многие инфицированные пациенты были слишком больны, чтобы вставать с постели, и поэтому врачи использовали портативный рентгеновский аппарат грудной клетки. Портативные рентгеновские снимки выглядят совсем не так, как те, которые создаются, когда пациент стоит. Из-за того, что он узнал из рентгеновских снимков горы Синай, алгоритм начал ассоциировать портативный рентген с болезнью. Он также ожидал высокого уровня пневмонии, что привело к ошибочным диагнозам.

Было опубликовано несколько многосайтовых исследований, подобных Oermann, и в "дорожной карте" за прошлый месяц это вызвало беспокойство. В этом году южнокорейская команда опубликовала в Korean Journal of Radiology анализ 516 исследований алгоритмов ИИ, предназначенных для интерпретации медицинских изображений. Авторы обнаружили, что только в 6% исследований их алгоритм проверялся более чем в одной больнице. “Это очень тревожно”, - говорит Элейн Нсоеси, компьютерный эпидемиолог из Бостонского университета. Даже марка сканера имеет значение, поскольку рисунок пикселей может меняться, нарушая то, как ИИ оценивает изображение.

По словам Нсоэси, один из способов избежать этой ловушки - протестировать алгоритм с использованием данных из нескольких больниц. Исследователи начинают это делать, говорит она, “но меньше, чем вы думаете”. Редким примером является алгоритм, впервые обученный и протестированный на данных в детской больнице Люсиль Паккард при Стэнфордском университете в Пало-Альто, Калифорния, и Детской больнице Колорадо в Авроре. В настоящее время он проходит клинические испытания на сканировании с девяти сайтов. Программное обеспечение измеряет зрелость скелета на рентгеновских снимках кисти, которые ортопеды используют для лечения нарушений роста у детей и подростков.

В патологии, другой области, основанной на изображениях, Йерун ван дер Лаак, специалист по информатике из Медицинского центра Университета Радбуда в Нидерландах, попробовал новый способ побудить исследователей протестировать свои алгоритмы в разных больницах: конкурс. В 2015 году ван дер Лаак собрал и оцифровал 400 слайдов лимфатических узлов у пациентов с раком молочной железы в двух голландских центрах. Затем он предложил всем желающим обучить свой алгоритм на 270 из этих слайдов и протестировать его на оставшихся 130, чтобы увидеть, может ли он работать лучше, чем патологоанатомы, охотящиеся за крошечными раковыми опухолями. Двадцать три команды представили 32 алгоритма.

Результаты, опубликованные в 2017 году в JAMA, показали, что 10 соответствовали или превосходили группу из 11 патологоанатомов. Самый эффективный алгоритм, разработанный группой из Гарвардского университета и Массачусетского технологического института в Кембридже, соответствовал патологоанатому, которому потребовались целые выходные, чтобы просмотреть 130 слайдов.

“На самом деле увидеть, что ты можешь быть таким же хорошим, как патологоанатом, [было] шоком”, - говорит ван дер Лаак. Он и другие говорят, что для достижения такой точности алгоритмы искусственного интеллекта должны тренироваться на данных, которые различаются не только по месту происхождения, но и по расовому и географическому признаку, поскольку болезнь может проявляться по-разному в разных популяциях.

Управление по санитарному НАДЗОРУ за КАЧЕСТВОМ пищевых продуктов и медикаментов США (FDA) продолжает взвешивать, как оценивать алгоритмы ухода за пациентами. Агентство рассматривает “заблокированное” программное обеспечение ИИ, которое не меняется, как медицинское устройство. Но ранее в этом году она объявила, что разрабатывает основу для регулирования более современного программного обеспечения ИИ, которое продолжает обучаться с течением времени. Тем не менее, есть “серьезные вопросы, с которыми все борются” вокруг регулирования, говорит Хьюго Аэртс, который руководит лабораторией вычислительной визуализации и биоинформатики в Институте рака Дана-Фарбер в Бостоне. Что, если разработчики обновят алгоритм, который работает в 96% случаев, чтобы добиться успеха в 99% случаев; нужно ли им снова проходить процесс регулирования? Что, если одобренный алгоритм будет применен к популяции пациентов, на которых он изначально не тестировался?

FDA уже выдало несколько разрешений. Один алгоритм, созданный Сяо, измеряет размер сердца и кровоток при МРТ сердца. Сяо был разочарован тем, что ручной анализ данных занял несколько часов, поэтому он вернулся к своим корням в качестве специалиста по информатике и написал собственное программное обеспечение. Впоследствии он основал компанию Arterys, базирующуюся в Сан-Франциско, штат Калифорния, и, по его словам, получил одобрение FDA примерно через 6 месяцев. Сяо сейчас работает над алгоритмами, которые помогают выявлять пневмонию в легких.

Но, по его словам, врач, а не машина, по-прежнему является боссом и имеет право переопределять технологию. “Если я думаю, что это не пневмония, - говорит Сяо, - это не так”.

Источник https://www.science.org/

Роль ИИ в медицине

Искусственный интеллект (ИИ) играет все более значимую роль в медицине, предоставляя множество возможностей для улучшения диагностики, лечения, мониторинга пациентов и управления медицинскими данными. Ключевые области использования ИИ в медицине:

• Диагностика и обработка изображений: ИИ используется для автоматической обработки и анализа медицинских изображений, таких как рентгенограммы, МРТ, КТ и УЗИ. Алгоритмы машинного обучения помогают в детектировании и классификации различных патологий, таких как рак, зачаточные аномалии и другие заболевания.

• Прогнозирование заболеваний и рисков: ИИ может анализировать медицинские данные, включая историю болезни, результаты тестов, генетическую информацию и данные об образе жизни, для прогнозирования риска возникновения различных заболеваний и разработки персонализированных планов профилактики.

• Персонализированное лечение: Используя данные о пациентах и алгоритмы машинного обучения, ИИ может помочь в разработке персонализированных рекомендаций по лечению, выборе оптимальной терапии и дозировке лекарств для улучшения эффективности и минимизации побочных эффектов.

• Медицинский мониторинг: Системы мониторинга на основе ИИ могут непрерывно отслеживать показатели здоровья пациентов, такие как сердечный ритм, дыхание, уровень глюкозы и другие важные параметры, предупреждая о возможных осложнениях или ухудшении состояния пациента.

• Административное управление: ИИ помогает в оптимизации административных процессов в медицинских учреждениях, таких как управление медицинскими записями, планирование расписания приемов, оптимизация расходов и ресурсов и другие задачи управления.

• Исследования и разработки: ИИ играет важную роль в области медицинских исследований, помогая в обработке и анализе больших объемов данных, идентификации новых лекарственных препаратов, моделировании биологических процессов и улучшении понимания заболеваний.

Активность ИИ в медицине обещает значительно улучшить качество здравоохранения, увеличить эффективность диагностики и лечения, а также снизить затраты и риски для пациентов. 

Однако внедрение и использование ИИ в медицине также поднимает важные аспекты безопасности данных, этические вопросы, задачи обучения персонала.