Как искусственный интеллект помогает в медицине

В России действуют более 70 проектов по внедрению технологий машинного обучения в медицину. Искусственный интеллект помогает повысить точность диагностики, ускорить разработку лекарств и автоматизировать рутинные процессы. Редакция «Ъ-Науки» разобралась, какие существуют направления применения ИИ-сервисов в медицине и в чем главные сложности развития профильных нейросетей.

Одно из главных направлений развития технологий машинного обучения в медицине — это анализ медицинских изображений, таких как маммограммы, флюорограммы, ЭКГ, КТ, МРТ, УЗИ и офтальмологические снимки для выявления признаков патологий. Уже сейчас ИИ-сервисы ассистируют врачам в диагностировании онкологии, инсультов и инфарктов, диабетической ретинопатии и редких заболеваний.

«Спина бифида»

Спина бифида (от лат. spina bifida) — это редкая врожденная патология, при которой позвоночник и спинной мозг развиваются неправильно. В России она ежегодно встречается у 1,5–2 тыс. детей и без своевременной (иногда внутриутробной) операции приводит к инвалидности.

Чтобы увеличить выявляемость заболевания на более ранних этапах, студенты Школы анализа данных «Яндекса» при поддержке благотворительного фонда «Спина бифида» и НМИЦ имени Кулакова создают ИИ-сервис. Он анализирует изображения УЗИ беременных женщин и определяет вероятность наличия признаков патологии. Если она высокая, то врач может оперативно направить пациентку на дополнительное обследование и лечение в перинатальные центры. В ходе применения сервиса специалисты будут загружать в него все больше размеченных качественных данных от новых пациентов. «Благодаря этому мы сможем дообучить нейросети, чтобы улучшить точность выявления признаков заболевания»,— отмечает Владимир Корсунов, выпускник ШАД и один из разработчиков ИИ-сервиса для идентификации spina bifida.

Retina.AI

Российский сервис Retina.AI помогает врачам обнаруживать признаки офтальмологических заболеваний сетчатки глаза. Ответ о возможной патологии дается через десять секунд после обработки, которая занимает две-три секунды. Врачи могут использовать сервис для получения второго мнения в сложных случаях, при сочетанных патологиях, для сравнительного анализа или уточнения диагноза.

На текущий момент с Retina.AI сотрудничают более 1100 врачей. Помимо России, сервис работает в странах ближнего и дальнего зарубежья, включая Латинскую Америку, Ближний Восток, Африку и Юго-Восточную Азию.

«Цельс»

«Цельс» — это российская система поддержки принятия врачебных решений на базе нейронных сетей. Искусственный интеллект используется для выявления признаков заболеваний на снимках маммографии, флюорографии, КТ грудной клетки и спинного мозга. Он определяет локализацию изменений, формирует протокол заключения и вероятный диагноз. Также сервис выстраивает список исследований по приоритетности, чтобы врач в первую очередь просматривал снимки пациентов с высокой вероятностью патологии. Это сокращает время на диагностику и минимизирует риски пропуска патологий.

На 2024 год в базе сервиса находится более 4 млн обработанных медицинских изображений, включая публичные базы данных, неразмеченные снимки и подтвержденные исследования — с патологией или без нее.

Лекарство от нейросети

ИИ-технологии могут ускорить процесс поиска химических соединений для разработки новых лекарственных препаратов и принести медицинской промышленности от 60 до 110 миллиардов долларов в год, подсчитали в Глобальном институте McKinsey. Сегодня разработка и вывод нового лекарственного препарата на рынок занимает в среднем 12–14 лет и стоит примерно 2,3 млрд долларов, отмечает Андрей Чурсов, исполнительный вице-президент по науке и технологиям Zephyr AI, основатель Datomics Group, выпускник Школы анализа данных . «С точки зрения долгосрочных целей применения искусственного интеллекта хотелось бы сократить весь описанный процесс с 12–14 лет до 4–5 лет. Для этого уже сегодня искусственный интеллект начинает применяться на каждой из стадий разработки лекарств»,— подчеркивает Андрей Чурсов.

Самые сложные этапы — это идентификация биологической мишени в организме, на которую лекарство может воздействовать, а также проектирование препарата, отмечает эксперт. На сегодняшний день поиск новой мишени заключается в машинном анализе текстов научных публикаций и патентов, анализе исторических клинических данных и применении различных статистических методов для идентификации новой мишени. После того как мишень найдена, искусственный интеллект используется для помощи в дизайне молекул с заранее заданными характеристиками и предсказании токсических или нежелательных эффектов, которые новая молекула может вызвать в организме человека.

Применять ИИ в разработке лекарств очень важно. «Огромный размер химического пространства делает невозможным его тщательное исследование классическими методами. Количество химических молекул, которые могут иметь лекарственные свойства, оценивается как 10⁶⁰. Это число значительно превосходит количество молекул, которые человечество когда-либо сможет создать и изучить»,— подчеркивает Андрей Чурсов.

Автоматизация: с данными налегке

Искусственный интеллект используется, чтобы обрабатывать медицинскую информацию и освобождать врачей от рутинной работы. Он может анализировать большое количество данных: записей медкарт, лабораторных результатов и медицинских изображений. Это открывает новые возможности для построения закономерностей и прогнозов, а также поиска факторов риска, отмечает Валерия Кузоватова, руководитель департамента развития клинических и образовательных проектов Сеченовского университета.

Специалисты Сеченовского университета, Yandex Cloud и компании Beltel Datanomics создали платформу медицинских данных, содержащую более 18 млн медицинских документов общим размером более 300 Гб. Благодаря ей врачи и ординаторы могут быстрее искать информацию, собирать статистику и выгружать данные за несколько секунд. В будущем ИИ начнет помогать им с этими задачами, уверена Валерия Кузоватова.

Ответить на вызовы и добиться большего

Технические вызовы, стоящие перед создателями нейросетей в здравоохранении, в первую очередь заключаются в сложности разметки медицинских данных. У них много «шумов», а качество информации, которую выгружают модели, сильно зависит от человеческого фактора. «Все данные размечаются вручную. После их проверяет доктор-супервайзер. Обычно это специалист с большим опытом работы, имеющий колоссальную насмотренность: он отсматривает сотни тысяч изображений в год»,— отмечает Дмитрий Каталевский, генеральный директор Digital Vision Solutions, компании—разработчика Retina.AI.

Сложности в разработке нейросетей для медицины состоят еще и в том, что оценивать модели нужно не только по метрикам машинного обучения, но и по медицинским показателям (чувствительность, специфичность, частота ложноположительных результатов), подчеркивает Валерия Кузоватова.

Наконец, один из самых больших вызовов для создания медицинских ИИ-сервисов — это поиск подходящего датасета для обучения. Большую часть исследований составляют изображения здоровых людей, и только небольшую занимают патологии. Так, для обучения нейросети по поиску spina bifida использовалась база данных из почти 6 тыс. обезличенных изображений УЗИ беременных женщин, и только 300 из них содержали признаки патологии. Один из вариантов решения — «размножение» данных при помощи технологии аугментации. Например, изменения яркости, контраста или масштаба изображений, добавления поворотов или отражений, отмечает Владимир Корсунов.

Несмотря на определенные ограничения, сейчас очень важно продолжать активно внедрять нейросети в медицину. В первую очередь для этого требуется вовлечение высококвалифицированных врачей в процесс сборки и разметки датасетов, подчеркивает Владимир Корсунов: «Данные — это краеугольный камень для обучения любой модели. Чем больше размеченных данных, тем точнее модель будет решать свою задачу».

Ольга Грибова