Использование машинного обучения для оптимизации процесса лабораторной диагностики

Искусственный интеллект (ИИ) всё чаще применяется в медицинской практике. Одна из областей применения – лабораторная диагностика. Современные системы позволяют быстро анализировать лабораторные данные, выдавая заключения анализов и помогая врачам устанавливать диагнозы с учетом результатов лабораторных исследований.

Основы использования ИИ в лабораторной диагностике

В последние годы происходит интенсивное внедрение ИИ в лабораторную диагностику. Использующиеся системы позволяют анализировать цифровые снимки мазков крови, костного мозга, гистологических препаратов. Ежедневно в мире накапливается огромное количество медицинских данных, которые включают профили пациентов, данные диагностики, использующиеся методы терапии и их результаты. Эта информация используется для создания математических моделей, которые помогают врачу в дифференциальной диагностике, стратификации риска, определении прогноза, выборе лечебной тактики¹.

Определение и принципы работы ИИ

Для лабораторной диагностики используются нейросети. Их обучают на большом массиве данных, используя машинное и глубокое обучение. Возможно обучение с учителем и без учителя (контролируемые и неконтролируемые модели). На каком материале обучают ИИ, зависит от цели применения системы. Например, нейросеть для расшифровки анализов крови обучают с использованием результатов анализов реальных пациентов¹.

Примеры алгоритмов и технологий, применяемых в лабораторной диагностике

Разработанная в Тайване программа предсказывает рекомендуемые лабораторные исследования. Она определяет, какие анализы должны быть назначены пациенту, по возрасту, полу, заболеванию, используемым препаратам.

В рамках исследования BALLETS в Великобритании ИИ помог исключить ненужный анализ из списка стандартных исследований для рутинного скрининга функции печени у амбулаторных пациентов. Система смогла пересказать уровень гамма-глутатионпероксидазы по уровню АЛТ и щелочной фосфатазы с точностью 90%.

Система PIPS одобрена FDA для анализа гистологических препаратов, включая биопсийный материал исследование края резекции. Системы Healthy.io, Inui Health и Scanwell одобрены регуляторами как системы проведения анализа мочи в домашних условиях путем использования колориметрического анализа мочевых полосок камерой смартфона. Причем в системе Healthy.io даже не требуется участие медицинского персонала. Все действия выполняет сам пациент, следуя инструкциям своего смартфона².

Повышение качества анализа крови

ИИ может повысить качество и скорость диагностики. В анализах крови искусственный интеллект успешно идентифицирует клетки, поэтому определяет признаки патологии и выдает заключение, которое затем подтверждается врачом.

Точность диагностики и снижение ошибок

Точность ИИ в лабораторной диагностике довольно высокая. Например, классификация лейкоцитов в анализе крови нейросетью выполняется с точностью до 95%. Ошибки сохраняются только при определении очень похожих клеток, например, лимфоцитов и реактивных лимфоцитов. Одной из сложных проблем в диагностике является подтверждение рака по результатам биопсии. Повысить точность помогает ИИ. Например, исследование 2019 года с классификацией 2560 изображений гистологических препаратов продемонстрировало точность ИИ в диагностике лимфомы 95%¹. Израильская система Galen Prostate внедрена в клиническую практику, получив одобрение европейского регулятора, для диагностики рака простаты по результатам биопсии. Продукт показал специфичность 96,9%, чувствительность 96,5%². Таким образом, искусственный интеллект в лабораторной диагностике обладает высокой точностью, поэтому помогает врачу установить правильный диагноз.

Сравнение с традиционными методами

По сравнению традиционной интерпретацией результатов анализов использование ИИ позволяет автоматизировать процесс и ускорить его. Врач только перепроверяет данные, полученные от системы, подтверждая заключение или внося коррективы. ИИ в паре с врачом более эффективен при комплексном анализе биомаркеров заболеваний, особенно в рамках скрининга, для раннего выявления патологий или даже склонности к развитию болезней, а также для выявления и предотвращения рецидивов хронических заболеваний. Прогресс связан с тем, что ИИ принимает во внимание не только данные каждого анализа в отдельности, но может учитывать множество результатов лабораторных и других исследований, обнаруживая ранее скрытые взаимосвязи³.

Ускорение процесса анализа

С помощью ИИ анализ крови проводится быстрее. В результате экономится время врача и снижается нагрузка на медицинский персонал. Продуктивность работы клиники или лаборатории повышается.

Скорость обработки данных и выдачи результатов

При анализе данных лабораторных исследований врачу необходимо учитывать не только множество показателей, соотносить их, но также принимать во внимание возраст, пол, массу тела, фазу менструального цикла, прием препаратов и другие данные, влияющие на нормы анализов или способные повлиять на результаты лабораторных исследований. ИИ позволяет оценить результаты анализов быстро и точно, учитывая весь комплекс данных, повышая скорость выдачи результатов.

Влияние на рабочую нагрузку врачей

Так как врачам не приходится интерпретировать результаты анализов «с нуля», их рабочая нагрузка уменьшается. В результате высвобождается человеческий ресурс для выполнения других задач, в то время как ИИ успешно справляется с рутинными задачами.

Экономия времени

Исследование проводится быстрее благодаря ИИ. Если человек оценивает данные в течение нескольких минут, то ИИ выполняет те же задачи в считанные секунды. Затем врач проверяет эти результаты, подтверждает или при необходимости корректирует, предоставляя заключение в более короткие сроки.

Перспективы развития ИИ в лабораторной диагностике

Технологии ИИ совершенствуются. В перспективе они будут повсеместно внедрены в клиническую практику, включая ИИ для расшифровки анализов крови. Конечно, ИИ никогда не заменит врача, но современные технологии и врачи наиболее сильны, когда работают вместе.

Источники
1 – А.С. Лучинин. Искусственный интеллект в гематологии. Клиническая онкогематология. 2022;15(1):16–27
2 – Евгина С.А., Гусев А.В., Шаманский М.Б., Годков М.А. Искусственный интеллект на пороге лаборатории. Лабораторная служба. 2022;11(2):18–26. https://doi.org/10.17116/labs20221102118
3 – Гусев А.В., Евгина С.А., Годков М.А. Искусственный интеллект в здравоохранении России. Роль лаборатории. Лабораторная служба. 2022;11(2):5–8. https://doi.org/10.17116/labs2022110215