Искусственный интеллект в диагностике медицинских заболеваний: как нейронные сети ставят диагноз
Экосистема SberMedAI
Диагностический центр

Свяжитесь с нами, чтобы узнать больше и начать сотрудничать с нами

ООО «СберМедИИ» использует Cookies (файлы с данными о прошлых посещениях сайта) для персонализации сервисов и удобства пользователей. Продолжая использовать сайт, вы даете согласие на использование нами файлов cookie. Условия использования cookie

Закрыть
Назад

Цифровой «коллега»: как искусственный интеллект и нейросети помогают врачам в диагностике

11 апреля, 2022

Содержание

Правильный диагноз — отправная точка, которая определяет способы и объёмы дальнейшего лечения. Его постановка — серьёзная задача для врача, так как ему необходимо проанализировать большой объём информации:

  • данные первичного осмотра;

  • сведения, полученные из расспроса пациента при сборе анамнеза;

  • результаты лабораторных и инструментальных исследований;

  • консультации других специалистов.

Что осложняет диагностику?

  • Динамика заболевания. Болезнь может развиваться, а её течение — изменяться со временем. Специалист вынужден оперативно реагировать на состояние пациента и быстро принимать решение.

  • Интерпретация результатов исследования. При постановке диагноза необходимо учитывать рабочие параметры теста: чувствительность и специфичность1. В случае инструментальной визуализации (рентгенография, КТ, МРТ, УЗИ) специалисты могут оценить одно и то же диагностическое изображение по-разному2.

  • Организация процесса диагностики. Временной интервал, в течение которого специалист получит результат теста, зачастую варьируется. На интерпретацию результатов также влияет разная форма представления отчёта3.

  • Ограниченность человеческого ресурса. Врачу трудно сохранять постоянную концентрацию внимания и одинаковую производительность на протяжении длительного времени. Человеческий фактор может повлиять на эффективность решения ряда клинических задач4.

На помощь врачу в решении указанных проблем приходят передовые технологии, основанные на искусственном интеллекте (ИИ).

Искусственный интеллект — это раздел компьютерных наук, который использует технологические возможности для выполнения интеллектуальных функций. Машины учатся решать задачи, требующие мышления человека, его способности к обучению и хранению знаний5,6.

К ветвям ИИ относятся:

  • Машинное обучение (Machine Learning, ML). Алгоритмы ML используют для обучения большие объёмы данных. Исследователь выбирает функцию и модель для обработки информации. Это помогает выявить закономерности в исследуемой предметной области7.

  • Глубокое обучение (Deep Learning, DL). Специализированная форма машинного обучения, направленная на автоматическое распознавание и классификацию объектов. В дальнейшем ИИ может самостоятельно, без непосредственного участия человека, обучаться и повышать точность результатов8.

  • Обработка естественного языка (Natural Language Processing, NLP). Распознаёт человеческий язык как в письменной, так и в устной форме. Благодаря NLP искусственный интеллект лучше понимает поступающие текстовые и речевые данные, способен выполнять перевод и генерировать сообщения9.

ИИ восполняет недостаток человеческого ресурса: он способен непрерывно обрабатывать значительные объёмы информации и оказывать поддержку врачу в любое время суток.

Использование базы медицинских данных пациентов

Чтобы искусственный интеллект смог выявить признаки заболевания, ему нужно обучиться на достоверных данных.

В качестве их источника используются10:

  • данные электронной медицинской карты;

  • данные клинических лабораторных исследований;

  • генетические данные;

  • результаты электрофизиологических исследований: электроэнцефалографии (ЭЭГ), электрокардиографии (ЭКГ);

  • диагностические изображения.

Перед обучением данные предварительно аннотируются специалистами. Врачи просматривают диагностические снимки, данные электрофизиологических и генетических исследований и оставляют своё заключение, которое станет ориентиром для ИИ. Диагноз может быть представлен в виде словесной формулировки или выделенной на снимке патологической области. После этого размеченный датасет обрабатывается алгоритмами машинного обучения10.

Но не все информация изначально понятна искусственному интеллекту. Медицинская документация часто представляет собой неструктурированные данные. Для их распознавания используется обработка естественного языка.

Испанская компания Savana разработала EHRead — клиническую технологию на основе методов машинного обучения. Используемые алгоритмы NLP позволяют извлекать ценную информацию из электронных медицинских записей. Для этого предложения разбиваются на отдельные сегменты, устраняется неоднозначность аббревиатур, проводится нормализация текста11.

Как новые технологии ускоряют постановку диагноза

Медицинские специалисты обсуждают результат цифровой рентгенографии

Искусственный интеллект способен обнаруживать и классифицировать патологические образования. Для этого он анализирует изображения, полученные с помощью инструментальных методов исследования. Это особенно важно для диагностики доброкачественности или злокачественности опухоли.

Клиническое применение ИИ включает следующие виды инструментальных исследований:

  • Колоноскопия. Искусственный интеллект определяет злокачественность полипов прямой кишки. Исследователи из Баптистского медицинского центра Уэйк Форест отмечают эффективность сочетания технологий и традиционной колоноскопии: алгоритмы способны идентифицировать мелкие образования как нераковые, экономя время и ресурсы12.

  • Скрининговая маммография. Алгоритмы машинного обучения облегчают задачу по обнаружению патологических новообразований в молочной железе, включая микрокальцинаты — небольшие отложения кальция в ткани13. Сервис «Маммография» от СберМедИИ достоверно выявляет наличие злокачественной опухоли в 93% случаев и её отсутствие — в 70% случаев. Это помогает правильно выбрать дальнейшую тактику ведения пациента.

  • Визуализация печени. ИИ применяется для диагностики очаговых поражений органа, признаков жировой болезни, а также различения опухолей. Публикация в World Journal of Gastroenterology указывает, что по достоверности обнаружения стадии фиброза (разрастания соединительной ткани) искусственный интеллект приближается к инвазивным методам — биопсии печени. В будущем это поможет оценить состояние печени без забора фрагмента ткани органа14.

  • Традиционная рентгенография. Алгоритмы повышают качество рентгеновских изображений с помощью изменения резкости и контрастности, устранения артефактов. Это позволяет снизить дозу облучения для пациента, так как не нужно делать повторный снимок для постановки диагноза15.

  • Торакальная визуализация. Модели на основе искусственного интеллекта способны обнаружить мелкие узловые новообразования в лёгких, которые может не заметить специалист при визуальном осмотре снимка16. Подобное решение реализовано компанией СберМедИИ для ретроспективного анализа снимков с COVID-19. Сервис «КТ Лёгких» проводит ревизию томограмм, чтобы выявить признаки онкологии органов дыхания.

Что уже умеет нейросеть

Нейронная сеть (Artificial Neural Network, ANN) объединяет возможности машинного обучения и биологическую концепцию архитектуры человеческого мозга. Нейросеть по структуре сходна с сетью нейронов и включает несколько слоёв17:

  • на входной слой поступает информация из внешних источников;

  • в скрытых слоях, число которых варьируется, происходит обработка и классификация данных;

  • на выходном слое генерируется ответ на поступившие данные.

Нейросети учатся анализировать электрофизиологические сигналы. В случае с данными электрокардиографии (ЭКГ), искусственный интеллект выявляет признаки сердечно‑сосудистых заболеваний.

Примеры отечественного и зарубежного опыта применения ИИ для анализа ЭКГ:

  • Сервис «ЭКГ» от СберМедИИ позволяет ускорить обработку электрокардиограмм для пациентов в тяжёлом состоянии. Врачи-специалисты могут проводить онлайн-консультации, чтобы верно определить дальнейшие реанимационные мероприятия.

  • В исследовании, опубликованном в International Scholarly Research Notices, описывается нейронная сеть, которая позволяет классифицировать нормальные участки и ишемические (с недостаточным кровоснабжением)18.

  • Исследователи из Шэньчжэньского института передовых технологий разработали нейросеть для диагностики признаков пароксизмальной аритмии — приступообразного учащения сердечного ритма19.

Умный помощник врача «ТОП-3» от российской компании СберМедИИ помогает в постановке диагноза. Для этого математическая модель на основе нейронных сетей анализирует историю болезни пациента.

Алгоритм работы сервиса:

  • Врач загружает сведения электронной медицинской карты или анамнеза.

  • Искусственный интеллект сравнивает входные данные с уже имеющимися анамнезами с определённым диагнозом.

  • Результаты работы алгоритмов — это 3 наиболее вероятных диагноза, соответствующих номенклатуре МКБ-10.

Американские исследователи из Стэнфордского университета в Калифорнии рассмотрели применение нейронных сетей для диагностики рака кожи. В качестве обучающих данных использовались клинические изображения, включающие 2032 различных кожных заболевания. Эффективность алгоритма тестировалась на изображениях, подтверждённых биопсией. В постановке диагноза с нейросетью соревновался 21 сертифицированный дерматолог20.

Лучшие результаты ИИ показал для трёхсторонней классификации. Это один из вариантов проверки алгоритма: разделение патологий на изображениях на три класса — доброкачественные, злокачественные и неопухолевые. Точность решений нейронной сети составила 72,1 ± 0,9% против максимальных 66,0% и 65,6% у дерматологов20.

Учёные отмечают, что диагнозы искусственного интеллекта приближаются к уровню компетентности опытных специалистов20.

Доступная первичная диагностика кожи помогает пациентам самостоятельно выявить у себя подозрительные признаки и своевременно обратиться к врачу. Мобильное приложение AI Skin от СберМедИИ определяет вероятность одного из 7 типов кожных высыпаний. Пользователь загружает фотографию кожи для дальнейшего анализа нейросетью.

Роль ИИ в здравоохранении: как технологии упрощают диагностический процесс

Врачи общаются в формате телеконсультации

ИИ позволяет собрать данные из разных источников и организовать с учётом потребностей врача и пациента.

Пример успешного сотрудничества командного центра Джона Хопкинса c GE Healthcare показывает: интеграция искусственного интеллекта в систему медицинского учреждения ускоряет обмен информацией между его подразделениями, упрощая их взаимодействие21.

Различные виды диагностической помощи органично сочетаются в системах поддержки принятия врачебных решений (СППВР). В этом направлении развивается медицинский цифровой диагностический центр (MDDC) от СберМедИИ. Онлайн-платформа объединяет алгоритмы и решения по различным направлениям диагностики.

Наряду с умным помощником врача «ТОП-3» в состав MDDC входят:

  • КТ Инсульт: нейронные сети распознают области с острым нарушением кровообращения. Оценка начальных изменений при инсульте проводится по шкале ASPECTS.

  • КТ Легких: определение патологических лёгочных очагов и мелких узловых новообразований. Искусственный интеллект автоматически вычисляет степень и процент поражения.

  • Маммография: диагностика подозрительных образований в молочной железе и оценка по шкале BI-RADS.

  • Короткое ЭКГ: анализ данных ЭКГ в режиме телеконсультации (врач+врач).

  • Мобильное приложение AI Resp: исследование дыхательного паттерна на наличие признаков респираторных заболеваний.

  • Мобильное приложение AI Skin: анализ кожных высыпаний по фотографии с постановкой предварительного диагноза.

Организационные достоинства MDDC:

  • выдача готового заключения;

  • применение международных шкал и классификаций;

  • рекомендации по дальнейшему обследованию;

  • возможность верификации диагноза подключенным врачом-специалистом.

MDDC позволяет снизить нагрузку на врача и обеспечить точную и оперативную диагностику.

Что нас ждёт в будущем?

В обзоре исследователей из Германии в Health and Technology отмечено, что применение искусственного интеллекта и нейросетей в диагностике сосредотачивается преимущественно на разработке и тестировании алгоритмов. Многие решения требуют дальнейшей клинической апробации. При этом чаще проверяется их эффективность для отдельных заболеваний22.

Можно выделить направления, которые в будущем позволят реализовать все возможности нейросетей и обеспечить их удобное использование врачами:

  • Достижение достаточного уровня прозрачности ИИ. Врач при использовании алгоритмов должен знать, как нейросеть получила диагноз и можно ли ему доверять. Учёные отмечают важность внедрения в алгоритмы причинно-следственных связей человека и разработки поясняющего интерфейса23.

  • Интеграция искусственного интеллекта в информационные системы. Необходимо преодолеть существующие барьеры в обмене данными. При этом система должна не только собирать информацию, но и эффективно извлекать клинические сведения24.

  • Разработка междисциплинарных стратегий. Алгоритмы должны помогать всему процессу диагностики, а не только обнаружению конкретного заболевания. Публикация в World Journal of Gastroenterology обнаруживает асимметрию в применении ИИ: в рамках диагностики органов ЖКТ у рентгенологических исследований степень цифровизации выше, чем у эндоскопии и гистологии25.

Сотрудничество искусственного интеллекта и врача поможет улучшить результаты диагностики и сохранить время на общение с пациентом.

Источники

  1. Комитет по диагностическим ошибкам в здравоохранении; Совет по услугам здравоохранения; институт медицины; Национальные академии наук, инженерии и медицины; Балог Э.П., Миллер Б.Т., Болл Дж.Р., редакторы. Улучшение диагностики в здравоохранении [Электронный ресурс]. Вашингтон (округ Колумбия): National Academy Press (США). 2015 г., 29 декабря. URL: https://www.ncbi.nlm.nih.gov/books/NBK338596/ (дата обращения: 28.01.2022).

  2. Хани Х. Абуджуде, Джайлз В. Боланд, Ратачай Кевлай и др. Интерпретация компьютерной томографии (КТ) брюшной полости и малого таза: частота расхождений среди опытных рентгенологов // Eur Radiol. август 2010 г.;20(8):1952-7. doi: 10.1007/s00330-010-1763-1

  3. Джон Хикнер, Памела Джей Томпсон, Том Уилкинсон и др. Проблемы врачей первичного звена при назначении клинических лабораторных анализов и интерпретации результатов // J Am Board Fam Med. март-апрель 2014 г.; 27(2):268-74. doi: 10.3122/jabfm.2014.02.130104.

  4. Человеческий фактор в здравоохранении [Электронный ресурс] // Johns Hopkins Medicine. URL: https://www.hopkinsmedicine.org/armstrong_institute/centers/human_factors_engineering/human_factors_in_health_care.html (дата обращения 28.01.2022)

  5. Искусственный интеллект. Что такое искусственный интеллект? Как работает ИИ? [Электронный ресурс] // Built In. URL: https://builtin.com/artificial-intelligence (дата обращения 28.01.2022)

  6. Искусственный интеллект (ИИ) [Электронный ресурс] // IBM. URL: https://www.ibm.com/cloud/learn/what-is-artificial-intelligence (дата обращения 28.01.2022)

  7. Машинное обучение. Что это и почему это важно? [Электронный ресурс] // SAS. URL: https://www.sas.com/ru_ru/insights/analytics/machine-learning.html (дата обращения 28.01.2022)

  8. Что такое глубокое обучение? 3 вещи, которые вам нужно знать [Электронный ресурс] // MathWorks. URL: https://www.mathworks.com/discovery/deep-learning.html (дата обращения 28.01.2022)

  9. Обработка естественного языка (NLP). Что это такое и почему это важно? [Электронный ресурс] // SAS. URL: https://www.sas.com/en_us/insights/analytics/what-is-natural-language-processing-nlp.html (дата обращения 28.01.2022)

  10. Фей Цзян, Юн Цзян, Хуэй Чжи и др. Искусственный интеллект в здравоохранении: прошлое, настоящее и будущее // Stroke Vasc Neurol. 2017 декабрь; 2(4): 230–243. doi: 10.1136/svn-2017-000101

  11. Ноа П. Круз, Леа Каналес, Хавьер Гарсия Муньос и др. Улучшение приверженности клиническим направлениям за счет обработки естественного языка в электронных медицинских картах // Stud Health Technol Inform. 2019 21 августа; 264: 561-565. doi: 10.3233/SHTI190285.

  12. Джоэл Джозеф, Элла Мари ЛеПейдж, Кэтрин Филлипс Чейни и др. Искусственный интеллект в колоноскопии // World J Gastroenterol. 2021 7 августа; 27(29): 4802–4817. doi: 10.3748/wjg.v27.i29.4802

  13. Ахмед Хосни, Чинтан Пармар, Джон Квакенбуш и др. Искусственный интеллект в радиологии // Nat Rev Cancer. 2018 август; 18(8): 500–510. doi: 10.1038/s41568-018-0016-5

  14. Ли-Цян Чжоу, Цзя-Ю Ван , Сун-Юань Ю и др. Искусственный интеллект в медицинской визуализации печени // World J Gastroenterol. 2019 14 февраля; 25(6): 672–682. doi: 10.3748/wjg.v25.i6.672

  15. Ханс-Иоахим Ментцель. Искусственный интеллект в оценке изображений и диагностике // Monatsschr Kinderheilkd. 2021 2 июля; 1-9. doi: 10.1007/s00112-021-01230-9.

  16. Дайдзю Уэда, Акира Ямамото, Акитоши Симадзаки и др. Обнаружение рака легких с помощью искусственного интеллекта с помощью читателей из нескольких учреждений с помощью рентгенограмм грудной клетки от разных поставщиков: ретроспективное клиническое проверочное исследование // BMC Cancer. 2021 18 октября; 21 (1): 1120. doi: 10.1186/s12885-021-08847-9

  17. Нейронные сети [Электронный ресурс] // IBM. URL: https://www.ibm.com/cloud/learn/neural-networks (дата обращения 28.01.2022)

  18. Сахар Х. Эль-Хафиф, Мохамед А. Эль-Бравани. Автоматизированный классификатор сигналов ЭКГ на основе искусственной нейронной сети // International Scholarly Research Notices. Том 2013, 2013 г., 6 с. doi: 10.1155/2013/261917

  19. Цихан Яо, Русинь Ван, Сяомао Фань, Цзикуй Лю Е Ли. Многоклассовое обнаружение аритмии по ЭКГ с 12 отведениями различной длины с использованием инкрементной сверточной нейронной сети на основе внимания // Information Fusion. Том 53 , январь 2020г., с. 174-182. doi: 10.1016/j.inffus.2019.06.024

  20. Андре Эстева, Бретт Купрель, Роберто А. Новоа и др. Классификация рака кожи на уровне дерматолога с использованием глубоких нейронных сетей // Nature. 2 февраля 2017 г .; 542 (7639): 115–118. doi: 10.1038/nature21056

  21. Больница примет вас сейчас [Электронный ресурс] // Forbes. URL: https://www.forbes.com/sites/insights-intelai/2019/02/11/the-hospital-will-see-you-now/?sh=bd9c4408a40e (дата обращения 28.01.2022)

  22. Милад Мирбабайе, Стефан Стиглиц, Николас Р. Дж. Фрик. Искусственный интеллект в диагностике заболеваний: критический обзор и классификация текущего состояния исследований, определяющих направление будущего // Health and Technology. 2021 г.;11:693–731. doi: 10.1007/s12553-021-00555-5

  23. Андреас Хольцингер, Георг Лангс, Хельмут Денк, Курт Затлукал и др. Причинность и объяснимость искусственного интеллекта в медицине // Wiley Interdiscip Rev Data Min Know Discov. 2019 июль-август; 9(4): e1312. doi: 10.1002/widm.1312

  24. Вимла Л. Патель,, Эдвард Х. Шортлифф, Марио Стефанелли. Наступление эпохи искусственного интеллекта в медицине. Artif Intell Med. 2009 май; 46(1): 5–17. doi: 10.1016 / j.artmed.2008.07.017

  25. М. Альваро Бербис, Хосе Анейрос-Фернандес, Ф. Хавьер Мендоса Оливарес. Роль искусственного интеллекта в мультидисциплинарной визуализационной диагностике заболеваний желудочно-кишечного тракта // World J Gastroenterol. 2021 21 июля; 27 (27): 4395-4412. doi: 10.3748/wjg.v27.i27.4395