fbpx
  • «Рутинные задачи с минимальным риском». Nature опубликовал доклад о развитии ИИ в медицине

    Фото: http://www.mulierchile.com

    Использование глубокого обучения в медицине активно развивается благодаря большому количеству размеченных снимков, возросшей вычислительной мощности и появлению облачных хранилищ данных. Нейронные сети влияют на состояние медицины на трех уровнях:

    • помогают врачам быстро и точно интерпретировать изображения;
    • уменьшают количество врачебных ошибок;
    • помогают пациентам самостоятельно анализировать данные с помощью датчиков, чтобы контролировать свое состояние.

    Однако пока исследователи находятся на начальном этапе использования нейронных сетей в медицинской практике из-за ограничений, которые не позволяют применять их в полной мере.

    Какие возможности и проблемы есть у нейронных сетей в медицине сегодня?

    Нейронные сети в помощь врачам

    Глубокие нейронные сети (DNN) могут помочь в интерпретации медицинских сканов патологий, электрокардиограмм, эндоскопии. Особое внимание уделяется радиологии — использованию нейросетей для анализа рентгеновских снимков. Google использовали алгоритмы для интерпретации снимков грудной клетки, чтобы поставить 14 различных диагнозов, от пневмонии до гипертрофии сердца и коллапса легкого. DNN также способны диагностировать отдельные виды рака, переломы, кровоизлияния, ретинопатию, поражения кожи и множество других заболеваний. Алгоритмы могут улучшить работу дерматологов, кардиологов, офтальмологов и даже психотерапевтов, позволяя отслеживать развитие депрессии.

    нейронные сети в медицине
    Примеры применения ИИ в здравоохранении на протяжении жизни человека

    Проблема состоит в том, что большинство исследований и отчетов все еще существуют только в виде препринта. Они не опубликованы и не проверены рецензентами. В препринтах проверка работоспособности алгоритмов осуществляется с точки зрения точности, что еще не равно клинической эффективности. Эффективность подтверждается с помощью недешевых клинических испытаний.

    Нейронные сети для пациентов

    Алгоритмы, которые пациенты могут использовать самостоятельно, развиваются медленнее, чем те, которые используют клиницисты. В 2017 Управление по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) в США одобрило алгоритм SmartWatch для выявления аритмии, а впоследствии в 2018 году Apple получила одобрение FDA на алгоритм, используемый с Apple Watch Series 4. Датчики на часах определяют частоту сердечных сокращений пользователя в состоянии покоя и при физической нагрузке, и когда происходит сильное отклонение от ожидаемого, пользователю выдается предупреждение о записи ЭКГ через часы, результаты которого затем интерпретирует алгоритм.

    Некоторые приложения для смартфонов используют нейронные сети для мониторинга и контроля приема лекарств, например AiCure заставляет пациента делать селфи-видео во время проглатывания предписанной таблетки.

    нейронные сети в здравоохранении aicure
    AiCure контролирует прием лекарства

    Алгоритмы, основанные на том, как повышаются или понижаются значения глюкозы, используются пациентами с диабетом. Они помогли предотвратить эпизоды гипогликемии. Таким образом, распространенные хронические состояния, такие как гипертония, депрессия и астма, теоретически можно лучше контролировать с помощью приложений.

    Проблемы и ограничения

    Главная проблема будущего искусственного интеллекта в медицине заключается в том, насколько хорошо могут быть обеспечены конфиденциальность и безопасность данных. Существует риск выявления конфиденциальных данных пациента из истории болезни. Более того, есть риск преднамеренного взлома алгоритма для нанесения вреда людям в больших масштабах, например передозировки инсулина у диабетиков.

    Вторая проблема — неточная работа алгоритмов. Недавний пример — алгоритм IBM Watson Health (известен как Watson for Oncology). Используемый сотнями больниц по всему миру для рекомендаций по лечению больных раком, алгоритм был основан на небольшом количестве синтетических случаев и очень ограниченом количестве реальных данных. Многие из его рекомендаций по лечению были ошибочными, например, предлагали использовать несовместимое лекарство для пациента с сильным кровотечением, что представляет явное противопоказание.

    Еще одна проблема — предвзятость. Низкий социально-экономический статус — основной фактор риска преждевременной смертности. Непропорциональное использование искусственного интеллекта у «имущих», в отличие от «неимущих», может увеличить существующий разрыв в состоянии здоровья. С этой проблемой тесно связано смещение результатов из-за отсутствия включения меньшинств в наборы данных. Пример — алгоритмы в дерматологии, которые диагностируют меланому, но не учитывают цвет кожи. Требуется искоренить предрассудки и стремиться к медицинским исследованиям, которые обеспечивают действительно репрезентативное представление населения.

    Возможности

    Ученые подчеркивают, что критически важны тщательные исследования результатов работы алгоритмов и проведения тестирований в клинических условиях. Человеческое здоровье слишком ценно, поэтому в ближайшее время ИИ сможет выполнять только рутинные задачи с минимальным риском.

    Не смотря на проблемы, в дальнейшем исследователи видят использование нейронных сетей в программном обеспечении, которое будет быстро и точно обрабатывать огромные массивы данных и машинах, которые будут видеть и делать то, что не под силу человеку. Это в конечном итоге заложит основу для высокопроизводительной медицины, которая будет основана на данных и уменьшит зависимость от человеческих ресурсов.