Пандемия коронавируса заставила по-новому взглянуть на то, как технологии помогают бороться с последствиями подобных вспышек или даже предотвращать их. На первый план выдвигаются IT-разработки вроде торонтской платформы искусственного интеллекта (ИИ) Bluedot, которая спрогнозировала распространение COVID-19 быстрее и точнее, чем ВОЗ.

В России тоже заговорили о возможностях ИИ для медицины, хотя соответствующие разработки ведутся уже несколько лет. Росздравнадзор в апреле 2020 года впервые зарегистрировал как медицинское изделие искусственный интеллект — систему Webiomed. Процесс регистрации занял больше года. Но сам факт такой регистрации свидетельствует: процесс пошел. Дальнейшее проникновение ИИ в медицину даст новые возможности. В том числе и для борьбы с коронавирусом и его последствиями.

ИИ предсказывает инфаркт и инсульт

Если отвлечься от нынешней ситуации с коронавирусом, то наиболее ак­туальной проблемой для здравоохранения большинства стран мира, в том числе и России, являются сердечно-сосудистые заболевания. Согласно данным ВОЗ, ежегодно в мире от них погибает более 17 млн. человек, из них от ишемической бо­лезни сердца — более 7 млн.

Риск развития ишемической болезни связан с артериальной гипертонией, повышен­ным уровнем общего холестерина и элек­трокардиографическими признаками гипертрофии левого желудочка. Мероприятия первичной профилактики дают впечатляющий эффект: заболеваемость и смертность снижаются многократно. Научной основой профилактики является концепция факторов риска, и с 1961 г., после опубликования первых резуль­татов Фрамингемского исследования, нача­лась эра изучения этих факторов.

В профилактической медицине для управления рисками сердечно-сосудистых заболеваний используются рискометры — шкалы, полученные в результате длительных проспективных исследований. Но практическое примене­ние разработанных шкал показало ограничения в точности прогнозирования. Машинное обучение дает возможность повысить точность прогнозирования сердечно-сосудистого риска за счет обнаружения нелинейных взаимосвязей между факторами риска, результатами заболеваний и другими признаками.

На основании данных 2236 пациентов для системы Webiomed была обучена модель по признакам, ис­пользуемым в построении фрамингемской шкалы. Исследователи сравнили полученную модель и фрамингемскую шкалу на точность прогноза сердечно-сосудистого события. Так, по ROC анализу для фрамингемской шкалы показатели следующие: точность Accuracy — 70,0%, показатель AUC (площадь под ROC-кривой) — 0.59. При этом для модели, полученной с использованием машинного обучения, аналогичные показатели состави­ли: Accuracy — 78,8%, AUC — 0.84. Как видно из этих цифр, система демонстрирует более высокую точность, чем человек. То есть модель на основе нейронной сети улучшает результат моделирования по сравнению с фрамингемской шкалой.

Это открывает перспективы более точной и инди­видуализированной оценки риска сердечно-сосудистых заболеваний. Сделав анализ данных пациента в молодом возрасте и обработав результат с помощью алгоритмов, обученных на подходящих данных, вполне реально оптимизировать профиль факторов риска для пациента в среднем возрасте и предупредить или отсрочить развитие болезней сердца (1).

А это проверяли в реальных условиях?

Первый опыт внедрения показывает, что такую модель можно встроить в работу системы здравоохранения. ИИ Webiomed сумел обработать электронные медкарты жителей города Муравленко на Ямале. Документы 25 тысяч пациентов он проанализировал за 123 часа (примерно 5 суток). Среднее время обработки данных одного пациента составило от 30 секунд до 2 минут (в зависимости от объема медкарты).

По итогам анализа результатов система выделила 67 пациентов, которых можно отнести к группе риска по сердечно-сосудистым заболеваниям. Врачи согласились с выводами искусственного интеллекта и поставили этих пациентов на диспансерный учет. Таким образом, диагностические модели, основанные на машинном обучении, могут как бы снабжать медиков дополнительным «вниманием», запасы которого у человека заведомо ограничены. Это поможет не пропускать пациентов, которым может потребоваться дальнейшая диагностика, наблюдение или лечение.

В отчете по итогам «пилота» утверждается, что система Webiomed почти в семь раз эффективнее выявляет риски сердечно-сосудистых заболеваний, чем врачи во время рутинной диспансеризации.

За рубежом о системах, подобных только что зарегистрированной в России, известно еще с начала 2010-х годов. Так, американская HealthReveal позволяет строить динамический прогноз развития хронических заболеваний, таких как фибрилляция предсердий, и выявляет пациентов с высоким риском с целью сокращения финансовых расходов. Французская облачная платформа Cardiologs использует нейронную сеть для прогнозирования случаев мерцательной аритмии с точностью 91%.

ИИ и диагностика рака

Одной из первых в мире систем поддержки принятия клинических решений в онкологии, использующих алгоритмы искусственного интеллекта, стала Watson for Oncology, использующая мощности суперкомпьютера IBM Watson. Однако оказалось, что система допускает ошибки в предложенных ею протоколах лечения.

С учетом предыдущего опыта именно в области обработки медицинских изображений сейчас происходит серьёзный прорыв ИИ. Это связано как с увеличением вычислительных мощностей компьютеров за последние 5-7 лет, так и с накоплением огромного массива цифровых медицинских данных.

Разработанная компанией «Интеллоджик» система ИИ «Botkin.AI» — это платформа для анализа радиологических исследований, которая построена на принципах гибридного интеллекта. Платформа включает в себя модель поиска потенциальных образований легких по данным компьютерной томографии, рабочее место радиолога (DICOM-вьюер). Главное — это механизмы управления потоком исследований, позволяющие подключиться к серверу PACS и получить доступ к исследованиям, исключив из них персональные данные пациента, после чего отправить эти исследования в модель ИИ. Затем результаты приходят на валидацию врачу-рентгенологу. Они представляют собой список исследований, отсортированный по вероятности наличия злокачественных образований.

В ходе пилота на Ямале алгоритмы ИИ Botkin.AI продемонстрировали 100% чувствительность и 93,7% специфичность, что является очень высокими показателями диагностической информативности теста с малой распространенностью выявляемого признака в выборке. Если эти показатели устойчивы, систему можно использовать как для целей реализации региональных программ скрининга рака легкого, так и в качестве дополнительного инструмента повышения выявляемости рака легкого при внедрении автоматического пересмотра массивов данных КТ грудной клетки, вне зависимости от показаний, по которым были сделаны эти исследования. (3)

В начале мая на сайте Корнеллского университета (Великобритания) опубликована научная работа Ивана Дрокина и Елены Еричевой, причастных к созданию Botkin.AI, посвященная методу глубокого обучения на облаках точек с целью уменьшения ложноположительных результатов при анализе подозрительных изображений на КТ грудной клетки. Они описали первое использование совершенно новой технологии анализа медицинских изображений, которую сейчас патентует проект. Это технология, основанная не на традиционном подходе анализа изображений, а на анализе облака точек (point cloud). Технология открывает невероятные возможности для увеличения точности анализа медицинских изображений и снижения требований к необходимым ресурсам. (4)

ИИ против коронавируса

Botkin.AI включился в проект по анализу диагностических изображений с целью снижения возможных последствий эпидемии коронавируса COVID-19 и пневмонии.
Модель на основе нейросетей позволяет выявлять патологические изменения в легких пациентов. Информация об этом автоматически поступает в систему и становится доступна врачу на его компьютере. От момента, когда рентген или КТ пациента выполнены, до получения «мнения» ИИ, которое система отправит врачу на рабочее место, проходит не более 15 минут.
Функционал системы позволяет врачу обрабатывать результаты диагностики в первую очередь для тех пациентов, у которых ИИ заподозрил патологию, и в случае, когда врач соглашается с мнением ИИ, это ускорит процесс перенаправления пациента к нужному специалисту — терапевту, онкологу, фтизиатру или на уточняющее исследование. В итоге лечение пациентов начинается раньше.
В рентгенологии модели на основе машинного обучения и анализа данных возьмут на себя функции первичной сортировки и контроля медицинских изображений: рентгенограмм, томограмм, гистологических, цитологических, геномных исследований и т.д. Это позволит сосредоточить внимание врачей-специалистов, которых сейчас сильно не хватает, только на сложных случаях. Таким образом, смысл внедрения ИИ состоит в том, чтобы освободить врача от рутины, дать больше времени и сил на общение с пациентами и более глубокое понимание каждого случая.

Источники

(1)   Гусев А.В., Гаврилов Д.В., Корсаков И.Н., Серова Л.М., Новицкий Р.Э., Кузнецова Т.Ю. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний. ) // Врач и информационные технологии. 2019. № 3. С. 48-67.
(2)   Петр Кузнецов, Сергей Чудаков, Екатерина Какорина, Андрей Алмазов.Системы поддержки принятия решений в медицине для управления человеческим капиталом  // Менеджмент качества в медицине. 2019. № 2. С. 114–120.
(3)   Дрокин И. С., Еричева Е. В., Бухвалов О. Л., Пилюс П. С., Малыгина Т. С., Синицын В. Е. Опыт разработки и внедрения системы поиска онкологических образований с помощью искусственного интеллекта на примере рентгеновской компьютерной томографии легких (BOTKIN.AI, г. Москва, Россия) // Врач и информационные технологии. 2019. № 3. С. 48-67.
(4) Ivan Drokin, Elena Ericheva. Deep Learning on Point Clouds for False Positive Reduction at Nodule Detection in Chest CT Scans