Отслеживание современных тенденций и использование новых инструментов в своей работе — признаки профессионализма врача. Технологии на основе искусственного интеллекта (ИИ) становятся все более популярными и нашли свое место в медицине. Системы поддержки принятия врачебных решений (СППВР), машинное обучение (ML), большие языковые модели (LLM) и другие термины из этой области уже стали частью медицинской практики, и их важно освоить хотя бы на базовом уровне.

Давайте разберемся, в каких областях ИИ может эффективно помогать врачам в работе, и почему он не способен заменить специалистов в медицине.

Как у машины появился «интеллект»?

Начнем с того, что популярность ИИ несколько лет назад возникла не на пустом месте. Можно утверждать, что концепция «машинного разума» начала формироваться в 1951 году, когда британский ученый-программист Кристофер Стрейчи, известный как «человек, создающий идеальные программы», разработал первую программу ИИ. Однако термин «искусственный интеллект» появился только несколько лет спустя, после Дартмутской конференции, на которой его предложил американский информатик Джон Маккарти.

Что же подразумевается под этим понятием? Это целый набор подходов и методов, которые решают задачи, имитируя человеческие навыки, такие как планирование, обучение и совершенствование на основе новых данных. То есть это не один конкретный алгоритм, а обширное направление в области компьютерных наук, в рамках которого разрабатываются и изучаются алгоритмы, анализирующие информацию аналогично человеку, но без необходимости соответствовать биологическим структурам, например мозгу.

В 1960–1970-х гг. специалисты по информатике работали над созданием базовых правил и экспертных систем, что привело к появлению первых медицинских помощников, схожих с современными системами поддержки медицинских решений. Однако для того, чтобы эти системы получили «интеллект», им все еще не хватало вычислительных ресурсов и данных для обучения. В 1980–1990-х гг. наука в области искусственного интеллекта сделала значительный шаг вперед: появились методы машинного обучения (ML) и его подвид — глубокое обучение (DL), известное как нейросети. Это дало возможность программам более эффективно обучаться и улучшать свою производительность с накоплением новых данных. Примером такого подхода является программа Deep Blue от IBM, которая в 1997 году победила чемпиона мира по шахматам Гарри Каспарова¹.

В 2000-х годах акцент сместился на задачи обработки естественного языка и компьютерного зрения, что привело к появлению виртуальных помощников, таких как Сири и Алиса, а также множества программ для анализа изображений, включая медицинские. Поскольку искусственный интеллект продолжает активно развиваться, крайне важно обеспечить его этическую и доказательную основу, чтобы его разработки приносили пользу всем. Эксперты считают, что применение ИИ в клинической практике может стать революционным для сферы здравоохранения. Поэтому чем больше информации о возможностях ИИ будет доступно медицинским работникам, тем быстрее произойдет эта революция.

Расширение возможностей диагностики с помощью ИИ

Хотя сотни программ анализа медицинских изображений уже получили одобрение американского (FDA), европейского (CE), а десятки — даже российского² (Росздравнадзор) регуляторов для клинического применения, технологии компьютерного зрения все еще находятся на начальной стадии своего полноценного внедрения в практику. Наибольшие успехи демонстрирует ИИ в области диагностики опухолевых заболеваний.

Например, одно из крупных британских исследований показало, что применение ИИ для интерпретации маммограмм снизило ложноположительные и ложноотрицательные результаты на 5,7 % и 9,4 % соответственно³ (т. е. уменьшило количество ошибочных и пропущенных диагнозов). В Южной Корее проводилось сравнение диагностики рака молочной железы, выполненной рентгенологами в обычной манере и с использованием ИИ⁴. В этом случае ИИ оказался более чувствительным в скрининге: 90 % против 78 % у рентгенологов. Кроме того, программа лучше выявляла рак на ранних стадиях (91 %), тогда как рентгенологи достигали 74 %. Однако при использовании алгоритма рентгенологи демонстрировали значительно большую точность по сравнению с теми, кто эту технологию не применял.

ИИ успешно зарекомендовал себя в диагностике различных заболеваний, включая рак кожи, легких, патологии органов грудной клетки, брюшной полости, малого таза и мозга, а также в выявлении переломов, диабетической ретинопатии, аномалий на ЭКГ и прогнозировании факторов риска сердечно-сосудистых заболеваний. Сейчас интеллектуальные сервисы применяются даже в рамках автономной работы, например в области оценки нормальных рентгенограмм грудной клетки. В 2022 году был представлен первый автономный радиологический сервис Oxipit ChestLink, который получил одобрение европейского, а затем и американского регулятора для использования в клиниках. С 2024 года подобный подход тестируется⁵ в Москве в рамках эксперимента по применению компьютерного зрения для анализа медицинских изображений.

ИИ имеет потенциал и для управления клинической лабораторной службой⁶, чтобы повысить точность, скорость и эффективность лабораторных процессов. В настоящее время активно разрабатываются сервисы ИИ для обнаружения, идентификации и количественного определения микроорганизмов, диагностики и классификации заболеваний, а также прогнозирования клинических исходов на основе показателей анализов. Классификация на грамположительные и грамотрицательные микроорганизмы, на кокки и палочки — еще одна важная задача, стоящая перед клинической лабораторной диагностикой, где ИИ показывает⁷ высокую чувствительность и специфичность.

Автоматизация и ИИ значительно улучшили⁸ эффективность лабораторий в области посевов крови, тестирования на чувствительность к антибиотикам и применения молекулярных платформ, снизили количество ошибок. Время получения результатов снизилось до 24–48 часов, что ускорило процесс, при котором для пациента со специфической бактериальной инфекцией подбирают нужный антибиотик.

Прогнозирование заболеваний и генетика

ИИ, способный обрабатывать большие объемы данных, демонстрирует значительно более высокую точность и эффективность, чем человек, что делает его ценным инструментом для эпидемиологического мониторинга и предсказания вспышек заболеваний. Обладая информацией о генетической предрасположенности различных групп людей к определенным болезням и осложнениям (что активно исследовалось во время пандемии COVID-19), ИИ может предсказывать потенциальные эпидемии, что позволяет своевременно принимать необходимые меры.

Данные о генотипе помогают уточнять⁹ индивидуальные прогнозы развития заболеваний у пациентов, т. к. алгоритмы способны выявлять сложные генетические паттерны, что не всегда удается сделать с помощью традиционных статистических методов. Это сочетание информации открывает возможности для предсказания фенотипов¹⁰ — наблюдаемых характеристик, которые формируются в результате взаимодействия генов и факторов окружающей среды.

В одном из исследований¹¹ глубокую нейронную сеть использовали для поиска генетических вариантов, связанных с расстройствами аутистического спектра (РАС). Она успешно предсказала наличие РАС, основываясь исключительно на геномных данных. Учитывая такие достижения, онкологи в различных научных группах начали активно применять транскриптомное профилирование молекулярных типов опухолей с помощью ИИ, что крайне важно при выборе терапии. Эти молекулярные классификаторы играют ключевую роль в прогнозировании выживаемости пациентов и уже были разработаны для рака молочной железы, а также масштабируются на другие виды рака, например колоректальный, рак легких, яичников и саркому.

Отдельной важной задачей для ИИ становится поиск более эффективных действующих молекул и разработка новых лекарств, а также компьютерное моделирование их токсичности. Одновременный анализ обширных геномных данных и других клинических параметров, таких как эффективность препаратов и их побочные явления, упрощает выявление новых терапевтических мишеней или позволяет переориентировать уже существующие лекарства. Например, популярное средство от кашля неожиданно оказалось полезным¹² при лечении болезни Паркинсона.

Персонализированная медицина: ИИ на приеме

Персонализированная цифровая медицина обсуждается уже давно, и в некоторых случаях ее принципы начали внедряться в повседневную практику. Однако именно ИИ может кардинально изменить¹³ эту ситуацию и сделать подход более популярным и рутинным.

Если обратиться к участковому терапевту в районной поликлинике с вопросом о том, использует ли он индивидуально подобранное лечение на основе глубокого анализа биомаркеров и генетических данных пациента, он, скорее всего, ответит на этот вопрос с долей иронии. Но с появлением интеллектуального помощника, обученного на популяционных данных и адаптированного к конкретной информации о пациенте (включая жалобы, анамнез и результаты обследований), терапевт уже сможет по-другому воспринимать концепцию персонализации. Это касается и других медицинских специальностей.

Современные системы поддержки принятия врачебных решений (СППВР), наряду с телемедициной и электронными медицинскими картами (ЭМК), представляют собой важные компоненты цифровизации здравоохранения. Их можно условно разделить на три категории:

• помощь в лечении, включая дифференциальную диагностику и подбор лекарств;
• мониторинг состояния пациентов, включая удаленный;
• анализ данных с носимых устройств.

Даже в нашей стране, которая не является лидером в этой сфере, за последние годы разработано 29 таких систем¹⁴. Некоторые из них, например Webiomed и «ТОП-3», уже получили регистрационные удостоверения и успешно используются в регионах, облегчая работу врачей и улучшая здоровье пациентов.

Такие системы также могут быть использованы, например, для прогнозирования¹⁵ индивидуальной реакции на антидепрессанты (на основе данных из ЭМК) или для динамической коррекции¹⁶ доз химиотерапии.

Помощь пациентам

Еще один инструмент, который позволяет трансформировать здравоохранение и снижать нагрузки на медицинских работников, — виртуальные ассистенты. Они способны моделировать человеческое общение и предлагать персонализированный подход на основе информации, которая от них поступает. Эти ассистенты помогают выявлять основную проблему, анализируя симптомы, и направляют пациентов к соответствующим специалистам. Они также могут давать рекомендации по улучшению качества жизни и профилактике, напоминать о приеме лекарств, планировать визиты к врачу и отслеживать жизненно важные показатели.

Кроме того, виртуальные ассистенты эффективно сортируют пациентов и определяют срочность их проблем на основе введенных в приложение симптомов. Национальная служба здравоохранения (NHS) ввела в обиход¹⁷ такое приложение в Лондоне, и сейчас около 1,2 миллиона человек используют чат-бота с искусственным интеллектом для получения ответов на свои вопросы вместо обращения в экстренные службы. Аналогичный чат-бот применялся и в нашей стране в нескольких регионах во время пандемии COVID-19, а сейчас любая клиника может разработать для себя подобных ботов.

Автономия или симбиоз?

Последние тенденции в сфере ИИ в медицине говорят, что, скорее всего, будущее за симбиозом. Ведущие мировые эксперты в области медицинского искусственного интеллекта отмечают, что необходимо рассматривать не полную автономность, а гармоничное сотрудничество между ИИ и врачами. Это, по их мнению, будет идеальной моделью: «Противопоставление человека и машины порождает ненужные опасения: ни искусственный интеллект, ни врач не смогут превзойти сотрудничество человека и ИИ»¹⁸.

Чем раньше мы приспособимся к новым инструментам и встроим их в свою практику, тем больших успехов сможем достичь в партнерстве врача и ИИ.

Источники

1. Рассел С., Норвиг П. Искусственный интеллект. Современный подход. 2-е издание. Prentice Hall, New Jersey. 2006.
2. Зарегистрированные медицинские изделия, использующие технологии искусственного интеллекта, 2024. (Электронный ресурс). URL: https://webiomed.ru/blog/zaregistrirovannye-meditsinskie-izdeliia-ai/ (дата обращения: 14.11.2024).
3. McKinney S. M., Sieniek M., Godbole V. et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577:89–94. (Электронный ресурс). URL: https://www.nature.com/articles/s41586-019-1799-6 (дата обращения: 14.11.2024).
4. Kim H-E., Kim H. H., Han B-K. et al. Changes in cancer detection and false-positive recall in mammography using Artificial Intelligence: a retrospective, multireader study. Lancet Digit Health. 2020;2(3):138–148. (Электронный ресурс). URL: https://www.sciencedirect.com/science/article/pii/S2589750020300030 (дата обращения: 14.11.2024).
5. Московские медики перейдут на автономный анализ снимков с помощью ИИ. РИА новости. (Электронный ресурс). URL: https://ria.ru/20231225/analiz-1917875742.html (дата обращения: 14.11.2024).
6. Peiffer-Smadja N., Dellière S., Rodriguez C. et al. Machine learning in the clinical microbiology laboratory: has the time come for routine practice? Clin Microbiol Infect. 2020;26(10):1300–1309. (Электронный ресурс). URL: https://www.sciencedirect.com/science/article/pii/S1198743X20300859 (дата обращения: 14.11.2024).
7. Smith K. P., Kang A. D., Kirby J. E. Automated interpretation of blood culture gram stains byuse of a deep convolutional neural network. J Clin Microbiol. 2018;56(3). (Электронный ресурс). URL: https://journals.asm.org/doi/10.1128/jcm.01521-17 (дата обращения: 14.11.2024).
8. Vandenberg O., Durand G., Hallin M. et al. Consolidation of clinical microbiology laboratories and introduction of transformative technologies. Clin Microbiol Rev. 2020;33(2). (Электронный ресурс). URL: https://journals.asm.org/doi/10.1128/cmr.00057-19 (дата обращения: 14.11.2024).
9. Pudjihartono N., Fadason T., Kempa-Liehr A. W., O’Sullivan J. M. A review of feature selection methods for machine learning-based disease risk prediction. Front Bioinform. 2022;2. (Электронный ресурс). URL: https://www.frontiersin.org/journals/bioinformatics/articles/10.3389/fbinf.2022.927312/full (дата обращения: 14.11.2024).
10. Widen E., Raben T. G., Lello L., Hsu S. D. H. Machine learning prediction of biomarkers from SNPs and of Disease risk from biomarkers in the UK Biobank. Genes (Basel). 2021;12(7):991. (Электронный ресурс). URL: https://www.mdpi.com/2073-4425/12/7/991 (дата обращения: 14.11.2024).
11. Wang H., Avillach P. Diagnostic classification and prognostic prediction using common genetic variants in autism spectrum disorder: genotype-based Deep Learning. JMIR Med Inf. 2021;9(4). (Электронный ресурс). URL: https://medinform.jmir.org/2021/4/e24754 (дата обращения: 14.11.2024).
12. Mullin S., Smith L., Lee K. et al. Ambroxol for the treatment of patients with Parkinson disease with and without glucocerebrosidase gene mutations: a nonrandomized, noncontrolled trial. JAMA Neurol. 2020;77(4):427–434. DOI: 10.1001/jamaneurol.2019.4611.
13. Quazi S. Artificial intelligence and machine learning in precision and genomic medicine. Med Oncol. 2022;39(120). (Электронный ресурс). URL: https://link.springer.com/article/10.1007/s12032-022-01711-1 (дата обращения: 14.11.2024).
14. Обзор российских систем поддержки принятия врачебных решений (СППВР), 2023. (Электронный ресурс). URL: https://webiomed.ru/blog/obzor-rossiiskikh-sistem-podderzhki-priniatiia-vrachebnykh-reshenii (дата обращения: 14.11.2024).
15. Sheu Y. H., Magdamo C., Miller M. et al. AI-assisted prediction of differential response to antidepressant classes using electronic health records. npj Digit Med. 2023;6:73. (Электронный ресурс). URL: https://www.nature.com/articles/s41746-023-00817-8 (дата обращения: 14.11.2024).
16. Blasiak A., Truong A., Jeit W. et al. PRECISE CURATE. AI: a prospective feasibility trial to dynamically modulate personalized chemotherapy dose with artificial intelligence. J Clin Oncol. 2022;40(16):1574. (Электронный ресурс). URL: https://ascopubs.org/doi/10.1200/JCO.2022.40.16_suppl.1574 (дата обращения: 14.11.2024).
17. Alowais S. A., Alghamdi S. S., Alsuhebany N. et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ. 2023;689. (Электронный ресурс). URL: https://bmcmededuc.biomedcentral.com/articles/10.1186/s12909-023-04698-z (дата обращения: 14.11.2024).
18. Warren B. Gefter, Mathias Prokop, Joon Beom Seo et al. Human-AI symbiosis: a path forward to improve chest radiography and the role of radiologists in patient care. Radiology 2024;310(1). (Электронный ресурс). URL: https://pubs.rsna.org/doi/10.1148/radiol.232778 (дата обращения: 14.11.2024).

Показать все Свернуть список