Системы искусственного интеллекта в терапевтической стоматологии. Пять препятствий для внедрения технологий ии в медицине

Содержание

Искусственный интеллект в медицине: как ожидания не совпали с реальностью :: РБК Тренды

Системы искусственного интеллекта в терапевтической стоматологии. Пять препятствий для внедрения технологий ии в медицине

Olga Guryanova / Unsplash, ThisIsEngineering / Pexels

С успешными кейсами внедрения ИИ в систему здравоохранения дела обстоят неважно не только в России, но и в мире. Почему разработчики медицинских ИИ-сервисов не могут повторить успех коллег в других индустриях?

Об эксперте: Никита Николаев, операционный директор Celsus.

«Умные» медицинские продукты разрабатывают практически все лидирующие ИТ-корпорации. Всего, по данным исследовательской компании Venture Scanner, такие разработки ведут более 2 тыс. компаний по всему миру. Искусственный интеллект (ИИ) — одна из самых многообещающих технологий в медтехе. ИИ-сервисы могут:

  • повысить точность диагностики;
  • автоматизировать работу врача;
  • подобрать оптимальный метод лечения;
  • создавать новые лекарства и т.д.

Пожалуй, самым крупным и наиболее обсуждаемым проектом по применению ИИ в медицине является американская корпорация IBM и ее когнитивная система IBM Watson, которая помогает ставить точный диагноз и находить эффективный способ лечения для каждого пациента. Не так давно Microsoft запустила программу AI for Health, в рамках которой инвестирует $40 млн в технологии искусственного интеллекта для сферы здравоохранения.

Перспективное направление применения ИИ — анализ медицинских снимков (рентгенография, МРТ, УЗИ и др.). Систему обучают определять различные заболеваний и патологии. В этом направлении технологии достигли очевидных успехов и потому уже сейчас постепенно внедряются в клиническую практику.

В России порядка десяти компаний ведут подобные разработки, в их числе и мы — искусственный интеллект «Цельс». На данный момент система уже умеет анализировать маммограммы и флюорограммы, ведется разработка решений для КТ и морфологии. Но мы видим развитие продукта и в других направления функциональной диагностики.

Обучение нейросети: отсутствие датасетов и универсального оборудования

Как известно, для обучения нейросети нужны наборы данных (датасеты).

К сожалению, в сфере диагностической медицины все еще очень мало качественных, верифицированных, полных датасетов, еще меньше из них — публично доступных.

Без сбора собственных датасетов и их разметки получится сделать разве что MVP (минимально жизнеспособный продукт. — РБК Тренды), но никак не качественный продукт, готовый к эксплуатации.

Здесь не обойтись без сотрудничества с медицинскими учреждениями и профильными специалистами. В «Цельсе» разметкой каждого снимка занимаются сразу несколько рентгенологов, в случае расхождений снимки отдаются на дополнительное исследование.

Еще одна техническая сложность связана с тем, что в медицинских учреждениях встречается разное оборудование. Изображения с разных рентгеновских аппаратов могут визуально сильно различаться.

Если нейронная сеть не обучалась на таких снимках, нет ничего удивительного в том, что она «проваливается» и ничего не детектирует. Самое простое, на первый взгляд, решение — нужно собрать всевозможные виды снимков со всех аппаратов со всеми настройками, разметить их и обучить систему. Минусы? Долго и дорого.

Однако и это не панацея, к тому же требует сбора всех существующих в мире типов снимков, что кажется невыполнимой задачей.

Лучшим решением будет использование универсального препроцессинга, то есть специальной обработки данных перед их подачей в нейронную сеть.

В процедуру препроцессинга могут входить автоматические изменения контрастности и яркости, всевозможные статистические нормализации и удаления лишних частей изображения (артефактов).

Нашей команде после месяцев экспериментов удалось создать универсальный препроцессинг для рентгеновских изображений, который приводит практически любые вводные изображения к единообразному виду. Это позволяет нейронной сети корректно их обрабатывать.

Еще одна особенность связана со спецификой deep learning (глубокого обучения. — РБК Тренды) и актуальна для многих команд разработки на рынке медтеха.

Медицинские нейронные сети чаще всего «тяжелые», каждый эксперимент над моделью длится продолжительное время и требует огромных вычислительных ресурсов, а значит и дорогостоящей техники.

У «Цельс» есть собственный сервер, на котором можно параллелить четыре эксперимента, а также cloud-инфраструктура, с помощью которой мы можем увеличить число экспериментов в случае необходимости. К слову, и качественных специалистов машинного обучения пока не так много, к тому же они весьма дороги.

Доверие инвесторов и медицинского сообщества

К медтех-стартапам определенно есть интерес, но инвесторы и фонды сейчас придерживаются очень осмотрительной стратегии в отношении медтеха, осознавая сложность входа на этот рынок.

В медтехе довольно длинный цикл выхода компаний на самоокупаемость, связанный в том числе с необходимостью проведения сложной и долгой процедуры регистрации медицинского изделия.

К тому же последние два года по рынку пронеслась череда крупных банкротств и мошенничеств, которые не могли остаться без внимания. Самый примечательный кейс — «мыльный пузырь» Theranos.

Их технология анализа крови оценивалась в $9 млрд. Не менее громкий кейс связан с банкротством Jawbone — производителем носимой электроники и фитнес-трекеров.

В компанию проинвестировали более €1 млрд ряд респектабельных инвестиционных фондов, таких как Sequoia и Khosla Ventures.

В отчете, который в прошлом году опубликовала лондонская венчурная фирма MMC, говорится, что почти половина всех европейских стартапов, которые позиционируют себя как связанные с искусственным интеллектом, на самом деле не используют эту технологию.

Раздутый хайп вокруг ИИ оправданно вызывает скепсис и в медицинском сообществе. Не прибавляет доверия и то, что многие решения создаются в отрыве от понимания рабочего процесса врача. Разработчики не имеют ни медицинского образования, ни опыта взаимодействия с медицинскими организациями.

Вариант решения — сотрудничество с врачами в рамках пилотных проектов в медицинских учреждениях. Это позволяет наладить контакт с медиками — они размечают снимки по заранее утвержденным правилам, проводят тесты системы, дают оперативную обратную связь и консультируют разработчиков.

Отдельной головной болью для медицинских учреждений является сравнение разных систем от компаний-конкурентов, ведь любые метрики сильно зависят от данных, на которых система тестировалась, от процента пациентов с патологией от общего числа исследований, препроцессинга и других факторов. Поэтому любые заявления компаний о беспрецедентной точности их моделей стоит воспринимать со здоровой долей скепсиса — нет никаких гарантий, что на новых данных точность не упадет.

Для решения этой проблемы необходимо создавать золотые датасеты, на которых можно будет корректно и справедливо сравнивать конкурирующие сервисы. В этом направлении уже ведется работа, в том числе и в России. К примеру, московский Центр диагностики и телемедицины активно способствует созданию этих «золотых датасетов» в направлениях маммографии, компьютерной томографии легких, флюорографии.

Правовые аспекты и стандартизация

Специфика российского здравоохранения, как и ряда других стран, состоит в том, что оно по большей части государственное. Коммерческими клиниками представлена лишь небольшая часть рынка. Этот факт должен учитываться компаниями, так как государственная система здравоохранения подразумевает финансирование по системе тендеров и/или грантов.

Для использования технологии в реальной клинической практике требуется регистрационное удостоверение медицинского изделия.

Задача усложняется тем, что в законодательстве (по крайней мере, российском) до сих пор не существует определенных стандартов, регламентирующих работу медицинских ИИ-сервисов.

Это касается и подготовки датасетов, и проведения клинических и технических испытаний сервисов, и стандарта по интеграции этих сервисов в бизнес-процессы медицинских учреждений.

Но ситуация меняется в лучшую сторону, и этому способствует государство. Правительство запустило Национальную программу «Цифровая экономика», одним из приоритетных направлений которой является цифровизация здравоохранения.

Проводится масштабный эксперимент Департамента здравоохранения города Москвы по использованию ИИ-сервисов в работе отделений лучевой диагностики.

Результаты проекта станут основой для национальных стандартов, регламентирующих применение ИИ в клинической медицине.

Несмотря на наличие большого количества новых и специфических проблем, при правильном подходе ИИ-сервисы уже сейчас могут позитивно влиять на нашу жизнь и здоровье. При условии тесного взаимодействия разработчиков и медицинского сообщества мы уже в ближайшее время услышим о настоящих историях успеха.

Подписывайтесь на Telegram-канал РБК Тренды и будьте в курсе актуальных тенденций и прогнозов о будущем технологий, эко-номики, образования и инноваций.

Источник: https://trends.rbc.ru/trends/industry/5ef0f9259a7947d3285a473d

9 преград на пути искусственного интеллекта в медицине

Системы искусственного интеллекта в терапевтической стоматологии. Пять препятствий для внедрения технологий ии в медицине

  • Как искусственный интеллект может помочь врачам
  • Что препятствует искусственному интеллекту внедряться в медицину
  • Что будет с внедрением ИИ в медицину в будущем
  • Технологии искусственного интеллекта проникают во все сферы человеческой деятельности, в том числе и медицину.

    Нейросети, созданные и обученные людьми, уже помогают систематизировать большие объемы данных, ставить предварительный диагноз и участвовать в разработке медикаментов.

    Однако несмотря на такие возможности и перспективы в лечении пациентов, специалисты медицинской области не спешат активно внедрять ИИ в свою работу.

    Как искусственный интеллект может помочь врачам

    Потенциал технологий глубинного обучения в медицине сложно переоценить. Нейросети уже повышают качество медицинских услуг, увеличивают эффективность диагностики благодаря возможности работы с большими объемами данных.

    Например, медицинские чат-боты, основанные на ИИ, помогают в решении многих задач. Сервис собирает жалобы пациентов и, учитывая указанные симптомы, может посоветовать лекарственные препараты или записать на прием к врачу. Собранная информация поступает к медицинскому специалисту, который сможет эффективнее провести первую консультацию и оказать необходимую помощь пациенту гораздо быстрее.

    Система с искусственным интеллектом IBM Watson уже помогает осуществлять качественную диагностику и лечение онкологических заболеваний. Так, ИИ выявил у 60-летней пациентки с неверным диагнозом редкую форму лейкемии, изучив 20 миллионов научных статей о раке.

    Программы с ИИ также используются в анализе рентгеновских снимков и в разработке новых лекарственных препаратов.

    Компания Semantic Hub недавно создала сервис на базе искусственного интеллекта для оценки потенциала медицинских препаратов перед их выпуском на рынок.

    Алгоритм собирает и анализирует научные публикации, связанные с заболеванием, назначением и действием разрабатываемого лекарства. Затем ИИ анализирует информацию и делает вывод о конкурентных преимуществах медикамента и возможностях его продвижения на рынке.

    Перспективными направлениями для нейросетей в медицине являются:

    1.     Сбор и систематизация данных;

    2.     Диагностика заболеваний и установление предварительного диагноза;

    3.     Телемедицина;

    4.     Разработка новых лекарственных препаратов.

    Что препятствует искусственному интеллекту внедряться в медицину

    Рассмотрим, какие препятствия не дают развиваться ИИ в медицинской сфере.

    1. Недоверие медицинских экспертов к искусственному интеллекту

    Медицина – консервативная сфера. Каждая инновация сначала должна быть тщательно проверена прежде, чем будет использована в работе врачей, ведь речь идет о здоровье и жизни людей. Многие врачи с недоверием относятся к внедрению искусственного интеллекта во врачебную практику, считая, что технологии еще далеки от совершенства и использовать их для лечения людей еще небезопасно.

    1. Устаревшая информация о пациентов

    Данные в карточках пациентов не всегда могут быть достоверными или исчерпывающими. В них могут быть ошибки и неточности, а процесс анализа затрудняться неразборчивым почерком.

    Для устранения этой проблемы разрабатываются варианты обучения нейросетей на небольших объемах информации. В качестве успешных примеров подобного обучения можно назвать принцип работы клавиатуры смартфонов. Алгоритм запоминает и анализирует введенные ранее слова и может прогнозировать содержание следующих текстов.

    Во время работы с пациентами искусственный интеллект не должен совершать ошибок. ИИ, влияющие на принятие врачебных решений, должны быть точными и эффективными.

    Именно поэтому в процессе разработки и тестирования нового алгоритма участвуют реальные врачи. Искусственный интеллект должен многочисленные проверки, прежде чем поступит на службу специалистов.

    Как правило, это занимает много времени.

    1. Проблемы с установлением ошибок

    Искусственный интеллект работает по принципу «черного ящика». Если в алгоритме есть ошибка, и системой принято неправильное решение, то ответить на вопрос «почему» будет крайне трудно.

    Компании, специализирующиеся на разработке ИИ, уже занимаются созданием таких алгоритмов, которые будут раскрывать причины своих решений.

    Внедрение технологий искусственного интеллекта требует, чтобы медицинский персонал умел его эффективно применять. Врачам не нужно  досконально знать, как работает машинное обучение, но иметь понятие об общих принципах функционирования необходимо.

    1. Нехватка кадров среди разработчиков ИИ

    Для создания эффективного алгоритма и его внедрения в медицинскую сферу требуется сильная команда разработчиков, среди которых должны быть специалисты:

    • с широким спектром знаний в предметной области, математических алгоритмах и подходах к защите информации;
    • с навыками программирования и наглядного представления данных.

    На данный момент наблюдается нехватка таких сотрудников.

    1. Высокая стоимость нейросети

    Сложности с поиском кадров повышают стоимость разработки сервисов на основе искусственного интеллекта. И это, не говоря о том, что созданный ИИ еще нужно настроить под данные, накопленные в конкретном медучреждении.

    В результате получается, что новые технологии не могут позволить себе многие клиники и больницы в виду ограниченного бюджета.
             7. Наличие несистематизированных данных

     Большинство данных в медицине не структурировано, не оцифровано и плохо размечено. А поскольку медицина не точная наука, данные, полученные от разных медицинских школ, могут быть противоречивыми, что затруднит работу искусственного интеллекта в постановке диагноза.

    Обеспечение работы искусственного интеллекта связано с вычислительными мощностями, которых нет во многих медицинских учреждениях нет. Соответственно, что и безопасность хранящихся данных будет под угрозой.

    Российский закон требует, чтобы любые медицинские технологии были сертифицированы. Если ИИ для медицины был создан в России, его необходимо регистрировать как медизделие.

    Кроме того, с точки зрения закона еще актуален вопрос по предоставлению и хранению личной информации пациента.

    Что будет с внедрением ИИ в медицину в будущем

    Медицинское сообщество не может не признавать полезность искусственного интеллекта для лечения больных. Тем не менее, на его внедрение потребуется время.

    В ближайшие годы ИИ будут активнее применяться фармацевтическими компаниями при разработке медицинских препаратов, постановке диагноза и даже участвовать в проведении операций.

    Источник: https://supermed.pro/9-obstacle.html

    В помощь врачу: как искусственный интеллект меняет здравоохранение

    Системы искусственного интеллекта в терапевтической стоматологии. Пять препятствий для внедрения технологий ии в медицине

    Искусственный интеллект (ИИ), безусловно, главная инновация XXI века, обладающая колоссальным значением для общества. Это сквозная технология, проникающая в каждый аспект нашей жизни.

    Уже сегодня, даже если мы этого не замечаем, ИИ повсюду среди нас: смартфоны умеют распознавать изображения с камеры, виртуальные ассистенты понимают наши команды и умеют на них отвечать, а решения для автоматического синхронного перевода могут сделать общение на разных языках совершенно свободным.

    И это только начало: в технологии, призванной стать ключевым элементом четвертой индустриальной революции, кроется существенно более значимый потенциал. Если компьютеры научатся хорошо “видеть”, представьте, что это значит для людей с нарушениями зрения. Если компьютеры научатся хорошо “слышать”, представьте, как они могут помочь людям с нарушениями слуха.

    “Большие данные” — “пища” для ИИ

    Искусственный интеллект сегодня является одним из самых быстрорастущих сегментов мирового рынка здравоохранения: по прогнозам Frost&Sullivan, он достигнет $6,6 млрд до 2021 года. Такие впечатляющие темпы роста возможны благодаря огромным массивам данных, генерируемых людьми, зданиями, машинами, а также различными девайсами.

    Данные — это “пища” для искусственного интеллекта. Чем больше данных обработает алгоритм, тем более точно и корректно он сможет формулировать выводы на их основе. Медицина — сфера с большим количеством данных, в которой точность, пожалуй, является наиболее критичным фактором.

    Благодаря обширным историческим медицинским данным искусственный интеллект может оказаться полезным при постановке диагноза и выборе подходящего лечения, предоставив врачу “третье мнение”.

    При наличии всей имеющейся медицинской информации о конкретном заболевании ИИ сможет проанализировать ее и выяснить, какие методы лечения и препараты были наиболее эффективны за всю историю врачебной практики.

    Дополнительный объем информации генерируют также набирающие популярность различные носимые устройства. Сегодня существуют портативные измерители пульса и давления, устройства, способные постоянно контролировать сердечный ритм или уровень сахара в крови.

    По мере снижения их стоимости и расширения функционала уже ставших популярными фитнес-браслетов системы диагностики на базе ИИ получат еще больше данных о состоянии здоровья каждого конкретного пациента, предоставив врачу возможность точнее и эффективнее назначать план лечения и своевременно корректировать его в процессе.

    От теории к практике

    Прорыв в решениях в сфере медицины напрямую связан с развитием алгоритмов ИИ. В 2016 году, к примеру, искусственный интеллект, разработанный Microsoft, достиг уровня человека в распознавании речи, а за последние три года мы совершили несколько исторических прорывов в достижении паритета между компьютерами и людьми в переводе и понимании естественного языка.

    Созданная Google Alpha Go в 2016 году обыграла чемпиона мира по игре го Ли Седоля. Алгоритмы и методы обучения ИИ постоянно совершенствуются, и этот прогресс уже находит выражение в конкретных решениях и в медицинской сфере.

    Уже сегодня ИИ-сервисы могут анализировать медицинские изображения и находить на них настолько ранние признаки заболевания, которые врач пока не может заметить.

    “Третье мнение” особенно актуально для онкологических заболеваний, при которых раннее начало лечения способно существенно улучшить прогноз на скорое выздоровление.

    К примеру, проект InnerEye помогает онкологам-радиологам повышать эффективность лечения различных типов рака, ускоряя работу со снимками внутренних органов и тканей пациентов.

    Другой недавний пример — это использование суперкомпьютера IBM Watson в Токио, чтобы уточнить диагноз 60-летнего пациента с лейкемией и назначить успешное лечение, сопоставив генетические данные миллионов исследовательских работ. И таких кейсов становится все больше: так, белорусский стартап DBrain вместе с американской компанией LigoLabs с помощью технологий ИИ и блокчейн повышают точность диагностики онкологических заболеваний.

    Подобные технологии используются и в России — российская платформа Botkin.

    AI позволяет выявлять онкологические заболевания легких благодаря анализу медицинских изображений с помощью технологий искусственного интеллекта в облаке Microsoft Azure. Решение уже успешно внедрено в нескольких регионах страны.

    В России также есть цифровая гистологическая лаборатория UNIM, которая исследует гистологические материалы при помощи нейронной сети для постановки верного диагноза.

    Помимо этого, большой потенциал существует у использования ИИ в разработке и тестировании новых лекарств. Согласно некоторым исследованиям, крупные фармацевтические компании тратят до $2,6 млрд, чтобы разработать и вывести на рынок один препарат.

    Одна из крупнейших фармацевтических компаний — Novartis — совместно с Microsoft открыла ИИ-лабораторию, чтобы использовать “умные” алгоритмы в создании лекарственных препаратов. Подобными проектами занимается и Google: в 2018 году DeepMind смог лучше биологов предсказать форму свертывания белка. Это потенциально способно существенно ускорить процесс разработки новых лекарств.

    Основные препятствия

    Несмотря на большие перспективы, существует целый спектр ограничений для развития ИИ в медицине. Эти стоп-факторы должны стать основным объектом для совместной работы технологических компаний и медицинских организаций, так как их минимизация способна существенно расширить возможности применения этой технологии в здравоохранении.

    • Нехватка компетенций и сотрудников. Исследование, представленное этой весной Ассоциацией электронной коммуникации (РАЭК), показало, что 48% компаний в России отмечают “сложности проектной реализации” инициатив в области ИИ в связи с нехваткой кадровых или инструментальных ресурсов. Для эффективного внедрения технологии искусственного интеллекта необходимы квалифицированные специалисты, наличие ресурсов для тестирования гипотез и разработки эффективных бизнес-моделей. Это касается рынка систем ИИ в целом, и медицинские организации не меньше других сталкиваются с дефицитом кадров, недостатком квалификации уже работающих сотрудников, а также нехваткой ресурсов для внедрения технологии.
    • Недостаток структурированных данных. Далеко не во всех сферах здравоохранения достигнуты такие результаты, как, например, в борьбе с раком. Действительно, в медицине очень много неструктурированных данных, но для использования в системах машинного обучения их необходимо сначала структурировать и разметить. Это большая работа для Data Scientists (специалистов по классификации данных).
    • Недостаточный уровень доверия. Искусственному интеллекту еще только предстоит заработать свой кредит доверия — как со стороны пациентов, так и практикующих специалистов. В своем большинстве люди пока еще скептически относятся к прогнозам, построенным алгоритмами. Для преодоления этого барьера необходимо появление большого количества успешных кейсов в сфере компьютерной диагностики для разных областей медицины, а также большая работа по формированию и соблюдению этических принципов использования ИИ для отрасли.
    • Потребность в повышенной защите данных. При внедрении ИИ в медицине возникают риски безопасности, связанные с возможными хакерскими атаками, компрометацией данных и нарушением врачебной тайны. Поэтому сегодняшние технологические решения должны отвечать самым строгим требованиям конфиденциальности и обеспечивать полную безопасность подобных данных.

    “Клятва Гиппократа” для ИИ

    В эпоху стремительного развития искусственного интеллекта необходимо помнить, что эта технология — это всего лишь инструмент, призванный помочь людям выполнять сложные рутинные задачи, чтобы они могли сконцентрироваться на других аспектах, требующих большего творческого и интеллектуального вовлечения.

    Так, ИИ в медицине не может считаться самостоятельной диагностической системой. Технология призвана помочь специалисту поставить более точный диагноз, сформировать индивидуальный план лечения, подобрать наиболее эффективные и безопасные препараты и т.д., тем самым оставляя за врачом право принимать важнейшие решения.

    При этом надо помнить, что это право неразрывно связано с ответственностью — врачи, начиная трудовую деятельность, приносят клятву Гиппократа, обязуясь руководствоваться определенными моральными и этическими принципами в своей деятельности.

    Сегодня на разработчиков ИИ возлагается не меньшая ответственность.

    При всех достоинствах и достижениях ИИ в медицине, транспорте, производстве и других сферах мы не можем игнорировать потенциальные риски, связанные с его использованием.

    Поэтому, чтобы достичь лучшего результата завтра, мы должны уже сегодня создать аналог “клятвы Гиппократа” в сфере ИИ, договорившись о базовых этических принципах развития и использования этой технологии.

    Источник: https://tass.ru/opinions/7342077

    Пять препятствий для внедрения технологий ИИ в медицине | Rusbase

    Системы искусственного интеллекта в терапевтической стоматологии. Пять препятствий для внедрения технологий ии в медицине

    Недавно Google рассказал о планируемом выходе на рынок систем искусственного интеллекта, позволяющих избавить телефонные разговоры от фоновых шумов (скажем, лая собак).

    Как нам обещают, алгоритмы на базе искусственного интеллекта внутри смартфона будут максимально помогать совершать рутинные операции.

    Перспективы впечатляют, ведь современные люди проводят по несколько часов в день перед экранами своих устройств. И подобные технологии уже прочно входят в нашу жизнь.

    Сегодня искусственный интеллект активно применяется при разработке бытовой техники, личных ых помощников, в охранных системах. Там, где нужна обработка большого объема информации.

    В медицине искусственный интеллект позволяет повысить эффективность диагностики благодаря возможности работы с большими объемами данных. Известен случай, когда «умный» сервис диагностики IBM Watson выявил у 60-летней пациентки с неверным диагнозом редкую форму лейкемии. Для этого система за 10 минут «изучила» 20 миллионов научных статей о раке.

    Как результат – ИИ позволяет уменьшить объем повседневных рутинных задач, которые вынуждены решать медспециалисты. И способен свести к минимуму возможные ошибки. А еще – открывает возможности для появления новых профессий по обслуживанию цифровых систем в медицине.

    Почему не все так гладко

    Программы и аппараты с искусственным интеллектом сегодня используются в анализе рентгеновских, КТ- и МРТ-снимков (достаточно загрузить изображение в систему, после чего ИИ проведет анализ и даст заключение).

    «Интеллектуальную» медицину применяют в телемониторинге хронических заболеваний и при оценке необходимости госпитализации людей, в робот-ассистированной хирургии.

    Новые технологии освоили и фармацевты – ИИ применяют в разработке новых лекарственных препаратов.

    Так, компания Semantic Hub недавно создала сервис на базе искусственного интеллекта для автоматизации оценки потенциала медицинских препаратов перед их выпуском на рынок.

    Система собирает и анализирует миллионы документов, в том числе научных публикаций, связанных с болезнью, назначением и действием разрабатываемого лекарства.

    Затем робот анализирует информацию и делает вывод о потенциале препарата с учетом всех факторов риска и конкурентных преимуществ. Раньше разработчикам лекарств удавалось изучить «вручную» лишь 1% подобных документов.

    «Умные» медицинские продукты, сервисы и процессы сейчас разрабатывают практически все лидирующие «цифровые» корпорации. Всего, по данным исследовательской компании Venture Scanner, такие разработки ведут более 800 компаний по всему миру. 

    Многие эксперты пророчат стремительное увеличение рынка искусственного интеллекта – примерно на треть в год. По оценкам BIS Research, к 2025 году общий рынок ИИ в здравоохранении достигнет $28 миллиардов.

    Но не все так безоблачно. На пути внедрения технологий ИИ в медицине возникают препятствия. И зачастую вопросы возникают у самих медицинских специалистов, у которых новшества могут вызывать обоснованное недоверие.

    В чем причина возникших проблем? Попробуем разобраться.

    Препятствия для искусственного интеллекта в медицине

    1. Информация «второй свежести»

    Речь, безусловно, ведется о качестве и объеме медицинской информации. Накопленные в медкартах пациентов данные могут быть неполными, содержать ошибки, неточности и нестандартные термины. В них недостаточно записей о жизни пациента, его привычках и поведении. Эффективных механизмов сбора этой информации пока попросту не существует.

    Результаты анализа, основанного на таких данных, всегда будут вызывать обоснованный скепсис, а попытки повысить качество этого анализа упираются в изрядную трудоемкость процесса.

    Для устранения этой проблемы сейчас предлагаются варианты обучения искусственного интеллекта на небольших объемах информации.

    В качестве успешных примеров подобного обучения можно назвать принцип работы клавиатуры смартфонов, когда система запоминает и анализирует введенные ранее слова и может прогнозировать содержание следующих текстов. На подобных технологиях основаны приложения для распознавания лиц и музыки.

    При удачном внедрении в медицину система машинного обучения способна решать много задач: проверять совместимость лекарств, ставить диагнозы на основе генетического анализа. В качестве примера можно привести решение компании Droice Labs, которое делает многое из перечисленного уже на практике в России.

    2. Неразговорчивые роботы

    Второе ограничение предлагаемых инноваций в медицине ― отсутствие прозрачности процесса принятия решения интеллектуальным ядром системы. Искусственный интеллект работает по принципу black box, «черного ящика». Если в алгоритме есть ошибка, и система приняла неправильное решение, то ответить на вопрос «почему» будет крайне трудно.

    Сейчас IT-компании ведут разработки машин, способных раскрывать причины своих решений. К выводу подобного продукта на рынок приближаются американские ученые. В частности Агентство перспективных исследований в области обороны (DARPA) поддерживает 13 исследовательских групп, которые озабочены решением этой проблемы.

    Отечественная компания «Интеллоджик» в своем патенте также заявляет об использовании медицинских онтологий для подготовки математических моделей и для представления результатов отработки нейросетевых моделей. Такой подход по заявлениям авторов патента позволит врачам понимать путь принятия решений машиной и значительно снизить количество данных, необходимое для обучения моделей.

    Сложность подходов к обработке данных на основе искусственного интеллекта порождает другую проблему: подбор и развитие персонала, способного эффективно использовать и обслуживать системы с нетривиальными алгоритмами.

    3. Умным машинам – умный подход!

    Кроме непосредственно самого алгоритма, который может производить анализ с высокой степенью точности, для успешного внедрения новшества в практику требуется сильная проектная команда. Успех такого проекта в медицине зависит от того, насколько продуктивно взаимодействуют участники.

    Команда должна включать специалистов с широким спектром компетенций в предметной области, математических алгоритмах и подходах к защите информации, с навыками программирования и наглядного представления данных. Крайне желательно, чтобы участники владели не одной, а несколькими различными компетенциями, чтобы хорошо понимать и дополнять друг друга.

    4. Цена и ценность

    Возникающие сложности повышают стоимость разработки, внедрения и применения решений на базе искусственного интеллекта. Высокая стоимость проектов связана и с необходимостью настройки новой системы под данные, накопленные в конкретном медучреждении, формирования квалифицированной и мотивированной команды.

    А это в свою очередь ставит под сомнение возможности быстрого масштабирования технологий, предлагаемых стартапами. Масштабирование возможно, например, в случае обработки медицинских изображений одного вида, но потребности выходят далеко за эти пределы.

    Отраслевые эксперты сходятся во мнении: в краткосрочной перспективе внедрение искусственного интеллекта не приведет к заметному снижению затрат. Надо продолжать искать зоны, где применение технологий искусственного интеллекта будет приносить более высокую ценность.

    5. Кто защитит от хакеров?

    Нельзя забывать и о том, что для обеспечения работы искусственного интеллекта нужно обеспечить доступ к высокопроизводительным вычислительным мощностям, которых зачастую в медицинских учреждениях нет.

    Соответственно, массивы данных придется выводить за периметр учреждения, а это угрожает безопасности хранения, что должно являться первым приоритетом.

    Неслучайно многие проекты внедрения искусственного интеллекта были остановлены из-за рисков, касающихся именно информационной безопасности.

    Один из ярких примеров, когда Департамент по делам ветеранов США после начала успешного сотрудничества расторгнул соглашение со стартапом Flow Health – разработчиком системы интеллектуальной диагностики болезней.

    Как объяснили в министерстве здравоохранения Штатов, контракт был разорван, когда стало известно об обработке системой данных конфиденциального характера. В ведомстве посчитали это нарушением безопасности персональной информации пациентов-ветеранов.

    К слову, утечек так и не обнаружили.

    Дорогу интеллекту!

    Экспертное сообщество прекрасно осознает существующие проблемы и старается реагировать на них: продумывает принципы конструирования роботизированных систем, предлагает обсудить вопросы этики применения искусственного интеллекта на практике, разрабатывает новые варианты внедрения технологий. Но скажем прямо: для адекватной проработки подходов и стандартов требуется время.

    Большая часть вопросов, замедляющих внедрение решений на базе искусственного интеллекта в медицине, совсем не связана с технологической стороной дела.

    Чаще это этические и административно-процедурные проблемы, сложности сбора и обработки данных (предоставления врачу необходимого времени для внесения информации в базу), проблемы разделения зон ответственности, понимания механизмов работы искусственных систем…

    Какие же перспективы?

    Несмотря на все сложности, перспективы у проектов есть.

    Полагаю, в ближайшие несколько лет технологии искусственного интеллекта смогут найти своего потребителя среди фармкомпаний, при поиске новых молекул и биологических мишеней, в виртуализации доклинических испытаний, а затем при анализе данных клинических исследований. Зачастую при работе с крупными компаниями удается обеспечить все необходимые условия для успешного запуска проекта.

    Все вопросы решаемы. Главное, чтобы с применением новых подходов мы смогли продвинуться вперед, а не «выстрелили себе в ногу».

    Источник: https://rb.ru/opinion/ii-v-medicine/

    Поделиться:
    Нет комментариев

      Добавить комментарий

      Ваш e-mail не будет опубликован. Все поля обязательны для заполнения.