21 апреля 2019

ИИ, глубокое обучение начинает решать общие проблемы в здравоохранении

616

Глубокое обучение выходит из теоретической сферы и начинает помогать врачам в ежедневных действиях, которые затрагивают миллионы пациентов.

Искусственный интеллект более не является сферой, относящейся исключительно к исследователям и ученым, он становится частью повседневного клинического использования в медицине и уже оказывает значимое влияние на качество и точность лечения. 

Соединение человеческого интеллекта и клинического опыта с непревзойденной мощностью обработки данных с помощью алгоритмов глубокого обучения и передовых нейронных сетей открывает новые горизонты для точной, персонализированной диагностики и лечения, в том числе редких раковых заболеваний или генетических состояний.

На Всемирном форуме медицинских инноваций 2019 года (World Medical Innovation Forum 2019), организованном Partners HealthCare, эта тема получила особое внимание.

В серии коротких презентаций, Гарвардский факультет и практикующие врачи  продемонстрировали, как ИИ может помочь врачам лучше оказывать медицинскую помощь пациентам с такими распространенными заболеваниями, как глаукома, рак молочной железы, инсульт и нейродегенеративные заболевания.

Было отмечено, что использование ИИ расширяет способности системы здравоохранения для проведения эффективных скринингов, уменьшение проблемных ситуаций в процессе лечения и расширение  процесса принятия клинических решений . Все это может помочь отрасли экономить миллиарды долларов каждый год — и, что более важно, потенциально спасти большое количество жизней. Но, когда дело касается диагностики для пациентов с высокой степенью риска, все неоднозначно. 

“Наши нынешние инструменты для прогнозирования будущих рисков просто неточны”, - говорит Констанс Леман (Constance Lehman), доктор медицинских наук, руководитель отделения маммографии  Массачусетской больницы (MGH) и профессор радиологии Гарвардской медицинской школы. - Что касается рака молочной железы, то основное внимание по-прежнему уделяется диагностике на поздней стадии, потому что мы не проводим скрининг так комплексно или хорошо, как следует это делать”.

По ее словам, даже пациенты, которые делают маммографию планово, не получают одинаковой качественной помощи от рентгенологов.

 “Человеческая интерпретация изображений очень субъективна. У нас недостаточно людей, чтобы читать эти изображения, и у нас не хватает людей, которые могут сделать это качественно, - добавила Констанс Леман. - Даже мнения вокруг одного из самых важных фундаментальных предикторов рака молочной железы, плотности ткани, может сильно различаться. Некоторые радиологи называют менее 10 процентов ткани молочной железы плотной,  в то время как другие будут маркировать более 80 процентов маммограмм таким же образом".

Глубокое обучение может помочь поставщикам сделать больше с меньшими затратами и сделать это более точно.

Глубокое обучение может использовать изображения маммограммы с полным разрешением, чтобы точно прогнозировать вероятность развития рака молочной железы у женщины. Важна  достоверность для всех рас. Существующие модели хуже, чем вероятность прогнозирования рака молочной железы у афроамериканских женщин. Нам нужно что-то получше " ,-добавила Леман.

Алгоритм, обученный более чем на 70 000 изображениях, неизменно превосходит обычно используемую модель риска, даже если бы инструмент не имел дополнительных данных о пациенте и имел доступ только к самому изображению. 

С учетом того, что ежегодно диагностируется более двух миллионов новых случаев рака молочной железы, повышение способности системы здравоохранения выявлять людей, подвергающихся риску, и обеспечивать раннее лечение больных раком, может оказать существенное влияние на результаты для сотен тысяч женщин.

Как отметила доктор медицинских наук, преподаватель офтальмологии Гарвардской медицинской школы Назли Зебардаст (Nazlee Zebardast): "При лечении еще одного общего заболевание, глаукома, также можно воспользоваться некоторой дополнительной помощью, чтобы опередить сложную ситуацию, раннее выявление и лечение также являются ключевыми для этой дегенеративной болезни зрения, которую часто называют “молчаливым вором зрения”.

Глаукома может вызвать слепоту, если будет диагностирована слишком поздно, и ежегодно это почти 4 миллиарда долларов в виде прямых медицинских расходов.

Из-за медленного развития этого заболевания,  оно часто не замечается клиницистами, - добавила Зебардаст.- Почти половина случаев глаукомы не диагностирована. К сожалению, это отчасти потому, что нет определенной группы риска, за исключением пожилых людей. В идеале следует проверять всех в возрасте старше 40 лет, но это потребует много экспертов и будет очень дорого”.

Искусственный интеллект с этим может справиться, утверждает она : “Очевидно, что нам нужен эффективный и эффективный инструмент скрининга, чтобы сделать тестирование более доступным”.

Как отметила  Зебардаст: "Глубокое обучение в настоящее время используется в некоторых настройках для отображения глаукомы, но это не так надежно или точно, как это могло бы быть, отметила она. Используемые алгоритмы опираются на субъективную маркировку изображений глаз экспертами. И так же, как и у врачей по раку молочной железы, мнения и навыки офтальмологов могут существенно различаться. Ни один алгоритм не может сделать это лучше, чем тот, что используется для обучения и мы должны использовать объективные данные в дополнение к клиническому мнению, чтобы разработать лучший эталонный стандарт”.

Назли Зебардаст работает над обучением алгоритмов глубокого обучения, которые могут использовать данные изображений глаз  с целью определения стандартизированных опорных точек для диагностики глаукомы ранней стадии, оценивать риск для пациентов. 

В конечном счете, мы стремимся использовать функции прогнозирования заболеваний, определенные в этом исследовании, для построения мультимодальных моделей для  обнаружения и прогнозирования глаукомы”, - сказала она.

Инсульт является еще одной областью, где ИИ может блеснуть, добавил Синьо До(Synho Do), доктор наук, директор лаборатории медицинской визуализации и вычислений в MGH (Massachusetts General Hospital). С учетом того, что в мире ежегодно умирает 5,8 млн. человек, 140 000 из которых находятся в Соединенных Штатах,  необходимость в скорейшей и точной диагностической технологии невозможно переоценить. “При инсульте временной интервал очень важен и необходима срочная помощь, - сказал Do. - Не все живут рядом с хорошей больницей, и не в каждой больнице есть специалист по инсульту”.

Одним из наиболее важных аспектов у пациентов с  инсультом является определение различия двух различных типов инсульта, ишемического и геморрагического, и определение кровотечения в головном мозге.

Как сказал До( Do) : “Очень важно использовать понятный ИИ в диагностике и нужно держаться подальше от инструментов "черного ящика". Если врач сказал, что может поставить вам диагноз, но не смог объяснить, почему такой диагноз, как вы можете доверять этому? То же самое и с искусственным интеллектом”.

До (Do) и его команда разработали алгоритм, который предлагает визуальное понимание того, почему инструмент глубокого обучения определил инсульт как ишемический или геморрагический. 

В итоговой сводке содержится цветная “карта внимания”, наложенная на фрагменты радиологического изображения, пояснил он. Эти изображения показывают, где ИИ “смотрел” при определении.

“Объяснения алгоритма необходимы не только для понимания прогнозов системы, но и для дальнейшего совершенствования и оптимизации”, - добавил он.

Также ученые отметили, что с помощью инструмента глубокого обучения все радиологи могут оценивать результаты на уровне экспертов по диагностике инсульта. В местах, где ресурсы ограничены, расширение доступа к клинической поддержке принятия решений может помочь пациентам и добиться значительно более высоких  диагностических результатов.

Аналитика изображений может быть столь же эффективной для повышения безопасности и точности биопсии печени, сказала Тина Капур (Tina Kapur), доктор наук, руководитель отделения по лучевой терапии в больнице Brigham & Women's Hospital.

Почти миллион пациентов во всем мире ежегодно проходят биопсию печени под контролем УЗИ, сказала Капур, и ожидается, что количество биопсий будет увеличиваться на 4 процента в год.

Неправильно управляемые иглы могут вызвать значительное кровотечение и увеличить риск заражения, однако современные ультразвуковые технологии предлагают невероятно плохую визуализацию для клиницистов — и более 90% биопсии в настоящее время проводятся вручную.

Глубокое обучение нейронных сетей может сделать это гораздо лучше, чем люди, для идентификации искусственных объектов, таких как наконечники игл, в ультразвуковых изображениях в режиме реального времени.

Программное обеспечение, основанное на алгоритмах глубокого обучения, может показать клиницистам, когда кончик иглы попадает в плоскость подозрительной структуры печени, давая необходимое представление о том, как маневрировать для захвата образца ткани.

Команда Капур планирует интегрировать глубокое обучение в существующий рабочий процесс специалистов по биопсии, сохраняя при этом низкую стоимость процедуры и не усложняя саму процедуру.

“При проведении УЗИ врачи могут нажать кнопку, чтобы включить допплеровский режим”, - пояснила она. “Наложение изображения остается там до тех пор, пока кнопка нажата. Мы хотим добавить кнопку с надписью “игла”, которая показывает контур и траекторию иглы до тех пор, пока она нужна врачу. Если они этого не хотят, они могут выключить”.

Как отмечает Капур, врачу не нужно дополнительное оборудование и не нужно ничего менять в рабочем процессе. Это позволит повысить безопасность процедуры, уменьшая кровотечение и осложнения, о которых больше всего беспокоятся врачи при биопсии. 

Искусственный интеллект может также помочь клиницистам располагать более подробной информацией об  эффективности назначенного лечения, сказал Крис Сайди-Гиббонс (Chris Sidey-Gibbons,), доктор философии, содиректор PROVE центра в Brigham и Women's. Используя обработку естественного языка для анализа данных о результатах, сообщаемых пациентами, можно  получить больше информации о влиянии статегии лечения на результат.

“От относительно простого анкетирования можно добиться многого”, - сказал Сайди-Гиббонс. “Но мы используем один и тот же формат с 1960-х годов. Раньше у нас был лист бумаги, который мы передавали пациентам. Теперь у нас есть электронная форма, которая просто имитирует этот лист бумаги — это не прогресс. Машинное обучение может повысить процент ответов на вопросники и повысить полезность данных за счет адаптивного тестирования: то, что широко используется для академических оценок, но не используется регулярно в здравоохранении”.

Адаптивное тестирование может имитировать вопросы врача,  т.е. задаются вопросы, которые наиболее актуальны для конкретной ситуации пациента. Более короткие, более адаптированные анкеты могут сэкономить много времени для пациентов, пояснил Сайди-Гиббонс, в тоже время можно извлекать значимую информацию из многочисленных источников свободного текста.

Пациенты могут отвечать на вопросы естественным образом, в свободной форме, а мы можем структурировать информацию и использовать ее”, - сказал он.

В конечном счете, ИИ может помочь предоставить  инструменты, необходимые для оказания медицинской помощи, которая является значительно более безопасной, последовательной, своевременной и более удобной для пациентов. И эти стратегии продвигаются в реальный мир оказания клинической помощи очень стремительно. 

Многие из выступавших  на форуме активно проверяли и тестировали свои алгоритмы и находятся всего в нескольких шагах от вывода своих идей на рынок. По мере того, как все больше и больше инновационных моделей начинают находить коммерческую основу, миллионы пациентов смогут воспользоваться недорогими высококачественными инструментами поддержки клинических решений.

Эти достижения происходят прямо сейчас и, как ожидается, окажут беспрецедентное влияние на оказание медицинской помощи сказала Весела Ковачева (Vesela Kovacheva), доктор медицинских наук, анестезиолог Brigham & Women's, которая работает над инструментом машинного обучения для улучшения доставки седативных средств во время кесарева сечения.

Доступ к машинному обучению в реальном времени в операционной будет для меня очень полезен", - сказала она. 

Как отметила Ковачева: “Представьте, какие изменения ИИ привнесет в провинциальные больницы или в медицину развивающихся стран, например, один анестезиолог мог бы одновременно покрывать три операционных. ИИ может коренным образом изменить ситуацию, просто подумайте о том, что он может сделать для пациентов, получающих помощь в этих местах. Мы вряд ли можем определить, насколько это изменит медицину”.

Источникhttps://healthitanalytics.com/news/ai-deep-learning-start-to-tackle-common-problems-in-healthcare


 

Пожалуйста, оцените эту статью
( 5 из 5,
оценили: 3)
Ваша оценка: Не ставилась

Еще по этой теме

Обратите внимание на похожие статьи

18 Дек 2018

Наглядная визуализация помогает пациентам лучше понять свои риски сердечно-сосудистых заболеваний и в итоге эффективнее их снижать

Первичная профилактика сердечно-сосудистых заболеваний часто терпит неудачу из-за несоблюдения пациентами и практикующими врачами существующих клинических рекомендаций. “Я бы сказал, профилактика ...

23 Май 2018

Открытые источники данных медицинских изображений для машинного обучения

Наличие качественного источника размеченных медицинских данных – ключевое условие успешного создания решений в области искусственного интеллекта для медицины. На это ...

14 Май 2018

Практические рекомендации к созданию искусственного интеллекта для здравоохранения

В настоящее время мы наблюдаем большой всплеск интереса к развитию и широкому применению искусственного интеллекта (ИИ) в медицине и здравоохранении. ...