В новосибирске будет использоваться искусственный интеллект для диагностики заболеваний

В тульской области начнут тестировать искусственный интеллект для диагностики онкологических заболеваний

В двух государственных медицинских учреждениях региона будет протестирована российская платформа искусственного интеллекта Botkin.AI, направленная на раннюю диагностику онкологических заболеваний. 

Ассоциация разработчиков и пользователей искусственного интеллекта в медицине «Национальная база медицинских знаний», созданная при поддержке РВК, начала реализацию пилотного проекта в Тульской области. В двух государственных медицинских учреждениях региона будет протестирована российская платформа искусственного интеллекта Botkin.AI, направленная на раннюю диагностику онкологических заболеваний.

На первом этапе проекта будет опробован функционал по анализу изображений компьютерной томографии для повышения выявляемости рака легких. На втором этапе будет расширено количество анализируемых патологий, в частности для скрининга рака молочной железы.

«В рамках пилотного проекта с использованием технологий искусственного интеллекта будет проведен автоматический пересмотр нескольких тысяч исследований компьютерной томографии, сделанных в пилотных клиниках за последние несколько месяцев.

Необходимость в таком пересмотре вызвана данными международных исследований о пропуске значительной части признаков онкологических заболеваний на ранних стадиях. Это связано с объективными сложностями подобной диагностики. Технологии искусственного интеллекта, используемые в платформе  Botkin.

Обратите внимание

AI, позволят с высокой точностью определить признаки заболеваний на тех изображениях, на которых рентгенологи не увидели признаки патологии. В дальнейшем планируется использование платформы Botkin.

AI для пересмотра всех изображений на регулярное основе», — отметил член наблюдательного совета Ассоциации «Национальная база медицинских знаний», генеральный директор ООО «Интеллоджик» Сергей Сорокин.

Подвести итоги пилота в Тульской области планируется в марте 2019 года. Аналогичные пилотные проекты с использованием платформы Botkin.AI проводятся в нескольких регионах России. В 2019 года планируется расширение списка регионов, а также выход на международный рынок.

Ассоциация «Национальная база медицинских знаний» учреждена при поддержке РВК для ускоренного внедрения передовых технологий искусственного интеллекта в клиническую практику и развития продуктов рынков Нейронет и Хелснет Национальной технологической инициативы. Целями Ассоциации является объединение участников рынка для решения актуальных задач, связанных с созданием и развитием национальных систем поддержки принятия врачебных решений и систем искусственного интеллекта для здравоохранения.

Источник: https://scientificrussia.ru/articles/v-tulskoj-oblasti-nachnut-testirovat-iskusstvennyj-intellekt-dlya-diagnostiki-onkologicheskih-zabolevanij

Искусственный интеллект поставит диагноз

Ученые МФТИ работают над созданием национальной всероссийской информационно-аналитической платформы для сбора и хранения мультимодальных медицинских данных и их анализа с помощью искусственного интеллекта.

Эта платформа будет похожа на агрегатор мобильных приложений. С помощью этой системы можно будет анализировать кардиограммы, флюорограммы, маммограммы, проводить диагностику глазного дна и др.

 Проект рассчитан на три года.

Проект, разрабатываемый в Московском физико-техническом институте (МФТИ), получил название MAIYA (Medical Artificial Intelligence.Your Assistant) . Предполагается, что пользоваться мультимодальной платформой будут как сотрудники медучреждений, так и обычные люди, следящие за своим здоровьем с помощью различных гаджетов.

Как сообщил «Известиям» руководитель проекта, заместитель директора Физтех-школы биологической и медицинской физики по научной и инновационной работе Антон Беловолов, создание такой платформы позволит собрать различные цифровые медицинские сервисы на одной площадке. По его мнению, разрабатываемая система должна стать универсальным помощником для врачей различных специальностей.

— Это аналитическая программа, в которую будут интегрированы самые разные медицинские цифровые сервисы. Это будет национальная всероссийская платформа. По шести сервисам уже созданы рабочие группы, — сообщил Антон Беловолов.

— К примеру, нашим партнером является «ФтизисБиоМед» — дочерняя фирма радиокомпании «Вектор» из Чистополя (Татарстан). У них есть готовая разработка по анализу флюорографических снимков. Нейросеть у них уже практически обучена.

Как пояснил Антон Беловолов, в систему уже загружено порядка 20 тыс. размеченных снимков и в ближайшее время пройдет дообучение нейросети еще по 200 тыс. снимков. Нейросеть сама определяет, патология или норма перед ней. По задумке разработчиков, в дальнейшем систему планируют довести до 97% точности (пока этот показатель равен 90%).

Кроме флюорографии в высокой степени готовности находится проект по цифровой обработке маммографических изображений. Физтех разрабатывает его совместно с компанией «Медицинские технологии ЛТД». В этом же альянсе создается и программа для обработки электрокардиограмм.

 — Мы создаем очень интересные носимые датчики, — говорит Антон Беловолов. — Сейчас модны фитнес-трекеры.

По статистике, в среднем количество людей, которые интересуются своим здоровьем, в России больше, чем в Европе. Порядка 30% наших соотечественников считают этот вопрос важным.

Важно

Цифровые сервисы, которые связаны со здоровьем человека, — стремительно развивающееся направление. Этот проект тоже будет встроен в сервис MAIYA.

Также в систему войдет проект по диагностике заболеваний глазного дна. В дальнейшем, с развитием технологии, эта система поможет диагностировать и другие заболевания, не связанные со зрением.

Суть в том, что на поверхности глазного дна расположено много сосудов, по которым осуществляется микроциркуляция крови. Уже сейчас существует запатентованная технология определения разных болезней по изображениям сосудов глазного дна.

Например, специально обученная нейросеть умеет определять некоторые заболевания печени. 

Также платформа будет снабжена системой автоматического распознавания МРТ-изображений и последующей выдачи рекомендаций.

Еще одно приложение, которое может войти в систему, — это программа профилактического осмотра водителя. Приложение будет установлено на телефон, и диспетчер с его помощью сможет контролировать, готов ли водитель к рейсу.

По остальным сервисам, которые будут представлены на универсальной диагностической платформе, пока ведутся переговоры с потенциальными партнерами. Предполагается, что система облегчит постановку диагноза, но не заменит собой врача.

— Мы не можем сказать, что в скором времени машина полностью заменит врача. Хотя недавно прошла информация, что искусственный интеллект успешно сдал экзамен и получил медицинский диплом.

Однако не забывайте об этических проблемах. Разработчики системы не возьмут на себя риски и не поставят диагноз.

Совет

Это рекомендации, стороннее мнение — решение все равно будет принимать настоящий врач, — подчеркнул Антон Беловолов.

Завкафедрой информационных и интернет-технологий Первого МГМУ имени Сеченова Георгий Лебедев считает, что система будет востребована, но ее нужно апробировать в клинике.

— Развитие методов математического анализа медицинских данных — это самое передовое направление, за которым будущее медицины. Однако все системы поддержки принятия медицинских решений должны пройти клинические испытания и быть протестированы практикующими врачами, — отметил Георгий Лебедев.

По планам разработчиков, универсальная медицинская платформа MAIYA будет готова в 2021 году.

Источник: https://iz.ru/775809/mariia-nediuk/iskusstvennyi-intellekt-postavit-diagnoz

Искусственный интеллект поможет понять результаты анализов

Исследователи из Томского политехнического университета разработали компьютерную программу, которая на основе результатов анализов реальных пациентов выдает им заключение, где в доступных для понимания словах дана интерпретация полученных данных и рекомендованные дальнейшие действия. Научная статья опубликована в журнале BMC Medical Informatics and Decision Making.

В ряде стран пациенты самостоятельно, без направления лечащего врача, сдают кровь и другие биологические материалы на анализ. В России так делает 28 процентов всех сдающих анализы.

При этом лаборатории, их выполняющие, в нашей стране по закону обязаны выдавать результаты пациентам.

Поэтому нередко случается так, что люди получают информацию, которую не в состоянии понять, так как ее не интерпретировал терапевт: его просто не было.

Чтобы исправить положение дел, авторы исследования разработали программу, способную давать предварительное заключение о состоянии здоровья на основании результатов анализов.

За данными она обращается в базу конкретной лаборатории, где информация о концентрации того или иного вещества в крови, скорости осаждения клеток в ней и т.д. находится в оцифрованном, зашифрованном виде.

Эти данные с помощью нескольких статистических алгоритмов программа сопоставляет с диагнозами из специального набора.

Обратите внимание

Правила сопоставления прописаны заранее на основе уже известных закономерностей (например, повышенное содержание глюкозы в крови, взятой натощак, связано с сахарным диабетом), но по мере доработки программы они могут меняться. На выходе пациент получает заключение, где доступными словами изложены риски для его здоровья и указана вероятность определенных заболеваний.

Для тестирования алгоритма пригласили двух клинических экспертов и 120 пациентов — 28 старше 60 (считается, что пожилые не слишком склонны иметь дело с компьютером) и 92 моложе этого возраста. Первым показали результаты 1000 анализов и попросили интерпретировать их.

Рекомендации живых врачей разошлись с рекомендациями программы в 0,7 процентах случаев. А пациенты оценили ее в среднем на 6 из 7.

Большинство согласилось с тем, что заключения, выдаваемые программой, понятны, их можно показать лечащему врачу, а хранение результатов анализов в цифровом виде удобнее, чем в бумажном.

У программы в ее нынешнем виде есть ряд недостатков, и разработчики честно сообщают о них.

Во-первых, они не выясняли, какой процент испытуемых последовал рекомендациям, данным в заключениях — то есть непонятно, помогла ли программа улучшить чье-то здоровье.

Во-вторых, пока она работает только на компьютерах, а мобильное приложение находится в разработке. Оно, по задумке исследователей, поможет привлечь более молодую аудиторию.

Источник: http://www.sib-science.info/ru/heis/iskusstvennyy-intellekt-pomozhet-rossiyskim-15082018

Искусственный интеллект в медицине: перспективы и основные проблемы | Блог Medical Note о здоровье и цифровой медицине

Медицина, ранее ориентированная на лечение острых заболеваний, сегодня уделяет все больше внимания хроническим недугам — ожирению, депрессии, диабету.

Выявление сердечной недостаточности, аутоиммунных расстройств и онкологических заболеваний на ранних этапах спасает жизни многим пациентам, но усложняет задачу врачам.

Скачать бесплатное приложение

Даже гениям медицины, обладающим профессиональными интуицией и опытом, не так просто принять верное решение, ведь с каждым часом объемы медицинских данных стремительно растут.

Чтобы быстро решить задачу, медикам нужно задействовать, помимо собственного, еще один интеллект — искусственный.

Что же такое искусственный интеллект?

Под искусственным интеллектом (ИИ) специалисты подразумевают способность машины имитировать рациональное поведение человека. Машина должна воспринимать изменяющуюся информацию и принимать оптимальные решения.

К началу XXI века применение в медицине нашли две концепции ИИ — экспертные системы и нейронные сети.

Как работают экспертные системы

Экспертные системы начали разрабатывать еще в 70-ые годы XX века. Ключевой частью экспертной системы является база знаний — совокупность сведений о предмете и набор инструкций, применимый к фактам.

Факты в базе знаний экспертной системы описывают постоянные явления в конкретной предметной области. Например: «У здорового человека две ноги».

Важно

В процессе работы система получает информацию о конкретной задаче: «У пациента А одна нога», которые сохраняет в рабочей памяти. Рабочая память обращается к базе для вынесения вердикта: «Пациент А болен».

Создание экспертных систем требует огромных ресурсов. Чтобы получить хорошую экспертную систему, нужны эксперты в области, инженеры по знаниям, программисты. Базу знаний необходимо не только создавать, но и постоянно пополнять.

Как работают нейронные сети

В настоящее время концепция экспертных систем переживает серьезный кризис. Благодаря способности учиться рынок ИИ завоевали нейронные сети (НС).

Читайте также:  Изучение "разума" нейронной сети

Механизм работы НС основан на принципе биологических нейронных сетей. В компьютерном виде НС представляют граф с тремя или более слоями нейронов, соединенных в слоях тем или иным образом. У соединений есть веса, играющие важную роль в обучении НС.

Во время обучения на входные нейроны подаются данные. В дальнейшем данные обрабатываются нейронами на внутреннем слое, и на выходных нейронах получаются определенные новые значения.

Если полученные значения не устраивают исследователей, они меняют вес соединений в нейронной сети и заново ее учат. Чем больше данных получает НС, тем более достоверный ответ на запрос она выдает.

К примеру, на наш запрос к системе: «Болит голова, озноб и высокая температура» НС, проанализировав медицинские карточки тысяч пациентов, может выдать ответ: «С высокой долей вероятности у Вас грипп».

Важно отметить, что знаниями о том, что такое температура, озноб, грипп, сеть не обладает. Она лишь находит связи между симптомами и заключениями врача в выборке данных и ранжирует эти взаимосвязи по их весу.

Главное отличие ИИ от обычных компьютерных программ

В отличие от привычных компьютерных программ, при создании ИИ программисту не нужно знать всех зависимостей между входными данными и результатом. Там, где человеком уже созданы математические модели например, для статистической обработки медицинских карт ИИ не требуется.

Работа ИИ заключается в обучении на массиве достоверных данных и в поиске тех формул и зависимостей, которые не определяются человеком.

На что способен медицинский искусственный интеллект

Практики и опыта врача может не хватать для верной диагностики заболевания. Обладающая доступом к научной литературе и миллионам историй болезней нейронная сеть может быстро классифицировать случай, соотнести его с похожими и сформулировать предложения по плану лечения.

На сегодняшнем этапе развития технологий ИИ не может решать сложные задачи, непосильные для врача: например, создавать фантастические приборы, самостоятельно сканирующие человека и назначающие эффективное лечение.

Интеллектуальные решения для врачей

Сейчас ИИ решают относительно простые задачи: например, дают заключение, присутствует ли инородное тело или патология на рентгенологическом снимке, и имеются ли раковые клетки в цитологическом материале. При этом точность оценок медицинских данных — МРТ, снимков УЗИ, маммограм — уже превышает 90%.

Диагностическая точность ИИ превышает 90%

Проект IBM: Watson

Самым известным примером внедрения ИИ в медицинской диагностике стала система IBM Watson. Это суперкомпьютер, который умеет отвечать на вопросы, сформулированные на языке обывателя, а не на языке программирования.

В 2015 году корпорация IBM даже создала отдельное подразделение — IBM Watson Health, которое занимается внедрением технологии ИИ в здравоохранении.

У компьютера Watson есть доступ к различным источникам данных: энциклопедиям, базам научных статей, антологиям знаний. Благодаря огромным вычислительным мощностям, IBM Watson смог проанализировать 30 миллиардов медицинских снимков и 50 миллионов анонимных электронных медицинских карт.

Первоначально IBM обучали и применяли ИИ в онкологии. Однако недавно разработчики IBM Watson начали сотрудничать с Американской кардиологической ассоциацией.

Теперь по данным изображения УЗИ когнитивная платформа будет искать признаки стеноза аортального сердечного клапана (очень распространенного типа порока сердца).

Технологии Watson Health доступны через облачную платформу Watson Health Cloud. Она предназначена для врачей, исследователей, страховых агентов и медицинских компаний.

Источник: https://blog.mednote.life/articles/technology/iskusstvennyy-intellekt-v-medicine

Рак и робот: как искусственный интеллект ставит диагноз

Есть ли возможность еще повысить точность постановки диагноза на ранних стадиях онкологических заболеваний? В онкологии стоимость диагностической ошибки особенно высока.

Специалисты отмечают, что основная сложность заключается не в обнаружении злокачественного процесса, а в выявлении его фенотипа. В последнее время ученые стали активно использовать для диагностики искусственный интеллект.

Совет

Уже доказано, что использование умных систем позволяет повысить точность диагностики: так, результаты исследования агентства Frost & Sullivan показали, что технологии искусственного интеллекта повышают точность постановки диагнозов на 30–40%.

Специалист по патологиям Энди Бек из Гарвардской медицинской школы считает, что дальнейшее использование ИИ-технологий позволит снизить уровень ошибок при диагностике на 85%.

Обучение на наглядных примерах

По данным World Cancer Research Fund, самыми часто встречающимися видами рака в 2018 году являются рак легких, рак молочной железы, колоректальный рак и рак простаты. Могут ли новые технологии помочь в диагностике этих видов рака, составляющих 48,8% от всех диагностированных в мире в 2018 году случаев?

Согласно исследованиям Американского онкологического общества в 2018 году, самая высокая онкологическая смертность — от рака легких.

Процент выживаемости при раке легких составляет 17% для мужчин и 24% для женщин: такие низкие показатели объясняются большим числом случаев диагностики рака легких на последней стадии.

Разработки для ранней диагностики рака легких ведутся активно, но, к сожалению, эффективных решений на сегодняшний день немного.

Стартап Optellum, основанный в Великобритании в 2016 году, направлен на разработку системы, позволяющей максимально быстро диагностировать рак легких. Там разрабатывают первое в мире автоматизированное программное обеспечение для оценки риска на основе компьютерной томографии.

Для обучения алгоритмов специалисты собрали самую крупную в мире кураторскую базу пациентов с опухолевыми узлами.

В отличие от врачей, не имеющих возможности определить, являются ли эти узлы безвредными, и вынужденных наблюдать за дальнейшим развитием образований, система, анализируя внутреннюю структуру утолщений, способна поставить правильный диагноз намного раньше.

Обратите внимание

Научный и технический сотрудник стартапа доктор Тимор Кадир отмечает, что система позволяет диагностировать рак на ранних стадиях более чем у 4000 больных в год, что увеличивает их шансы на выживание.

Источник: https://www.forbes.ru/tehnologii/367683-rak-i-robot-kak-iskusstvennyy-intellekt-stavit-diagnoz

Искусственный интеллект помогает диагностировать рак

Ученые из Калифорнийского университета Лос-Анджелеса разработали методику неинвазивного изучения образцов крови и диагностики рака

Для того, чтобы определить наличие специальных клеток, маркеров рака, нужно проводить сложные анализы. Довольно часто медики используют химические препараты, делающие хорошо видимыми раковые клетки. Это неплохой метод, но подобный образец можно использовать только один раз, после чего его изучение становится невозможным.

Есть и другие технологии, среди которых выделяется метод анализа структуры клеток тканей. Обычно структура раковых клеток отличается от структуры обычных, здоровых клеток, поэтому и становится возможной диагностика рака.

Но здесь требуется много времени на подготовку клеток, плюс сам способ нельзя назвать достаточно точным.

А что если использовать возможности искусственного интеллекта для диагностики раковых заболеваний? Именно это и решили сделать ученые из Калифорнийского университета Лос-Анджелеса.

Специалисты решили, что когнитивная система сможет определить наличие или отсутствие раковых клеток быстрее человека, и сделано это будет с более высокой точностью. Результаты работы опубликованы в авторитетном издании — журнале Scientific Reports.

У разработанной учеными методики есть два существенных отличия от методов, которые применяются повсеместно. Первое — использование фотонного микроскопа нового типа. Второе — работа с искусственным интеллектом, который анализирует весь полученный массив данных.

Что касается микроскопа, здесь используются наносекундные лазерные импульсы для фиксирования изображений сотен тысяч клеток крови в секунду. Обычные технологии не позволяют анализировать более 2000 клеток в секунду с использованием проточного цитометра и стандартных цифровых камер.

При более плотном потоке клеток изображения получаются смазанными, изучение таких снимков невозможно. Специалисты из Калифорнийского университета разработали технологию неинвазивного получения изображений с использованием АЦП (аналогово-цифрового преобразователя).

Лазерные импульсы высвечивают отдельные клетки, изображение которых получается довольно четким, без «замыливания». При этом, как и говорилось выше, анализируются сотни тысяч клеток в секунду.

Схема анализа крови, разработанная учеными

Важно

Полученные снимки затем «скармливаются» специально созданному ПО — алгоритму, который анализирует данные по 16 различным критериям: оценка диаметра, степени поглощения излучения, округлости и других параметров клеток. Для того, чтобы обнаружить раковые клетки, в среднем необходимо проанализировать около 100 тысяч обычных клеток.

При стандартной методике на это уходит довольно много времени (напомним, что пропускная способность стандартной методики — 2 тысячи клеток в секунду, плюс работают с отснятым материалом люди). Разработанная же в США технология позволяет анализировать сотни тысяч клеток в секунду.

Соответственно, и точность диагностики выше, а время, требуемое на проведение диагностики, ниже, чем обычно.

Изначально специалисты обучили созданное ПО распознавать именно раковые клетки. После проведения пробных испытаний выяснилось, что точность диагностики с использованием фотонного микроскопа и искусственного интеллекта на 17% выше точности всех прочих методов анализа.

Стоит отметить, что когнитивные системы уже довольно давно используются для борьбы с раковыми заболеваниями. К примеру, IBM Watson помогает медикам в рамках программы Watson for Oncology. При этом активный блок системы уже не занимает целую комнату, размер блока теперь равен примерно трем коробкам пиццы, поставленным друг на друга.

Watson задаёт вопросы и делает предположения, используя данные последних медицинских исследований в области онкологии, плюс используется информация из медицинской карточки пациента и текущие симптомы. В результате каждый пациент получает индивидуальный подход – ведь одно и то же заболевание, даже самое простое и безобидное, у разных людей протекает по-разному.

Что говорить о такой сложной проблеме, как рак.

Cистема способна анализировать огромные массивы данных (причем это неструктурированные данные), «раскладывать по папкам» и делать объективные выводы. При этом Watson изучает новейшие данные по конкретному заболеванию или группе заболеваний.

Обычный врач просто не может изучить всю необходимую информацию. В лучшем случае речь идет о нескольких тематических статьях по результатам исследований.

Совет

IBM Watson может структурировать огромные массивы данных за считанные секунды, параллельно изучая результаты исследований по конкретной тематике за последние пару лет.

Уже сейчас в проекте Watson for Oncology принимает участие ряд медицинских центров и больниц. Это, к примеру, Международная больница Бумрунград (Таиланд), Нью-Йоркский центр по исследованию генома человека и другие организации.

Эксперты считают, что в ближайшем будущем когнитивные системы помогут человечеству более эффективно бороться с различными заболеваниями (не только раковыми).

IBM Watson, как и говорилось выше, способен эффективно анализировать огромные массивы информации, выявляя не слишком четкие связи между отдельными элементами.

Это позволяет изучать особенности организма каждого пациента с дальнейшей реализацией индивидуального лечения, что значительно повышает вероятность успешного выздоровления.

Источник: https://se7en.ws/iskusstvennyy-intellekt-pomogaet-di/

Искусственный интеллект займется диагнозами

Как стало известно “Ъ”, ассоциация разработчиков систем искусственного интеллекта совместно с медицинским сообществом приступила к реализации масштабного проекта по созданию национального оператора биомедицинских данных граждан.

Медицинскую big data планируется образовать на принципах государственно-частного партнерства, при котором государство будет отвечать за сохранность данных, а частный капитал — за сервисы по аналитике, диагностированию и выработке рекомендаций по лечению.

Читайте также:  Toshiba представила робота на выставке электроники ces

Риск-офис, созданием которого заняты страховщики, обеспечит аналитическую поддержку оператора — что поможет компаниям лучше тарифицировать свои продукты.

Обратите внимание

Созданная летом этого года при поддержке Российской венчурной компании (РВК) ассоциация разработчиков и пользователей систем искусственного интеллекта «Национальная база медицинских знаний» приступила к масштабному проекту создания единого оператора биомедицинских данных. На прошлой неделе участники ассоциации и представители Минздрава, медицинского и страхового сообщества провели первое совещание по теме упорядочивания оборота биомедицинских данных.

«Цель — создание экосистемы для разработок в сфере искусственного интеллекта. Одна из ее составляющих, помимо реалистичного нормативного регулирования,— базы биомедицинских данных, на которых системы искусственного интеллекта могли бы обучаться правильным диагнозам»,— говорит член объединения Сергей Воинов, руководитель направления цифровой медицины фонда «Сколково».

По словам Михаила Югая, гендиректора Фонда международного медицинского кластера, применение искусственного интеллекта в медицине — важный технологический тренд, который позволит улучшить диагностику заболеваний и автоматизировать рутинные процедуры, такие как анализ рентгеновских снимков и данных УЗИ, а также оптимизировать логистику пациентов в клиниках.

Как пояснил “Ъ” один из участников обсуждения, предполагается, что оборот деперсонализированных биомедицинских данных монополизирует единый оператор, к ним будут допущены разработчики систем искусственного интеллекта в медицине. Ожидаемый эффект от деятельности оператора — рост российских стартапов в области искусственного интеллекта.

Как сообщил член наблюдательного совета ассоциации «Национальная база медицинских знаний» Игорь Горбунов, никто из собравшихся на обсуждение не оспаривал необходимость подобных сервисов: «Дискуссия больше шла о форме оператора. Те, кто высказывал опасения о сохранности этих данных, настаивали на том, что это должен быть государственный оператор.

Рассуждавшие о будущей практике оператора резонно замечали, что потребуется внебюджетное финансирование». По словам Игоря Горбунова, точкой баланса, вероятнее всего, станет государственно-частное партнерство: государство будет хранить данные, а частный капитал — развивать на их базе сервисы.

При этом для появления такого оператора потребуется законодательно уточнить порядок оборота такой информации.

Ключевой вопрос — собственность деперсонализированных данных. «Если эти данные станут относительно дорогими, реальную возможность использования получат не отечественные стартапы, а иностранные игроки в сфере искусственного интеллекта»,— говорит собеседник “Ъ”.

По мнению господина Горбунова, страховщики — прямые перспективные пользователи такой системы: «Создание риск-офисов на основе больших биомедицинских данных позволит внедрить принципиально новые сервисы для клиентов, адаптивные тарифные планы, основанные на просчитанных рекомендациях для бизнеса».

Аналитической поддержкой оператора займется национальный риск-офис — проект по управлению социальными и экономическими рисками страны, созданием которого сейчас занят Всероссийский союз страховщиков (ВСС). Как рассказал “Ъ” вице-президент ВСС Максим Данилов, страховщики сейчас вообще не имеют доступа к медданным.

«Даже если пациент не против такого доступа, медсообщество игнорирует его право распоряжаться персональными данными о своем здоровье»,— говорит он.

Важно

Возможную будущую практику работы системы он описывает так: данные хранятся у оператора, если гражданин дает право на их анализ для построения предиктивных моделей, то силами риск-офиса они моделируются — на их основании можно будет формировать индивидуальные программы страхования жизни или планы лечения.

В случае появления национального оператора медданных страховщики обещают точнее настраивать свои продукты. Отметим, что они уже пользуются иностранными разработками в этой сфере.

Например, весной компания «Сбербанк страхование жизни» заключила договор с IBM по использованию системы Watson for Oncology.

Это система искусственного интеллекта для выработки рекомендаций по лечению онкологических заболеваний.

По словам господина Воинова, срок создания баз данных по группе наиболее распространенных заболеваний может занять от трех до пяти лет — «если на это будет политическая воля».

«Пока мы видим большой интерес со стороны государства — цифровизация медицинских баз данных даст новые возможности не только IT-компаниям, но и национальной системе здравоохранения в части формирования более достоверной медицинской статистики»,— говорит он.

По его словам, стоимость создания баз по одной группе заболеваний может составлять несколько миллиардов рублей государственных и частных средств.

Татьяна Гришина, Анастасия Мануйлова

Источник: https://www.kommersant.ru/doc/3752478

Искусственный интеллект против докторов: когда диагноз будет ставить компьютер

В один из вечеров прошлого ноября 54-летняя женщина из Бронкса прибыла в отделение скорой помощи медицинского центра Колумбийского университета с жалобой на сильную головную боль. У неё всё расплывалось перед глазами, а левая рука онемела и ослабла. Врачи осмотрели её и порекомендовали сделать компьютерную томографию головы.

Через несколько месяцев, утром одного из январских дней, четыре будущих рентгенолога собрались перед экраном компьютера на третьем этаже госпиталя. В комнате не было окон, и её освещал лишь включённый экран. Анджела Линели-Дипл [Angela Lignelli-Dipple], заведующая отделом нейрорентгенологии университета, стояла за интернами с карандашом и планшетом.

Она учила их разбираться в КТ-снимках. «Когда мозг мёртв, инсульт диагностировать легко, – говорит она. – Хитрость в том, чтобы диагностировать инсульт ещё до того, как умрёт слишком много нервных клеток».

Инсульты обычно происходят из-за блокировки тока крови или кровотечений, и у нейрорентгенолога есть только 45 минут на диагноз, чтобы доктора успели вмешаться в процесс – к примеру, ликвидировать появляющийся сгусток. «Представьте, что вы в отделении скорой помощи, – продолжала Линели-Дипл, увеличивая накал воображаемой ситуации.

– С каждой минутой отмирает очередной участок мозга. Потерянное время – потерянный мозг». Она бросила взгляд на часы на стене, по циферблату которых бежала секундная стрелка. «Ну и в чём же проблема?» – спросила она. Обычно инсульты асимметричны. Снабжение мозга кровью разветвляется влево и вправо, а затем делится на ручейки и притоки с каждой стороны.

Совет

Сгусток крови или кровотечение обычно поражает одно из ответвлений, что приводит к дефициту с одной стороны мозга. Когда нервные клетки оказываются отрезанными от притока крови и начинают умирать, они немного набухают. На снимке чёткие границы между анатомическими структурами могут оказаться размытыми. В конце концов, ткань сжимается, оставляя высушенную тень на снимке.

Но эта тень всё ещё видна на снимках через несколько часов или даже дней после инсульта, когда возможность вмешательства уже пропущена. «До этого момента, – рассказала мне Линели-Дипл, – на снимке есть намёк», предупреждение о надвигающемся инсульте. Снимки мозга женщины из Бронкса разрезают череп от основания до макушки, как дольки арбуза, разрезанного сверху вниз.

Интерны быстро пролистывали слои изображений, будто перелистывая странички блокнота, называя анатомические структуры: мозжечок, гиппокамп, центральная доля, полосатое тело, мозолистое тело, желудочки. Затем один из учащихся, возраст которого приближался к 30 годам, остановился на одном из снимков и показал карандашом на область с правого края мозга.

«Здесь есть что-то пятнистое, – сказал он. – Границы выглядят размыто». С моей точки зрения, всё изображение выглядело пятнистым и размытым – словно каша из пикселей – но он явно увидел что-то необычное. «Размыто?», – поддержала его Линели-Дипл. «Опиши, пожалуйста, подробнее». Интерн начал что-то мямлить.

Остановился, будто перебирая анатомические структуры в голове, взвешивая возможности. «Она просто неоднородная, – пожал он плечами. – Я не знаю. Выглядит странно». Линели-Дипл открыла следующий набор КТ-снимков, сделанных через 24 часа. Область, размером с виноградину, на которую указал ординатор, была тусклой и раздутой.

Несколько последующих снимков, сделанных с разницей в несколько дней, рассказали оставшуюся часть истории. Появилась серая клинообразная область. Вскоре после поступления в отделение скорой помощи невролог попытался очистить забитую артерию лекарством, растворяющим сгустки, но он прибыл слишком поздно.

Через несколько часов после первоначального снимка она потеряла сознание, и её перевели в отделение реанимации и интенсивной терапии. Два месяца спустя она всё ещё лежала в палате. Левая сторона её тела, включая руку и ногу, была парализована. Мы с Линели-Дипл пошли в её офис.

Я должен был изучить процесс обучения в больнице: как врачи учатся ставить диагнозы? Могут ли этому научиться машины?

Моё посвящение в диагностику началось осенью 1997 года в Бостоне, когда я после медицинского института отправился на практику. Для подготовки я прочёл классический медицинский учебник, разделявший процесс вынесения диагноза на четыре чёткие фазы.

Во-первых, доктор использует историю болезни пациента и физический осмотр для сбора фактов по поводу её жалоб или состояния. Затем информация критически рассматривается с тем, чтобы создать исчерпывающий список потенциальных причин проблем. После этого вопросы и предварительные проверки помогают исключить одни гипотезы и усилить другие – это т.н. “дифференциальная диагностика”.

Обратите внимание

Учитываются такие параметры, как распространённость заболевания, история болезни, риски, возможное воздействие на человека (как говорит известный [американский] медицинский афоризм, «топот копыт скорее издают лошади, а не зебры» [“зебра” в медицине США – сленговое название постановки экзотического диагноза в случае, когда наиболее вероятен более простой диагноз]). Список сужается: врач уточняет свои предположения. В финальной фазе лабораторные тесты, рентген или КТ подтверждают гипотезу и диагноз. Варианты этого пошагового процесса воспроизводились в медицинских учебниках десятилетиями, и представление о диагносте, методично и нудно двигающемся от симптомов к причине внушалось поколениям студентов-медиков.

Но настоящее искусство диагноза, как я узнал позже, не бывает таким прямолинейным. Моим наставником в медицинской школе был элегантный житель Новой Англии в отполированных мокасинах и с чопорным акцентом. Он считал себя экспертом-диагностом.

Он просил пациента продемонстрировать симптом – к примеру, кашель – а затем откидывался в кресле и перекатывал у себя на языке прилагательные. «Дребезжащий и металлический, – мог сказать он, или, – низкий, с бренчанием», будто описывая винтажную бутылку Бордо.

Мне все кашли казались одинаковыми, но я подыгрывал ему: «Дребезжащий, ага», – чувствуя себя самозванцем на дегустации вин.

Специалист по классификации кашлей мог сразу сузить возможности диагноза. «Звучит как пневмония», – мог сказать он. Или: «влажный хрип при застойной сердечной недостаточности». Затем он выдавал поток вопросов.

Читайте также:  Когда будет создан «искусственный» интеллект, аналогичный мозгу человека?

Набирал ли пациент недавно вес? Не было ли у него контакта с асбестом? Он просил пациента покашлять снова и наклонялся, прислушиваясь при помощи стетоскопа. В зависимости от ответов он мог выдать новую серию возможностей, будто усиливающиеся и ослабевающие синапсы.

Затем, с помпой странствующего фокусника он провозглашал диагноз: «сердечная недостаточность!», – и выписывал анализы для доказательства своей правоты. Обычно он оказывался прав. Несколько лет назад бразильские исследователи изучали мозг рентгенологов-экспертов, чтобы понять, как они выдают свои диагнозы.

Обращались ли эти опытные диагносты к умственной «книге правил», или же они применяли «распознавание образов и неаналитические рассуждения»? Двадцать пять рентгенологов попросили оценить рентгеновские снимки лёгкого, и в это время при помощи МРТ отслеживали активность их мозга.

(Тут много чудесных рекурсий: чтобы диагностировать процесс диагноза, нужно сделать фото людей, изучающих фото). Перед глазами испытуемых мелькали рентгеновские снимки. На некоторых были изображены распространённые патологические повреждения – к примеру, тень пневмонии в виде кисти, или серая непрозрачная стена жидкости, скопившейся за оболочкой.

Во вторую группу снимков включали контурные рисунки животных. В третьей встречались контуры букв алфавита. Рентгенологам показывали эти картинки случайным образом, просили их проговаривать вслух название повреждения, животного или букву как можно быстрее, а в это время МРТ-аппарат отслеживал активность их мозга.

В среднем на постановку диагноза рентгенологам требовалось 1,33 с. Во всех трёх случаях «зажигалась» одна и та же часть мозга: широкая дельта нейронов возле левого уха и полоска в виде мотылька у заднего основания черепа.

«Наши результаты поддерживают гипотезу о том, что при распознавании врачом известного ему повреждения работает тот же процесс, что связан с именованием предметов», – заключили исследователи. Определение повреждения очень похоже на определение животного.

Когда вы распознаёте носорога, вы не рассматриваете альтернативных кандидатов, чтобы отбросить неверные варианты. Вы не сочетаете мысленно единорога, броненосца и небольшого слона. Вы узнаёте носорога в целом – как образ. То же самое происходит и у рентгенологов. Они не взвешивали, не вспоминали, не дифференцировали. Они просто видели известный объект.

Для моего наставника влажные хрипы были так же знакомы, как известная мелодия.

В 1945 году британский философ Гилберт Райл прочёл судьбоносную лекцию по поводу двух типов знания. Ребёнок знает, что у велосипеда два колеса, шины наполнены воздухом, а ездить на нём нужно, вращая по кругу педали. Райл назвал такое знание – фактическое, пропозициональное – «знание что». Но чтобы научиться ездить на велосипеде, необходимо обратиться к другой области обучения. Ребёнок учится ездить на велосипеде, падая с него, балансируя на двух колёсах, преодолевая ямы. Райл назвал такое знание – скрытое, экспериментальное, основанное на навыках – «знание как».

Источник: https://habr.com/post/373361/

Искусственный интеллект и диагностика заболеваний

Интересно >>>> Искусственный интеллект и диагностика заболеваний

Разработки в области создания искусственного интеллекта расширяют границы своего практического применения.

Нейронные сети – это обучаемая система, способная неограниченно применять свои возможности.

Опробовав работу нейронных сетей в различных технических отраслях, ученые пришли к заключению, что нейронные сети – хорошие диагносты.

Важно

Как известно, своевременно выявленное заболевание повышает в несколько раз шансы человека на излечение и на выживание, особенно если речь идет об онкологических заболеваниях.

Как показали исследования нескольких зарубежных стартапов, нейронные сети способны оптически (в переводе на человеческие качества – визуально) определить по снимкам участки тканей, пораженные раком, и делают это с точностью, приближающейся к ста процентам.

Для сравнения, врач – диагност, изучающий снимок пациента до момента лабораторных выявлений на основании биопсии участков ткани, подверженных канцерогенезу, определяет онкологию с точностью не менее 70%, тогда как искусственный интеллект, которому были предложены для предварительного просмотра и обучения несколько сотен снимков компьютерной томографии с уже известной патологией тканей (злокачественными образованиями), изучая снимки с не диагностированными патологиями, способен определить раковое заболевание на начальных стадиях его развития с точностью около 90%.

Удобен искусственный интеллект еще и в случаях, когда диагностика проводится непосредственно в процессе осмотра тканей, например, при колоноскопии или эндоскопии.

Но в каждой бочке меда, как правило, находится и своя ложка дегтя. Оказалось, что на деле нейронные сети все онкопатологии рассматривают как злокачественные, и не могут разграничить злокачественный и доброкачественный процесс.

Здесь уже не обойтись без человеческого интеллекта и лабораторных исследований.

Но заслуга искусственного интеллекта в области онкодиагностики дает шанс на раннее диагностирование рака, что гораздо важнее последующей его дифференциации по степени озлокачествления, с которой несложно справиться и врачу.

Как искусственный интеллект и диагностику заболеваний совмещают на практике? Исследователи диагностических возможностей искусственного интеллекта надеются совместить умения нейронных сетей и опыт врачей путем создания автоматизации диагностики – необходимо лишь методически собирать базу фото- и видеосъемки аппаратной диагностики, чтобы у искусственного интеллекта была возможность учиться на собранных данных.

Источник: http://medicalfairway.mobi/page_stat.php?ids=1351&n_word=%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8

Искусственный интеллект против рака: чему учат нейросети московские радиологи

Применение технологий машинного обучения для скрининга рака в столичном Научно-практическом центре медицинской радиологии Департамента здравоохранения Москвы (НПЦМР ДЗМ, Радиология Москвы) выходит на новый уровень. Теперь при скрининге рака легкого искусственный интеллект научат выявлять и другие патологии.

Эксперты Радиологии Москвы активно участвуют в разработке систем поддержки принятия решений для врачей-рентгенологов, которые позволяют работать с группами исследований в Едином радиологическом информационном сервисе (ЕРИС), высвобождая время доктора для действительно сложных задач.

В частности, одни из самых интересных проектов нацелены на выявление рака легких на ранних стадиях путем автоматического поиска очагов в легких на КТ-исследованиях органов грудной клетки, а также на проверку качества описаний и заключений этих КТ-исследований путем интеллектуального анализа текстов, написанных на естественном языке.

Рак легкого – самый смертоносный среди всех онкологических заболеваний. Эпидемиологическая ситуация по этому заболеванию в Москве требует комплексных решений со своевременной диагностикой и эффективной маршрутизацией пациентов. Цель скрининга рака легких – выявить опухоль, прежде чем она распространится за пределы органа.

Из всех случаев рака легкого только 15% локализовано непосредственно в легких. В большинстве случаев заболевание выявляется уже после того, как оно распространилось за пределы легкого и вызывает симптомы. Единственный эффективный способ диагностировать его вовремя – проводить низкодозную компьютерную томографию (НДКТ) гражданам из группы риска, не имеющим признаков болезни.

Запуск массового скрининга рака легкого в Москве в марте прошлого года привел к накоплению большого объема данных.

Чтобы использовать его на благо здравоохранения, было решено применить технологии машинного обучения.

Совет

Как заметил руководитель Радиологии Москвы, профессор Сергей Морозов, скриниговые программы служат мощным стимулом к повышению спроса на автоматизированные решения и алгоритмы компьютерного анализа изображений.

От простого к сложному

В лучевой диагностике искуственный интеллект чаще всего применяется при решении когнитивно простых задач: например, для формирования подсказок врачу, готовящему вывод по результатам исследования.

Однако текущий уровень развития цифровых технологий позволяет добиться гораздо большего. Так, разделяя все случаи на «норму» и «патологию», искусственный интеллект дает рентгенологу возможность сфокусироваться на именно на патологии.

Кроме того, такая система может автоматически искать различия между снимками в динамике, классифицировать патологии, заменять «второе мнение» и даже формировать сложные алгоритмы обработки больших данных для оценки среды, окружающей пациента.

С ее помощью можно изучать новые биомаркеры для развития систем раннего предупреждения заболеваний и создавать «калькуляторы» персонализированного риска.

На основе ретроспективного анализа 10 тыс. КТ-исследований грудной клетки пациентов было отобрано 5 тыс. с патологическими находками для последующего маркирования и тегитирования. Это позволило сформировать специальную базу размеченных КТ-исследований, на которых системы искусственного интеллекта учат искать очаги в легких.

Кроме того, в Радиологии Москвы разработан уникальный программный продукт, позволяющий одновременно проводить независимую разметку и верификацию этой разметки по любому массиву данных, с привлечением неограниченного числа рентгенологов.

Эти данные применяются в разработке системы для поиска очагов в легких совместно с Департаментом информационных технологий Москвы.

Обратите внимание

На сегодняшний день в Москве проведено в общей сложности более 14 тыс. НДКТ. Расчеты проведенного пилотного проекта показали, что из 86 выполненных НДКТ пациентам из группы риска будет выявлен как минимум один рак легкого. Оценить результаты снижения смертности от данного заболевания планируется в 2024 году.

Расширение кругозора

Теперь искусственный интеллект может быть применен для решения ряда задач в поиске дополнительных патологических находок, которые можно обнаружить при проведении НДКТ. В новом проекте НДКТ 2.

0 ставится несколько целей, помимо обнаружения рака легкого – выявление остеопороза, коронарного кальция, аневризмы аорты, расширения легочного ствола, жирового гепатоза и эмфиземы легкого. Для каждого из этих заболеваний будут использованы алгоритмы искусственного интеллекта.

Сейчас уже идет подготовка баз данных для тестирования и обучения алгоритмов под эти задачи.

Виктор Гомболевский

Руководитель отдела развития качества радиологии Радиологии Москвы

«Роль искусственного интеллекта в скрининге рака легкого значительно шире автоматического поиска узелков в легких, – говорит Виктор Гомболевский, руководитель отдела развития качества радиологии Радиологии Москвы. – А комплексное развитие когнитивных систем искусственного интеллекта нацелено на рывок в повышении качества оказания медицинской помощи».

Гомболевский, кандидат медицинских наук, врач-рентгенолог, руководит отделом развития качества радиологии НПЦМР ДЗМ. Он не только является разработчиком проекта «Московский скрининг рака легкого», но и возглавляет комитет по искусственному интеллекту Московского регионального отделения Российского общества рентгенологов и радиологов.

По мнению Гомболевского, в использовании потенциала искусственного интеллекта сделаны лишь первые шаги.

Сегодня медицинские системы искусственного интеллекта – это разрозненный парк решений для экономии времени, сокращения дозы лучевой нагрузки, поиска и классификации находок, консультации пациентов и направляющих врачей, подготовки изображений, распознавания естественного языка и других локальных задач, которые в итоге выразятся в экономии финансовых ресурсов при повышении качества оказываемых медицинских услуг.

Источник: https://www.lvrach.ru/news/15435910/

Ссылка на основную публикацию
Adblock
detector