Цифровые решения помогут чаще выявлять онкологию на ранней стадии — интервью с Михаилом Кауфманом, директором проектов здравоохранения «ТехЛАБ»
Портал MIBS + HealthCareBusinessNews специализируется на мировых новостях о технологиях в медицине. Наша редакция с интересом относится к открытиям и разработкам, способным вывести лечение и диагностику на новый уровень. Одна из важных тем — разработка сервисов с применением ИИ в сфере здоровья.
Мы поговорили с Михаилом Кауфманом, директором проектов здравоохранения «ТехЛАБ» — компании, которая является создателем сервисов цифрового здравоохранения для государственных и частных организаций на территории РФ. Получился объемный материал о современных разработках в сфере медицины, онконастороженности, кибербезопасности и успехах машинного обучения.
— На Международном форуме «От Винта!» компания «ТехЛАБ» анонсировала разработку сервиса с применением ИИ, который дополнит существующую у вас систему для раннего выявления онкологических заболеваний. Расскажите подробнее о новом продукте.
— Расскажу немного и о самом решении, и о том, как мы к нему пришли, руководствуясь научно-медицинской и социальной значимостью.
Сейчас «ТехЛАБ» разрабатывает цифровое решение по онконастороженности[1] для врачей неонкологических специальностей. В первую очередь это терапевты, фельдшеры, врачи общей практики. Наш сервис помогает специалисту вовремя заметить тревожные симптомы у пациента, способные указывать на наличие злокачественного новообразования (ЗНО) на ранней стадии, и направить его на дополнительные диагностические исследования и прием онколога.
Мы разработали основу решения несколько лет назад: в качестве научного базиса послужили «Алгоритмы раннего выявления онкологических заболеваний», утвержденные Минздравом РФ, а сейчас мы совершенствуем сервис, применяя алгоритмы машинного обучения, и в том числе так называемое «обучение с подкреплением». [2]
— Вы упомянули, что сервис ориентирован прежде всего на терапевтов и фельдшеров, то есть на специалистов преимущественно первого звена. А как именно он поможет выявлять онкологию на раннем этапе?
— С точки зрения пользователя, сервис работает следующим образом: врач в ходе сбора анамнеза отмечает жалобы пациента в специальной электронной анкете (именно на нее больше всего похож интерфейс сервиса) и, если они соответствуют определенному набору научно-доказанных предикторов развития того или иного вида онкологии, например, рака, сервис предложит врачу «проявить настороженность» — назначить этому пациенту дополнительные исследования. Кроме того, сервис потенциально способен «отследить» судьбу таких пациентов после их приема у терапевта или фельдшера: подтвердилось ли подозрение? На какой стадии выявлено заболевание, спасена ли человеческая жизнь?
При создании сервиса мы руководствовались тем, что, как мы уверены, опасность для здоровья пациента огромна, если врач не проявит «настороженность», причем не только в отношении рака, и даже не в отношении онкологии в целом — важно ведь не упустить и диабет, и проблемы с сердцем. Цена потерянной возможности начать лечение заболевания на ранней стадии высока, очень высока.
Непосредственно для нашего сервиса приведу актуальный пример: когда в процессе дифференциальной диагностики терапевт встречается со своим пациентом на приеме и тот излагает ему свои жалобы, врач в своем уме составляет список возможных базовых причин, по которым эти жалобы могут появиться. «Верхние строчки» в этом перечне занимают наиболее вероятные причины, а «нижние» — наименее. И часто бывает так, что неспецифичные симптомы онкологических заболеваний присутствуют в достаточном числе, но такой диагноз оказывается внизу списка. Задача сервиса — искусственным образом «поднять» в списке группу этих диагнозов и обратить на них внимание медицинского специалиста, причем с минимальными издержками для его времени и внимания. Наша задача еще и в том, чтобы на вопрос онконастороженности врач отвлекался не более чем на 40 секунд — это 8-9 кликов мышкой. Пока это еще не так, но мы уже довольно близки к этому временному ориентиру.
— Разговоры о выявлении онкологии с помощью ИИ идут не первый год, и разработчики, в том числе в России, уже начинают предлагать свои решения. Чем ваш сервис отличается от аналогичных?
— Большая часть информационных технологий и цифровых решений, ориентированных на выявление онкологических заболеваний, работает с изображениями: результатами КТ, рентгена, МРТ, УЗИ, — в то время как мы занимаемся именно анализом медицинских записей.
Основное отличие нашего сервиса от существующих решений заключается в том, что оно нацелено на оценку неспецифичных симптомов онкологических заболеваний у тех пациентов, у которых еще нет соответствующего диагноза или подозрения на ЗНО от онколога. То есть акцент именно на ту самую первичную онконастороженность, про которую мы с вами говорили.
— Почему ИИ-решений для поиска онкологии по медицинским изображениям (МРТ, КТ, УЗИ) гораздо больше? Есть какие-то значимые преимущества?
— Подавляющее число разработчиков в сфере медицины обратились именно к анализу изображений, поскольку данные поступают сразу в цифровой форме. Это понятно, ведь они весьма многочисленны, их удобно собирать, и сама их конфигурация представляется довольной благодатной для программирования: данные удобно «скармливать» алгоритму, хотя в процессе многолетней работы выявились нюансы и тут. Так что это тоже непростой труд.
Сервисов по анализу изображений довольно много как в России, так и в мире и, пожалуй, использование того же искусственного интеллекта в лучевой диагностике становится оправданным, на мой взгляд. Цифровые сервисы могут помочь снизить нагрузку на специалиста, предварительно анализируя основную массу снимков и предлагая врачу внимательнее изучить те из них, которые содержат выявленные искусственным интеллектом характерные тревожные симптомы. Разработка таких решений обычно представляет собой оптимальный баланс между вложенными усилиями врачей и программистов и получением данных, на которых эти системы и сервисы должны обучаться.
В то же время отмечу, что другие решения с применением искусственного интеллекта в области медицины тоже имеют перспективы.
— А какие вообще сейчас наиболее популярные ИИ-решения в медицине, в том числе нацеленные на помощь врачу в постановке диагноза, в чем их перспективы и недостатки?
— Их довольно много, и по некоторым из них уже появляются качественные эффекты от внедрения. Так, уже в нескольких экспериментах показано, что внедрение ИИ в виде чат-бота, голосового ввода, сервиса анализа снимков КТ и МРТ позволяет иногда в 5–10 раз сократить время врача на выполнение рутинных операций. С помощью ИИ создаются цифровые двойники, на которых можно проанализировать ход будущей операции, умные помощники для незрячих пациентов, сервисы подбора персонализированной терапии, программы по улучшению качества медицинских снимков и многое другое.
У каждого метода могут быть свои ограничения, это нормально. Сейчас основной преградой для развития решений на основе машинного обучения являются объем и качество данных, на которых им необходимо обучаться.
— Это стало трудностью и для вашего ИИ-решения по онконастороженности?
— Именно так. Это, пожалуй, основная неприятность, с которой нам приходится сталкиваться, — входные данные. Откуда их взять? И, главное, откуда взять качественные данные? Подобный вопрос в сфере цифровых технологий для медицины является непростым, поскольку необходимо, чтобы данные, во-первых, были «сведены», то есть представлены в унифицированном формате, а, во-вторых — и это становится даже более важным — они должны быть получены легитимно. С точки зрения нормативной базы, есть множество барьеров, из-за которых получить качественный датасет становится трудоемкой задачей.
— Как вы справляетесь с этим затруднением?
— Когда наш сервис начал работать в экспериментальном формате, в него еще не были встроены алгоритмы машинного обучения, но он все равно успешно использовался, поскольку в его основе находятся оцифрованные результаты научного труда признанных ученых-онкологов из «НМИЦ радиологии» Минздрава РФ. Их экспертиза в виде методических рекомендаций, утвержденных Министерством здравоохранения, достаточна для выдачи корректных результатов работы сервиса. Сейчас же, когда этот научный базис дополняется ИИ, задача получения данных решается элегантно: каждый новый подтвержденный случай заболевания, выявленный с помощью сервиса, уточняет его работу в дальнейшем.
В нашем решении каждый факт настороженности одного врача, например, терапевта, и подтверждения этого подозрения у онколога автоматически уточняет результаты в дальнейшем. Так представляется концепция непрерывного самообучения, которую мы реализуем в нашем решении по онконастороженности. Однако не скрою, доступ к массиву данных, особенно размеченному, то есть такому, в котором присутствует и вопрос, и ответ, и даже дается некоторое обоснование и гарантия качества ответа, всегда будет желанной мечтой всех разработчиков — и мы не исключение.
— Ваш сервис позиционируется как решение для государственных медицинских организаций. Почему? Планируется ли внедрение технологии в частную медицинскую практику?
— Через государственные больницы, поликлиники и фельдшерско-акушерские пункты проходит большая часть пациентов в стране. Поскольку мы намерены дать врачу инструмент для раннего выявления рака на основе неспецифичных симптомов, то чем с большим количеством граждан будет взаимодействовать врач, тем выше вероятность выявления у отдельных пациентов из этой массы признаков ЗНО.
Отмечу, что ощутимый результат от применения этой системы не может быть локализован на участке терапевта — только в замкнутой системе, включающей одновременно и терапевта, и онколога, призванного подтвердить или снять подозрение на ЗНО. Заметная же часть коммерческой медицины занимается общетерапевтическими специальностями гораздо чаще, чем онкологией.
Фокус на пользе для государственных медучреждений связан еще и с тем, что именно в этом секторе представлено наибольшее количество решений «ТехЛАБ»: это и региональные централизованные подсистемы по различным нозологиям, и системы поддержки принятия решений, и интеграционные сервисы, и электронные регистры пациентов, внедренные в 14 регионах РФ. Нам привычнее работать с этой отраслью. Однако сам по себе сервис способен не только спасать жизни, что является наивысшей ценностью, но и быть экономически целесообразным.
— В зарубежных медицинских сообществах сейчас актуальна тема кибербезопасности в связи с большим количеством внедренных технологий. Как с этим обстоят дела у нас? И какие меры у вас принимаются по защите персональных данных?
— Действительно, вероятность киберугроз с внедрением новых технологий повышается, и не только в медицине. Но в этой области риски могут быть особенно высокими, ведь на кону стоит не только персональная информация пациента, но и функционирование систем и сервисов, способных влиять на принятие врачебного решения. В некоторых случаях это ещё и непосредственно связанные с организмом пациента манипуляции, то есть это угроза воздействия на здоровье и качество жизни пациента. Для нас как создателей цифровых решений в медицине пристальное внимание к кибербезопасности приводит к удорожанию стоимости всех этапов работы, но гораздо важнее выработанная стратегия поведения, а она пока только выстраивается в цифровых отраслях.
Опыт подсказывает, что вслед за легальным целевым сценарием применения ИИ как в медицине, так и в других отраслях появится и множество альтернативных сценариев, притом что уже сейчас порой отличить результат деятельности ИИ от работы человека невозможно либо непонятно как.
Вместе с тем в сфере информационной безопасности принимать во внимание следует не только злонамеренные и контрпродуктивные случаи применения технологий, но и возможные случайности и ошибки. Выражаясь образно, подчеркну, что человеческий опыт сейчас достаточен, чтобы «схватиться за голову» в ожидании множества проблем, но недостаточен, чтобы «схватиться за лопату» — полностью себя обезопасить, предприняв что-то конкретное. Неизбежно с какими-то проблемами в ходе дальнейшего развития и внедрения технологий мы столкнемся, но еще пока вовсе не очевидно, с какими именно.
Вот почему нормативные регуляторы занимают более наблюдательную позицию, определяя, что именно им необходимо ограничивать и регулировать. А все участники рынка цифрового здравоохранения и других digital-сфер в ожидании прецедентов. Можно смело сказать, что это все происходит прямо сейчас, у нас с вами на глазах.
Мы с вами можем лишь пофантазировать об этих новых угрозах: это и фальсификация доказательств, сгенерированных с помощью ИИ-инструментов, и нелегитимное применение незаконно полученных массивов для обучения искусственного интеллекта, и возникновение нового рынка размеченных данных, на котором не смогут в чистом виде работать существующие законы о праве собственности на электронные активы. В общем, даже голова кругом идет от мысли, что именно может пойти не так.
Правда, это все пока лишь догадки. Ждем развития ситуации, ждем ответа регуляторных органов, ждем новых атак и новых средств защиты.
— Расскажите, как видите дальнейшее развитие проекта «ТехЛАБ».
— Я полагаю, что у компании «ТехЛАБ» есть все шансы на хорошее развитие в среднесрочной перспективе.
Смело могу сказать, что сейчас на арену конкурентной борьбы мы выходим в прекрасной форме: есть портфель зрелых и перспективных продуктов, есть много идей и серьезный технологический задел для их реализации, есть слаженная команда, клиенты, партнеры и, конечно, сложившаяся репутация. Кроме того, в начальной стадии продуктизации находится и такое перспективное направление нашей работы, как машинное обучение и искусственный интеллект.
На данный момент мы больше ориентированы на государственного заказчика и отрасль здравоохранения, однако компетенции и профессионализм команды не мешают нам диверсифицировать свои усилия, найдя им применение и в других сегментах рынка.
[1] Онконастороженность — врачебный подход к сбору анамнеза и назначению профилактических мероприятий, позволяющий исключить у пациента онкологию, либо выявить заболевание на ранней стадии. МИБС разделяет тактику онконастороженности и обучает ей своих специалистов.
[2] Обучение с подкреплением (англ. reinforcement learning) — один из методов машинного обучения, в ходе которого испытуемая система/модель обучается, взаимодействуя с некоторой средой.
