Искусственный интеллект и радиолог: война или союз?
Сложно представить, что всего лишь шестьдесят лет назад Джек Килби разработал микрочип, без которого создание искусственного интеллекта (ИИ) было бы немыслимо. Всего три десятилетия спустя в ежегодном техническом отчете НАСА за 1993 год появились строки о приближении точки технологической сингулярности и о том, что за человеческой эрой, вероятно, очень скоро последует «эра машин».
Начиная с 90-х годов XX века всё большую популярность набирает вопрос: кто же выйдет победителем из «спора» машины и человека? Но сегодня, благодаря развитию технологий, он может звучать иначе: а нужно ли человеку соревноваться с машиной?
Человек видит в 8 раз хуже компьютера
В медицине наибольшее распространение технологии ИИ получили в области радиологии. Причина очевидна: на сегодняшний день 90% всех медицинских данных составляют диагностические изображения. Исследователи Стенфордского университета (США) прогнозируют рост объема данных с 153 ЭБ в 2017 году (эксабайт – это миллион терабайт) до 2314 ЭБ уже к 2020 году. Более чем в 15 раз!
Достаточно ли у современного человека физических и физиологических возможностей, чтобы обработать такие колоссальные объемы информации?
Давайте рассмотрим это на примере исследований компьютерной томографии (КТ). Всего 4 тысячи единиц (разница между плотностью воздуха и кости) содержит шкала Хаунсфилда, при этом экран монитора воспроизводит лишь 256 оттенков серого. Из них – только 30 (!) воспринимает человеческий глаз. Для того, чтобы врач смог «прочитать» снимок, выбирается уровень и ширина окна, которые ограничивают объем получаемых и анализируемых клиницистом данных. Таким образом, уменьшение информационной ёмкости клинических изображений в связи с ограниченностью возможностей человеческого зрения может повлечь за собой диагностические ошибки.
Может ли современный врач преодолеть все эти ограничения? Совершенно точно – да. Серьезным шагом в этом направлении стала первая одобренная в Европе в октябре 2018 года радиологическая система ИИ для выявления новообразований в молочной железе. Компания-производитель доказала, что, благодаря использованию компьютерного приложения, качество оценки результатов маммографии значительно возросло в сравнении с заключениями, которые выполнялись только усилиями врачей-рентгенологов.
Еще один аналогичный пример: в клинике университета Макгилла (Канада) ИИ позволяет с точностью до 84% предсказывать деменцию за годы до того, как у пациента разовьются эти симптомы. Результаты исследований были подтверждены последующими наблюдениями: у выбранных компьютером обследуемых действительно через 2-3 года развились симптомы деменции.
В целом динамичное развитие ИИ в медицине обусловлено тремя ключевыми факторами. Во-первых, стремлением медицинских учреждений повысить свою операционную, финансовую и клиническую эффективность. Во-вторых, эволюцией в сфере радиологии: переходом от описательного характера дисциплины к количественным оценкам. В-третьих, потребностью в увеличении точности исследований и снижении количества диагностических ошибок.
Доза ниже, точность выше
Возрастающая нехватка радиологов и одновременный рост пациентопотока в кабинетах МРТ, КТ, ПЭТ/КТ и других исследований позволяют говорить о том, что точность диагностики под угрозой. На сегодняшний день доля ошибок в заключениях радиологов и рентгенологов составляет 4%. Но если время, выделенное врачу на описание исследования, сократить вдвое, создав стрессовую для него ситуацию, процент ошибок увеличится в 4 раза.
Но уже ИИ сегодня помогает радиологу, что очевидно на примере наших разработок. В ядерной медицине технологии ИИ позволяют точнее определить локализацию патологий, например, рака легкого. Это происходит за счет автоматического сегментирования легких для последующего расчета. Алгоритм автоматической сегментации также может значительно ускорить процесс получения заключения при радионуклидном исследовании функции почек.
Применение технологий ИИ в ПЭТ/КТ и других гибридных исследованиях помогает решить ряд актуальных для современной ядерной медицины задач: увеличить скорость проводимых исследований, сократить дозу вводимого пациенту радиофармпрепарата и повысить точность диагностики. Например, в Memorial Hospital Research Center (США) разрабатывают систему, которая может в 10 раз быстрее реконструировать данные для ПЭТ. А специалистам Стендфордского университета (США) с помощью ИИ удалось снизить дозу вводимого радиофармпрепарата до 80%, а значит, и лучевую нагрузку на пациента.
Сохранение высокого качества изображений при низкой лучевой нагрузке играет важную роль и при проведении КТ-исследований. Решить эту задачу на качественно новом уровне помогают методы реконструкции данных на основе алгоритмов глубокого обучения (DLIR). Работа DLIR строится как процесс глубокого обучения нейросети дифференцировать истинный сигнал от электронного шума на основе набора данных ФОП (FBP) высокого качества. Благодаря этому в реконструированных изображениях сохраняется вся информация об анатомических и патологических структурах и максимально снижается «шумность» изображений.
Новое поколение алгоритмов реконструкции в компьютерной томографии (КТ) позволяет сохранить высокое качество клинических изображений при сниженной лучевой нагрузке. Так, технология TrueFidelity, разработанная нашей компанией, в будущем может способствовать повышению безопасности и доступности методов КТ-диагностики для широкого круга пациентов. Среди наиболее перспективных областей применения: педиатрические, скрининговые и повторные динамические исследования, а также в рамках гибридных методов диагностики.
В общей рентгенологии на базе ИИ реализованы алгоритмы приоритезации экстренных пациентов. Данные программы способны автоматически выявлять рентгеновские снимки, содержащие патологии с высокой степенью угрозы для жизни пациента, и маркировать их для врача-рентгенолога первыми в очереди на подготовку заключения. В основе работы нашего продукта Critical Care Suite – алгоритмы ИИ, которые обучены выявлять признаки развития напряженного пневмоторакса на рентгенограммах. При развитии этого осложнения дорога каждая минута до оказания специализированной помощи. Как только алгоритм находит снимок, на котором высоковероятен пневмоторакс, врач получает уведомление о наличии подозрительных изменений и незамедлительно открывает исследование для описания. За счет этого значительно сокращается время от момента выполнения снимка до постановки диагноза и оказания экстренной помощи пациенту. Уже первый опыт применения данного алгоритма показал высокую достоверность результатов оценки рентгенограмм.
Уже сейчас можно говорить о том, что будущее радиологии связано с высокими и «умными» технологиями. Радиолог будущего – это специалист, который обладает и медицинскими компетенциями, и виртуозно владеет высокотехнологичными методами диагностики, в том числе, созданными на базе ИИ. Он не соревнуется с машиной, но сотрудничает с ней, чтобы получить лучший результат.
Наталья Мосихина, медицинский советник, департамент молекулярной визуализации и компьютерной томографии, GE Healthcare в России/СНГ, к.м.н.
