Как радиологи могут получить доступ к ИИ?
Уже понятно, что ИИ будет играть определенную роль практически в каждом аспекте медицинской визуализации. Анализ текущих задач, получение данных и мониторинг доз, составление графиков приема пациентов и оптимизация загруженности врачей и оборудования, автоматическая сегментация тканей и измерительные инструменты, автоматический анализ изображений и составление диагностических заключений – это цели, на которые будут направлены новые инструменты ИИ. Сейчас ведется разработка алгоритмов анализа изображений при помощи компьютерного обучения для целого ряда клинических применений, таких как выявление неврологических расстройств, обнаружение узлов в легких и диагностика рака грудной железы. До недавнего времени эти алгоритмы в основном разрабатывались учеными в университетских больницах только для внутренних исследований, а также – горсткой компаний, специализирующихся на анализе изображений. Но, с расширением сообщества ИИ стартапов и ростом числа коммерчески доступных алгоритмов, по-прежнему неясно, как эти инструменты будут интегрированы в рабочий процесс радиологов. В этой статье мы рассмотрим и обсудим различные стратегии интеграции для ИИ и предложим способы, которыми вероятнее всего произойдет окончательное внедрение алгоритмов ИИ.
Стратегии интеграции
Внедрение и интеграция ИИ будут в значительной мере зависеть от более широкой IT структуры визуализации и IT архитектуры системы здравоохранения. Сегодня IT радиологии все еще остается по большей части замкнутой системой. Консолидация больниц в США и в некоторых западноевропейских странах толкает к созданию корпоративной системы визуализации и общих ресурсов, которыми пользуются различные радиологические отделения внутри одной медицинской сети и которые позволяют отделениям других медицинских специальностей получать доступ к данным исследований. Однако локальное хранение данных остается самым распространенным типом архитектуры сети, хотя некоторые больницы в США и в Западной Европе уже начали переход на облачные технологии по мере того, как снижается острота вопросов безопасности передачи и хранения данных. Сегодня медицинские организации более благосклонно относятся к облаку после нескольких лет использования гибридных облачных решений для резервирования и аварийного восстановления данных.
Замкнутая на себе структура радиологии и медленное внедрение облачных технологий влияют на развитие ИИ, которое первоначально ограничивалось научными исследовательскими проектами в рамках отдельных больниц. После того, как этот барьер был снят, развитие ИИ сдерживается рамками существующей IT структуры системы здравоохранения. Это вызвало появление смешанных стратегий интеграции, имеющихся сегодня.
Интеграция PACS
Хотя корпоративная система визуализации пользуется спросом, особенно в США, система архивации и передачи изображений (PACS) по-прежнему широко используется в качестве платформы для просмотра изображений в медицинской визуализации. Многие разработчики ИИ пытались сделать свои алгоритмы более доступными и интегрированными в рабочий процесс радиологов путем создания партнерских отношений с компаниями-разработчиками PACS. ПО для ИИ, как правило, запускалось кнопкой на пользовательском интерфейсе PACS. Хотя интеграция могла бы быть более глубокой, это все равно было шагом вперед по сравнению с индивидуально устанавливаемыми алгоритмами, доступ к которым осуществлялся с отдельной учетной записью. Сильной мотивацией с точки зрения разработчиков ИИ является возможность подключиться к дистрибуторской сети разработчиков PACS и сэкономить средства на развитие бизнеса.
Интеграция AV и UV
Для более крупных предприятий, использующих передовое ПО (advanced visualization software – AV) для диагностической визуализации, интеграция в программное обеспечение AV является одним из способов внедрения ИИ в рабочий процесс радиологов. Хотя с точки зрения рабочего процесса было бы лучше интегрировать это ПО в средства для просмотра изображений (AV viewer), используемые для диагностической интерпретации, это решение пока не получило широкого распространения. Интегрированные диагностические платформы для просмотра изображений с хорошо отлаженным пользовательским PACS/AV интерфейсом могли бы в будущем занять свое место в рабочем процессе радиологов, но сегодня AV часто используется после первоначального анализа изображений на PACS. Сегодня большинство разработчиков AV сосредоточились на ИИ инструментах для автоматической сегментации и измерений, которые используются после первоначального анализа изображений.
Универсальные средства просмотра изображений (Universal viewers – UV) получили широкое распространение за последние годы в качестве центрального компонента корпоративной системы визуализации. С получением разрешений от регулирующих органов и ростом числа встроенных AV инструментов, они все чаще используются как диагностические инструменты, особенно в маленьких и средних по размеру больницах. Так как автоматическая диагностика стандартных случаев при помощи ИИ могла бы пойти на пользу этому сегменту, многие производители корпоративных систем визуализации изучают возможность интеграции ИИ в пользовательский интерфейс: либо путем прямой интеграции для лучших в своем классе решений, либо путем использования онлайн рынка ИИ решений для выбора инструментов, адаптирующихся под индивидуальные клинические задачи.
Рынки ИИ
С увеличением числа коммерчески доступных алгоритмов от ИИ разработчиков растет необходимость создания консолидированных рынков. EnvoyAI является одним из таких рынков, предоставляющих интеграцию алгоритмов для программных пользовательских интерфейсов (API) и имеющих партнерские отношения с разработчиками AV, VNA и PACS для их интеграции. Однако несколько основных производителей систем визуализации также начали создавать собственные рынки с интеграцией в свои же пользовательские интерфейсы. За последние годы дифференциация производителей на разработчиков платформ или клинических инструментов стала более заметной, и одновременно с этим выросло количество партнерских отношений между этими двумя группами – с целью расширения возможностей уже существующих платформ. Тем не менее, рынок ИИ инструментов хорошо уживается с общей стратегией разработчиков платформ, так как последние могут тратить меньше времени на разработку отдельных инструментов и больше – на свои основные задачи.
Краткосрочные и среднесрочные стратегии
Планируемые и разрабатываемые сегодня решения направлены на реализацию различных стратегий интеграции в краткосрочной и среднесрочной перспективе. Каждая компания-разработчик определяет свою стратегию интеграции ИИ на основании веса их портфолио в каждом клиническом применении. Например, производитель корпоративных систем визуализации или PACS с сильной функциональностью, большим объемов пациентов и основной клиентской базой в кардиологии, скорее всего, выберет тесную интеграцию в свою платформу кардиологических ИИ инструментов, но также будет использовать рынок ИИ инструментов в какой-нибудь другой области. Аналогичным образом, разработчик PACS, имеющий большой опыт в визуализации груди, выберет глубокую интеграцию ИИ алгоритмов визуализации груди в свою платформу, но будет использовать рыночную стратегию для других применений. В краткосрочном и среднесрочном плане это создаст рынок, где наиболее распространенные клинические специальности, такие как кардиология, лечение заболеваний молочной железы и пульмонология, получат глубокую интеграцию ИИ решений в платформы диагностической визуализации.
Для компаний-разработчиков ИИ такие партнерские отношения дадут доступ к большой базе пользователей и будут дополнительно стимулировать появление инноваций в этих областях. Однако они не должны полностью сосредотачиваться только на тесной интеграции с одной компанией, так как разработчики корпоративных систем визуализации или PACS из других клинических специальностей также захотят занять место под солнцем, что может создать дополнительный приток финансовых средств и более широкие каналы распространения продукции.
В настоящее время большинство разработчиков AV рассматривают ИИ в основном как возможность получить усовершенствованную автоматическую сегментацию и количественный анализ для улучшения решений, создаваемых собственными силами или через партнерство с производителями оборудования и полностью встраиваемых в уже имеющееся ПО. Но тесная интеграция в программное обеспечение AV еще не получила достаточного внимания. Некоторые разработчики UV изучают возможность интеграции ИИ в свое ПО, так как в долгосрочной перспективе потребность в таком решении может появиться со стороны сегмента малых и средних медицинских организаций.
Рынки ПО продолжат развиваться в краткосрочной и среднесрочной перспективе: они все активнее будут использоваться для менее масштабных ИИ применений и для предоставления алгоритмов большему числу клиентов. Мы увидим, что рынком ПО будут пользоваться различные компании-разработчики, даже те, у кого есть очень ограниченное количество алгоритмов. Однако эти рынки со временем видоизменятся, и в них войдут также и третьи стороны – разработчики алгоритмов. Рынки будут работать через облако для более удобного доступа и перейдут на OpEx бизнес модели, такие как ценообразование в зависимости от объема или SaaS.
В отдаленной перспективе
В более долгосрочной перспективе интеграция лучших в своем классе решений станет глубже, а алгоритмы появятся не только в том же самом пользовательском интерфейсе, но и в том же поле просмотра, которое мы видим сегодня с инструментами автоматической сегментации и измерения в AV. Вместе с этим будет происходить консолидация игроков в этой отрасли, при которой некоторые компании – разработчики ИИ инструментов по основным клиническим дисциплинам будут приобретаться производителями систем PACS или корпоративных систем визуализации, зачастую после длительных партнерских отношений.
Рынки продолжат базироваться в облаке, но хостинговые компании, предоставляющие услуги общедоступной облачной среды, будут играть большую роль. Традиционное ПО для анализа изображений на базе PACS перейдет к «тонкому клиенту» с пропорциональной долей архивирования в общедоступном облаке. Так как это будет зависеть от регулирования и готовности локального облака, то процесс пойдет с разной скоростью для разных стран, а США будет идти впереди. В дальнейшем такой вариант внедрения алгоритмов может привести к конкуренции среди компаний, исторически не связанных с медициной, так как поставщики услуг облачного хостинга, которые уже предоставляют хостинг и делают расчеты для анализа изображений, могут захотеть создать собственные ИИ алгоритмы. Однако, по мере того, как ИИ все глубже интегрируется в радиологические решения, его алгоритмы расширят линейку предлагаемых вариантов, но не радикально изменят рыночную динамику для компаний – разработчиков PACS и корпоративных систем визуализации.
С понижением цен на компьютерные процессоры, в долгосрочной перспективе мы можем ожидать увеличения объема машинного обучения, встроенного в передовые методы медицинской визуализации. Сначала она будет использоваться для оптимизации процесса получения изображения. По мере большего распространения ИИ анализа снимков алгоритмы будут встраиваться в аппаратную часть для получения изображений и использоваться напрямую для их анализа непосредственно во время сканирования, а результаты будут видны сразу, активно влияя на выставление приоритетов в списке задач радиолога. Выполнение анализа изображений в ходе исследования предоставляет значительные преимущества. Среди них: более короткое время сканирования для сортировки случаев, более длительное время сканирования с повышенным разрешением в случаях обнаружения патологий и оптимизация процесса получения изображений для случайных находок, выявленных прямо во время сканирования, что избавит от необходимости повторных обследований.
ИИ в реальности
Последние новости в этой отрасли представляют ситуацию так, как будто ИИ в радиологии штурмом занимает свои позиции, но в реальности замкнутая структура радиологии, низкая готовность к переходу на облачные технологии и неразвитая инфраструктура, а также сложности с получения различных согласований в большинстве регионов мира снижают скорость развития и внедрения этой технологии. Хотя ИИ сообщество настроено очень позитивно, искусственному интеллекту приходится существовать в очень сложном и изобилующем трудностями секторе. Здравоохранение в целом не является высоко динамичным рынком, и во многих странах отраслевая система PACS будет оставаться стандартом на многие годы вперед.
Таким образом, платформа диагностической визуализации будет основным способом доставки решений многим клиентам даже в крупных развитых странах, таких как Япония и Южная Корея, а развитие рынков ПО будет ограничено из-за недостаточного использования общедоступного облака, и в ближайшей и среднесрочной перспективе они будут сведены к небольшому количеству согласованных регулирующими органами алгоритмов. США будут идти впереди, обладая целым рядом рынков ПО и растущим числом разрешенных алгоритмов, а за ними будет следовать Европа, хотя регулирующие меры по использованию облачных технологий в здравоохранении тормозить ее движение.
Одновременно с развитием ситуации и переходом в облако для анализа изображений появятся вычисления с граничным анализом изображений в реальном времени, встроенные в передовые методы визуализации. Однако будет ли анализ изображений, выполняемый граничными устройствами, в основном использоваться для получения изображений, помогая повысить качество снимков, снижая дозы облучения и количество повторных обследований, или он постепенно будет захватывать сферу диагностического анализа изображений, нам еще только предстоит узнать.
Об авторе: Д–р Улрик Кристенсен – старший специалист по анализу рынка в Signify Research, компании занимающейся медицинскими технологиями и исследованиями рынка и базирующейся в Крэнфилде, Великобритания. Signify Research является независимым поставщиком рыночной информации и консалтинговых услуг для глобальной индустрии медицинских технологий. Основные области работы компании – IT здравоохранения, медицинская визуализация и цифровая медицина. Центральный офис Signify Research расположен в Крэнфилде, Великобритания.
На фото: После того, как мы признали, что искусственный интеллект – это будущее радиологии, давайте поговорим о том, как именно он будет встраиваться в бизнес–структуру нашей отрасли и в рабочий процесс радиологов.
