Версия для печати
Вернуться к списку

Искусственный интеллект подсказывает диагноз. Как применяют нейросети в медицине

В некоторых российских больницах врачи используют программы, которые анализируют рентгеновские снимки, медкарты больных и подсказывают диагноз. ТАСС — о том, как это устроено и что значит для медицины

В прошлом году в московских поликлиниках начали использовать программу, которая анализирует жалобы пациентов и предлагает врачу один или три диагноза по кодам международной классификации болезней (МКБ-10). Доктор может выбрать диагноз, предложенный нейросетью, или сам принять решение, если видит, что она ошиблась. Сегодня ее точность — 68%, когда предлагается три диагноза (то есть один из них верен), и 48%, когда предлагается один. Алгоритм продолжает обучаться на визитах пациентов, его точность постепенно растет.

Это один из близких примеров, как искусственный интеллект внедряется в медицине. Вариантов применения много. Вы наверняка видели новости с заголовками вроде: "Нейросеть научили ставить диагноз по рентгеновским снимкам". Здесь программа ищет нарушения в работе мозга. А здесь сообщается, что алгоритм справился с распознаванием рака легких на снимках лучше, чем рентгенологи. Что это значит? Искусственный интеллект когда-нибудь заменит диагноста? Какие-то врачи станут не нужны? Разбираемся, как далеко зашли нейросети в медицине и чего от них ждать в будущем.

Кто разрабатывает такие программы?

Многие компании. В них вкладываются Google, IBM и другие техногиганты. В России ими чаще занимаются стартапы, о которых вы, скорее всего, не слышали.

В некоторых медицинских организациях есть отделы, которые занимаются внедрением цифровых технологий. Они сами разрабатывают некоторые системы. Так, в Первом МГМУ им. И.М. Сеченова сделали алгоритм, который умеет искать ответы на запрос врача в иностранных научных статьях. Это используется, например, когда врач хочет найти похожий случай в международной врачебной практике.

Что обычно делают нейросети в медицине?

Алгоритмы, которые ищут отклонения на снимках МРТ, маммографии, рентгенах. До пандемии разработчики часто создавали такие программы, чтобы помочь врачам диагностировать рак. С начала пандемии их стали менять под диагностику ковида. Пример в России — разработка Университета Иннополис. Там нейросеть научили диагностировать коронавирус по рентгеновским снимкам с точностью до 80%.

Алгоритмы, которые анализируют медкарты, жалобы пациентов. Их еще называют "системы поддержки врачебных решений". Врач вносит в базу данные о пациенте: его историю болезни, результаты анализов, данные с осмотра, а программа предлагает тактику лечения. "Так работает одна из самых раскрученных программ в этой отрасли — Watson от IBM", — говорит Алексей Ремез, руководитель компании "Юним" (разрабатывает алгоритмы для анализа гистологических материалов).

Алгоритмы для контроля медперсонала. "Вы руководитель клиники и хотите понимать, верно ли ваши врачи назначают процедуры и лечение. В истории болезни пациента есть все — с чем он пришел, какие анализы ему назначили, какое лечение. Алгоритм, обученный на массиве данных, ищет аномалии и указывает на истории, где назначено избыточное лечение, слишком много процедур. Или на те, где меньше, чем в аналогичных случаях", — говорит Ремез. Такую систему в Московской области тестировал Ростех.

На каком этапе эти разработки?

В большинстве — на стадии экспериментов. Их тестируют в российских больницах. Врачи пускают в больницы разработчиков добровольно, они не обязаны проводить эти испытания.

Программы, даже хорошо показавшие себя в тестах, нельзя продавать клиникам или использовать не в статусе эксперимента, если они не имеют лицензию медизделия. Ее выдает Росздравнадзор. Регистрация началась недавно — в начале 2020 года ведомство выпустило разъяснение, какой софт считается медицинским изделием (а значит, должен пройти регистрацию от 50 до 180 дней), а какой — нет.

Но есть то, что используется постоянно.

Что используется постоянно?

Кроме уже упомянутого примера с программой, предлагающей диагнозы в поликлиниках, есть еще один крупный проект в Москве. Единый радиологический информационный сервис — он объединяет ИИ-сервисы для врачей-рентгенологов. Проверить снимки через эти программы могут врачи всех медучреждений Москвы, подключенных к сервису. С начала года они обработали более миллиона снимков. Впрочем, этот сервис все еще называют экспериментом.

Стартап "Юним" внедрил свою разработку в сеть клиник "РЖД Медицина". Алгоритм оценивает скорость роста опухоли и экспрессию антител, что экономит время врача и уменьшает шанс ошибки в прогнозах по новообразованию. Подробнее о том, как это работает, мы рассказывали здесь.

Алгоритмы стартапа "Третье мнение" используют в сети коммерческих клиник "Медси" (в прошлом году компания, входящая в АФК "Система", стала совладельцем фирмы) для работы с пациентами с коронавирусом.

МПГУ им. Сеченова в прошлом году освоил грант от Минобрнауки РФ на создание уже упомянутого алгоритма, который помогает врачам найти информацию в международной практике. Кроме того, институт тестирует много программ от других разработчиков.

Примеры других разработок?

Вот разработки, которые в разное время тестировали в МПГУ им. Сеченова:

алгоритм для выявления признаков ранней стадии болезни Альцгеймера на снимках МРТ (работа Центра информационных технологий в проектировании (ЦИТП) РАН и Первого МГМУ им. И.М. Сеченова);

алгоритм, который ищет аномалии на рентгеновских снимках;

алгоритмы для контроля лежачих пациентов. В палатах находятся камеры, которые подключены к программе, умеющей распознавать конкретную ситуацию — падение пациента с кровати. Если это происходит, медсестрам автоматически приходит уведомление;

алгоритмы для контроля загруженности операционных столов. Программа определяет, насколько равномерно распределяется нагрузка на медицинские бригады в разных операционных;

медицинский справочник с искусственным интеллектом (доктор вводит данные о пациенте, программа подсказывает решение).

"Все, что перечислено, — эксперименты, — рассказывает Георгий Лебедев, заведующий кафедрой информационных и интернет-технологий Первого МГМУ им. И.М. Сеченова. — Одну программу, ту, которая анализирует снимки рентгена, мы используем как информационно-справочную систему".

Как врачи относятся к таким алгоритмам? Насколько доверяют?

В крупных городах, где эксперименты идут постоянно, их оценивают по конкретным качествам — точности, удобству использования. В регионах, где эти технологии пока редки, а директивы по использованию сверху нет, разработки встречают не в штыки, но без энтузиазма.

У одной из первых компаний, зарегистрировавших свой алгоритм как медизделие, — "К-Скай" — есть опыт внедрения в поликлиники на Ямале. Ее программа анализирует истории болезней пациентов и выявляет тех, у кого высокий риск развития сердечно-сосудистых заболеваний (ССЗ). "У докторов среднего звена сначала недоверие, но оно быстро уходит, — говорит Александр Гусев, совладелец стартапа. — Первое: мы приезжали в поликлиники и объясняли: "Эта программа не заменяет врача. Это ваш помощник". Второе: мы ведь сначала обучаем врачей пользоваться ей. Я говорю: "Мария Ивановна, покажите карту пациента, который давно ходит лечиться и вы про него все знаете. Находит в базе карту, я нажимаю на кнопку "Спросить искусственный интеллект", выходит набор гипотез. Она видит, что алгоритм верно показывает, правда, у пациента больные почки, повышен холестерин. Потом им становится любопытно — они начинают анализировать свои медкарты". В ходе эксперимента программа Webiomed (так называется медизделие) проанализировала медкарты 25 тыс. пациентов, прикрепленных к больнице. Среднее время обработки одной истории — от 30 секунд до двух минут. В итоге алгоритм выявил 600 пациентов с высоким риском развития ССЗ. Особенное внимание обратил на 112 пациентов. Эти списки пациентов отдали врачам.

"В 63,2% случаев, по данным программы, доктора пропускали имеющиеся у пациента факторы риска. Наиболее частыми был повышенный холестерин (74,2% от всех карт с пропущенными ФР), избыточная масса тела или ожирение (19,5%), табакокурение (4%), повышенный уровень артериального давления (3%). Врачи пропускают такие случаи не потому, что не умеют оценить риск, это нетрудно. Но врач в поликлинике принимает десятки пациентов в день. Если больной приходит с ОРВИ, доктор занимается конкретным состоянием. У него часто нет времени еще и внимательно полистать карту и сравнить то, как у него за последние годы менялся уровень холестерина, масса тела, давление", — уточняет Гусев.

Какие проблемы у нейросетей в медицине?

Например, большие данные. Чтобы получить алгоритм, созданный под какую-либо задачу, его надо обучить на данных. Чтобы научить его видеть на рентгене аномалию или определять, что там именно рак, а не пневмония, ему надо показать много таких снимков (тысячи, сотни тысяч, миллионы). На всех снимках должен быть правильно подписан диагноз, иначе программа будет больше ошибаться.

"Главная трудность разработчиков — нехватка отечественных данных. Разработчик не может просто прийти в больницу и взять медицинские данные о пациентах, — рассказывает Дмитрий Жиганов, технический руководитель проекта в лаборатории цифровых технологий МФТИ. — Даже с учетом того, что они обезличены, например, рентгеновские снимки без имени и фамилии. Эти данные защищают сразу два закона — о врачебной тайне и о персональных данных. Крупные западные университеты часто предоставляют российским разработчикам массивы данных, чтобы мы могли научить алгоритм. Но с иностранными базами все не так просто. Пример: мы получили базу с послеоперационными рентгеновскими снимками — контрольными, которые делаются после хирургического вмешательства в положении пациента лежа. Однако для анализа результатов скрининговых исследований, наиболее массовых у нас, которые делаются, когда пациент стоит, систему, обученную на таких данных, применить невозможно. Рентгены пациента лежа и стоя — это два очень разных снимка. Еще всегда есть сомнения в достоверности и точности чужих данных. Сложно обучать алгоритмы, которые подсказывают врачу решение, основанное на текстовых данных: подходы к лечению каких-то заболеваний в каждой стране могут различаться".