— Какие проблемы в медицине позволяет решить искусственный интеллект?
— Большая проблема медицины во всем мире, и особенно в России, — это дефицит высококвалифицированных специалистов. Врачи не всегда обладают информацией обо всем спектре заболеваний, и потом, медицинское информационное поле сейчас с огромной скоростью насыщается и врачи просто не успевают разбираться во всем. Поэтому нужно, чтобы врачи выполняли функции экспертов в той области, в которой они разбираются, — а рутинные задачи переносить на помощников, лаборантов, а от них — на алгоритмы автоматизации. Это позволяет делать медицинские услуги доступными во всех регионах мира, даже в самых отдаленных.
— Как это работает?
— Например, в лучевой диагностике большая проблема — это описания и анализ массовых скринингов на туберкулез, на ранние стадии онкологических заболеваний и пр. Данных становится все больше и больше — как эти данные проанализировать? Как обеспечить двойной анализ маммограмм, ЭКГ и прочих изображений, когда их должен посмотреть сначала врач, затем еще один эксперт дистанционно, а потом как можно скорее передать результат лечащему врачу, чтобы тот поставил диагноз? Здесь приходит на помощь искусственный интеллект — он может подсветить те участки на изображении, где может возникнуть патологический процесс, и передать эти данные врачу. Это особенно актуально в условиях дефицита врачей. Например, в России 1 врач-диагност на 3 тыс. человек, в США — 1 на 10 тыс. человек, а в Бангладеш — 1 на 1 млн человек. Искусственный интеллект помогает решить проблему недостатка специалистов.
— Есть ли примеры компаний, которые уже зарабатывают на таких решениях?
— Конечно, — например компания CAD4TB, которая делает в Юго-Восточной Азии массовые программы для автоматизации рентгеновских изображений грудной клетки, помогающие выявить туберкулез или пневмонию. Или американская компания Viz.ai, которая недавно получила разрешение FDA на регистрацию алгоритма ИИ как медицинского изделия. Когда поступает пациент с инсультом, они делают компьютерную томографию (в том числе на компактном приборе в машине скорой помощи) — и эти данные тут же анализирует программа, которая натренирована находить признаки инсульта и сразу отправлять результат лечащему врачу. Это позволяет врачу быстро принять решение — а это очень важно, потому что если у пациента инсульт, его можно спасти лишь в течение 4 часов. Здесь использование ИИ может спасти жизнь пациенту.
— Какие функции врачей нужно автоматизировать в первую очередь?
— Есть простое правило: можно построить алгоритм ИИ по тем функциям, которые врач может выполнить менее чем за 1 секунду. Такие функции как раз надо передавать алгоритмам. При этом у врачей остается время, чтобы работать не над рутиной, а максимально использовать свои знания и накопленный опыт (который благодаря телемедицине может быть доступен гораздо более широкой аудитории, чем раньше). Сохранится функция врача как коммуникатора, принимающего решение о лечении вместе с пациентом, — а рутинные функции перейдут к роботам. Это мощнейший фактор с точки зрения улучшения производительности труда — он поможет обеспечить больше медицинской помощи при ограниченных ресурсах.
— Заменят ли роботы врачей?
— Представьте себе, что люди создали новую таблетку, которая позволяет эффективно лечить меланому. Ставит ли это точку в лечении меланомы? Нет. Какие будут побочные реакции, как они будут проявляться по лабораторным данным, как это лечение будет сочетаться с другими видами лечения и т.д., — все эти вопросы нужно анализировать комплексно, и заменить в этом смысле мудрость врача компьютеры пока не способны. Врач будет синтезировать эти знания и принимать решения в ситуации, когда информации недостаточно. Только там, где все суперчетко структурировано, можно заменять субъективность принятия решений на алгоритмы.
Как ИИ помогает врачам
— Расскажите о технологии, благодаря которой ИИ помогает лучевой диагностике. Как это работает на практике?
— Любой диагностический аппарат создает изображение (например томограмму или рентген, — «Хайтек») и поясняющие материалы — что за тип исследования, вводилось ли контрастное вещество, клинические данные, метаданные и пр. Врач смотрит на это, анализирует и находит на изображении признаки, характеризующие патологию. Чтобы научить этому алгоритмы машинного обучения, создаются как бы две папки — томограммы с опухолью и томограммы без опухоли. И конволюционная сеть тренируется сама находить признаки опухоли благодаря сравнению томограмм. На следующем уровне мы сообщаем компьютеру еще больше: вот эта опухоль злокачественная, а та скорее доброкачественная, а эта имеет признаки прорастания сосудов и пр. Этот процесс называется разметкой — tagging. Мы набираем данные и показываем, где находится очаг, как растет опухоль, есть у нее метастазы или нет, словом, воспроизводим процесс анализа данных, который обычно делает человек.
Бывают и сложные ситуации — а вдруг пациент во время МРТ подвинулся? Компьютеру сложно это понять, значит, ему надо дать еще и некачественное изображение, чтобы он научился разбираться.
После тренировки идет этап валидации алгоритма. Разработчики обращаются за подтверждением к коллегам из разных стран, чтобы подтвердить, что алгоритм работает в разных ситуациях. Дальше проводятся клинические испытания, а после этого можно подавать заявку о регистрации алгоритма как медицинского изделия. Когда алгоритм поставляется в больницу, его ставят на рабочие места врачей и врач видит томограмму с разметкой и подсказками — что вот здесь, скорее всего, опухоль. Это позволяет врачу сократить время на описание исследования, не снижая точность диагностики.
— Как быстро компьютер может научиться точному распознаванию опухолей?
— Если патология довольно простая (например легкое без опухоли и легкое с крупной опухолью), то даже на примере 10 кейсов. А если мы хотим научить компьютер различать сложные признаки — доходит до 1 млн кейсов от разных пациентов, из разных стран, сделанных на разных типах аппаратов, чтобы компьютер понимал вариабельность.
— Какой объем работы врача можно автоматизировать таким образом?
— До 30% функций врача и до 60% функций лаборантов, а также в 2-3 раза увеличить эффективность разных видов исследований. Если сегодня врач описывает 25-30 томограмм за свою рабочую смену, то с использованием алгоритмов сможет описать до 70 исследований.
— А пациент получает результат быстрее?
— Как правило, нет. Алгоритмы ИИ не помогают сократить ожидание результатов в сложных случаях (оно даже в Европе доходит до 2 месяцев) — для этого нужно больше высококлассных специалистов. А вот стандартные исследования, массовый скрининг (например в ходе диспансеризации) при использовании ИИ можно делать меньшими ресурсами — врач просто может больше исследований описать за свое время работы.
— Насколько точно алгоритмы ИИ работают сегодня?
— Приведу пример из собственной практики: есть компания «ФтизисБиоМед», резидент Сколково, с которой мы проводили исследования алгоритма для анализа рентгенограмм при туберкулезе. Мы проанализировали их алгоритм по набору параметров, и выяснили, что алгоритм на 97,5% прав, если говорит, что туберкулеза нет. Это отличный результат. Конечно, в идеале должно быть 100% — но точность врачей в этом случае составляет всего около 70%.
Так что уже есть масса примеров, когда алгоритм точнее, чем врач, позволяет выявить изменения на изображении. Врач может использовать это для постановки диагноза — а может и не использовать, если, например, данные КТ и УЗИ друг другу противоречат. Но нельзя забывать, что алгоритм не может самостоятельно ставить диагноз, — это комплексное понятие: он включает историю и стадии болезни, психологическую оценку пациента и пр. Здесь оценка врача в любом случае будет более значимой.
ИИ и медицина в России
— Что вашему центру может предложить стартап, который разрабатывает алгоритмы искусственного интеллекта для лучевой диагностики?
— Проблема в том, что стартапы часто начинают разрабатывать алгоритм, но не понимают, что именно будет являться конкретным продуктом. А ведь медицина как индустрия — это про создание цепочки ценностей для конечного потребителя- — пациента, поэтому и нужно четко ответить на вопросы, что это за продукт, на какую аудиторию он будет рассчитан и в чем его ценность. Вообще я советую разработчикам сначала понять, в чем проблема врача, как ему помочь сократить текущие расходы, затем найти повторяющиеся рутинные действия, на которые врач тратит менее 1 секунды, и для этих действий создавать решения по автоматизации.
Еще стартапы часто бывают невнимательны к набору сотрудников, компетентных в медицине. У меня нередко были случаи, когда, анализируя продукт компании, я понимал, что у них в компании не хватает Chief Medical Officer — человека, который комбинирует компетентность в бизнесе, в медицине и в IT.
— Как вообще дела с разработкой и внедрением таких алгоритмов в России?
— В России все больше заинтересованы в пиаре на этой теме, чтобы показать, что они прогрессивные и занимаются ИИ. Но при этом в России труд медработников и врачей дешевый, врачей здесь избыток, они недозагружены и выполняют множество рутинных функций, которые должна выполнять медсестра или лаборант, так что автоматизация всегда отходит на второй план, — дешевле нанять еще врачей и медсестер, чем разрабатывать сложное решение. Поэтому в России почти нет для этого условий. Чтобы они появились, нужно создавать стандарты, которые прописывают шаблоны описания КТ, МРТ и пр. (когда они будут структурированы, из них можно будет извлекать дополнительную информацию). Нужны стандарты создания хранилищ данных с доступом к ним разработчиков, чтобы компании понимали, какие продукты востребованы, и могли на них ориентироваться. И, наконец, нужно дать компаниям возможность регистрировать алгоритмы ИИ как медицинские изделия (в США сейчас упростили процедуру получения разрешения FDA Class 3 для таких случаев). Но в России пока непонятно, каким образом вывести такое решение и кто будет нести ответственность за этот алгоритм.
— Как недавно принятый закон о телемедицине поможет развитию ИИ в этой отрасли?
— Телемедицина — это драйвер развития компьютерного анализа. В телемедицине четко структурируется поток данных, они описываются, читаются компьютерными алгоритмами, поэтому этот закон — мощная поддержка для разработчиков. Кстати, в России эта отрасль менее зарегулирована, чем за рубежом. В США , например, разработчикам алгоритмов для медицины очень тяжело — клиники почти не делятся своими данными, трудно создать коллаборации между разными клиниками, трудно набрать достаточное количество данных, и стоят они очень дорого. В России проще — но потребность в компьютеризации меньше.
— Могут ли российские компании натренировать свои алгоритмы для лучевой диагностики в России и продавать их на зарубежные рынки?
— Это почти невозможно для алгоритмов, работающих с реальными медицинскими данными для клинического применения. Алгоритм, созданный на российских процессах и данных, зачастую может оказаться никому не нужен за рубежом. Но решения, разработанные в одной стране, вообще плохо применимы к другим странам. Например, IBM создает решения Watson for Oncology, и эти алгоритмы тоже неприменимы для других стран. Везде слишком разные региональные клинические рекомендации и медицинские принципы. Поэтому когда компания приходит на новый рынок, она должна принципы этого алгоритма согласовать с обществом кардиологов, гематологов и прочих специалистов, и только получив от них подтверждение, можно уже адаптировать алгоритм.
— Какие еще проблемы возникают при попытке автоматизировать медицину?
— Как говорил Билл Гейтс, если автоматизировать плохой процесс — то он останется плохим процессом. Поэтому прежде чем автоматизировать любой процесс, его нужно настроить и стандартизировать. А в медицине это сделать крайне сложно — очень много неоднородных решений. Кроме того, бывает, стартап пришел к одному врачу, под идею этого конкретного врача они разработали решение, а потом оказывается, что это решение никому не нужно, потому что основано на чьей-то личной практике. И потом, автоматизация встречает сопротивление в медицинской среде. Многие врачи считают, что их работа — это искусство, и им не нравится, что компьютер может их «посчитать» и проанализировать, почему они так принимают решения. А если окажется, что половину профессиональной практики принимал решения неправильно? Тут много когнитивного диссонанса.
— В каком направлении стоит развиваться стартапам в этой индустрии?
— Google показывает, что иногда полезно создавать не сами алгоритмы, а marketplace — платформу, которая объединит провайдеров медицинской помощи, экспертов, которые тестируют эти решения, разработчиков, которые на этих данных создают алгоритмы, и, наконец, компании, которые покупают лицензии на эти алгоритмы. Такие площадки сейчас — основа для формирования экосистемы. В медицине по-прежнему остается много противоречий между отдельными специалистами, поэтому создание платформ, где вместе собраны разработчики, эксперты и пользователи финальных алгоритмов, — самый правильный путь. Но самое большое значение для создания алгоритмов имеет стандартизация, разметка данных и проведение клинических испытаний. Иначе это просто игрушки разработчиков или аферы для получения денег.