Искусственный интеллект в медицине: главные тренды в мире. Искусственный интеллект медицинский журнал

Искусственный интеллект в медицине

Искусственный интеллект в тренде. Он уже рисует картины, водит автомобиль и отвечает на звонки в организациях. Всё шире применяется он и в медицине, причём показывает высокую эффективность. И покажет ещё бо́льшую, если привлечь простых людей к сбору данных и изменить законодательство. Правда, некоторые связанные с его внедрением проблемы в рамках текущей мировой политэкономической ситуации кажутся неразрешимыми.

Медицина, ориентировавшаяся ранее, в основном, на лечение острых заболеваний, теперь больше внимания уделяет недугам хроническим, многие из которых не так давно и болезнями не считались. Врачи сталкиваются с необходимостью лечить ожирение, депрессии, болезни пожилого возраста. Диабет, сердечная недостаточность, аутоиммунные расстройства всё чаще диагностируются вне фазы обострения, на самых ранних стадиях, причём речь всё чаще идёт не только о поддерживающей терапии, но о возможности полностью излечить, исправить эти системные сбои организма. Развивается превентивная медицина, позволяющая распознать предрасположенность к определённым типам заболеваний ещё до их проявления и принять меры. Быстро растут объёмы медицинских данных, и мы начинаем понимать, что от скорости и качества их анализа зависят наше здоровье и качество жизни. И что всё это — работа для искусственного интеллекта.

Что такое искусственный интеллект

Здесь под искусственным интеллектом (ИИ) мы будем понимать способность машины имитировать умное поведение людей, то есть — умение ориентироваться в меняющемся контексте и принимать с учётом этих изменений оптимальные, позволяющие достичь цели решения.

Сегодня масштабно используются две технологии ИИ — экспертные системы и нейронные сети. В то время как экспертные системы отживают свой век, нейронные сети (НС) завоевали рынок благодаря способности учиться.

Выделяют несколько видов ИИ:

1. Узкий ИИ (narrow AI) — спроектирован, чтобы решать определённую задачу;
2. Общий ИИ (general AI, AGI) — сможет решать любые задачи, с которыми справится человек;
3. Superintelligence — будет опережать человека по сложности решаемых задач.

В данной статье под ИИ я буду подразумевать «узкий ИИ», реализованный на базе нейронных сетей. Механизм работы последних был вдохновлён биологическими нейронными сетями. В компьютерном виде НС представляют граф с тремя или более слоями нейронов, соединённых в слоях тем или иным образом. У соединений есть веса, играющие важную роль в обучении НС.

Примитивно обучение нейронных сетей можно представить так: на входные нейроны подаются данные, дальше они обрабатываются нейронами на внутреннем слое, и на выходных нейронах получаются некоторые значения. Если полученные значения нас не устраивают, мы меняем веса соединений в нейронной сети и заново её учим (подробнее об этом можно почитать в книге Дэвида Криселя (David Kriesel) A Brief Introduction to Neural Networks). Чем больше релевантных данных подаётся на входные нейроны, тем релевантнее выходит и результат работы сети.

Что необходимо сделать прямо сейчас?

Тонны медицинских карт пылятся на полках больниц и поликлиник. Между тем, если на их материале обучить нейронные сети, системы искусственного интеллекта многим спасли бы жизни и уменьшили затраты на лечение. Однако открыть сведения об истории болезней — смелый шаг, и многие ему воспротивятся, полагая, что их личные данные могут быть использованы им во вред. Открытие данных должно происходить с соблюдением множества условий и сопровождаться подписанием различного рода соглашений, гарантирующих (возможно, при участии государств) использование строго по назначению. Но, так или иначе, сделать медкарты доступными для нейронных сетей — необходимо: сегодня «тренировочные сеты» информации — узкое место ИИ в медицине.

Что может ИИ в медицине?

Диагност и ассистент лечащего врача

Врачу бывает сложно верно диагностировать заболевание, особенно если у него не слишком много практики или конкретный случай далёк от его профессионального опыта. Тут на помощь может прийти искусственный интеллект, имеющий доступ к базам с тысячами и миллионами историй болезни (и другой упорядоченной информацией). С помощью алгоритмов машинного обучения он классифицирует конкретный кейс, быстро просканирует вышедшую за определённый интервал времени научную литературу по нужной теме, изучит имеющиеся в доступе похожие случаи и предложит план лечения. Более того, ИИ сможет обеспечить индивидуализированный подход, приняв во внимание сведения о генетических особенностях пациента, паттернах движения, собранных его носимыми устройствами, предыдущей истории болезней — всём анамнезе жизни. ИИ вероятно (по крайней мере, на текущем этапе развития технологий) — не заменит врача, но может стать — уже стал — полезным инструментом, помощником в деле диагностики и лечения.

Приведу некоторые примеры.

IBM Watson for Oncology. IBM Watson — суперкомпьютер, умеющий отвечать на вопросы, сформулированные на естественном языке (то есть не на языке программирования). У него есть доступ к различным источникам данных: энциклопедиям, базам научных статей, антологиям знаний. Благодаря огромным вычислительным мощностям, обработав источники, он выдаёт максимально точный ответ на заданный вопрос.

IBM Watson for Oncology — программа применения мощностей IBM Watson для определения оптимальной доказательной основанной на данных стратегии лечения рака. Перед запуском этой программы в Watson для обучения были загружены сотни тысяч медицинских документов, в том числе 25 тысяч историй болезни, более 300 медицинских журналов и более 200 учебников, всего около 15 млн страниц текста. В 2011 году было объявлено о совместном исследовательском проекте IBM и Nuance Communications, результатом которого должен был стать коммерческий продукт для клинического применения в области принятия врачебных решений. В подготовке к клинической практике суперкомпьютеру помогали исследователи-клиницисты из Колумбийского университета (Columbia University) и Университета Мэриленда в Балтиморе (University of Maryland, Baltimore).

С 2013 года IBM Watson используется в Мемориальном онкологическом центре им. Слоуна-Кеттеринга в Нью-Йорке (Memorial Sloan Kettering Cancer Center, MSK) для помощи в принятии управляющих решений (Utilization management) при лечении больных раком лёгких и уходе за ними. Разумеется, его база постоянно пополняется новыми историями болезни.

В том же году IBM и Онкологический центр им. М. Д. Андерсона (University of Texas MD Anderson Cancer Center) запустили пилотный проект «миссии по искоренению рака». Однако вскоре было объявлено, что проект (на который на тот момент уже было потрачено 62 млн долларов) не оправдал ожиданий и будет отложен.

В июле 2016 года программа IBM Watson for Oncology была запущена в коммерческую эксплуатацию на базе Manipal Hospitals (ведущая сеть больниц в Индии) — для помощи врачам и пациентам в определении персонализированных методик борьбы с раком. Также сеть Manipal Hospitals предлагает онкологическим больным узнать «мнение Ватсона» онлайн, на своём веб-сайте.

В феврале этого года Медицинский центр Джупитера (Jupiter Medical Center), Джупитер-Айленд, Флорида, США, также объявил о начале использования IBM Watson for Oncology. В пресс-релизе, посвящённом запуску программы, сообщалось, что «Ватсон» уже способен оказывать действенную помощь клиницистам в разработке планов лечения рака груди, лёгких, толстой кишки, шейки матки, яичников и желудка. До конца года IBM и MSK планируют обучить IBM Watson for Oncology лечению ещё 9 типов рака, покрыв тем самым потенциально 80% заболеваемости раком в мире.

IBM Medical Sieve (проект в стадии разработки). Чтобы оценить результаты МРТ, рентген-снимков, кардиограмм, врачу в среднем нужно потратить значительно больше времени на изучение картинки, чем системе машинного обучения. При этом точность компьютерного анализа в среднем выше, что позволит выявить дефекты и образования, которые врач может и пропустить. Особенно под конец смены, когда медики устают и теряют концентрацию. Более того, за счёт уменьшения количества времени на распознавание и обработку данных, может быть обслужено больше пациентов. Google DeepMind Health — подпроект Google DeepMind, применяющий технологии ИИ к медицине. В данный момент известно о сотрудничестве DM Health и лондонской больницей «Мурфилдс Ай» (Moorfields Eye Hospital): тысячи анонимных глазных снимков будут проанализированы с целью найти первичные симптомы слепоты. Также, в сотрудничестве с больницей Университетского колледжа Лондона (University College London Hospital), ИИ будет задействован в проекте по разработке алгоритма, который сможет автоматически различать здоровые и раковые ткани в области головы и шеи. NeuroLex.co. Люди, когда говорят, сообщают значение произносимого не только словами, но и интонацией, промежутками между словами, скоростью и громкостью речи. Из психиатрической практики известно, что психические расстройства обычно сопровождаются определёнными речевыми изменениями. Поэтому можно научить нейронные сети расставлять соответствия между речевыми паттернами и диагнозами (на основе уже имеющейся клинической практики), таким образом сделать процесс установления диагноза более быстрым и точным.

Не следует путать NeuroLex.co и NeuroLex.org — wiki-проект по составлению актуального динамического лексикона нейронауки.

Human Diagnosis project (Human Dx) — амбициозная инициатива молодых врачей из Сан-Франциско, сочетающая, по их словам, «усилия коллективного разума» и машинное обучение. На сайте Human Dx утверждается, что это «крупнейший проект в мире по числу участвующих авторов-клиницистов». Предполагается, что здесь будут собраны описания симптомов, результаты медосмотров, личные и семейные медицинские истории, показания диагностических приборов и носимых устройств, результаты лабораторных исследований, медицинские визуализации, генетические и эпигенетические данные, научные публикации в области биомедицинских наук, медицинская статистика и т. п. На основе всего этого будет разработана фундаментальная структура данных, к которой сможет обращаться любой врач, пациент, исследователь, вообще любые люди, организации, устройства или приложения. Краткосрочная цель проекта — оказывать помощь в своевременной и верной диагностике заболеваний и назначении лечения, а также в медицинском образовании. Долгосрочная — радикально изменить в лучшую сторону стоимость, доступность и эффективность медицинской помощи во всём мире. Конечной цели у проекта нет. Предполагается, что он будет аккумулировать, систематизировать и стараться делать максимально доступными и легко применимыми все возможные медицинские данные до тех пор, пока у участников будут для этого средства и силы.

Это на словах. На деле, информацию в проект сейчас поставляют, по словам руководителя стартапа Джея Комарнери (Jay Komarneni), «тысячи врачей» из 400 учреждений в 60 странах. Это значит, что их может быть, например, две тысячи (или пять тысяч: именно такое число фигурирует в публикации 19 марта на сайте Американской медицинской ассоциации). Немало, но явно недостаточно, чтобы переломить ситуацию в мировой медицине. Якобы в базе проекта есть уже «сотни тысяч» описанных случаев, но и этого мало для функциональной классификации всех известных медицине диагнозов.

Не очень понятно, проводится ли уже на полученных данных обучение некоего ИИ или это тоже только в планах. Что точно есть, так это мобильное приложение, с помощью которого врачи-волонтёры могут отправлять информацию на серверы проекта. Основатели надеются в ближайшем будущем привлечь в свои ряды не менее ста тысяч волонтёров. И у них, видимо, есть на то основания: Human Dx финансируют сразу пять венчурных фирм. Одна из них, описывая вкратце политику инвестирования, сообщает, что вкладывает в компанию на всём этапе её развития от 50 до 100 млн долларов. На сайте другой написано, что она не даёт благотворительных грантов. То есть, «бизнес-ангелы» в Human Dx не только прилично вложились, но и, похоже, ожидают от него прибыли, а значит и развития, видят потенциал.

15 февраля этого года Human Diagnosis project был объявлен полуфиналистом конкурса Фонда Макартуров 100&Change. Всего полуфиналистов восемь. Победитель будет назван в сентябре и получит 100 млн долларов. Хочется верить, что если эти деньги попадут в руки Human Dx, они приблизят день, когда медицина в мире станет доступнее и эффективнее.

А пока Human Dx пытается делать полезное теми средствами, которые у него уже есть: каждое утро проект рассылает в сотни клиник так называемый «ежеутренний кейс» — описание случаев неочевидной диагностики из присланных волонтёрами. Также ссылки на кейсы регулярно выкладываются в твиттере проекта. Правда, сами кейсы доступны только зарегистрированным на сайте врачам.

ИИ-программы, обеспечивающие условия «домашнего стационара»

Как я уже говорила, в настоящее время фокус лечения сместился с острых заболеваний (распространённость которых, благодаря прогрессу в медицине за последнее столетие, удалось значительно сократить) на хронические. И «хроническим» больным необходимо быть постоянно осведомлёнными о состоянии собственного здоровья. Им на помощь приходят носимые устройства (wearables), которые позволяют мониторить пульс, давление, дыхание и другие показатели здоровья. Согласно полученной информации эти устройства извещают владельцев о действиях, которые необходимо совершить в данный момент (принять лекарство, изменить тип физической активности и т. д.). Показатели, снимаемые этими приборами, могут передаваться через смартфон непосредственно врачу, чтобы тот всегда «держал руку на пульсе» и мог давать рекомендации по ходу изменения показателей. Простейшие советы могут быть «зашиты» непосредственно в приложения и реагировать на получаемые данные автономно и быстро. Но главное — с помощью таких носимых устройств и мобильных приложений как раз и можно собирать массивы данных, по мере роста которых будет расти и качество работы обучающегося на них ИИ.

Sense.ly (iOS, Android) — это «приложение-медсестра». На экране телефона — анимированное изображение медсестры, она спрашивает, как вы сегодня себя чувствовали сегодня, хорошо ли спали, в норме ли давление, нет ли жалоб. Отвечать можно вслух — ИИ распознаёт речь и сразу же отправляет информацию лечащему врачу. Если в вашем ответе есть триггеры, соответствующие тем или иным симптомам, на экран будет выведена краткая справка по ним, после чего «сестра» напомнит о приёме лекарств или процедурах или поинтересуется, не хотите ли вы связаться с врачом. Если хотите, приложение немедленно соединит вас по видеосвязи.

AiCure (iOS, Android) — нужно сфотографировать приём таблетки; приложение визуально распознает тип лекарства, определит время приёма и отправит эту информацию врачу. Задача приложения — обеспечить регулярность приёма лекарств. Babylon Health (iOS, Android) — мобильное приложение, позволяющее из любой точки Земного шара, в любой день и любое время суток получить онлайн-консультацию британского или ирландского врача с врачебным стажем не менее 10 лет. На английском, разумеется. Вы спросите: при чём тут искусственный интеллект? При том, что перед консультацией можно пройти, здесь же, в приложении, нехитрый тест, а также загрузить параметры ежедневной активности, в т. ч. непосредственно с различных носимых устройств. Система проанализирует данные и выдаст вам предварительный диагноз, а врача порекомендует, уже опираясь на него. Если верить разработчикам, практика показывает, что предварительные диагнозы Babylon Health уже сейчас ставит не хуже опытного терапевта.

К сожалению, некоторые из перечисленных выше приложений (такие как AiCure или Sense.ly) приспособлены для работы с медициной «западного типа», то есть системой, где у пациента есть постоянный лечащий врач (general practitioner, GP), которому есть дело до состояния здоровья пациента. В России и других странах, где массовая медицина построена на других основаниях, они едва ли применимы. С другой стороны, приложения для диагностики заболеваний как раз могут сильно пригодиться и российским участковым, и врачам, работающим в африканской глубинке, где перед ними проходят тысячи пациентов, постоянно новых, с незнакомыми симптомами, и где нет даже нормальной лаборатории, чтобы сделать анализы.

ИИ в научных разработках в области медицины

Помимо клинической практики, ИИ находит применение в проведении биомедицинских исследований. Например, система машинного обучения может использоваться для проверки совместимости лекарств или для анализа генетического кода (да для чего угодно, на самом деле — для любых задач, требующих глубокого обучения, поиска корреляций в больших данных, визуального и аудиального распознавания и т. п.).

Deep Genomics — это проект системы, которая позволит изучить, предсказывать и интерпретировать, как генетические вариации изменяют важные клеточные процессы, такие как транскрипция, сплайсинг и др. Изменение в этих процессах может вести к болезням, а соответственно знание причины болезни может сделать терапию более эффективной.

Барьеры

К сожалению, очень часто люди не готовы брать на вооружение новые технологии. Как и вокруг любой инновации, вокруг ИИ в медицине бытует множество как предрассудков, так и обоснованных опасений.

Боязнь восстания машин

Известный страх — вера в то, что ИИ — это сверхинтеллектуальный робот, который может стать угрозой человечеству (стереотип, навязанный, в основном, популярным кинематографом). Слыша выражение «искусственный интеллект», люди вспоминают SkyNet из «Терминатора», пугаются и выступают против.

Чиновники в правительствах часто тоже являются носителями вышеописанного стереотипа. Поэтому одной рукой подписывают инновационные программы и перспективные планы, другой же — законы и подзаконные акты, душащие всякую реальную инновацию в колыбели.

Утрата контроля над личными данными и неясное распределение ответственности за это

В случае ИИ в медицине (и не только в медицине) добавляется реальная проблема нарушения приватности ради эффективности.

Следствием утраты приватности могут стать реальные проблемы и непосредственно для пациентов. Так, данные из истории болезни, используемые для обучения искусственного интеллекта, могут попасть в руки, допустим, страховой компании, с ожидаемым последствием повышения цены медицинского полиса и страхования жизни (если, например, человек не ведёт «здоровый», с точки зрения страховщиков, образ жизни). Работодатель может отказать соискателю, если будет знать, что тот страдает хроническими болезнями или генетически предрасположен к тем или иным видам заболеваний.

И, в конце концов, становится непонятным: кто владелец медицинских данных — пациент, врач, клиника, вычислительный сервис или кто-то ещё? И кто, в какой мере может ими распоряжаться?

Google как преступник, медсестра и медицинский прибор

Компании Google, вернее — её подразделению DeepMind Health, проекту использования ИИ в целях здравоохранения, сотрудничающему с «Королевской бесплатной больницей» (Royal Free Hospital) и другими лечебными учреждениями в Лондоне, уже неоднократно пытались устроить неприятности из-за персональных данных.

В 2016 году Google DeepMind и фондом Royal Free London NHS Foundation Trust подписали меморандум о взаимопонимании, в результате чего DeepMind Health получил полный доступ к записям об историях болезни, вызовах скорой и неотложной помощи, данных радиологии и патолого-анатомического отделения — ко всей информации о пациентах, зафиксированной клиниками «Королевской бесплатной», Барнет (Barnet Hospital) и Чейз Фарм (Chase Farm Hospital) за пять лет, включая данные об инфицированности ВИЧ, пережитых абортах и перенесённых клинических депрессиях. В год через эти три клиники проходит 1,6 млн пациентов. О меморандуме стало известно журналистам New Scientist. Последовавшие публикации повлекли за собой жалобу в британский Офис уполномоченного по информации (Information Commissioner’s Office, ICO; британский оператор защиты персональных данных).

Проведённое расследование показало, что, хотя по закону 1998 года о персональных данных, вся информация, передаваемая больницей для каких-либо целей третьим лицам и организациям без информированного согласия пациента, должна быть зашифрована и анонимизирована или псевдоанонимизирована, меморандум, подписанный Free и Google, косвенно сообщает, что в данном случае ни шифроваться, ни анонимизироваться ничего не будет, так как информацию предполагается использоваться только для помощи пациентам. Также Google и Free ссылались на предполагаемое согласие, как в ситуациях, когда врач показывает историю болезни или результаты лабораторных исследований другому врачу или медсестре. Подразумевается, что такие ситуации само собой разумеются и получать для таких действий специальное информированное согласие пациента не нужно. Имелось в виду, что то, чем занимается DeepMind Health, сопоставимо с тем, что делают для больных врачи и медсёстры. Однако информационный уполномоченный заметил, что предполагаемое согласие применяется обычно в ситуациях, когда оба врача или врач и медсестра находятся под одной крышей. Если ж врач хочет показать историю болезни коллеге в другой клинике или дома, для этого уже требуется согласие пациента. Когда речь об огромных массивах данных — согласие каждого пациента. Иные возможности: либо чрезвычайная ситуация в области здравоохранения, когда персональные данные используются в национальных интересах, либо решение суда. Последнего у Google нет, а попытка представителей сторон, подписавших меморандум, оперируя статистикой смертности от заболеваний, на борьбу с которыми направлены производимые DeepMind вычисления, представить ситуацию как чрезвычайную не встречают понимания среди их оппонентов. В поисках решения Google и Royal Free пытались также представить дело таким образом, будто никакая информация никуда не передавалась, а была всего лишь загружена в новый медицинский прибор, каковым и является DeepMind Health. Но оппоненты и здесь нашли, к чему придраться: по закону, перед вводом в эксплуатацию любой медицинский прибор должен получить одобрение Medicines and Healthcare products Regulatory Agency (MHRA, британский регулятор в сфере здравоохранения). Однако ни фонд, ни Google такого одобрения не получали.

С точки зрения закона Google всюду неправ, но пока всё ограничивается публичными спорами: преследуются подобные нарушения лишь в том случае, когда их результатом становится совершение тяжкого преступления. Тогда нарушителю грозит штраф в размере 5000 фунтов стерлингов или тюремное заключение сроком 6 месяцев.

Отвечая на опасения защитников персональных данных, соучредитель DeepMind Мустафа Сулейман сказал в заявлении для Computer Weekly:

«Мы работаем с клиницистами Royal Free, чтобы понять, как технологии могут помочь врачам вовремя заметить ухудшение состояния пациента, в данном случае — острую почечную недостаточность. Мы всегда придерживаемся самых высоких стандартов защиты данных пациентов. Они будут использоваться только в целях улучшения здравоохранения и никогда не будут связаны с учётными записями или продуктами Google».

Ранее британские защитники персональных данных возмущались, напротив, тем, что DeepMind Health использует как раз анонимизированные данные (речь об упоминавшемся выше сканировании миллиона анонимизированных снимков сетчатки в сотрудничестве с больницей «Мурфилдс Ай»). Недовольные утверждали, что пациент может потребовать удаления так или иначе связанных с ним данных из любого массива, в том числе и анонимизированного, и требовали от Google обеспечить такую возможность.

Киберпреступность и кибертерроризм

Бре́ши в информационной безопасности ИИ-систем и их периферии чреваты не только нарушением приватности, но и прямыми угрозами жизни и здоровью. Самые популярные у алармистов примеры: удалённый взлом кардиостимулятора и намеренное «переучивание» диагностическо-рекомендательной системы на предложение смертельно опасного лекарства или процедуры. В критическом случае это может привести к массовым убийствам. Поэтому носимые устройства должны быть надёжно защищены от внешних атак. Но какую защиту считать надёжной? И кто оценивает надёжность? А кто будет отвечать, если что-то такое всё же произойдёт? Врач? Клиника? Разработчик интеллектуальной системы? Специалист по информационной безопасности?

Самолечение и сокращение числа рабочих мест в медицине

Вряд ли средний врач обдумывает возможность стать виноватым из-за ошибки ИИ, но в целом у врачей тоже отсутствует стимул к внедрению интеллектуальных систем. Где-то функционирует система, согласно которой вознаграждение врача прямо пропорционально затраченному на пациента времени, и, если ИИ будет ставить правильный диагноз за пять секунд, услуги врача немедленно обесценятся, как минимум, «в среднем по больнице». И если один врач, благодаря ИИ, сможет принимать в пять раз больше пациентов, четверых из-за этого придётся уволить.

Есть также целые регионы, жители которых уже сегодня массово предпочитают врачу поиск в Google. Если же им будет доступен искусственный интеллект, ставящий диагноз и предлагающий терапию, при рабочих местах там из медиков останутся разве что хирурги, стоматологи и процедурные сёстры. Не факт, что это пойдёт на пользу общему уровню здоровья, но — как убедить ходить к врачу человека, который и раньше ему не доверял, а теперь ещё и имеет доступ к машинной диагностике? И куда деваться тем медикам, которые останутся из-за ИИ без работы?

Пока не врачи, но уже рядом

Как сообщает The Guardian, 5 января сего года японская компания Fukoku Mutual Life Insurance, занимающаяся преимущественно медицинским страхованием, объявила об увольнении 34 сотрудников в связи с началом эксплуатации удалённого интерфейса когнитивной системы IBM Watson — Watson Explorer.

Fukoku Mutual Life Insurance полагает, что, благодаря ИИ, увеличит производительность на 30% и окупит вложения в него менее чем за два года, а также сэкономит в этом году более 100 миллионов иен на текущих расходах.

Watson Explorer понимает естественный язык, распознаёт символы и изображения и сможет читать десятки тысяч медицинских справок и учитывать продолжительность пребывания в больнице, медицинские истории и любые хирургические процедуры для расчёта страховых выплат. Причём будет делать всё это значительно быстрее и качественнее, чем уволенные 34 сотрудника. Последних, впрочем, всё это едва ли обрадует.

«Серая» правовая зона и законодательные барьеры

Гигантские массивы данных, в т. ч. персональных, всё равно, так или иначе, собираются и используются — в эпоху глобальных информационных сервисов с миллиардами пользователей иначе и быть не может, но легальность этого — под вопросом. Права собственности, права на использование открытых для ИИ персональных данных, а также вопросы разграничения ответственности при эксплуатации искусственного интеллекта в медицине требуют законодательного регулирования.

И тому, чтобы это регулирование происходило быстро, трезво, эффективно и с пользой для людей, есть несколько серьёзных препятствий.

Во-первых, это недостаточный уровень экспертизы, понимания законодателями и правительственными чиновниками, что собственно нужно сделать, так как отрасль новая и готовых кейсов попросту не существует. Придётся действовать методом проб и ошибок, а ошибки в деле здравоохранения особенно опасны, ведь идёт о жизни и здоровье людей.

Во-вторых, национальные государства не очень-то охотно отдают права на оперирование данными граждан кому-то, кроме более или менее подконтрольных им структур. Особенно опасаются они делиться этим ресурсом с международными организациями и частными, более всего — иностранными, компаниями. Им видится в этом, и не без оснований, частичная потеря суверенитета над гражданами, потеря существенного ресурса и утрата толики властных функций. Именно отсюда проистекает, например, вся отечественная катавасия последних лет — с «иностранными агентами» и требованием к транснациональным сервисам держать серверы с данными граждан РФ на её территории.

Наконец, законодатели, как и простые люди, в какой-то степени находятся в плену стереотипов и страхов, начиная от страха перед реальными опасностями, тем же кибертерроризмом, тем возможным ростом безработицы среди медиков, и заканчивая элементарными неофобией и мракобесием.

При отсутствии же законодательного регулирования, тот, кто взялся бы развивать и продвигать ИИ-сервисы на конкретной территории (развитие клиентской базы, налаживание взаимодействия со структурами местной здравоохранительной системы, языковая локализация и т. п.), вынужден был бы действовать на свой страх и риск и быть готовым к тому, что в любой момент всё, что он делает, может оказаться уже не в «серой», а в «чёрной» зоне, то есть вне закона. Со всеми вытекающими экономическими, правовыми и моральными последствиями.

Безусловно, прогресс не остановить, потребность в широком медицинском применении ИИ существует, основанные на нём услуги всё чаще востребованы и так или иначе будут оказываться. Но если они окажутся на символической территории «чёрного рынка», это не только отпугнёт от данной отрасли многих специалистов и пациентов, но и лишит людей гарантий контролируемого стандарта и защиты, создаст условия для процветания имитаторов и поставщиков заведомо некачественных услуг.

Заключение

Несмотря на все описанные проблемы, сама логика развития технологий и общества позволяет надеяться на лучшее. В конце концов, никакие усилия RIAA, РАО и т. п. не убили ни звукозаписывающую технику, ни файлообменные сети, интернет развивается вопреки «великому китайскому файрволу», Роскомнадзору и различным ограничивающим актам национальных государств, антиГМО-алармисты не могут остановить развитие генетики. Так и искусственный интеллект уже пришёл в медицину, уже работает с данными и остановить это нельзя. Можно лишь сделать его дальнейшее проникновение более быстрым, комфортным и безопасным — либо же наоборот — замедлить, затруднить, наломать дров.

И в силах каждого — работать на первый сценарий и противостоять второму. Для этого:

1. Помогать организациям, разрабатывающим медицинские ИИ-системы, собирать данные, для этого использовать носимые устройства и упомянутые в этой статье приложения и подобные им.

2. Обращаться за помощью к уже существующим ИИ-системам при диагностировании, будь вы пациент или врач, показывать их своим лечащим врачам.

3. Формировать позитивное общественное мнение в отношении использования искусственного интеллекта в медицине, вести разъяснительную работу, помогать людям преодолевать фобии и стереотипы.

4. В странах, где законодатели реально зависят от избирателей, стараться инициировать принятие невраждебных к медицинскому ИИ законодательных актов, регулирующих неясные на сегодня вопросы (например, вопрос о приватности информации о состоянии здоровья, вопрос открытия для ИИ-систем историй болезни, вопрос разграничения ответственности в различных ситуациях, возникающих при использовании искусственного интеллекта в диагностике и лечении).

И если широкое общественное движение сформирует многомиллионный и постоянно растущий спрос, если люди массово поймут, что им это нужно, и начнут пользоваться и требовать, ситуация сама будет способствовать выработке социального консенсуса по вопросам, пока что ставящим в тупик, а за ним неминуемо подтянутся и законодательная база, и всенародное участие в сборе данных. И тогда, скорее всего, инвестиции, осуществляемые сейчас в ИИ в медицине, дадут желаемый результат.

Читайте также

22century.ru

Виртуальный доктор. Как будет работать искусственный интеллект в медицине | Технологии

Еще одним очевидным стимулом развития ИИ является огромный объем данных, которые генерируются всевозможными медицинскими устройствами и информационными системами. При этом, после 3 месяцев хранения менее 15% медицинских данных оказываются востребованными врачами. ИИ привлекает возможностью придать смысл и добавленную стоимость накопленной информации. Автоматизация рутинных действий по сбору и анализу разрозненных медицинских данных позволила бы повысить точность ранней диагностики и прогнозирования развития болезней, оценку эффективности лечения.

Таким образом, трудно найти лучший момент, чем вчера, для инвестиций в быстрорастущие компании на рынке ИИ в здравоохранении. Основным экономическим драйвером при этом, отраженном в девизе знаменитой американской клиники Мэйо «doing more with less», является возможность снижения затрат в системе здравоохранения при сохранении эффективности.

Международная практика

Американская компания Enlitic предлагает онлайн-сервис, повышающий клиническую и экономическую эффективность работы медицинского персонала. Созданный для распознавания рентгенограмм легких в двух проекциях, он позволяет с точностью свыше 95% (AUC > 0,95) классифицировать снимки по 6-7 основным синдромам (не диагнозам!) и формировать предварительный шаблон описания, с которым врачу нужно либо согласиться и нажать «подписать», либо не согласиться и внести свои изменения. Основная сложность, с которой столкнулись разработчики, — проверка данных для тренировки компьютера. В результате этот процесс осуществлялся при помощи массового тегирования (разметки) врачами со всего мира более 5 млн снимков по согласованным критериям.

В компании Babylon health и Sensely разработали приложения для анализа жалоб людей, обращающихся в колл-центр. Алгоритмы анализируют ответы пациента на заданные вопросы и выбирают один из собственных вариантов, таких как «срочно обратитесь к врачу/запишитесь на прием/почитайте об этом заболевании на нашем сайте». Такой элементарный по сути сервис уже широко применяется Национальной службой здравоохранения Великобритании (NHS) и позволит сэкономить затраты колл-центров. Основная сложность в этом случае — разработка деревьев принятий решений и их валидация в условиях медицинской практики.

Израильский стартап Zebra Мedical обратился к проблеме ошибок диагностики, которые по разным оценкам достигают 30% в общем числе проводимых исследований. Потенциально их разработка может повысить число выявляемых при компьютерной томографии заболеваний, снижая вероятность человеческой ошибки: врач как человек может что-то просто не заметить при описании томограмм. Для ответственного врача это удобный инструмент, позволяющий не пропустить, к примеру, опухоль легкого, перелом позвонка, хронические заболевания печени или кальциноз артерий сердца. Для менеджмента клиники — возможность управления рисками и дополнительная защита от гипотетических судебных исков в случае пропущенных диагнозов. С точки зрения системы здравоохранения, дополнительные находки — это в большинстве случаев ложно-положительные диагнозы, увеличивающие стоимость обследования и лечения, но не повышающие качество и продолжительность жизни. В ноябре 2017 года была объявлено о предоставлении доступа к сервисам Zebra через Google Cloud по цене $1 за каждое исследование.

Неудачные экзамены ИИ

Компания IBM после неудачного запуска продукта Watson для анализа изображений, который, тем не менее, стал ассоциироваться с любыми продуктами на основе искусственного интеллекта, выбрала путь Google и решила натренировать компьютер на сдачу экзамена на сертификат врача-маммолога в США. Покупка ею компании Merge Healthcare, обладающей огромным архивом снимков, не дала ожидаемого результата, так как эти данные не были предварительно размечены человеком и компьютеру ни о чем не говорили. Чтобы исправить ситуацию IBM начала создавать партнерства с клиниками для получения от них размеченных данных в обмен на лицензии на клиническое применение разрабатываемых алгоритмов. Для этого была создана технологическая платформа с магазином приложений, позволяющая в перспективе поставить на поток выпуск и валидацию алгоритмов для медицины.

Можно предположить, что в недалеком будущем, учитывая коммодитизацию томографов и растущую доступность лучевой диагностики в развивающихся странах, IBM сможет конкурировать и с сегодняшними гигантами медицинской индустрии, продавая не технологии сканирования, а доступ к сервисам массового анализа изображений и данных. Это подтверждает выводы компании McKinsey, которая показала, что в медицине возможно автоматизировать 36% функций, прежде всего на уровнях сбора и анализа данных.

В результате, на зарождающемся рынке ИИ в медицине уже работает несколько бизнес-моделей: продажа узкоспециализированных сервисов напрямую госпиталям, продажа лицензий на сервисы через онлайн-платформы или маркетплейсы, продажа разработанного программного обеспечения крупным компаниям-производителям медицинских информационных систем, всевозможные партнерства между стартапами и индустриальными лидерами. Все понимают, что «золото» очень близко, но где точно — пока непонятно.

Ограничения и ошибки в России

Ситуация на рынке ИИ в области медицины в России заметно отличается от того, что происходит сейчас на Западе. Ее можно кратко описать фразой основателя компании Enlitic Джереми Ховарда: «Большинство алгоритмов искусственного интеллекта бесполезны», так как созданы под неточное определение задачи или в отсутствие бизнес-модели.

Что ограничивает развитие и применение технологий анализа данных и ИИ в российской медицине? Во-первых, медицинский труд в России дешев, и, соответственно, экономическое обоснование автоматизации функций медсестры или врача несостоятельно.

Во-вторых, врачи в России в избытке (1 рентгенолог на 2800 населения в России, 1/10000 в США и 1/100 000 в Японии), и как следствие, отсутствует типичная мотивация заместить недостающую рабочую силу алгоритмом или компьютерной программой.

В-третьих, по моим ощущениям, формально отсутствует проблема качества медицинской помощи и экономических потерь из-за назначения бесполезных исследований, поскольку сложившейся системе невыгодно демонстрировать проблемы.

Таким образом, в России хайп ИИ в большей степени обусловлен «модой» и стремлением привлечь легкие инвестиции.

При этом существенным отличием российской медицины от медицины стран ОЭСР является индустриальное отставание, то есть крайне ограниченный системный подход к организации рабочих процессов, постановке измеримых качественных целей, экономическому обоснованию, управлению по целям и информатизации. Необходимым условием для развития рынка ИИ в медицине является формирование ИТ-инфраструктуры здравоохранения. Регламентация процессов, постановка целей на основе измеряемых метрик качества, оценка экономической эффективности — все это необходимая основа информатизации и последующей автоматизации. Получается, что отдельные госкомпании, страховщики и сетевые частные клиники проявляют скорее праздный интерес к решениям по автоматизации, но не готовы к приобретениям. Частным компаниям и инвесторам в таких условиях трудно рассчитывать на реальные продажи.

Выделю основные ошибки разработчиков алгоритмов и продуктов для автоматизации медицинских функций и предиктивного анализа данных:

- создание продукта, исходя из имеющейся технологии, а не от определения проблемы целевой аудитории;

- создание алгоритмов под потребности отдельно взятого врача-евангелиста ИТ, а не системы оказания медицинской помощи;

- гипотеза отсутствия решений на рынке, в то время как продукты уже существуют в составе информационно-аналитических систем традиционных медицинских производителей, но не позиционируются отдельно для широкого потребителя;

- отсутствие четкого определения целевой аудитории, механизмов финансирования медицинской помощи и экономических мотивов потенциальных заказчиков;

- отсутствие анализа рынка, конкурентов и продуктов;

- отсутствие Сhief medical officer с медицинскими, бизнес и ИТ-компетенциями;

- создание модели «как должно быть» без базового описания рабочих процессов в модели «как есть».

Выводы

Готовность медицины к изменениям привычного уклада, прежде всего, зависит от готовности применять решения из других индустрий. Например, технологии, которые используются для рендеринга изображений и отображения теней в компьютерных играх, уже успешно применяются в медицине. Трансформация медицины из искусства и ремесла в индустриальное решение происходит повсеместно, и это не замена врача, а обогащение медицины технологиями из других отраслей, например из ритейла, авиаперевозок, индустрии гостеприимства.

Применение искусственного интеллекта в медицине способно революционизировать индустрию здравоохранения за счет развития таких областей, как персонализированная медицина, диагностика, разработка новых лекарственных препаратов, робот-ассистированная хирургия, телемониторинг хронических заболеваний, дистанционная помощь пациентам, поддержка принятия правильных медицинских решений, выявление медицинских ошибок.

Не автоматизируются только экспертиза, мудрость, человеческое отношение, забота, эмпатия, взаимопонимание, поддержка — именно то, что составляет основу профессии Врача. Системным же сдвигом в медицине под давлением автоматизации должен стать переход к глаголам совершенного вида, то есть от лечения к излечению. Мотивация по KPI и искусственный интеллект нам в помощь.

www.forbes.ru

Искусственный интеллект в медицине: главные тренды в мире

Применение искусственного интеллекта в медицине уже сегодня позволяет серьезно повысить точность диагностики, облегчить жизнь пациентам с различными заболеваниями, а с развитием технологий сделает реальным появление сверхэффективных персональных лекарств, а также персонального медицинского ассистента в каждом смартфоне. MedAboutMe рассказывает о последних разработках в области искусственного интеллекта (ИИ) и медицины.

Прошлое и будущее

В начале 21 века одной из самых ярких разработок стал совместный проект Вашингтонского университета, Intel и компании Elite Care по проектированию системы искусственного интеллекта, которая могла бы заботиться о пациентах, страдающих болезнью Альцгеймера и повышать качество их жизни. Данная система поможет больным восстанавливать необходимые навыки для решения повседневных задач. В 2002 году было объявлено, что на подготовку всех необходимых устройств понадобится минимум пять лет.

Сейчас разработчики уже подготовили три девайса, которые в настоящее время тестируются студентами Университета: это Activity Compass, ADL Monitor и ADL Prompter, каждый из которых выполняет определенные функции для значимой помощи больным. Так, Activity Compass поможет сориентироваться в пространстве и найти дорогу до пункта назначения, даже если больной забыл, куда ему нужно прийти. Для этого Compass должен знать абсолютно все о том, что делает пациент и каким образом он достигает своих целей. Датчик повседневной активности ADL Monitor следит за пациентом и отмечает ненормальное поведение, но для этого система должна предварительно изучить «нормальное» поведение пациента. Наконец, ADL Prompter поможет выполнить сложные задачи на кухне, такие как приготовление еды.

Однако с 2002 года технологии сделали большой шаг вперед, а к программам внедрения искусственного интеллекта в медицину подключились и IT-гиганты, и целые государства. Сегодня ученые надеются, что с помощью искусственного интеллекта уже в ближайшем будущем возможно будет прийти к сверхточной (или прецизионной) медицине, в рамках которой появится возможность назначать индивидуальное лечение каждому отдельному человеку, учитывая его уникальные генетические и другие особенности.

В США уже объявили о запуске пилотных проектов по развитию прецизионной медицины. Так, к 2019 году должны быть отобраны 1 млн добровольцев, которые станут участниками специального научного исследования. Оно должно показать взаимосвязь между образом жизни, окружающей средой, экономическим и социальным статусрм, генетикой и состоянием здоровья. Полученный таким образом огромный массив медицинских данных можно будет обработать с помощью ИИ. Еще до недавнего времени не было ни достаточно мощных компьютеров, способных обработать такое количество информации, ни, собственно, самих данных. В ближайшие 4 года США планирует потратить на исследование $1 млрд.

Доктор Watson

Технологические гиганты типа Google, Amazon, Microsoft и Apple инвестируют огромные суммы в развитие искусственного интеллекта для создания персонализированных систем поиска или виртуального персонального ассистента. Но, если говорить о медицине, то самый главный игрок и поставщик новостей на этом рынке — компания IBM и ее знаменитый суперкомпьютер Watson. Только для его обучения IBM в прошлом году приобрела 30 млрд медицинских снимков, поглотив компанию Merge Healthcare за $1 млрд. К процессу обучения могут добавиться 50 млн анонимных электронных медицинских карт, которые IBM получила в свое распоряжение, также купив стартап Explorys.

Американская кардиологическая ассоциация уже объявила о проекте с участием IBM Watson, целью которого будет модернизация лечения сердечно-сосудистых заболеваний. Суперкомпьютер проанализирует оптимальные способы лечения с помощью программы Workplace Health. А врачи Boston Children’s Hospital, занимающиеся редкими детскими болезнями, используют IBM Watson, чтобы ставить более точные диагнозы: искусственный интеллект будет искать необходимую информацию в клинических базах данных и научных журналах, которые хранятся в медицинском облаке Watson Health Cloud.

В частности, суперкомпьютер будет использоваться для диагностирования и лечения заболеваний почек. Для этого IBM Watson придется пройти ускоренный курс нефрологии. А в 2014 году IBM объявила о сотрудничестве с Johnson & Johnson и фармацевтической компанией Sanofi для работы над обучением Watson пониманию результатов научных исследований и клинических испытаний. По утверждению представителей компании, это позволит существенно сократить время клинических испытаний новых лекарств, а врачи смогут давать лекарства, наиболее подходящие конкретному пациенту. Таким образом, на базе постоянно развивающегося ИИ IBM предлагает несколько революционных медицинских проектов.

Инновации коснулись и сферы радиолучевой компьютерной диагностики, которая играет в медицине значимую роль. Так, в том же 2014 году IBM объявила о разработке программного обеспечения Avicenna, способного интерпретировать и текст, и изображения. Для каждого типа данных используются отдельные алгоритмы. Так что в итоге Avicenna сможет понимать медицинские снимки и записи, и будет выполнять функции ассистента радиолога. В 2016 году ПО планируется наконец-то протестировать в реальных условиях.

Над похожей задачей работает и другой проект IBM — Medical Sieve. В данном случае речь идет о развитии искусственного интеллекта «медицинского ассистента», который сможет быстро анализировать сотни снимков на предмет отклонения от нормы. Это поможет радиологам и кардиологам заняться теми вопросами, в которых искусственный интеллект пока бессилен.

Сверхэффективные лекарства

ИИ придет на помощь биофармацевтике, серьезно оптимизируя процессы создания и внедрения новых лекарственных средств. По данным биофармацевтической компании Berg, в среднем исследование одного лекарства занимает 14 лет и стоит $2,6 млрд. Такие временные и финансовые затраты заставляли фармацевтические компании быть избирательными в разработке препаратов. Однако с помощью ИИ можно существенно сократить и время, и стоимость испытаний, а значит в будущем появится возможность разрабатывать лекарства для болезней, которые не были должным образом охвачены исследованиями.

Например, Berg уже использует в своих исследованиях ИИ, учитывая всевозможные данные о пациентах, в том числе напрямую не связанные с медициной. В компании заверяют, что такой подход позволил уже выделить 25 новых целей для лечения, а затраты на сами клинические испытания сократятся как минимум вдвое. Главное же, все-таки, не сокращение затрат, а то, что препараты становятся намного эффективней.

С помощью другой системы искусственного интеллекта, Emergent, исследователям удалось выявить пять новых биомаркеров, на которые могут быть нацелены новые лекарства при лечении глаукомы. По словам ученых, для этого в систему ИИ вводится информация о более чем 600 тыс. специфических последовательностей ДНК 2,3 тыс. пациентов и данные о генных взаимодействиях.

Ученые из Университета Западного Онтарио уверены, что искусственный интеллект — мощный инструмент для прогнозирования результатов использования лекарственных препаратов, поскольку ИИ анализирует все взаимодействующие элементы в процессе лечения. В частности, в результате исследования было предсказано, какие конкретно пациенты с диагнозом рака молочной железы почувствуют улучшение после химиотерапии с применением паклитаксела.

Диагностика болезней

Ожидается, что ИИ станет незаменим при диагностике и уточнении заболеваний. Благодаря способности сопоставлять данные, собирать и синтезировать информацию, участие ИИ в диагностике поможет качественно улучшить статистику врачебных ошибок и повысить роль профилактики и предотвращения заболеваний путем технологического наблюдения за пациентом. Компании, которые стремятся решить подобные задачи, привлекают серьезное внимание инвесторов.

Так, израильская компания MedyMatch Technology, в штате которой насчитывается всего 20 человек, в феврале 2016 года привлекла $2 млн. Инвесторами стали фонды Genesis Capital Advisors и Exigent Alternative Capital. Благодаря новой технологии стартапа, использующей ИИ в сочетании с Big Data, врачи смогут точнее диагностировать инсульт: в режиме реального времени система MedyMatch сравнивает снимок мозга пациента с сотнями тысяч других снимков, которые есть в ее «облаке».

Известно, что инсульт может быть вызван двумя причинами: кровоизлиянием в головной мозг и тромбом. Соответственно, каждый из этих случаев требует разного подхода в лечении. Однако, по статистике, несмотря на улучшение в области КТ, количество ошибок при постановке диагноза за последние 30 лет не изменилось и составляет приблизительно 30%. То есть, почти в каждом третьем случае врач назначает пациенту неверное лечение, что приводит к печальным последствиям.

Американская Ассоциация Сердца совместно с Американской Ассоциацией Инсульта посчитали, что к 2030 году в США ежегодно будет насчитываться 3,4 млн жертв инсульта, что обойдется национальному здравоохранению в $240 млрд. Более того, 42% от этой суммы, то есть приблизительно $183 млрд приходится на ежегодные прямые и косвенные медицинские расходы по уходу за больными инсультом. Система MedyMatch способна отследить мельчайшие отклонения от нормы, которые не всегда способен заметить специалист, таким образом сводя вероятность ошибки к минимуму.

Мобильный ИИ

Искусственный интеллект в смартфоне позволит сделать доступной медицину будущего для всех: у любого пользователя мобильным телефоном будет персональный медицинский ассистент, способный в режиме реального времени решать задачи, связанные со здоровьем конкретного человека.

До недавнего времени не было технологий необходимого уровня, однако ученые, похоже, на пороге решения и этой проблемы. В первую очередь, речь идет о новом микропроцессоре Eyeriss для мобильных телефонов, которые разработали в Массачусетском Технологическом Институте (MIT). Процессор создан по принципу нейронных сетей, потребляет намного меньше энергии, чем стандартные процессоры, и в десять раз мощнее их. Таким образом, смартфон с Eyeriss сможет в автономном режиме, то есть без подключения к интернету, использовать возможности искусственного интеллекта, что значительно ускорит работу специальных приложений. Правда, до производства новинки в промышленных масштабах еще далеко.

Пока же возможным прототипом будущего персонального медицинского ассистента с системой ИИ является мобильное приложение британской компании Your.MD. Запуск бета-версии разработки произошел в ноябре 2015 года. Мобильное приложение использует технологии ИИ, машинного обучения и обработки естественного языка. Это позволяет пользователю просто сказать, к примеру, «У меня болит голова», а потом спросить смартфон о последующих действиях и получить экспертный совет.

Приложение, по уверениям разработчиков, становится «умнее», если им пользоваться чаще. Система искусственного интеллекта Your.MD подключается к самой большой в мире карте симптомов, созданной все той же Your.MD: в ней учтено 1,4 млн симптомов, на идентификацию которых потребовалось более 350 тыс. часов. Каждый симптом был проверен специалистом британской системы здравоохранения. Искусственный интеллект выбирает наиболее подходящий симптом, основываясь на уникальном профиле владельца смартфона.

Появляются на рынке и приложения, решающие более прикладные задачи. Так, американский стартап AiCure использует ИИ для подтверждения приема лекарств пациентом: специальное мобильное приложение с помощью камеры смартфона в режиме реального времени позволяет проконтролировать процесс. Стартап привлек инвестиции в размере $12,5 млн.

Другая компания,  Medtronic, разрабатывает приложение, способное предсказать критическое снижение уровня сахара за три часа до события. Для этого Medtronic совместно с IBM используют технологии когнитивной аналитики к данным глюкометров и инсулиновых помп от 600 анонимных пациентов. С помощью приложения люди смогут лучше понимать влияние ежедневной активности на диабет. Контролировать течение болезни пациенты смогут с помощью IBM Watson и носимых медицинских устройств Medtronic — инсулиновых помп и систем непрерывного мониторинга уровня сахара.

В рамках еще одного интересного проекта IBM, на этот раз совместного с диагностической компанией Pathway Genomics, создано приложение OME, объединяющее когнитивную и прецизионную медицину с генетикой. Цель приложения — предоставить пользователям персонализированную информацию для повышения качества жизни. Первая версия приложения включает в себя рекомендации по диете и упражнениям, сведения по метаболизму, которые зависят от генетических данных пользователя, карту с привычками пользователя и информацией о его состоянии здоровья. В будущем должны добавиться электронные медицинские карты, информация о страховке и другие дополнительные сведения.

Будущее будущего

По прогнозу исследовательской компании Research and Markets, мировой рынок искусственного интеллекта к 2020 году вырастет до $5,05 млрд (в 2014 году он составлял всего $419,7 млн). При этом наиболее быстрорастущим сегментом станет как раз здравоохранение в связи с ростом спроса на клинические испытания, моделирование лечения, а также новые исследования и решения.

Правда, пока неизвестно, когда искусственный интеллект станет достаточно хорош, чтобы давать на 100% точные рекомендации врачам о наилучшем способе лечения. Однако значительно облегчить работу медицинским работникам, повысить точность диагностики и помочь пациентам в решении повседневных задач ИИ способен уже сейчас.

Пройдите тестТест: ты и твое здоровье Пройди тест и узнай насколько ценно для тебя твое здоровье.

medaboutme.ru

Искусственный интеллект в медицине | iot.ru Новости Интернета вещей

По мнению многих экспертов, совсем скоро технологии искусственного интеллекта станут незаменимым и важнейшим элементом в отрасли здравоохранения. Уже сейчас машинный интеллект позволяет врачам существенно повысить точность проводимых диагностик, создавать сверхэффективные лекарственные препараты и значительно облегчать течение различных заболеваний у пациентов.

iot.ru рассказывает о применении технологий искусственного интеллекта в медицине.

 

Предыстория развития и обзор рынка

Первое реальное применение высокоинтеллектуальных устройств в медицине произошло в начале 2000 годов. Именно тогда был создан проект, основная задача которого заключалась в разработке устройств, позволяющих повысить качество жизни людей с болезнью Альцгеймера. В данном проекте приняли участи Вашингтонский университет, Intel и компания Elite Care. В результате, в 2002 году были созданы девайсы Activity Compass, ADL Monitor и ADL Prompter.

Тестирование данных устройств продолжается и по сей день. Activity Compass анализирует повседневное передвижение больного, и, в случае, если он потеряется, помогает ему дойти до пункта назначения. Датчик ADL Monitor следит за повседневной активностью пациентов и отмечает все случаи ее отклонения он нормального поведения. Устройство ADL Prompter помогает больным в выполнении сложных задач по дому (например, приготовление еды).

С 2002 года прошло уже около 15 лет, и за это время технологии искусственного интеллекта сделали огромный шаг вперед. К разработке интеллектуальных устройств для медицины подлечилось большое количество IT-компаний, интерес которых к данному направлению понятен. Причина кроется не только в важности отрасли для общественной жизни, но и в огромном потенциале рынка: ежегодно в мире на здравоохранение и сопутствующие программы социального характера тратится около $ 8.2 трлн.

По статистике аналитического агентства Frost & Sullivan, рынок высокоинтеллектуальных медицинских решений сейчас составляет около $ 1 млрд. Ожидается, что уже к 2021 году эти показатели достигнут отметки в $6 млрд. при ежегодном росте около 40 %. При этом отдельно отмечается, что с каждым годом роль искусственного интеллекта в медицине будет только усиливаться.

«К 2025 году системы искусственного интеллекта проникнут во все сферы здравоохранения, вплоть до создания цифровых помощников, отвечающих на все вопросы пациентов и самостоятельно занимающихся их лечением», – говорит аналитик Frost & Sullivan Сингх Буттар (Singh Buttar).

Безусловно, большая часть рынка принадлежит IT-гигантам, таким как IBM, Google, Microsoft и т.д. Чего только стоит суперкомпьютер Watson. Однако в последний годы стартапы также активно включились в разработку подобных технологий, и, по мнению экспертов, будут способны своими достижениями продвинуть отрасль вперед. На рисунке ниже представлены сегодняшние направления исследований стартапов в отрасли здравоохранения.

Направления исследований стартапов в отрасли здравоохранения. Источник: cbinsights.com

По данным аналитического агентства CBinsights, с 2011 года общий капитал стартапов, занимающихся разработками в области высокоинтеллектуальных медицинских систем, вырос на $870 млн. Среди них можно выделить такие компании, как Babylon, которая в начале этого привлекла в раунде А инвестиции на общую сумму в $25 млн. Стоит отдельно отметить, что среди инвесторов данной компании числится Google DeepMind. Также достаточно известным является стартап WellTok, который, используя суперкомпьютер IBM Watson, сумел создать для пациентов персонализированного помощника. Стартап Sense.ly пошел еще дальше и разработал виртуальную медсестру, которая следит за состоянием пациентов. Более подробно о виртуальной медсестре можно узнать из следующего видео.

 

Суперкомпьютер Watson и Google DeepMind

Самым главным поставщиком интеллектуальных решений для медицины является компания IBM, разработавшая свой знаменитый суперкомпьютер Watson. Статистика показывает, что вся информация, так или иначе связанная со здравьем человека, распределена по источникам в следующем соотношении: 10% - медицинская карта пациента, 30% - генетика, 60% - внешние источники, включая научные статьи. Каждый год публикуется около 700 тыс. научных статей, содержащих информацию об эффективных методах лечения различных заболеваний. Врач просто не в состоянии при постановке диагноза и выборе метода лечения анализировать такой объем данных. И здесь на помощь приходит Watson. Благодаря высокой мощности, этот суперкомпьютер способен проанализировать миллионы источников данных и выбрать наиболее подходящий метод лечения в каждом конкретном случае.

В прошлом году для обучения Watson компания IBM приобрела 30 млрд. различных медицинских снимков, купив за $ 1 млрд. компанию Merge Healthcare. К этому может добавиться около 50 млн. анонимных электронных медицинских карт, которые IBM получила после поглощения стартапа Explorys.

Наиболее известным применением Watson в области медицины является проект Watson for Oncology. В эффективности данного проекта можно убедиться из следующего примера. По статистике, в больницах США точность назначения оптимального лечения после диагностирования рака легких составляет около 50%. У IBM Watson эти показатели достигают 90%. При этом методика лечения может корректироваться в зависимости от изменяющихся ситуаций. Внеся с iPad информацию об изменении состояния больного (например, у пациента в макроте повысилась кровь), врач уже через 30 секунд получит от Watson уточненный диагноз с обновленным курсом лечения. Более подробно о проекте Watson for Oncology можно узнать из следующего видео.

Как мы отмечали в нашей предыдущей статье, посвященной суперкомпьютеру Watson, в настоящий момент в проекте Watson for Oncology принимает участие ряд медицинских центров и больниц. Это, к примеру, Международная больница Бумрунград (Таиланд), Нью-Йоркский центр по исследованию генома человека, а также ряд других организации. А в 2015 году Роберт Меркель, вице-президент компании IBM Watson Health, заявил, что IBM готова предложить решение Watson for Oncology для российской медицины. Лидер подразделения IBM «Разумная планета» в Центральной и Восточной Европе по решениям для государственного сектора Павел Шклюдов считает, что внедрение данного проекта в отечественную медуницу возможно, но это потребует времени и дополнительных усилий.

«Поскольку в текущем виде решение реализовано на английском языке, то необходимо либо привлечь медицинский персонал к изучению данного языка, либо полностью русифицировать данное решение. Помимо этого, необходимо стандартизировать существующее формирование протоколов лечения, доказательной базы, определить методы ранжирования подобранных вариантов лечения в соответствии с индивидуальными особенностями пациента и оптимальным курсом лечения, формализовать и утвердить выработку рекомендаций. Для решения этих задач государство должно создать команду медицинских сотрудников, экспертов по управлению знаниями, представителей онкологического сообщества и технических экспертов. Пока же эти задачи только ставятся перед здравоохранением России и лишь отдельные клинические учреждения готовы решать некоторые из них, что позволяет им включиться в партнёрскую программу Watson Health», - говорит Павел Шклюдов.

Помимо проекта Watson for Oncology, суперкомпьютер IBM применяется в других областях медицины. Например, американская кардиологическая ассоциация заключила контракт с IBM для модернизации принципов выявления и лечения сердечно-сосудистых заболеваний.

В 2014 году IBM объявила о сотрудничестве с Johnson & Johnson и фармацевтической компанией Sanofi с целью научить Watson «понимать» результаты научных исследований и клинических испытаний. Это позволяет проводить клинические испытания новых медицинских препаратов намного быстрее.

Существенно снижает стоимость использования Watson публичное облако Watson Cloud. В этом случае у медицинских учреждений нет необходимости выделять гигантский бюджет для закупки и обслуживания данного многосерверного устройства. Пользоваться услугами Watson Cloud могут специалисты из разных стран. Роберт Меркель, руководитель подразделения Watson Health, в 2015 году сообщил, что в случае необходимости, подобное облако можно развернуть и в российском дата-центре, соблюдая наше законодательство и языковую специфику.

Совсем недавно у Watson появился друг (или конкурент) в области медицинской диагностики. В начала 2016 года компания Google объявила об открытии медицинского направления в рамках программы развития проекта DeepMind. О применении суперкомпьютера Google в области медицины можно узнать из данного видео.

Первая задача, которая легла на плечи DeepMind – диагностика почечной недостаточности. Для этого Google заключила контракт с организацией National Health Service, что позволило получить доступ почти к 1.6 млн. историй болезней пациентов. Обучившись на этих данных, DeepMind стала эффективно диагностировать почечную недостаточность, основываясь на жалобах пациентов и результатах анализов. Результаты диагностики вместе с рекомендациями доступны врачам через специальное мобильное приложение. Стоит отметить, что Watson занялся лечением почек практически одновременно с DeepMind, так что нам теперь остается только наблюдать, какой суперкомпьютер будет справляться со своей работой более эффективно.

 

Другие примеры использования искусственного интеллекта в медицине

Достаточно перспективным вариантом применения искусственного интеллекта в отрасли здравоохранения является развитие персональных медицинских ассистентов. Такие ассистенты представляют собой обычные мобильные приложения, которые работают на основе машинного обучения. Они распознают голосовые и текстовые запросы пользователей и, проанализировав свою базу данных заболеваний, выдают различные рекомендации. Поскольку почти у каждого человека сейчас есть смартфон, то это в будущем позволит сделать медицину доступной для всех. Одним из примеров реализации данной идеи является сервис Babylon. Ознакомиться с принципом работы данного приложения можно из следующего видео.

Помимо выдачи рекомендаций по лечению, приложение позволяет самостоятельно записать пользователя на прием к врачу либо провести стандартное обследование, связавшись в режиме реального времени с любым из докторов (12 часов в день, 6 дней в неделю). Также приложение способно регулярно проверять информацию с носимых устройств (например, для мониторинга фаз сна и сердечного ритма).

Стоимость подписки на сервис Babylon ежемесячно составляет около $10. Однако стоит отметить, что по действующему британскому законодательству, приложение не имеет право выносить официальный диагноз. Поэтому, если больной описывает симптомы для гриппа, то ему будет рекомендовано купить лекарства в аптеке, которые выдаются без рецепта, либо записаться на прием к врачу. В случае серьезных симптомов, пациенту дадут рекомендации поехать в поликлинику либо вызвать неотложку.

Ученые активно развивают идею использования искусственного интеллекта для повышения качества проводимых анализов. Совсем недавно сотрудники Калифорнийского университета Лос-Анжелеса разработали инновационный алгоритм по выявлению раковых клеток. Результаты исследований опубликованы в журнале Scientific Reports. В рамках разработанного метода активно используется микроскоп нового типа и искусственный интеллект, анализирующий полученную информацию.

В разработке используются наносекундные лазерные импульсные и аналогово-цифровой преобразователь, которые позволяют фиксировать изображения сотен тысяч клеток крови в секунду. Лазерные импульсы дают возможность высвечивать отдельные клетки крови с достаточно четким качеством изображения.

Алгоритм анализа клеток с помощью средств искусственного интеллекта. Источник: geektimes.ru

Далее полученные снимки анализируется ПО с элементами искусственного интеллекта. Здесь данные проверяются на соответствие 16 различным критериям: оценка диаметра, степень поглощения излучения и т.д. Для того, чтобы обнаружить раковые клетки в среднем необходимо исследовать до 100 тысяч обычных клеток. Используя стандартную методику (в ней высвечивается до 2 тысяч клеток в секунду + с материалом работают люди), на анализ уходит достаточно больше времени. При этом точность диагностики традиционного метода ниже на 17%.

По мнению многих экспертов, одним из наиболее привлекательных разделов медицины для искусственного интеллекта является стоматология. Однако несмотря на стремление ученых создать для этой сферы широкопрофильное многофункциональное высокоинтеллектуальное устройство, пока удалось разработать лишь узконаправленные экспертные системы. Однако ученые полагают, что совсем скоро такое устройство будет создано.

Оценивая вышесказанное, можно заметить, что пока использование технологий искусственного интеллекта в отрасли здравоохранения является точечным. Ряд ученых считают, что настоящий бум наступит, когда медицинские IT-решения будут интегрированы в IoT. Это позволит высокоинтеллектуальным системам использовать при диагностике не только информацию, полученную с помощью клинических анализов, но и данные от «умных» устройств (пульс от «умных» часов, распорядок дня от «умного» освещения, питание от холодильника и т.д.). В результате у искусственного интеллекта появится большое количество дополнительны маркеров для проведения исследований. Более того, расширятся возможности лечения пациента вне поликлиники. Ведь интеграция с «умным» домом позволит заказывать только те продукты, которые находятся в рамках прописанной диеты. Также открываются возможности для слежения за режимом дня больного.

«Благодаря интеграции умных алгоритмов IoT с носимыми устройствами, у интеллектуальных устройств появится много дополнительных данных о деятельности организма. Это позволит распознавать заболевания еще на ранней стадии, а также улучшить здоровье и физическое состояние пользователей» - говорит Зулфи Алам (Zulfi Alam), директор по персональным устройствам в Microsoft

Однако такая интеграция технологий будет требовать высокого уровня безопасности данных.

 

Перспективы развития

В настоящий момент неизвестно, когда именно искусственный интеллект достигнет такого уровня развития, что сможет безошибочно ставить диагнозы и рекомендации по лечению. Многие эксперты полагают, что когда это наступит, то существует опасность замены реальных врачей машинами. Однако пока до этого еще далеко – искусственный интеллект сейчас способен лишь помогать медицинским работникам.

«Благодаря тому, что искусственный интеллекта пока лишь на стадии становления, он не сможет заменить человека в принципе, не говоря уже о такой сложной отрасли, как медицина» - считает Даниэла Хернандез (Daniela Hernandez) из Kaiser Health News.

В то же время, технологии искусственного интеллекта могут сильно помочь в совершенствовании принципов лечения различных заболеваний. Так, ряд ученых сейчас работают над тем, чтобы с помощью машин можно было создавать виртуальные модели каждого пациента, тем самым прогнозируя ход того или иного заболевания с учетом генетических и возрастных особенностей человека. Помимо этого, виртуальные модели смогут предсказать появление заболеваний в будущем, что позволит незамедлительно начать профилактическое лечение.

iot.ru

Искусственный интеллект в медицине

Статья написана в соавторстве с С.Л. Добриднюком, директором по исследованиям и инновациям, компания "Диасофт Системы".

Введение

На сегодняшний день искусственный интеллект (ИИ) считается одним из самых перспективных направлений развития не только ИТ-отрасли, но и многих других сфер деятельности человека. В частности, решения на базе ИИ являются одной из основных надежд в плане реализации концепции «Цифровой экономики».

Как электричество изменило и привело к новой промышленной революции в XIX веке, так и искусственный интеллект становится одним из основных драйверов глубокой трансформации общества и экономики в XXI веке. Однако, в отличие от прежних промышленных революций, основной движитель этих тектонических изменений – не технологии, и не ИТ. Изменяется само общество, его уклад. Информатизация преобразует поведение потребителей. Они, имеющие доступ к разного качества информации, становятся более искушенными и требовательными. Применяя ИТ, менеджмент получил качественные профессиональные инструменты наблюдения, управления и контроля. Меняется политика государства и инвесторов, они больше не хотят вкладываться в профессии и деятельность, где есть унаследованная от прежних лет рутина, применяется низкоквалифицированный ручной труд. Идет решительная замена их роботами и сервисами на базе искусственного интеллекта.

Согласно данным IDC, объём рынка когнитивных систем и технологий ИИ в 2016 году в денежном выражении составил приблизительно 7,9 млрд. долл. В 2017-м, как ожидается, он вырастет на 59,3% и достигнет 12,5 млрд. долл. Аналитики полагают, что до конца текущего десятилетия среднегодовой темп роста (CAGR) окажется на уровне 54%. В результате, в 2020 г. объём отрасли превысит 46 млрд. долл. Наибольшую долю этого рынка составят когнитивные приложения, которые автоматически изучают данные и составляют различные оценки, рекомендации или прогнозы. Инвестиции в программные платформы ИИ, которые предоставляют инструменты, технологии и сервисы на основе структурированной и неструктурированной информации, будут измеряться 2,5 млрд. долл. в год. Рынок искусственного интеллекта в области здравоохранения и наук о жизни, по оценкам Frost & Sullivan, также будет расти на 40% в год, достигнув в 2021 г. уровня 6,6 млрд. долл..

 

Немного истории

Искусственный интеллект имеет длинную историю, основанную на теоретических работах Тьюринга по кибернетике, датированных началом XX века. Хотя концептуальные предпосылки появились еще ранее, с философских работ Рене Декарта «Рассуждение о методе» (1637) и работы Томаса Гоббса «Человеческая природа» (1640).

В 1830-х годах английский математик Чарльз Бэббидж придумал концепцию сложного цифрового калькулятора — аналитической машины, которая, как утверждал разработчик, могла рассчитывать ходы для игры в шахматы. А уже в 1914 году директор одного из испанских технических институтов Леонардо Торрес Кеведо изготовил электромеханическое устройство, способное разыгрывать простейшие шахматные эндшпили почти так же хорошо, как и человек.

С середины 30-х годов прошлого столетия, с момента публикации работ Тьюринга, в которых обсуждались проблемы создания устройств, способных самостоятельно решать различные сложные задачи, к проблеме искусственного интеллекта в мировом научном сообществе стали относиться внимательно. Тьюринг предложил считать интеллектуальной такую машину, которую испытатель в процессе общения с ней не сможет отличить от человека. Тогда же появилась концепция Baby Machine, предполагающая обучение искусственного разума на манер маленького ребенка, а не создание сразу «умного взрослого» робота — прообраз того, что сейчас мы называем машинным обучением.

В 1954 году американский исследователь Ньюэлл решил написать программу для игры в шахматы. К работе были привлечены аналитики корпорации RAND Corporation. В качестве теоретической основы программы был использован метод, предложенный основателем теории информации Шенноном, а его точная формализация была выполнена Тьюрингом.

Математик Джон Маккарти в Лаборатории искусственного интеллекта в Стэнфорде Летом 1956 года в Университете Дартмута в США прошла первая рабочая конференция с участием таких ученых, как Маккарти, Минский, Шеннон, Тьюринг и другие, которые впоследствии были названы основателями сферы искусственного разума. В течение 6 недель ученые обсуждали возможности реализации проектов в сфере искусственного интеллекта. Именно тогда и появился сам термин Artificial Intelligence (AI) — искусственный интеллект. Подробнее об этом событии, ставшем отправной точкой ИИ, рассказано тут https://meduza.io/feature/2017/07/01/pomogat-lyudyam-ili-zamenyat-ih-kak-v-amerike-1950-h-sozdavali-iskusstvennyy-intellekt

Следует уточнить, что исследовательские работы по ИИ не всегда шли путем победителя, а их авторы добивались успеха. После взрывного интереса инвесторов, технологов, ученых в 50-е годы XX века и фантастических ожиданий, что вот-вот компьютер заменит человеческий мозг, в 60-70-е годы наступило тяжелое разочарование. Возможности компьютеров того времени не позволяли проводить сложные вычисления. В тупик зашла и научная мысль по разработке математического аппарата ИИ. Отголоски этого пессимизма встречаются во многих учебниках по прикладной информатике, выпускаемых до настоящего времени. В общественной культуре и даже государственных нормативных документах сформировался образ робота или кибернетического алгоритма как жалкого, недостойного внимания, агента. Который может выполнять свои функции только под контролем человека.

Однако, с середины 90-х гг. интерес к ИИ вернулся, и технологии стали развиваться быстрыми темпами. С этого времени наблюдается настоящий взрыв исследований и патентной работы по этой тематике.

 

Развитие в наши дни

В 2005-2008 годах в работах по ИИ произошел качественный скачок. Математический научный мир нашел новые теории и модели обучения многослойных нейронных сетей, ставших фундаментом развития другой теории – глубокого машинного обучения. А ИТ-отрасль стала выпускать высокопроизводительные, и, что главное, недорогие и доступные вычислительные системы. Итогом совместных усилий математиков и инженеров стало достижение за последние 10 лет выдающихся успехов, а практические результаты в проектах ИИ посыпались, как из «рога изобилия».

Первые примеры воодушевляющих и впечатляющих результатов применения ИИ удалось достичь в деятельности, требующей учета большого числа часто изменяющихся факторов и гибкой адаптивной реакции человека, например, в развлечениях и играх.

В 1997 году компьютер IBM под названием Deep Blue стал первым компьютером, который победил чемпиона мира по шахматам Гарри Каспарова. Подробнее об этом событии тут http://mashable.com/2016/02/10/kasparov-deep-blue/

Искусственный интеллект Deep Blue победил чемпиона мира по шахматам Гарри Каспарова В 2011 году когнитивная самообучающаяся система IBM Watson победила бессменных чемпионов в игре Jeopardy! (российский аналог программы «Своя игра»).

В начале 2016 г. программа AlphaGo от Google обыграла в игру Го Фаня Хуэя, чемпиона Европы. Еще через два месяца AlphaGo со счётом 4:1 разгромила Ли Седоля, одного из лучших игроков Go в мире. Этим событием ИИ взял один из исторических рубежей — до этого считалось, что компьютеру не обыграть игрока такого уровня: слишком велик уровень абстракции и слишком много сценариев развития событий для перебора. В некоем смысле, компьютеру в игре Go надо уметь творчески «думать».

В январе 2017 г. программа Libratus, разработанная в Университете Карнеги — Меллона победила в 20-дневном покерном турнире «Brains Vs. Artificial Intelligence: Upping the Ante», выиграв на сумму более 1,7 млн. долл. Следующая победа была одержана улучшенной версией ИИ под названием Lengpudashi, против выступал участник Мировой серии покера (WSOP) Алан Дю, а также ряд ученых и инженеров. Причем особенность этой ситуации состояла в том, что игрок планировал одержать победу над ИИ, используя его слабые стороны. Тем не менее, стратегия не сработала, и продвинутая версия Libratus вновь одержала победу. Как сообщает Blomberg, один из разработчиков Libratus Ноам Браун сказал, что человек недооценивает искусственный интеллект: «Люди думают, что блеф характерен для людей, но это не так. Компьютер может понять, что если блефуешь, то выигрыш может быть больше».

За последние несколько лет решения на базе ИИ удалось внедрить во многих сферах деятельности, добившись повышения эффективности процессов, и не только в сфере развлечений. Технологические гиганты Facebook, Google, Amazon, Apple, Microsoft, Baidu и ряд других компаний вкладывают в исследования ИИ гигантские средства и уже сейчас применяют различные разработки в своей практической деятельности. В мае 2017 г. компания Microsoft выступила с заявлением, что планирует применять механизмы ИИ в каждом своем программном продукте и сделать их доступными для каждого разработчика.

Снижение стоимости ИИ платформ и повышение их доступности позволило работать с ними не только крупным корпорациям, но и специализированным компаниям и даже стартапам. В последние пару лет появилась масса небольших исследовательских команд, насчитывающих несколько человек и не обладающих гигантскими финансовыми возможностями, которые тем не менее умудряются предлагать новые и перспективные идеи и конкретные работающие решения, построенные на базе ИИ. Один из самых известных примеров – это стартап, создавший очень популярное мобильное приложение Prisma — команда разработчиков сделала сервис для обработки фотографий со стилизацией под того или иного художника.

Массовое развитие и внедрение ИИ сразу во множестве направлений стало возможным благодаря сразу нескольким ключевым факторам развития ИТ-отрасли: проникновению высокоскоростного Интернета, существенному росту производительности и доступности современных компьютеров с одновременным снижением стоимости владения, развитию «облачных» решений и мобильных технологий, росту рынка свободного программного обеспечения (СПО).

Наиболее восприимчивыми к использованию ИИ считаются отрасли массового и распределенного обслуживания потребителей, такие как реклама, маркетинг, торговля, телеком, государственные услуги, страхование, банковское дело и финтех. Дошла волна изменений и до таких консервативных сфер деятельности, как образование и здравоохранение.

 

Что же такое искусственный интеллект?

В начале 80-х гг. ученые в области теории вычислений Барр и Файгенбаум предложили следующее определение ИИ: «Искусственный интеллект — это область информатики, которая занимается разработкой интеллектуальных компьютерных систем, то есть систем, обладающих возможностями, которые мы традиционно связываем с человеческим разумом, — понимание языка, обучение, способность рассуждать, решать проблемы и т. д.».

Джефф Безос, CEO Amazon, так пишет об ИИ: «За последние десятилетия компьютеры автоматизировали многие процессы, которые программисты могли описать через точные правила и алгоритмы. Современные техники машинного обучения позволяют нам делать то же самое с задачами, для которых намного сложнее задать четкие правила».

Фактически, в настоящее время к искусственному интеллекту относят различные программные системы и применяемых в них методы и алгоритмы, главной особенностью которых является способность решать интеллектуальные задачи так, как это делал бы размышляющий над их решением человек. К числу наиболее популярных направлений применения ИИ относятся прогнозирование различных ситуаций, оценка любой цифровой информации с попыткой дать по ней заключение, а также анализ различных данных с поиском скрытых закономерностей (data mining).

Подчеркнем, что в настоящее время компьютеру не под силу моделировать сложные процессы высшей нервной деятельности человека, такие как проявление эмоций, любовь, творчество. Это относится к сфере так называемого «сильного ИИ», где прорыв ожидается не ранее 2030-2050 годов.

Вместе с тем, компьютером успешно решаются задачи «слабого ИИ», выступая в роли кибернетического автомата, работающего по предписанным человеком правилам. Растет число успешно внедренных проектов т.н. «среднего ИИ», где ИТ система имеет элементы адаптивного самообучения, совершенствуясь по мере накопления первичных данных, по-новому реклассифицируя текстовые, графические, фото/видео, аудио данные и т.п.

 

Нейронные сети и машинное обучение – основные понятия ИИ

На сегодняшний день накоплены и систематизированы самые разнообразные подходы и математические алгоритмы для построения систем ИИ, такие как байесовские методы, логистическая регрессия, метод опорных векторов, решающие деревья, ансамбли алгоритмов и т.д.

В последнее время ряд экспертов приходит к выводу, что большинство современных и действительно удачных реализаций – это решения, построенные на технологии глубоких нейронных сетей (deep neural networks) и глубокого машинного обучения (deep learning).

Нейронные сети (neural networks) основаны на попытке воссоздать примитивную модель нервных систем в биологических организмах. У живых существ нейрон — это электрически возбудимая клетка, которая обрабатывает, хранит и передает информацию с помощью электрических и химических сигналов через синаптические связи. Нейрон имеет сложное строение и узкую специализацию. Соединяясь друг с другом для передачи сигналов с помощью синапсов, нейроны создают биологические нейронные сети. В головном мозге человека насчитывается в среднем около 65 миллиардов нейронов и 100 триллионов синапсов. По сути – это и есть базовый механизм обучения и мозговой деятельности всех живых существ, т.е. – их интеллект. Например, в классическом опыте Павлова каждый раз непосредственно перед кормлением собаки звонил колокольчик, и собака быстро научилась связывать звонок колокольчика с пищей. С физиологической точки зрения результатом опыта в ее мозгу стало установление синаптических связей между участками коры головного мозга, ответственными за слух, и участками, ответственными за управление слюнными железами. В итоге при возбуждении коры звуком колокольчика у собаки начиналось слюноотделение. Так собака обучилась реагировать на поступающие из внешнего мира сигналы (данные) и делать «правильный» вывод.

Искусственный нейрон Именно способность биологических нервных систем обучаться и исправлять свои ошибки легла в основу исследований в области искусственного интеллекта. Их исходной задачей была попытка искусственно воспроизвести низкоуровневую структуру мозга – т.е. создать компьютерный «искусственный мозг». В результате была предложена концепция «искусственного нейрона» — математической функции, которая преобразует несколько входных фактов в один выходной, назначая для них веса влияния. Каждый искусственный нейрон может взять взвешенную сумму входных сигналов и в случае, если суммарный вход будет превышать определенный пороговый уровень, передать двоичный сигнал дальше.

Искусственные нейроны объединяют в сети — соединяя выходы одних нейронов с входами других. Соединенные и взаимодействующие между собой искусственные нейроны создают искусственную нейронную сеть – определенную математическую модель, которая может быть реализована на программном или аппаратном обеспечении. Говоря совсем упрощенно, нейронная сеть - это просто программа – «черный ящик», которая получает на вход данные и выдает ответы. Будучи построена из очень большого числа простых элементов, нейронная сеть способна решать чрезвычайно сложные задачи.  

Математическая модель единичного нейрона (персептрона) была впервые предложена в 1943 году американскими нейрофизиологами и математиками Уорреном Мак-Каллоком, Уолтером Питтсом, они же предложили и определение искусственной нейронной сети. Физически модель при помощи компьютера была смоделирована в 1957 году Френком Розенблаттом. Можно сказать, что нейросети это одна из самых старейших идей практической реализации ИИ.

В настоящее время существует множество моделей реализации нейронных сетей. Есть «классические» однослойные нейронные сети, они применяются для решения простых задач. Однослойная нейронная сеть идентична в математическом смысле обычному полиному, весовой функции, традиционно применяемой в экспертных моделях. Число переменных в полиноме равно число входов сети, а коэффициенты перед переменными равны весовым коэффициентам синапсов.

Есть математические модели, в которых выход одной нейросети направляется на вход другой, и создаются каскады связей, так называемые многослойные нейронные сети (MNN, multilayer neural network) и один из наиболее мощных ее вариантов – сверточные нейронные сети (CNN, convolutional neural network).

MNN обладают большими вычислительными возможностями, но и требуют огромных вычислительных ресурсов. С учетом размещения ИТ систем в облачной инфраструктуре, многослойные нейросети стали доступны большему числу пользователей и в настоящее время они стали фундаментом современных ИИ решений. В 2016 году компания Digital Reasoning из США, занимающаяся когнитивными вычислительными технологиями, создала и обучила нейронную сеть, состоящую из 160 миллиардов цифровых нейронов. Это значительно мощнее нейросетей, имеющихся в распоряжении компаний Google (11,2 миллиарда нейронов) и Национальной лаборатории США в Ливерморе (15 миллиардов нейронов).

Другой интересной разновидностью нейросетей являются нейронные сети с обратной связью (RNN, recurrent neural network), когда выход со слоя сети подается обратно на один из входов. У таких платформ есть «эффект памяти» и они способны отслеживать динамику изменений входных факторов. Простой пример – улыбка. Человек начинает улыбаться с еле заметных движений мимических мышц глаз и лица, прежде чем явно покажет свои эмоции. RNN позволяет обнаружить такое движение еще на ранних фазах, что бывает полезно для прогнозирования поведения живого объекта во времени посредством анализа серии изображений или конструировании последовательного потока речи на естественном языке.

Машинное обучение (machine learning) — это процесс машинного анализа подготовленных статистических данных для поиска закономерностей и создания на их основе нужных алгоритмов (настройки параметров нейронной сети), которые затем будут использоваться для прогнозов.

Созданные на этапе машинного обучения алгоритмы позволят в дальнейшем компьютерному искусственному интеллекту сделать корректные выводы на основании предоставленных ему данных.

Различают 3 основных подхода к машинному обучению: - обучение с учителем - обучение с подкреплением - обучение без учителя (самообучение)

В обучении с учителем используются специально отобранные данные, в которых уже известны и надежно определены правильные ответы, а параметры нейронной сети подстраиваются так, чтобы минимизировать ошибку. В этом способе ИИ может сопоставить правильные ответы к каждому входному примеру и выявить возможные зависимости ответа от входных данных. Например, коллекция рентгенологических снимков с указанными заключениями будет являться базой для обучения ИИ – его «учителем». Из серии полученных моделей человек в итоге выбирает наиболее подходящую, например, по максимальной точности выдаваемых прогнозов.

Нередко подготовка таких данных и ретроспективных ответов требует большого человеческого вмешательства и их ручного отбора. Также, на качество полученного результата влияет субьективность человека-эксперта. Если по каким-либо соображениям – он не рассматривает при тренировке всю совокупность выборки и ее атрибутов, его понятийная модель ограничена текущим уровнем развития науки и техники, указанной «слепотой» будет обладать и полученное ИИ решение. Важно отметить, что нейросети являются функцией с нелинейными преобразованиями и обладают гиперспецифичностью - результат работы алгоритма ИИ будет непредсказуем, если на вход будут поданы параметры, выходящие за границы значений обучающей выборки. Поэтому важно обучать ИИ систему на примерах и частотности, адекватных последующим реальным условиям эксплуатации. Сильно влияет географический и социо-демографический аспект, что, в общем случае, не позволяет использовать без потери точности математические модели, натренированные на популяционных данных других стран и регионов. За репрезентативность обучающей выборки также отвечает эксперт.

Самообучение применяется там, где нет заранее заготовленных ответов и алгоритмов классификации. В этом случае ИИ ориентируется на самостоятельное выявление скрытых зависимостей и поиск онтологии. Машинное самообучение позволяет распределить образцы по категориям за счет анализа скрытых закономерностей и «автовосстановления» внутренней структуры и природы информации. Это позволяет исключить ситуацию системной «слепоты» врача или исследователя. Допустим в ситуации, когда они разрабатывают модель ИИ прогноза сахарного диабета 2-го типа, сосредотачивая основное внимание на показателях глюкозы в крови или весе пациента. Однако одновременно, они вынужденно игнорируют всю другую информацию из истории болезни, которая также могла бы быть полезна. Глубокий подход к обучению позволяет тренировать ИИ на всей многомиллионной базе пациентов и проанализировать любой тест, который когда-либо был записан о пациенте в его электронной медицинской карте. Механизмы глубокого машинного обучения (deep learning) используют, как правило, многослойные нейросети и очень большое число экземпляров объектов для тренировки нейронной сети. Число записей в обучающей выборке должно насчитывать сотни тысяч или даже миллионы примеров, а когда ресурсы не ограничены – и больше. Для того, чтобы научить ИИ распознавать лицо человека на фотографии, команде разработчиков в Facebook потребовались миллионы изображений с мета-данными и тегами, говорящими о наличии лица на фото. Успех Facebook в реализации функции распознавания лиц как раз лежал в огромном количестве исходной для обучения информации: в социальной сети имеются аккаунты сотен миллионов людей, которые выкладывали гигантское количество фотографий и при этом указывали на них лица и отмечали (идентифицировали) людей. Глубокое машинное обучение на основе такого количества данных позволило создать надежный искусственный интеллект, который теперь за считанные миллисекунды не просто обнаруживает лицо человека на изображении, но и достаточно часто угадывает – кто именно изображен на фотографии.

Большое количество записей обучающей выборки необходимо ИИ и для создания необходимых правил классификации. Чем больше разнородных данных будет загружено в систему на этапе машинного обучения, тем точнее будут выявлены эти правила, и тем в конечном итоге точнее будет результат работы ИИ. Например, при обработке рентгенограмм и МРТ многослойные нейросети способны по изображениям составить представление об анатомии человека и его органах. Вместе с тем, придумать в своей компьютерной классификации названия органов, аналогичные классической врачебной терминологии, компьютеры не смогут. Поэтому им на первых порах требуется «переводчик» с внутреннего машинного словаря на профессиональную лексику.

Также следует учесть, что из-за нелинейности у многослойных нейросетей нет «обратной функции», т.е. компьютер в общем случает не сможет объяснить человеку, почему он пришел к такому выводу. Для подготовки мотивированного суждения нужен человек-эксперт, либо, как ни парадоксально, другая нейросеть, натренированная на задачи написания корректных расшифровок и заключений на естественном человеческом языке.

Метод обучения с учителем более удобен и предпочтителен в тех ситуациях, когда есть накопленные и достоверные ретроспективные исходных данные: обучение на их основе потребует меньше затрат времени и позволит быстрее получить работающее ИИ-решение. Там, где возможность получить базу данных с сопоставленной информацией и ответами на нее отсутствует – необходимо применять методы самообучения на основе глубокого машинного обучения, такие решения не будут нуждаться в надзоре человека.

Нам представляется, что исследователям и стартапам, только начинающим знакомится с ИИ и ищущим возможности его применения в здравоохранении, целесообразно начать именно с методов машинного обучения с учителем. Это потребует меньше затрат (временных, финансовых) на создание прототипа работающей системы и практическое освоение методик ИИ. Функционирующую систему ИИ под конкретную задачу в этом случае можно получить быстрее. В настоящее время на рынке есть большое число качественных библиотек программного кода для искусственных нейросетей, таких как TensorFlow https://www.tensorflow.org/ для математического моделирования, OpenCV http://opencv.org/ для задач распознавания изображений, поставляемых бесплатно, по лицензии «свободное программное обеспечение».

Кроме практического эффекта в повышенной точности, которая сегодня может достигать 95%, системы ИИ в момент обработки данных имеют и высокую скорость работы. Неоднократно проводились эксперименты, например, по распознаванию образов с разных ракурсов, в которых соревновались человек и компьютер. Пока темп показа изображений был невысокий – 1-2 кадра в минуту, человек безусловно выигрывал у машины. При анализе изображений патологии ошибка человека составляла не более 3,5%, а компьютер давал ошибку диагностики 7,5%. Однако, при повышении темпа до 10 кадров в минуту и выше, у человека ослабевала реакция, наступала утомляемость, что приводило к полному браку в работе. Компьютер же непрерывно учился на своих ошибках и в следующей серии только повышал точность работы. Перспективным оказался режим парной работы человека и компьютера, при котором удалось повысить точность диагностики на 85% на относительно высокой для человека скорости демонстрации изображений.

Разумеется, нельзя говорить об эффективном построении моделей ИИ и их точности, если отсутствует необходимая отечественная оцифрованная информация для их обучения. Поэтому критически важно, пусть даже в режиме не полного отказа от классического бумажного документооборота, а дублирования медицинского документооборота и в бумажной, и в электронной форме, начинать накапливать российские банки электронных данных. И дать возможность использовать их в обезличенном виде, без разглашения персональных данных пациентов, для создания и совершенствования отечественных ИИ решений.

 

Чем отличается создание ИИ от обычной разработки ПО?

Главное отличие методов искусственного интеллекта от обычного программирования состоит в том, что при создании ИИ программисту не нужно знать все зависимости между входными параметрами и тем результатом, который должен получится (ответом). Там, где такие зависимости хорошо известны или где есть надежная математическая модель, например, расчет статистического отчета или формирование реестра на оплату медицинской помощи, вряд ли стоит искать применение искусственному интеллекту – современные программные продукты справляются с задачей пока лучше, надежнее и в приемлемое время.

Технология глубокого машинного обучения эффективна там, где нельзя задать четкие правила, формулы и алгоритмы для решения задачи, например, «есть ли на рентгенологическом снимке патология?». Эта технология предполагает, что вместо создания программ для расчета заранее заданных формул, машину обучают с помощью большого количества данных и различных методов, которые дают ей возможность выявить эту формулу на основе эмпирических данных и тем самым научиться выполнять задачу в будущем. При этом команда разработчиков трудится именно над подготовкой данных и обучением, а не над попыткой написать программу, которая будет как-то анализировать снимок по заранее заданным алгоритмам и получать ответ – так есть на нем аномалия или нет?

Появился целый класс информационных систем, получивших обозначение «IT+DT+AI+IOT», или Цифровые платформы, построенных на данной парадигме. Сокращение «IT» в них обозначает всеобщую цифровизацию процессов и компьютеризацию рабочих мест, «DT» - накопление данных и использование технологий мощной обработки информации, а «AI» - говорит о том, что на накопленных данных будут создаваться роботизированные алгоритмы ИИ, которые будут действовать как в партнерстве с человеком, так и самостоятельно. Сокращение «IOT» означает «интернет вещей» (internet of things) — вычислительная сеть, состоящая из физических предметов («вещей»), оснащённых встроенными технологиями для взаимодействия друг с другом или с внешней средой. Создание цифровых платформ для нужд здравоохранения стоит в числе стратегических приоритетных задач перед развитыми экономиками мира, включая Россию.

 

Риски и опасения, связанные с ИИ

Вместе с лавинообразным ростом публикаций про перспективы ИИ и появлением все новых и новых примеров создания ИТ-решений на его основе, возрастает и число высказываний экспертов, озабоченных последствиями, которые могут наступить в ближайшие годы и десятилетия от их внедрения.

Опасения экспертов заключаются в том, что, хотя искусственный интеллект и принесет радикальное повышение эффективности в различных отраслях, для простых людей это приведет к безработице и неопределенностям в карьере, поскольку их «человеческие» рабочие места заменяются машинами.

Профессор Стивен Хокинг говорит: «Автоматизация ускорит и без того растущее экономическое неравенство во всем мире … Интернет и платформы, которые делают это возможным, позволяют небольшим группам людей получать огромные прибыли при использовании очень небольшого количества помощников. Это неизбежно, это прогресс, но он также является социально разрушительным». И такие опасения возникают не на пустом месте. Например, американская компания Goldman Sachs уже заменила трейдеров, занимавшихся торговлей акциями по поручению крупных клиентов банка, на автоматически работающий бот на базе ИИ. Сейчас из 600 человек, работавших в 2000 году, осталось два — остальных заменили торговые роботы, к обслуживанию которых привлечено 200 инженеров. Подробнее http://www.zerohedge.com/news/2017-02-13/goldman-had-600-cash-equity-traders-2000-it-now-has-2

На электронной площадке Amazon арбитражем взаимных претензий покупателей и продавцов товаров занимаются программы-роботы. Они обрабатывают свыше 60 млн. претензий в год, что почти в 3 раза больше числа всех поданных исков через традиционную судебную систему США.

Разумным видятся аргументы сторонников умеренного внедрения ИИ и роботов, сдерживая темп их внедрения т.н. «налогом на роботов». Собираемые с каждого нового роботизированного рабочего места налоги могли бы пойти на финансирование программ обучения, переквалификации и трудоустройства высвобождаемых сотрудников.

Вероятно, такие же перемены следует ожидать и в сфере здравоохранения, хотя для нашей страны – возможно это и будет в чем-то даже благом, учитывая серьезную проблему кадрового дефицита, огромную территорию и низкую плотность проживания населения.

 

Какие именно задачи можно поручать ИИ?

Andrew Ng, работавший в Google Brain team и лаборатории искусственного интеллекта Стэнфорда (Stanford Artificial Intelligence Laboratory), говорит о том, что в настоящее время СМИ и шумиха вокруг ИИ иногда придают этим технологиям нереалистическую силу. На самом деле реальные возможности применения ИИ достаточно ограничены: современный ИИ пока способен давать точные ответы лишь на простые вопросы.

Совместно с большим объемом исходных данных для обучения, именно реальная и посильная постановка задачи являются важнейшим условием будущего успеха или провала ИИ проекта. Пока ИИ не может решать сложные задачи, непосильные и врачу, вроде создания фантастического прибора, самостоятельно сканирующего человека и способного поставить ему любой диагноз и назначить эффективное лечение. Сейчас ИИ способен скорее решать более простые задачи, например, оценить – присутствует ли инородное тело или патология на рентгенологическом снимке или ультразвуковом изображении? Имеют ли раковые клетки в цитологическом материале? и т.д. Но неуклонный рост точности диагностики посредством ИИ модулей заставляет задуматься. В публикациях уже заявлялись полученные значения точности ИИ до 93% при обработке радиологических изображений, МРТ, маммограм; до 93% точности при обработке пренатальных УЗИ; до 94,5% в диагностике туберкулеза; до 96,5% в предсказании язвенных инцидентов.

По мнению одного из мировых гуру Andrew Ng, реальные возможности ИИ на данное время можно оценить таким простым правилом: «Если обычный человек может выполнить мысленную задачу за секунды, то мы можем, вероятно, автоматизировать ее с помощью ИИ или сейчас, или в ближайшем будущем». Конкретные алгоритмы или даже решения – не самое главное в успехе ИИ в медицине. Примеры успешных идей публикуются открыто, а программное обеспечение уже сейчас доступно по модели СПО. Например, DeepLearning4j (DL4J) - https://deeplearning4j.org/, Theano - http://deeplearning.net/software/theano/ , Torch - http://torch.ch/ , Caffe - http://caffe.berkeleyvision.org/ и ряд других.

Интересным подходом к разработке ИИ решений является подход краудсорсинга – посредством коллективного экспертного обсуждения. Так на площадке Kaggle https://www.kaggle.com/ на 2017 г. зарегистрировано свыше 40 тыс. экспертов- «датасциентистов» со всего мира, которые решают там задачи ИИ, поставленные коммерческими и общественными организациями. Качество полученных решений порой бывает выше качества разработок коммерческих компаний. Участники с площадки зачастую мотивированы не денежным призом (его может и не быть) за успешное решение проблемы, а профессиональным интересом к задаче и повышением своего личного рейтинга, как эксперта. Краудсорсинг позволяет сэкономить финансы и время для разработчиков и заказчиков, только начинающих работать с ИИ.

На самом деле, только 2 аспекта являются основными барьерами перед более массовым применением ИИ в здравоохранении: большое количество данных для обучения и профессиональный и креативный подход к тренировке ИИ. Без выверенных и качественных данных ИИ не будет работать, именно они являются первой серьезной сложностью для внедрения. Без талантливых людей простое применение готовых алгоритмов к подготовленным данным также не будет давать результат, т.к. ИИ необходимо будет настроить на понимание этих данных для решения конкретной прикладной задачи.

 

Искусственный интеллект в медицине сегодня

Направление медицины и здравоохранения уже сегодня считается одним из стратегических и перспективных с точки зрения эффективного внедрения ИИ. Использование ИИ может массово повысить точность диагностики, облегчить жизнь пациентам с различными заболеваниями, повысить скорость разработки и выпуска новых лекарств и т.д.

Пожалуй, самым крупным и наиболее обсуждаемым проектом применения ИИ в медицине является американская корпорация IBM и ее когнитивная система IBM Watson. Первоначально это решение стали обучать и затем применять в онкологии, где IBM Watson уже длительное время помогает ставить точный диагноз и находить эффективный способ излечения для каждого из пациентов.

Для обучения IBM Watson было проанализировано 30 млрд медицинских снимков, для чего корпорации IBM пришлось купить компанию Merge Healthcare за 1 млрд. долл. К этому процессу потребовалось добавиться 50 млн. анонимных электронных медицинских карт, которые IBM получила в свое распоряжение, купив стартап Explorys.

  Марк Крис, доктор медицинских наук, руководитель отдела торакальной онкологии, Мемориальный центр рака Слоан-Кеттеринг, слева, и Маной Саксена, генеральный менеджер IBM, Watson Solutions работают с первым основанным на IBM Watson решением для онкологии в Нью-Йорке 11 февраля 2013 года, источник http://fortune.com/ibm-watson-health-business-strategy/ В 2014 году IBM объявила о сотрудничестве с Johnson & Johnson и фармацевтической компанией Sanofi для работы над обучением Watson пониманию результатов научных исследований и клинических испытаний. По утверждению представителей компании, это позволит существенно сократить время клинических испытаний новых лекарств, а врачи смогут давать лекарства, наиболее подходящие конкретному пациенту. В том же 2014 году IBM объявила о разработке программного обеспечения Avicenna, способного интерпретировать и текст, и изображения. Для каждого типа данных используются отдельные алгоритмы. Так что в итоге Avicenna сможет понимать медицинские снимки и записи, и будет выполнять функции ассистента радиолога. Над похожей задачей работает и другой проект IBM — Medical Sieve. В данном случае речь идет о развитии искусственного интеллекта «медицинского ассистента», который сможет быстро анализировать сотни снимков на предмет отклонения от нормы. Это поможет радиологам и кардиологам заняться теми вопросами, в которых искусственный интеллект пока бессилен.

Недавно разработчики IBM совместно с Американской кардиологической ассоциацией приняли решение расширить возможности Watson, предложив помощь системы и кардиологам. По задумке авторов проекта, когнитивная облачная платформа в рамках этого проекта будет анализировать огромное количество медицинских данных, имеющих отношение к тому либо иному пациенту. В число этих данных входят изображения с УЗИ, рентгеновские снимки и все прочая графическая информация, позволяющая уточнить диагноз человека. В самом начале возможности Watson будут использоваться для поиска признаков стеноза аортального сердечного клапана. При стенозе отверстие аорты сужается за счет сращивания створок её клапана, что препятствует нормальному току крови из левого желудочка в аорту. Проблема в том, что выявить стеноз клапана не так и просто, несмотря на то, что это очень распространённый порок сердца у взрослых (70-85 % случаев среди всех пороков). Watson попытается определить, что он «видит» на медицинских изображениях: стеноз, опухоль, очаг инфекции или просто анатомическую аномалию – дать соответствующую оценку лечащему врачу, чтобы ускорить и повысит качество его работы.

Врачи Boston Children’s Hospital, занимающиеся редкими детскими болезнями, используют IBM Watson, чтобы ставить более точные диагнозы: искусственный интеллект будет искать необходимую информацию в клинических базах данных и научных журналах, которые хранятся в медицинском облаке Watson Health Cloud, http://www.healthcareitnews.com/news/boston-childrens-ibm-watson-take-rare-diseases  

Следует отметить, что проект Watson, как и любой новаторский продукт, не ставил перед создателями явные экономические цели. Затраты на этапы создания его компонент обычно превышали плановые, а его содержание весьма обременительно, если сравнивать с традиционными бюджетами в здравоохранении. Скорее его можно рассматривать как некий испытательный полигон, на котором можно обкатывать перспективные ИТ технологии и вдохновлять исследователей. А затем, уже проверенные и испытанные прототипы следует переводить в серийное производство, добиваясь более высоких показателей цена-качество и пригодности к эксплуатации в реальных условиях. Почти на каждой конференции по ИИ сегодня звучат доклады от исследователей стран мира с заявлениями «Мы делаем свой Watson, и он будет лучше оригинала».

С помощью системы искусственного интеллекта Emergent исследователям удалось выявить пять новых биомаркеров, на которые могут быть нацелены новые лекарства при лечении глаукомы. По словам ученых, для этого в систему ИИ вводится информация о более чем 600 тыс. специфических последовательностей ДНК 2,3 тыс. пациентов и данные о генных взаимодействиях.

Проект DeepMind Health, который ведет британская компания, входящая в состав Google создала систему, которая способна за несколько минут обработать сотни тысяч медицинских записей и выделять из них нужную информацию. Хотя этот проект, основанный на систематизации данных и машинном обучении, находится еще на ранней стадии, DeepMind уже сотрудничает с Глазной больницей Мурфильдса (Великобритания) с целью повышения качества лечения. Используя миллион анонимизированных, полученных с помощью томографа изображений глаз, исследователи стараются создать алгоритмы на базе технологий машинного обучения, которые бы помогали обнаружить ранние признаки двух глазных заболеваний - влажной возрастной макулярной дистрофии и диабетической ретинопатии. Похожим занимается и другая компания, входящая в Google - Verily. Специалисты этой фирмы используют искусственный интеллект и алгоритмы поисковика Google для того, чтобы проанализировать, что же делает человека здоровым.

Израильская компания MedyMatch Technology, в штате которой насчитывается всего 20 человек, разработала на базе ИИ и Big Data решение, благодаря которому врачи могут точнее диагностировать инсульт. Для этого в режиме реального времени система MedyMatch сравнивает снимок мозга пациента с сотнями тысяч других снимков, которые есть в ее «облаке». Известно, что инсульт может быть вызван двумя причинами: кровоизлиянием в головной мозг и тромбом. Соответственно, каждый из этих случаев требует разного подхода в лечении. Однако, по статистике, несмотря на улучшение в области КТ, количество ошибок при постановке диагноза за последние 30 лет не изменилось и составляет приблизительно 30%. То есть, почти в каждом третьем случае врач назначает пациенту неверное лечение, что приводит к печальным последствиям. Система MedyMatch способна отследить мельчайшие отклонения от нормы, которые не всегда способен заметить специалист, таким образом сводя вероятность ошибки в постановке диагноза и назначении лечения к минимуму.  

Инструмент MedyMatch, работающий на базе ИИ, помогает командам скорой помощи быстро подтвердить или исключить кровотечение в мозге и провести соответствующее лечение, источник FierceBioTech Все больше внимания в последнее время уделяется попыткам применять технологии ИИ не только при создании решений для врачей, но и для пациентов. Например, мобильное приложение британской компании Your.MD, запуск которого произошел в ноябре 2015 года. Эта программа использует технологии ИИ, машинного обучения и обработки естественного языка. Это позволяет пациенту просто сказать, к примеру, «У меня болит голова», а затем получить от смартфона рекомендации по последующим действиям и экспертный совет. Для этого система искусственного интеллекта Your.MD подключена к самой большой в мире карте симптомов, созданной все той же Your.MD: в ней учтено 1,4 млн симптомов, на идентификацию которых потребовалось более 350 тыс. часов. Каждый симптом был проверен специалистом британской системы здравоохранения. Искусственный интеллект выбирает наиболее подходящий симптом, основываясь на уникальном профиле владельца смартфона.

Другая компания, Medtronic, предлагает приложение, способное предсказать критическое снижение уровня сахара за три часа до события. Для этого Medtronic совместно с IBM используют технологии когнитивной аналитики к данным глюкометров и инсулиновых помп. С помощью приложения люди смогут лучше понимать влияние ежедневной активности на диабет. В рамках еще одного интересного проекта IBM, на этот раз совместного с диагностической компанией Pathway Genomics, создано приложение OME, объединяющее когнитивную и прецизионную медицину с генетикой. Цель приложения — предоставить пользователям персонализированную информацию для повышения качества жизни. Первая версия приложения включает в себя рекомендации по диете и упражнениям, сведения по метаболизму, которые зависят от генетических данных пользователя, карту с привычками пользователя и информацией о его состоянии здоровья. В будущем должны добавиться электронные медицинские карты, информация о страховке и другие дополнительные сведения.

Дополнительно к прямому клиническому применению, элементы ИИ могут быть использованы и во вспомогательных процессах медицинской организации. Например, уместным будет использовать ИИ при автоматической диагностике качества работы медицинской информационной системы, в вопросах обеспечения информационной безопасности. Системы ИИ могут помочь с выдачей рекомендаций по своевременной настройке справочников, тарифов или даже заметить аномальное поведение сотрудника и порекомендовать его руководителю направить его на обучение работе с системой, так как возникли подозрения в его невысоком профессионализме и замедленной реакции.

 

Обзор наиболее перспективные направлений развития

Подытоживая вышесказанное, считаем, что уже в недалеком будущем в здравоохранении будут автоматизироваться при помощи ИИ следующие задачи:

1. Автоматизированные методы диагностики, например, анализ рентгенологических или МРТ-снимков на предмет автоматического выявления патологии, микроскопический анализ биологического материала, автоматическое кодирование ЭКГ, электроэнцефалограмм и т.д. Хранение большого количества расшифрованных результатов диагностического обследования в электронном виде, когда имеются не только сами данные, но и формализованное заключение по ним, позволяют создавать действительно надежные и ценные программные продукты, способные если не заменить врача, то оказать ему эффективную помощь. Например, самостоятельно выявлять и обращать внимание на рутинную патологию, сокращать время и стоимость обследования, внедрять аутсорсинг и дистанционную диагностику.

2. Системы распознавания речи и понимания естественного языка могут оказать существенную помощь как врачу, так и пациенту. Начиная от уже обычной расшифровки речи и превращении ее в текст в качестве более продвинутого интерфейса общения с медицинскими информационными системами (МИС), обращения в Call-центр или голосового помощника – и далее до таких идей, как автоматический языковой перевод при поступлении иностранца, синтез речи при прочтении записей из МИС, робот-регистратор в приемном отделении больницы или регистратуре поликлиники, способный отвечать на простые вопросы и маршрутизировать пациентов и т.д.

3. Системы анализа и предсказания событий также являются вполне решаемыми уже сейчас задачами для ИИ, которые могут дать существенный эффект. Например, оперативный анализ изменений заболеваемости позволяет быстро предсказать изменение обращаемости пациентов в медицинские организации или потребность в лекарственных препаратах.

4. Системы автоматической классификации и сверки информации помогают связать информацию о пациенте, находящейся в различных формах в различных информационных системах. Например, построить интегральную электронную медицинскую карту из отдельных эпизодов, описанных с разной детальностью и без четкого или противоречивого структурирования информации. Перспективной является технология машинного анализа содержимого контента социальных сетей, интернет-порталов с целью быстрого получения социологической, демографической, маркетинговой информации о качестве работы системы здравоохранения и отдельных лечебных учреждений.

5. Автоматические чат-боты для поддержки пациентов могут оказать существенную помощь в повышении приверженности пациентов здоровому образу жизни и назначенному лечению. Уже сейчас чат-боты могут научится отвечать на рутинные вопросы, подсказывать тактику поведения пациентов в простых ситуациях, соединять пациента с нужным врачом в телемедицине, давать рекомендации по диете и т.д. Такое развитие здравоохранения в сторону самообслуживания и большей вовлеченности пациентов в охрану собственного здоровья без визита к врачу может сэкономить существенные финансовые ресурсы.

6. Развитие робототехники и мехатроники. Всем известный робот-хирург Da Vinci – это лишь первый шажочек в сторону если не замены врача на машину, то как минимум повышение качества работы медицинских сотрудников. Интеграция робототехники с ИИ рассматривается сейчас как один из перспективных направлений развития, способный переложить на машины рутинные манипуляции – в том числе и в медицине.

Безусловно, когда идет речь о здоровье человека, важен принцип «не навреди», который должен сопровождаться жесткостью нормативно-правового поля и тщательной доказательной базой при внедрении новых технологий. Вместе с тем, стоит ли заранее относиться к новым технологиям со скепсисом и отрицанием их возможного будущего практического применения, игнорируя очевидные успехи?

Вне зависимости, какая часть решений ИИ в здравоохранении будет успешно внедрена, а какая аргументировано отвергнута, следует признать, что в XXI веке ИИ как технология будет оказывать наибольшее преобразующее влияние, из того пакета технологий, которые мы применяем в медицинской профессии.

www.kmis.ru

Криппа Максим: “Близится эра искусственного интеллекта”

Лет 20 назад фразы «искусственный интеллект» и «машинное обучение» воспринимались, как нечто фантастическое и то, что относится скорее к кинопродукции и прозе, нежели к науке. И даже сейчас, когда термины уже стали частью кибернетики, эти выражения способствуют воспоминанию сцен из фильмов: роботы выполняют все рутинные дела людей. Они прогуливаются по супермаркету, моют посуду, убирают дом, а порой становятся эрудированными собеседниками для реальных людей. Всё это выглядит настолько необычно, что активируется здоровая скептическая часть: «Это слишком нереально, чтобы быть правдой». А правда такова, что в реальности уже созданы машины с искусственным интеллектом (далее — ИИ).

Украинские стартапы и успехи в программировании

Если сменить ракурс применения ИИ с робототехники на программное обеспечение, то примерами успешных разработок могут похвастаться много программистов, включая украинских ребят. Один из таких проектов — это стартап Grammarly. Он изучает, как используется письменная речь по всему миру. На основании полученной информации ошибки автоматически исправляются. Но есть ещё одна интереснейшая опция: собираются данные о том, от каких исправлений пользователи отказываются. И система самостоятельно корректирует лингвистическую базу. Т. е., программа самообучаема. Создание такого алгоритма исключило необходимость постоянно следить за качеством её работы.

Виртуальные помощники, как форма искусственного интеллекта

Виртуальные помощники стали настоящим олицетворением ИИ, которые не привязан к «железу». Интеллектуальные помощники в виде программ-ассистентов, ежедневно выполняют уйму пользовательских задач. Отправка сообщений, отслеживание событий, внесённых в календарь, координация расписания и ещё много других задач, обусловленных техническими параметрами программ, которые требуют доступа к сети.

Ежемесячно на рынке таких продуктов появляются новые разработки. Американское агентство StoneTemple поставило себе задачу выяснить, какой из ассистентов «смышлёней» остальных. 4 самым успешным и массовым продуктам задали 5 тысяч вопросов. Ни одна из машин не смогла достигнуть показателя в 100% рубеж, поэтому рейтинг распределился так:

• Google Assistant — 68%
• Cortana — 57%;
• Siri — 22%;
• Alexa — 21%.

Лидерство Google обусловлено тем, что в корпорации приложили уйму усилий, чтобы собрать лучшую экспертную команду, которая специализируется на машинном обучении, а также технологиях ИИ. В Google много внимания уделяют не только программам обучения и развития сотрудников, а также поглощениям. Об этом свидетельствует 5-летняя статистика компании, приведённая в сравнении с другими корпорациями, которые также вкладываются в развитие ИИ:

Постоянное обновление новостей, количество международных выставок и мероприятий на локальных медиа ресурсах — всё это свидетельствует о том, что машинное обучение, ИИ — это революционные технологии, которые проникают практически во все сферы жизни. ИИ — это не мода, ИИ — это новая форма будущего.

Интеграция искусственного интеллекта и повседневной жизни

В начале прошлого века Генри Форд удивил мир первой конвейерной линией по массовому выпуску автомобилей, а сейчас в них встроены сенсоры для сканирования и анализа сведений о нашем стиле вождения, посадки пассажиров в салоне авто, схемах маршрутов, частоты их использования и зависимости от того, это будни или выходные. Всё это — результат работы технологий IoT, Location-based application и BigData.

У многих пользователей современных девайсов возникает удивление от того, зачем собирать так много информации и что с ней делать. А ведь ключевая задача любого ИИ — создавать условия для повышения эффективности деятельности человека во всех сферах жизни:

• автоматизированный поиск ближайших магазинов;
• поиск самых коротких или свободных маршрутов;
• соотнесение данных о предпочтениях клиента и формирование списка предложений.

Главная цель — это сэкономить 2 важнейших ресурса: необратимое время и энергию. На примере «умного» автомобиля это видно особенно ярко: водителю предстоит дальняя дорога. Через 2 часа после пребывания за рулём, система сообщает ему о том, что остановка с целью восстановления сил, поможет повысить уровень его безопасности. Одновременно с этим программа сообщает, где есть поблизости кафе и на чём они специализируются.

Такой результат — это совокупность проанализированных сведений о данных GPS, о маршруте и количестве времени, проведённом за рулём. Этот пример показывает, что глобальная роль ИИ заключается не в тотальном внедрении алгоритмов во все сферы жизни, а достаточно локального применения, чтобы качество жизни пользователя значительно улучшилось в какой-то определённой сфере.

Пример внедрения ИИ для персонализации онлайн-сервиса

Однако, нет смысла спорить с тем, что популярные и успешные стартапы-«единороги» сделали упор на ИИ ещё на стадии проектирования. Яркий пример — Uber: система служит аналогом диспетчерской службы такси. Программа в фоновом режиме анализирует популярные маршруты, высчитывает коэффициент наценки с учётом количества вызовов и доступных машин. Также она отслеживает причины отказа от конкретных автомобилей и что именно вас не устроило. Первоначальный концептпродукта основывался именно на этих функциях, ведь только так онлайн-сервис может персонализироваться и принести пользу конкретному клиенту.

Искусственный интеллект — инструмент медицины

Самые интенсивные темпы развития ИИ в медицинской сфере. Международное агентство McKinsey&Company обнародовало отчёт, в котором идёт речь о том, насколько применении ИИ оптимизировало лечебную практику, способствовало её трансформации. Это слабо представить отечественным пациентам местных клиник, однако в развитых странах это работает очень эффективно. Пример для наглядности:

• Спортсмен получает травмы. Его доставляют в клинику в ургентном порядке.
• В отечественной больнице он представляется в образе «чистого листа»: ни каких данных об анализах, особенностей функционирования систем, истории травм. Нужно собирать информацию на основании анализов, а это всё время, которое уплывает.
• За рубежом, где ИИ активно внедряется и в медицине, сбор физиологических данных начинается с анализа данных, которые хранят «умные аксессуары»: ЧСС до нагрузок и после, размер нагрузки в виде преодолённого километража за день, длительности сна. Это позволяет определить нормальные показатели работы организма без медиков. А при заболевании они станут опорой для определения степени травматизации.
• Следующий этап — консолидация информации о жизненном цикле: история болезней, способ жизни, условия. Данные сохраняются в «облаке» без привязки к бумажным носителям, конкретной поликлинике.

Таким образом, внедрённые технологии позволят лечащему врачу использовать всю информацию о здоровье пациента, а не строить предположения на основании визуального осмотра, которые больше походят на фантазии. Учёт состояния костной ткани, особенностей организма по усвоению витаминов и нагрузка поможет составить максимально эффективную программу лечения. Она будет основываться на индивидуальных показателях, а не стандартном протоколе.

Украинские эксперты о перспективах внедрения ИИ

Максим Крипа, основатель и руководитель компании Citadelventures, которая специализируется на инвестиционных проектах, в своём интервью на правах IT-эксперта рассказал о перспективах внедрения искусственного интеллекта и о том, как это изменит нашу с вами жизнь:

«Огромная скорость обмена данных позволяет совершать революционные открытия. Например, медицина. Клиника организовывает доступ к данным пациентов о возрасте, регионе проживания, истории болезней и способах лечения, а также к различным предрасположенностям к заболеваниям. Сопоставление такой информации поможет определить факторы, которые влияют на частоту возникновения нарушений здоровья, спрогнозировать эффективную систему лечения.

Велика вероятность, что огромная база таких данных спровоцирует скачок в научных исследованиях, ведь медикам откроется доступ к схемам корреляции болезней и определённых показателей. Ранее такие масштабы исследований были просто невозможными.»

«Машинный интеллект — необратимое будущее»

«Прогрессивные интеллектуальные технологии — наше будущее» — продолжает Крипа. «Внедрение ИИ — необратимый процесс. Хотя, тестирование созданных систем демонстрирует, что до идеального функционирования виртуальных ассистентов ещё далеко, однако сама концепция о самоустранении ошибок предполагает, что недочёты будут исправлены.

Есть уже примеры качественных систем. Это мировая торговая платформа ассистент Amazon и её программа Alexa. Ассистент изучает историю приобретений пользователей сайта и выдаёт им предложения по сопутствующим товарам. Именно Alexa способствовала выводу процесса отоваривания на новый уровень: ИИ не просто предлагает новые или альтернативные товарные позиции в ответ на запрос, а ещё и подсказывает новости из сферы производства продуктов выбранной сферы, показывает отзывы других клиентов.

Это самый яркий пример, который доступен пониманию обычного пользователя. Потенциал ИИ растёт, а следом за ним и огромная польза, которая станет ощутимой в ближайшем будущем» — так завершил своё интервью IT-эксперт Максим Крипа.

Источник: смотреть здесь.

provisor.com.ua

Искусственный интеллект для Медицины - обзор

18.04.18. В России впервые в мире начнут распознавать туберкулез по снимкам с помощью нейросетей

В России стартует проект TUCAN, в рамках которого будут созданы модели машинного обучения для распознавания рака легких и туберкулеза по рентгеновским снимкам. В мире подобные модели для рака легких уже существуют, для туберкулеза — нет. В принятии решений нейросетью обязательно будет участвовать человек — клиницист или рентгенолог. Искусственный интеллект в данном случае полезен в первую очередь тем, что способен выявить и зафиксировать формальные признаки заболевания, на которые врач-рентгенолог может не обратить внимания — например, из-за усталости в конце рабочего дня. Для обучения нейросети будут использоваться общедоступные библиотеки рентгеновских снимков и материалы российского ЦНИИТ.

2018. Google создал микроскоп с дополненной реальностью для диагностики рака

Изучение образца крови под микроскопом - все еще необходимая процедура для диагностики рака. При этом точность диагностики зависит от (порой усталых) глаз врача. Почему бы не использовать для этой процедуры нейросеть, обученную на миллионах уже обработанных образцов? Именно это и сделали сотрудники Google AI. Их система дополненной реальности для микроскопа автоматически обращает внимание врача на подозрительные участки, так что точность диагностики значительно возрастает.

2017. Как дела у суперкомпьютера Watson в борьбе с раком?

5 лет назад IBM объявила о том, что суперкомпьютер Watson начнет помогать врачам диагностировать и лечить рак. Обещания были самые амбициозные, и рак даже немного испугался. Однако, никакой революции не произошло. На сегодняшний день Watson используют 50 больниц в мире и он лечит 12 видов рака, на которые приходится 80% всех случаев. Стоимость его использования на одного пациента составляет 200-1000$. При этом польза, по мнению врачей - сомнительна. Да, Ватсон практически всегда подтверждает диагноз человеческих врачей, но вот с определением тактики лечения - проблемы. Американские врачи жалуются, что не могут обогащать базу знаний Ватсона своими кейсами (это могут делать только в Memorial Sloan–Kettering Cancer Center), а не-американские врачи - говорят, что Ватсон предлагает лечения - не доступные в их стране, и не учитывающие локальных особенностей.

2017. ИИ может значительно улучшить пластическую хирургию

Эстетическая хирургия лица предполагает тщательное предоперационное планирование и измерение пропорций лица пациента. И если поручить эту работу искусственному интеллекту, можно получить более качественный результат, причем намного дешевле. Но как же красота? Откуда ИИ знает, что красиво, а что нет? Все просто. Нужно обучить его на большой выборке красивых лиц. В недавнем исследовании ученые создали автоматизированный классификатор красоты лица: это специальный алгоритм, обученный с помощью 165 изображений привлекательных женских лиц, которые также были оценены независимыми экспертами. В ходе анализа изображений решения ИИ совпали с оценкой судей.

2017. В Verily обучили ИИ диагностировать болезни сердца по фотографии сетчатки

Медицинское подразделение Google/Alphabet под названием Verily изобрело новый способ диагностики сердечных заболеваний. Компания проанализировала фотографии сетчатки глаза с помощью ИИ и обнаружила новые показатели, которые говорят о риске таких заболеваний. На изображениях сетчатки ИИ позволяет найти показатели, которые говорят о возрасте пациента, его поле, кровяном давлении и уровне сахара в крови. После этого система анализирует данные и просчитывает вероятность развития сердечно-сосудистых заболеваний. Google утверждает, что ее тест сопоставим с тестом SCORE, это европейский тест для оценки риска сердечной недостаточности.

2017. doc.ai - искусственный интеллект для здоровья на блокчейн

Что нужно чтобы получить инвестиции в стартап прямо сейчас? Конечно, сказать что вы разрабатываете искусственный интеллект, работающий на блокчейн и снять вдохновляющее видео об этом. Так и поступили основатели стартапа doc.ai. Пока толком не понятно, как будет работать их сервис, но видео - действительно вдохновляющее. Вроде как они предлагают хранить в блокчейн сети все персональные медицинские данные людей (включая геномы, микробиомы и другие -мы) и анализируя их с помощью ИИ, выдавать персонализированные медицинские рекомендации.

2017. Нейросеть диагностирует болезнь Альцгеймера на ранней стадии

Лечить болезнь Альцгеймера врачи пока не умеют, но диагностировав ее на ранней стадии, по крайней мере можно отсрочить ее воздействие. Ученые из университета Кейс Вестерн Резерв (США) создали нейросеть, которая предсказывет появление этого заболевания на ранней стадии. Система обрабатывает сканы МРТ, характеристики гиппокампа, метаболизма мозга, белковые и генетические особенности, умеренные когнитивные нарушения и другие параметры. Алгоритм отбирает параметры, которые лучшим образом разделяют больных и здоровых людей. А затем отбирает из переменных, указывающих на заболевание, те, что лучше других разделяют людей с умеренными когнитивными нарушениями и собственно болезнью Альцгеймера. Исследователи протестировали программу на 149 пациентах и утверждают, что их нейросеть превзошла другие методы диагностирования.

2017. Viome анализирует микробиом с помощью нейросети

Одной из первых задач нейросетей в медицине был анализ генома. Теперь же машинное обучение хотят использовать и для поиска паттернов в микробиоме человека. Первым это додумался сделать стартап Viome. Как и другие подобные сервисы для анализа микробиома, он присылает клиентам набор для взятия анализа крови. Клиенты отправляют свои анализы обратно в лабораторию Viome. Результаты анализа скармливают нейросети, которая сравнивает их с результатами других пациентов и выдает, какие именно микробы живут в организме данного человека и какие проблемы с пищеварением есть сейчас или появятся в будущем. Потом для клиента составляется список рекомендаций по питанию, которые помогут этих проблем избежать.

2017. Qventus - искусственный интеллект для управления больницей

Искусственный интеллект может не только помагать врачам принимать решения, читать рентгеновские снимки и создавать новые лекарства. Еще одна сфера, в которой ИИ может помочь - управление работой больницы. Ведь работа больницы состоит из постоянных неожиданностей - может поступить новый тяжелый пациент или состояние пациента с стационаре может резко ухудшиться. Как предсказать, сколько ресурсов (помещений, врачей, оборудования, материалов) понадобится больнице в данный период времени? ИИ может сделать это, если дать ему возможность поучиться некоторое время. Живой пример - Qventus, который работает уже в нескольких американских больницах. Например, он может предсказывать скорое ухудшение состояние пациентов в стационаре по основным измеряемым параметрам работы организма и зарезервировать нужный персонал на предотвращение критической ситуации.

2017. Bright.md - виртуальный медицинский представитель

Медицинские виртуальные ассистенты, которые сейчас есть на рынке, можно поделить на 2 категории: те, которые помагают врачам принимать решения (например, IBM Watson) и те, которые заменяют доктора для помощи пациентам в принятии простых решений (например, Ada). Еще один ИИ-ассистент Bright.md - находится где-то посредине между врачем и пациентом. Он не дает медицинских советов, но зато берет на себя всю рутинную работу - получает ответы пациента по опросному листу, назначает сдачу анализов, организует встречу доктора с пациентом, заполняет все бумажки по результатам обследования. В общем, работает как медицинский представитель в иностранной клинике, в которую вы приезжаете.

2017. Искусственный интеллект AtomNet поставит разработку новых лекарств на поток

Мы уже рассказывали как искусственный интеллект Watson придумывает гипотезы для новых эффективных препаратов посредством анализа научных работ. Но анализ естественного языка - не единственный способ изобретать новые лекарства. Можно еще анализировать язык химии. Именно этот подход и использует система AtomNet американского стартапа Atomwise. В нее ввели результаты миллионов известных взаимодействий молекул, и на их основе система предсказывает результаты неизвестных взаимодействий. Обычно этот процесс проводится опытным путем в лаборатории, что повышает затраты на создание новых лекарств до нескольких лет и нескольких миллиардов долларов. Провернув этот процесс в компьютере, можно оставить для лабораторий только самые перспективные опытные препараты.

2017. Нейросети диагностируют проблемы с сердцем более точно, чем врачи

Ученые из Стэнфорда во главе с Эндрю Энджи разработали систему, которая способна диагностировать аритмию сердца по кардиограмме, причем компьютер делает это лучше, чем эксперт. Речь идет о нейросети, которая после обучения способна диагностировать аритмию с высокой степенью точности. При этом компьютер работает не только надежнее, но и быстрее человека. Так что задачу анализа медицинских снимков и результатов ЭКГ можно переложить на компьютер после окончательной «доводки» системы. Врачу же остается лишь проверять работу ИИ-диагноста и действовать в соответствии с окончательным диагнозом.

2017. Сервис Mendel.ai подыскивает клинические испытания для больных раком

Клинические испытания новых препаратов от рака - это возможность бесплатно получить эффективное лечение, которое появится в общем доступе только через несколько лет. Конечно, и риск неудачного лечения в этом случае - выше. Но если пациент хорошо подходит под условия клинических испытаний - этот риск снижается. Искать клинические испытания можно на сайте clinicaltrials.gov, однако сам пациент вряд-ли обладает достаточной квалификацией, чтобы определить, подходят ли ему данные испытания, а у доктора обычно нет времени отслеживать, какие клинические испытания сейчас проводятся. Стартап Mendel.ai подумал, почему бы не заменить в данном случае доктора на искусственный интеллект. Разработанный ИИ умеет понимать естественный язык, на котором написана медицинская карта пациента и описаны испытания на сайте, и с помощью обученной нейросети предлагает подходящие варианты.

2017. Ada - персональный ИИ-доктор, который работает по протоколу

Ada - новый виртуальный ассистент с медицинским образованием (мы уже рассказывали о его коллегах Babylon, Doctor A.I, MedWhat). Ada тоже умеет понимать человеческий язык и ставить диагноз (+ давать совет) на основании описанных симптомов. Чем она отличается? Тем, что в ней зашиты довольно четкие протоколы-опросники. Например, если вы пожалуетесь ей на головную боль - она задаст еще пятьдесят вопросов, пока не будет уверена в диагнозе. Ada доступна как (бесплатное) мобильное приложение с интерфейсом чат-бота, а также как голосовое приложение для умной колонки Amazon Alexa.

2017. Искусственный интеллект MedyMatch диагностирует инсульт лучше врачей

Мы уже рассказывали, что искусственный интеллект начали активно применять для анализа рентгеновских снимков и томографий. Потому, что ИИ может заметить мельчайшие паттерны на снимках, которые усталые глаза врача могут пропустить. Однако у ИИ есть еще одно преимущество - скорость. А когда речь идет о диагностике инсульта - каждая минута на счета. Поэтому стартап MedyMatch, создавший ИИ систему поддержки принятия решений для скорой помощи - споймал волну. Гиганты рынка медицинских технологий IBM и Samsung уже заключили партнерские отношения с MedyMatch на использование этой системы. Кроме анализа снимков, она принимает во внимание и объективные данные, такие как симптомы, жалобы пациента, измеренные показатели типа артериального давления.

2017. AliveCor использует ИИ для предотвращения инфаркта

Стартап AliveCor разрабатывает популярное мобильное приложение + датчик для снятия кардиограммы в полевых или домашних условиях. Но снять кардиограмму - это лишь пол дела. Нужно ее еще расшифровать. А лучше - отследить паттерны, которые появляются на кардиограммах изо дня в день. Конечно,  сам пациент этого не осилит, а доктор - не будет просматривать сотни кардиограмм пациента в поисках опасных паттернов. Зато искусственный интеллект не поленится выполнить эту задачу. Теперь в приложении AliveCor появилась такая функция. Причем, она учитывает не только паттерны кардиограмм, но и другие параметры, которые пользователь вводит в приложение: вес, артериальное давление, физические активности. Если приложение выявляет риск скорого инфаркта - оно зараннее предупреждает пользователя.

2017. IBM Watson займется диагностикой болезней сердца

Искусственный интеллект Watson уже вовсю применяется в онкологии. Недавно его также припахали к поиску лекарств для нейродегенеративного заболевания ALS. Теперь же подразделение Watson Health собирается обучить своего воспитанника лечению болезней сердца. Watson начнет с обучения на рентгеновских снимках и УЗИ сердца с целью диагностики Стеноза аортального клапана. Это одна из самых сложных болезней для диагностики в кардиологии. Планируется, что Watson не только научится диагностировать эту болезнь по снимкам лучше докторов, но и будет прогнозировать ее наличие у пациентов на основании их симптомов.

2017. Lenovo добавил голосового медицинского помощника в свою умную колонку

Только недавно мы рассказывали о партнерстве HealthTap и Amazon в результате которого домашняя голосовая помощница Alexa получила медицинские знания. А теперь конкурирующая фирма (вернее альянс компания Lenovo и Orbita Voice) представили подобное решение. Умная домашняя колонка Lenovo Smart Assistant, которая ожидается в продаже в этом году, будет оснащаться медицинским чат-ботом, которого Orbita Voice создала для здравоохранения. Домашний медицинскй помощник призван оказывать дистанционную помощь хроническим больным или пациентам на стадии реабилитации. Он обеспечит круглосуточный доступ к связи с врачом для обсуждения хода лечения или с родным, если требуется какая-либо неврачебная помощь.

2017. Nuance создает голосового ассистента для врачей

Компания Nuance была в бизнесе распознавания речи еще когда Siri не было даже в проекте. Одними из главных пользователей систем Nuance всегда были врачи, которым нужно быстро заполнять медицинские карты и другие бумажки. Поэтому Nuance уже давно выпускает специализированные решения для медицины. Они становились все более функциональными, и вот дело дошло до персонального ассистента врача - по имени Florence. Как видно из видео, Флоренс пока не дает советов на предмет лечения пациентов, зато отлично работает как секретарша - помагает быстро найти нужную информацию о пациентах, сплатнировать день, назначить встречи. И конечно, она может отлично записывать под диктовку.

2017. Компьютерное зрение помогает быстро создавать новые лекарства

Мы уже рассказывали, как искусственный интеллект помогает находить новые формулы для лекарств с помощью анализа отчетов фармацевтических испытаний о воздействии того или иного гена на болезнь. Следующий шаг - испытать эти новые формулы, и в этом деле ИИ тоже может помочь. Американский стартап Recursion Pharmaceuticals создал автоматизированную систему проверки препаратов. Они подготавливают сотни образцов клеточной ткани, пораженной определенной болезнью (в основном, это редкие генетические заболевания) и вводят в каждый образец одну из версий препарата. Затем специальный роботизированный микроскоп  фотографирует каждый образец в высоком разрешении, а компьютерная программа анализирует внешний вид клеток, определяя эффективность лечения. Таким образом, из сотен вариантов быстро выбирается наиболее эффективная формула для дальнейших клинических испытаний.

2017. Некоторые болезни можно диагностировать по голосу

Недавно мы сообщали, что ученые научились диагностировать 17 болезней по запаху изо рта, но оказывается, некоторые болезни можно диагностировать даже по голосу. Специалисты в Langone Medical Center (Нью-Йорк) уже используют данный метод. В первую очередь для диагностики психологических заболеваний, таких как постравматический синдром и депрессия. Такие пациенты затягивают некоторые звуки или с трудом произносят слова, требующие напряжения мышц лица. Компьютерная программа, основанная на машинном обучении, легко определяет таких пациентов. Но медики на этом не останавливаются и уже обучают программу распознавать по голосу пациентов с болезнями сердца. Говорят, такие пациенты испытывают определенный тип боли во время речи и соответствующие голосовые биомаркеры можно довольно точно определять.

2017. Умная колонка Amazon Alexa в качестве домашнего врача

Сервис Healthtap до прошлого года предоставлял только телемедицинские консультации. Потом они взяли скрипты многих тысяч консультаций и натренировали по ним чат-бота, которого теперь зовут Doctor A.I. А на днях этот электронный доктор стал доступен через умную колонку Amazon Alexa. Таким образом, теперь американцы могут, заходя на кухню, рассказать Алексе о своем плохом самочуствие и получить совет. Или зарезервировать встречу с живым врачем через телемедицинский сервис.

2017. Microsoft разработала чат-бота врача

В сервисе для управления здоровьем Microsoft HealthVault появился Health Bot - чат бот, который может отвечать на медицинские вопросы вместо врача. Microsoft предлагает обучать и использовать этого чат-бота различным телемедицинским сервисам и продвинутым медицинским центрам. Чат бот построен на тех же технологиях обработки естественного языка, что и виртуальный ассистент Cortana. А значит он довольно умен и запоминает контекст разговора, правда пока понимает только английский.

2017. Детский госпиталь создал виртуального помощника для маленьких пациентов

Как правило, дети считают больницу оччень стрёмным местом, и это отнюдь не помогает лечению. Чтобы сгладить отрицательные эмоции, взрослые придумывают разные штучки. Например, робота-медвежонка или МРТ-приключение. В ливерпульском детском госпитале Alder Hey придумали более простое решение, которое вполне может позволить себе любая детская больница в мире. Это мобильное приложение с виртуальным ассистентом - мультяшным персонажем, с которым ребенок может поговорить. Например, мышка. Она познакомится с маленьким пациентом, между делом расскажет ему о больнице, успокоит чтоб он не боялся, напомнит, когда нужно приехать. Работает это приложение на базе платформы искусственного интеллекта IBM Watson.

2017. Na-Nose - электронный нос для диагностики болезней по запаху

Известно, что при различных заболеваниях, в выдыхаемом человеком воздухе содержатся различные химические вещества - биомаркеты. Израильский стартап Breathtec Biomedical придумал, как воспользоваться этим и диагностировать заболевания по запаху. Они создали портативный газоанализатор Na-Nose, который содержит наночастицы золота, покрытых органическими лигандами. Связываясь с этими лигандами, биомаркеры меняют электрическое сопротивление между наночастицами. Для определению болезни по паттерну изменения сопротивлений используется искусственная нейросеть. Разработчики уже научили нейросеть распознавать 17 заболеваний, в том числе рак легких, болезнь Крона, болезнь Паркинсона, рассеянный склероз и язвенный колит. При этом средняя точность диагностики составляет 86 процентов.

2017. Babylon - сервис медицинских видеоконсультаций с ИИ фронт-эндом

Когда-нибудь искусственный интеллект полностью заменит врачей, но пока он еще не такой умный. В то же время, человеческие врачи становятся более дорогими и менее доступными. Поэтому, некоторые стартапы создают комбинированные медицинские сервисы, сочетающие ИИ с врачами. Например, английский Babylon Health. Он предоставляет базовые медицинские консультации с помощью чат-бота. В некоторых (легких) случаях чат-бот может самостоятельно решить проблему пациента, сэкономить его деньги. А если бот не уверен в диагнозе и назначении лечения, он рекомендует подключить врача-человека. В любом случае бот экономит время врача, собирая первичную информацию о симптомах у пациента.

2017. MedWhat - персональный электронный доктор в вашем телефоне

Попасть к доктору иногда довольно сложно и дорого. А если проблема - незначительна, то визит к доктору не стоит затраченного времени, нервов и денег. В будущем у каждого человека в телефоне будет персональный доктор, основанный на искусственном интеллекте. Как Siri, только умный и изучивший миллионы книг по медицине, реальных историй болезни и всю доступную информацию о вашем конкретном организме. Что-то вроде этого уже есть - приложение MedWhat для iPhone и Android. С ним можно говорить на простом (английском) языке. Оно не только отвечает на вопросы типа "Я простудился. Что делать?", но и заботится о вас, пока вы не выздоровите. Например, само поинтересуется через день, болит ли еще горло, напомнит, когда нужно принять очередную таблетку или предупредит, когда пора обратиться к врачу.

2017. Молли - электронная медсестра на базе искусственного интеллекта

В недалеком будущем искусственный интеллект будет ставить вам диагноз и определять оптимальную тактику лечения. Но на определении тактики лечения медицина не заканчивается. Нужно еще проследить, чтобы вы выполняли все рекомендации врача, принимали вовремя лекарства, измеряли показатели здоровья. И в этом деле тоже поможет искусственный интеллект. Вот стартап Sensely уже создал электронную медсестру Молли, которая общается с пациентами с экана планшета, напоминает им о медицинских процедурах, объясняет как их делать. Кроме того, через отчеты Молли лечащий врач может удаленно контролировать ход лечения пациента.

2017. Машинное обучение позволит создавать таргетированные лекарства

Одно из направлений современной медицины - таргетированная терапия, основанная на выявлении особенностей молекулярной патологии: лекарственный препарат находит нетипичные молекулы белка, связывается с ними и изменяет их форму, меняя поведение белка в организме. Таким образом, для разработки лекарственных препаратов нужно знать трехмерную форму белка. Канадские ученые применили методы машинного обучения для восстановления 3D-формы молекул белка из двухмерных изображений, полученных криомикроскопией. Высокое разрешение, точность и быстродействие нового метода обещают существенно упростить разработку средств для лекарственной терапии широкого диапазона болезней, включая онкологические заболевания и болезнь Альцгеймера.

2017. Нейронную сеть научили отбирать потенциальные противораковые лекарства

Разработчики из Mail.Ru Group, Insilico Medicine и МФТИ применили нейронную сеть к созданию новых лекарственных препаратов. Использование технологий генеративных нейронных состязательных сетей, обученных «придумывать» молекулярные структуры, может в разы сокращать время и стоимость поиска веществ, обладающих потенциально лечебными свойствами. Для обучения и проверки сети использовали патентную базу противораковых лекарств. Задача была в том, чтобы предсказать уже известные формы, но такие, которых не было в обучающей выборке. На 69 из предсказанных веществ уже есть патенты. Разработчики надеются, что в скором времени с помощью этой технологии смогут разрабатывать индивидуальные лекарства для лечения редких заболеваний и даже для лечения отдельных пациентов.

2017. Искусственный интеллект пытается работать психологом

Что должен делать психолог? Во-первых, понимать проблемы, особенности психики, обстоятельства пациента. Во-вторых - разговаривать. Вторая задача для искусственного интеллекта уже решена: вспомните Siri или многочисленных чат-ботов. Что касается первой задачи, то теоретически ИИ может лучше понять пациента, чем человек-психолог, у которого 10 пациентов в день и куча своих (психологических) проблем. Японская компания NTT Resonant разработала ИИ по имени Oshi-el, который прямо сейчас пробует свои силы в качестве онлайн-психолога. Для его обучения создатели ввели в него порядка 190 000 вопросов и 770 000 ответов в области психологии. Из полученной базы данных формируются ответы в зависимости от задаваемого вопроса с приданием ответу эмоционального окраса. Таким образом, машина способна не просто дать совет, но и выразить сочувствие и предложить несколько вариантов решения проблемы.

2017. В Китае нейросеть обучили диагностировать катаракту

Команда врачей и разработчиков из университета Сунь Ят-сена в Китае разработала нейросеть, способную диагностировать врожденную (конгенитальную) катаракту. Точность такой диагностики создатели оценивают в 90% - говорят, это не хуже, чем у профессиональных офтальмологов. Дело в том, что врожденная катаракта - довольно редкое заболевание, поэтому никто не проверяет глаза младенцев в обязательном порядке. Если появится компьютерная система, которая сможет делать снимок и диагностику глаз быстро и дешево, то можно будет предотвратить риск потери зрения у детей.

2017. ИИ определяет идеальную пару для пересадки печени

В госпитале Austin Health (Мельбурн, Австралия) создали систему, основанную на машинном обучении, которая подбирает идеального реципиента для пересадки печени от появившегося донора. Разработчики вдохновились сайтами знакомств, где вы регистрируетесь, заполняете анкету, и вам тут же подбирают несколько подходящих кандидатур. Так и в Austin Health - при появлении нового донора система тут же подбирает наиболее подходящих реципиентов из списка ожидания, основываясь на возрасте, размерах тела, группе крови и десятках других параметров. Говорят, что таким образом удалось снизить уровень отторжения органов с 32% до 16%.

2017. ИИ научили предсказывать сердечные приступы

До сердечного приступа лучше не доводить, но жить активно ведь тоже хочется. Вот бы знать, насколько близок сердечный приступ, чтобы не переборщить с нагрузками. Команда разработчиков из Имперского колледжа Лондона придумала использовать искусственный интеллект для определения вероятности сердечного приступа. Они получают снимки работающего сердца на МРТ и скармливают их искусственному интеллекту, а тот создает динамическую 3D-модель сердца (см. видео) и выдает вероятность остановки сердца в течении года. В течении 4 лет проводилось исследование, в котором приняли участие 256 больных с легочной гипертензией. Компьютер правильно определил тех, кто проживет больше года, в 73% случаев. При том, что точность предсказаний врачей составила 60%.

2016. Нейросеть лучше врачей диагностировала рак мозга по снимкам МРТ

Ученые из Университета Кейс Вестерн Резерв решили проверить способности компьютерных систем в плане диагностирования онкологических заболеваний по МРТ-снимкам мозга. Дело в том, что МРТ снимок - это 3-мерное изображение, и врачу приходится изучать десятки его срезов - т.е. проделывать много рутинной работы. Кроме того, часто раковые клетки практически невозможно распознать невооруженным глазом. Это идеальная работа для компьютерной нейросети, которая не устает и анализировать каждое изображение по пикселям. Нужно только обучить эту нейросеть. И данные ученые заявили, что им это удалось. Причем, для обучения они использовали всего лишь 43 МРТ снимка с размеченными раковыми клетками. После этого они устроили небольшое соревнование между нейросетью и врачами. В результате, врачи поставили правильный диагноз в 7-8 случаях из 15 снимкам, а компьютер поставил 12 правильных диагнозов.

2016. Watson поможет Pfizer создавать лекарства от рака

IBM и фармацевтический гигант Pfizer начали сотрудничать, чтобы ускорить разработку новых иммунотерапевтических средств для борьбы с онкологическими заболеваниями. Для исследований в этой многообещающей области будет использоваться искусственный интеллект Watson. Предполагается, что Watson будет проверять гипотезы разработчиков новых лекарств на основе анализа больших объёмов данных из открытых источников и результатов собственных исследований Pfizer. Год назад Pfizer уже пробовала использовать Watson для разработки двух препаратов, не связанных с онкологией. Тогда разработчики загрузили информацию о проделанных исследованиях в Watson, после чего суперкомпьютер предположил наличие «очень мощного эффекта сочетания» при возможном использовании для лечения рака. Одновременно собственная команда исследователей компании Pfizer предложила сходную комбинацию. Это укрепило уверенность учёных в том, что работа идёт в правильном направлении.

2016. Виртуальные ассистенты для управления здоровьем

Основное внимание на нашем портале мы уделяем новейшим медицинским технологиям, которые уже применяются или скоро будут применяться в клиниках: редактирование ДНК, нанолекарства, искусственные органы, бионические протезы... Однако, не менее важной частью медицины будущего станут технологии для самостоятельного управления собственным здоровьем. На первый взгляд - это странно. Зачем еще лучше заботиться о своем здоровье, если можно пойти в больницу и там ваш организм починят, даже если он в совсем плохом состоянии? Однако, существуют 2 причины, почему системы для самостоятельного управления здоровьем станут очень популярны. ***

2016. IBM Watson поможет врачам автоматизировать анализ медицинских снимков

Год назад IBM заплатила $1 млрд за компанию Merge Healthcare, специализирующуюся на автоматической обработке медицинских снимков: рентгенов, МРТ, КТ. Причем, вместе с этой технологией IBM получила в свое распоряжение миллиарды обработанных изображений - отличную пищу для искусственного интеллекта Watson. И вот тепепрь IBM представила новое решение для анализа медицинских снимков на базе IBM Watson. IBM Watson способен помочь врачам-радиологам, снимая с них часть рутинных обязанностей по анализу снимков, помогая обрабатывать и анализировать такую информацию. Возможность же использовать дополнительные данные с информацией, полученной в ходе анализа снимков помогает ставить точный диагноз мгновенно и с минимальной вероятностью ошибки. При условии успешного прохождения клинических испытаний новый сервис уже скоро сможет в полной мере помогать врачам в их нелегком деле.

2016. Watson занялся поиском лекарства от БАС

Помните Ice Bucket Challenge, целью которого был сбор средств для поиска лечения бокового амиотрофического склероза (БАС)? Теперь для этой задачи припахали и искусственный интеллект Watson. Сделали это разработчики из нейрологического института Барроу (США). Watson уже изучил всю публичную научную литературу по БАС и составил рейтинг из 1500 генов, которые упоминались в этой литературе, и которые могут быть причиной болезни. Исследовали изучили топ-10 генов в этом рейтинге и, с удивлением, обнаружили, что 5 из 10 генов никогда не считались основными причинами БАС. Теперь они собираются создать экспериментальные препараты для воздействия на эти гены и проверить правильность гипотезы Ватсона. Отметим, что это первый случай использования Watson для нейромедицины. До этого он, в основном, занимался онкологией.

2016. Watson займется созданием онкологических препаратов

Искусственный интеллект IBM Watson уже пару лет используется для лечения рака. Он анализирует сотни тысяч историй болезни и помогает поставить правильный диагноз и разработать оптимальный план лечения. Теперь Watson займется и разработкой лекарств от рака. Совместно с компанией Quest Diagnostics, которая занимается персонализированным анализом онкологических больных и, в частности, делает анализ ДНК. Так вот, Watson проанализирует банк раковых ДНК (собранный компанией), найдет подозрительные гены, потом проанализирует всю доступную научную и клиническую литературу в которой упоминаются эти гены и сгенерирует гипотезы - какие препараты могут воздействовать на эти гены. Потом останется провести испытания и посмотреть, какие гипотезы сработают.

2016. Siemens пропихнет интеллект IBM Watson в больницы всего мира

Siemens - крупнейший поставщик медицинского оборудования, имеющий связи едва ли не со всеми крупными медицинскими центрами мира. Поэтому компания IBM заключила стратегическое партнерство с Siemens по продвижению своего искусственного интеллекта Watson в медицинские учреждения. Watson уже несколько лет принимает активное участие в решении наиболее важных задач в сфере здравоохранения. Он используется для определения правильных диагнозов в американских онкологических клиниках (сравнивая данного пациента с тысячами историй болезней), предсказания вероятности появления у отдельно взятого человека диабета и некоторых других хронических заболеваний, а также для создания вакцин против новых вирусов.

2016. Винод Косла: скоро ИИ заменит врачей в диагностике болезней

Винод Косла - мультимиллионер, сооснователь компании Sun, а ныне, инвестор для множества стартапов во главе Khosla Ventures. Недавно он выступил на конференции со своим видением медицины будущего. В частности, он сказал, что видит медицинский пейзаж будущего, формируемый базами данных алгоритмами, а не врачами. Люди не созданы для обработки обширных и постоянно растущих объемов данных о состоянии здоровья, которые генерируют новейшие технологии. От датчиков здоровья до секвенирования полного генома, наш мир наводняется данными, и точек этих данных скоро будет больше, чем звезд во Вселенной.  Чтобы диагностировать заболевание можно взглянуть на пациента перед собой и сравнить его с несколькими другими пациентами, которых ты принимал, либо же просканировать базу данных из 100 миллионов пациентов на предмет поиска последней сотни или тысячи с подобными симптомами. Ни один врач с таким не справится. При этом, освобождение врачей от рутинной работы изучения стопок медицинской информации означает, что они смогут уделить больше внимания заботе о пациентах и развитию технологий.

2016. Искусственный интеллект Google DeepMind удешевит радиотерапию рака

В этом году Google DeepMind уже получил два медицинских задания по диагностике: определять почечную недостаточность и старческую макулодистрофию сетчатки. Теперь он начнет помогать медикам и в лечении. Точнее - в формировании карты облучения при радиотерапии раковых опухолей в области головы и шеи, которая создается по результатам томографии. Дело в том, что карта облучения в этих областях должна быть суперточной и опытному специалисту нужно минимум 4 часа рутинной работы на ее составление. Пока искусственному интеллекту не будут полностью доверять в таком важном деле, но идея в том, что после его работы медику уже понадобится всего 1 час для составления карты. А это должно удешевить и ускорить лечение многих людей.

2016. Искусственный интеллект IBM Watson оказался эффективнее врачей в диагностировании болезни

В 2013 году IBM Watson начали использовать в качестве врача-диагноста (после 2 лет обучения). Уже тогда Watson значительно превосходил врачей в определении оптимального лечения после диагностирования болезни. Например, точность назначения оптимального лечения рака лёгких в больницах США составляла 50%, а у Watson - 90%. С тех пор база знаний компьютера была значительно пополнена, так что компьютер стал ещё больше превосходить человека в точности диагностирования отдельных видов рака и назначения лечения. Показательный случай произошёл в Японии. Врачи из института медицинских наук Токийского университета пытались лечить женщину, страдающую от лейкемии, но лечение оказалось неэффективным. Тогда они обратились за помощью к IBM Watson, и он определил, что женщина на самом деле страдает от другой формы лейкемии, а не от той, от которой её лечили врачи. IBM Watson поставил диагноз с учётом генетических данных пациентки и истории её болезни. Эти параметры компьютер сравнил с информацией из 20 млн других историй болезни в своей базе.

2016. Стартап Инсилико создает искусственный интеллект для поиска новых лекарств и борьбы со старением

В 2014 году (уроженец Риги) Александр Жаворонков основал в США стартап Insilico Medicine, а через два года открыл его представительство в Сколково. Александр убежден, что в ближайшие 5 лет мы сможем значительно увеличить качество и продолжительность жизни за счет появления инновационных медицинских препаратов. Но ведь на создание нового лекарства сейчас уходит 10 лет? Эту проблему и собирается решить Insilico Medicine. За счет искусственного интеллекта и огромной базы больших данных, которые он будет обрабатывать. Предполагается, что именно в компьютере (In Silico) будет происходить основная работа по испытанию новых лекарств за счет эмуляции их воздействия на организм (на уровне клеточных процессов) и именно в компьютере будут находить новые способы лечения и омоложения организма.

2016. Роман Абрамович инвестировал $3,3 млн в стартап DreaMed, разрабатывающий ИИ для лечения диабета

Израильская компания DreaMed, которая занимается разработкой искусственного интеллекта для поддержки решений в лечения диабета, привлекла $3,3 млн от инвестиционной компании Романа Абрамовича. Система DreaMed основана на машинном обучении и использует технологию, ориентированную на максимальную персонализацию процесса. Она позволяет разрабатывать оптимальный план инсулиновой терапии для диабетиков на основании данных, собранных с глюкометров, фитнес трекеров и других измерительных приборов за длительное время.

2016. Искусственный интеллект DeepMind поможет диагностировать глазные болезни

В начале этого года Google начал использовать свой искусственный интеллект DeepMind (тот самый, который победил чемпиона в Го) для медицины. Совместно с британской организацией National Health Service они привлекли ИИ для автоматизированной диагностики заболеваний почек. Теперь они расширяют это партнерство: DeepMind будет обучаться (а потом помагать врачам-офтальмологам) диагностировать заболевания глаз по изображениям оптической томографии. В первую очередь речь идет о старческой макулодистрофии сетчатки и диабетической ретинопатии. Разработчики надеются, что ИИ позволит диагностировать заболевания глаз дешевле и точнее обычных врачей.

2016. В США создают искусственный интеллект для диагностики рака по лимфоузлам

Уже скоро искусственный интеллект будет широко использоваться в медицине для диагностики. Потому что это дешево (компьютерные мощности - дешевле времени профессионального врача), а точность диагноза - как минимум, не хуже. Недавно мы рассказывали о разработке ИИ для диагностики по анализу крови и рентгену. А вот в бостонском медицинском центре BIDMC разрабатывают ИИ для проверки наличия метастазов рака в лимфоузлах. Обычно для этого профессиональный патолог вглядывается в микроскоп и просеивает миллионы нормальных клеток для выявления нескольких злокачественных. Очевидно, компьютерная программа может справиться с этим эффективнее. Уже сейчас точность полученных с помощью программы данных составила 92%. Это практически соответствует результатам работы профессиональных патологов. А когда разработчики совместили результаты машины и патолога-человека, общая точность диагноза составила 99,5%.

2016. IBM Watson помогает разработать универсальную вакцину для борьбы с вирусными инфекциями

Специалисты из IBM Research разработали макромолекулу, которая позволяет бороться с вирусами, устойчивыми к традиционным противовирусным лекарственным препаратам. Однако, в мире очень много вирусов, и они могут быстро мутировать. Поэтому, IBM решила подключить свой искусственный интеллект Watson для автоматизации модификации этой макромолекулы под новые цели. Разработчики говорят, что смогут разработать универсальное оружие, которое сможет справиться и с раскрученным сейчас вирусом Зика и другими вирусными инфекциями (от Эболы и Денге до обычного гриппа).

2016. Искусственный интеллект будет ставить диагноз по рентгену

Просматривая рентгеновский снимок, врач может пропустить что-нибудь важное (даже лучшие врачи не застрахованы от ошибок). Но компьютер с искусственным интеллектом никогда не ошибется (всегда выдаст результат согласно программе). Израильская компания Zebra Medical Imaging, специализирующаяся на рентгенографии, объединяется с американским поставщиком медицинских услуг Intermountain для разработки нейронной сети, которая будет сравнивать рентгеновские снимки с миллионами других, хранящихся в ее собственной базе данных и помагать рентгенологам ставить диагнозы.

www.livemd.ru

---

Смотрите также

• 
  Марина комиссарова живой журнал
• 
  Комиссарова психолог живой журнал
• 
  Дмитрий губин живой журнал
• 
  Журнал международная жизнь архив
• 
  Живой журнал дмитрий губин
• 
  Журнал нефть газ инновации
• 
  Журнал барбос официальный сайт
• 
  Вести газовой науки журнал
• 
  Hollow knight журнал охотника
• 
  Сайт якутский медицинский журнал
• 
  Журнал боеприпасы официальный сайт