Искусственный интеллект в медицине.

Январь 7th, 2019 Posted by value-based marketing, Искусственный интеллект, Нейронные сети, санкур, Система аудита лояльности клиентов 0 thoughts on “Искусственный интеллект в медицине.”
Иван Соколов, директор по развитию, Skyline Risk Solutions
*
Искусственный интеллект (ИИ) стал главной темой многих форумов 2019 года, включая Всемирный экономический форум в Давосе — глобальной трибуны для обсуждения экономических и общественных вопросов. Представитель Accenture озвучил оценку: при условии, что бизнес будет инвестировать в ИИ, в 2022 году доходы компаний от ИИ вырастут на 38%.
*
Безусловно, ИИ способен дать огромное конкурентное преимущество бизнесу, а это, в свою очередь, может кардинально изменить и статус-кво конкурентоспособности компаний на всех рынках, включая медицину.
*
По мнению экспертов, 2018 год стал для ИИ в медицине прорывным: ИИ научился прогнозировать болезнь Альцгеймера на ранних стадиях: распознавать изменения в участках нервной ткани, вызванные обменом веществ в определенных отделах мозга. В отличие от томографии, ИИ способен определить симптомы заболевания на шесть лет раньше. С его помощью у врачей появится возможность замедлять или вообще останавливать деменцию. Технологии ИИ 2018 года уже помогают выделять признаки клинической депрессии, диагностируют переломы, прогнозируют вероятность развития рака груди, ожирения и разрабатывают новые лекарства. С помощью текстовой аналитики врачи быстрее находят научные статьи в глобальной базе знаний, ставят диагноз и назначают лечение.

Немного истории

Искусственный интеллект имеет длинную историю, основанную на теоретических работах Тьюринга по кибернетике, датированных началом XX века. 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. 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.
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.
*
В то же время 2018 год знаменателен и тем, что команда ботов OpenAI впервые проиграла людям в чемпионате по Dota 2, что удивительно, — ведь в последнее время алгоритмы все чаще побеждают человека в различных играх: Jeopardy, шахматы и го. А еще год назад алгоритм, созданный компанией Open AI, выиграл у человека в ту же Dota 2 один на один. Сентябрьское сражение показало, что машины по-настоящему сильны в индивидуальном зачете, а вот работа в команде, коммуникация, распределение обязанностей и работа в изменчивых условиях — не самые сильные стороны ИИ.
Наиболее восприимчивыми к использованию ИИ считаются отрасли обслуживания потребителей, такие как маркетинг, банковское дело и финтех. Дошла волна изменений и до такой консервативной сферы деятельности, как здравоохранение. Здесь можно выделить следующие направления:
*
1. Автоматизированные методы диагностики, например, анализ рентгенологических или МРТ-снимков на предмет автоматического выявления патологии. 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. Одним из проектов в данной области является Diagnocat — технология, которая с помощью ИИ по снимкам определяет состояние зубов, находит проблемы и подсказывает, как их лечить.
*
2. Системы анализа, классификации и предсказания событий в области управления клиентским опытом. В качестве примера разработки в области управления опытом пациентом с использованием нейронных сетей можно привести решение Q-Rating, предоставляющее менеджменту медицинской организации предиктивную РХ-аналитику с использованием данных мониторинга DSQ (Dental Satisfaction Questionnaire) , разработанного упомянутой выше корпорацией RAND. Перспективной также 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.
*
3. 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, 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.
*
4. Развитие робототехники. Всем известный робот-хирург Da Vinci – это лишь первый шаг 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 медицине.

*

Нейронные сети и машинное обучение – основа ИИ

В последнее время эксперты приходят 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.
*
 
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.
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.
*

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). 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?
*
В 2019 году увеличится спрос на разработчиков ИИ. Еще по итогам 2018-го они получали сотни тысяч долларов в год, но зарплаты дата-сайентистов продолжат расти. Это связано с тем, что они должны обладать уникальным набором знаний, в числе которых — машинное обучение, программирование, статистика, математика, визуализация данных, глубокое обучение и коммуникация. Именно эти навыки, по данным порталов LinkedIn, Indeed, SimplyHired, Monster и AngelList, пользуются наибольшим спросом. В среднем на одного специалиста охотятся сразу три-четыре компании. Поэтому HR следует подумать, чем еще они могут привлечь специалистов высокого класса, помимо денег. В 2018 году HeadHunter провел исследование среди российских ИТ-специалистов: для 49% соискателей важны гибкий график и возможность работать удаленно, 46% желательно, чтобы у них были интересные проекты и задачи, а для 41% оказалась значимой работа в профессиональной команде.
*

Примеры ИИ в медицине

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.
*
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.
*
Сейчас в 99% случаев технологии ИИ напоминают черный ящик: система получает данные, обрабатывает их и выдает результат. Например, определяет, какой кредит и с какими процентами можно дать клиенту, вычисляет задержку авиарейса, выбирает готовый ответ на обращение пользователя. Но мы не всегда понимаем, почему она приходит к этому выводу, на основании чего выбираются те или иные гипотезы, какие признаки и вводные считает значимыми, какие оценки учитываются. Это затрудняет работу бизнеса и людей с системой, так как не всегда можно доверять выводам без аргументов. Поэтому мы, в компании SRS уделяем особое внимание использованию концепции «объясняемого ИИ», когда решение с использованием ИИ не только решает маркетинговые (value-based маркетинг) задачи компаний и задачи управления клиентским опытом, но и объясняет свои предложенное решение. Это уменьшает недоверие людей к новым технологиям и допускает их применение в более сложных процессах.
*
Очевидно, что масштабное внедрение управленческих решений с элементами ИИ невозможно силами одних лишь одной компании: нужны совместные усилия властей, коммерческих организаций, ассоциаций медицинских организаций. В то же время, такие разработки в области управления пациентским опытом активно ведутся и за рубежом, и в России и, что особенно важно, уже обладают достаточной репрезентативностью данных.
*
А это означает, что активное использование ИИ-систем клиниками и организациями санаторно-курортного комплекса — вовсе не туманные перспективы и будут широко доступны уже в наступившем, 2019 году.
Подробнее о возможностях и перспективах использования ИИ в PX-управлении клиникой (организацией санаторно-курортного комплекса) мы планируем поговорить уже через несколько недель 30 января на конференции “От рисков к возможностям”. Организатор форума — ФНКЦ РР, среди рганизационных партнеров конференции -Национальная курортная ассоциация и РОО “Стоматологи столицы”.

Экосистема Q-Rating:

Программы привилегий "СмайлКард"
Управление  возможностями и рисками

 

 © Q-Rating, 2012- 2019