ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В МЕДИЦИНЕ: ЗА И ПРОТИВ

© 2021 БАКАНОВА Марина Владимировна

МАиБ 2021 – № 2 (22)

DOI: https://doi.org/10.33876/2224-9680/2021-2-22/05

Ссылка при цитировании:

Баканова М.В. (2021) Искусственный интеллект в медицине: за и против. Медицинская антропология и биоэтика, 2(22).

Марина Владимировна Баканова –

главный врач международного центра медицинской помощи «Dua Hospital»

(Исламабад, Пакистан)

https://orcid.org/0000-0002-4389-8071

E-mail: mari-ina@mail.ru

Ключевые слова: искусственный интеллект, здравоохранение, медицинская антропология, конвенциональная и неконвенциональная медицина

Аннотация:  Начиная с 2017 года в медицине экспоненциально нарастает использование технологий искусственного интеллекта (ИИ), и пандемия COVID-19 только ускорила и расширила процессы его внедрения в систему здравоохранения. В определенной степени присутствие ИИ способствовало множеству позитивных изменений, среди которых: упрощение оформления медицинской документации, ускорение анализа массивных баз данных, улучшение доступа пациентов к медицинским сервисам и другие. Несмотря на эти достижения, наблюдаемое усиление роли ИИ в медицине вызывает  ряд проблем. Как со стороны врачей, так и со стороны пациентов поднимаются дискуссионные вопросы, высказываются определенные опасения. В настоящей статье предложен обзор основных позиций в происходящей дискуссии.

Искусственный интеллект в здравоохранении (artificial intelligence in healthcare) – это алгоритмы и программы, предназначенные для имитации человеческого познания при анализе, представлении и понимании сложных медицинских данных и данных здравоохранения.

В середине 30-х годов прошлого века концепция Алана Тьюринга положила начало обсуждению создания машин, способных к самостоятельному решению сложных задач. Так называемая концепция Baby Machine, предполагающая обучение искусственного разума по образу маленького ребенка, а не создание сразу «умного взрослого» робота, стала прообразом того, что в настоящее время мы называем машинным обучением (Turing 2015: 20–21). В Университете Дартмута в США летом 1956 года прошла первая рабочая конференция с участием Дж. Маккарти, М. Минского, К. Шеннона, А. Тьюринга и других ученых, которые впоследствии были названы основателями сферы искусственного разума. Именно на ней был сформирован сам термин «искусственный интеллект» (ИИ). Начало исследования ИИ в здравоохранении было положено в 60-е годы XX века, что вылилось в итоге в создание систем MYCIN, INTERNIST-1 и CASNET, которые не получили значительного распространения. Возможности компьютеров того времени не позволяли производить быстрые расчеты в отрыве от человека, и это на длительное время заморозило программы по ИИ (Markoff 2017: 221–235).

Возобновление интереса в области ИИ и, в частности, внимание к ИИ в здравоохранении, началось с середины 1990-х годов в связи с созданием компьютеров больших мощностей и системы программирования Бейсик (Basic). В частности, интерес был значительно подогрет в 1997 году, когда суперкомпьюетр IBM Deep Blue сумел победить действующего чемпиона мира по шахматам Гарри Каспарова. Новый скачок в развитии ИИ был совершен в период 2005–2008 годов, когда математики разработали новые теории и модели обучения для многослойных нейронных сетей, заложивших фундамент теории глубокого машинного обучения, а в области IT было налажено производство недорогих, но высокопроизводительных компьютеров (Koomey at al. 2011: 46–54). В итоге, уже через 10 лет стало возможным говорить об историческом компьютерном прорыве, а ИИ пришел в самые разные сферы общественной жизни, в том числе и в медицину.

В настоящее время под термином «искусственный интеллект» подразумеваются программные системы и применяемые в них методы и алгоритмы, главной особенностью которых является способность решать интеллектуальные задачи так, как это делал бы размышляющий над их решением человек. Таким образом, современный ИИ в определенной степенью копирует нервную систему человека. Основные удачные реализации ИИ, в том числе и в медицине, в настоящее время: технология глубоких нейронных сетей (deep neural networks) и глубокого машинного обучения (deep learning) (Pirzada 2014). Основные нейросети, которые используются в настоящее время: «классическая» однослойная, многослойная нейронная (наиболее сложный вариант – сверточная), нейронные сети с обратной связью. Машинное обучение различается по подходам: обучение с учителем (на качество итоговой информации оказывают значительное влияние субъективность человека-эксперта, репрезентативность выборки, уровень развития науки и техники, популяционный и географический аспекты и др.), обучение с подкреплением, самообучение (ИИ ориентируется на самостоятельный поиск скрытой зависимости, требует огромного количества данных, слабо способен к переводу с машинного языка на человеческий, не имеет «обратной функции», т.е. машина не может объяснить эксперту, почему приняла такое решение) (Bahl et al. 2018: 810–818) Появились информационные системы (цифровые платформы), которые обозначаются как «IT+DT+AI+IOT»: «IT» – всеобщая цифровизация процессов и компьютеризация рабочих мест, «DT» – накопление данных и использование технологий мощной обработки информации, «AI» – создание роботизированных алгоритмов ИИ, действующих как в партнерстве с человеком, так и самостоятельно, «IOT» – «интернет вещей» (internet of things) или вычислительная сеть, состоящая из физических предметов («вещей»), оснащённых встроенными технологиями для взаимодействия друг с другом или с внешней средой (Bhattad, Jain 2020: 1–5).

Сфера ИИ делится на три типа: слабый, средний и сильный. К задачам «слабого ИИ» относится решение вопросов в качестве кибернетического аппарата, работающего по предписанным человеком законам и правилам. Активно развивается «средний ИИ», который имеет элементы адаптивного самообучения, совершенствуясь по мере накопления данных, выдающий новые классификации, анализ по новым алгоритмам и т.д. Сферой «сильного ИИ» считается симуляция элементов высшей нервной деятельности человека, переживание эмоций – его развитие только проектируется на период 2030–2050 годов.

Взрывное развитие ИИ начиная с 2017 года, подкрепленное пандемией COVID-19, привело к активному внедрению систем ИИ в здравоохранение. В настоящее время внедрение систем искусственного интеллекта в медицине – это один из важнейших трендов современного здравоохранения, в том числе – в России. При этом эксперты выделяют как оптимистичные, так и пессимистичные прогнозы нового явления, сосредотачивая свое внимание на преодолении явных минусов.

В апреле 2017 года ученые из Университета Ноттингема представили технологию искусственного интеллекта, которая способна предсказывать наступление инфаркта миокарда. Система объединяла 4 компьютерные программы (с алгоритмами машинного обучения), данные 378 тысяч пациентов и 22 оценочных критерия (в том числе возраст, национальность, наличие артрита и заболеваний почек, уровень холестерина в крови и др.). Данные были сверены с результатами за 2015 год, причем точность компьютерной программы была выше точности специалистов кардиологов (работающих по рекомендациям American College of Cardiology и American Heart Association): от 74,5% до 76,4% точности против 72,8%; т.е. потенциально использование данной технологии могло бы спасти на 355 жизней больше (Weng, Reps 2017).

Также в 2017 году учеными Массачусетского технологического института (MIT) при участии специалистов Центральной больницы штата Массачусетс была разработана ИИ-система, которая способна контролировать сон человека при помощи радиоволн. Она дистанционно анализирует радиосигналы вокруг человека и по движению глаз определяет стадии сна – легкую, глубокую или быструю. Потенциально, по ее работе ученые планируют изучить его расстройства, а затем – начать экспериментальное лечение, которое можно будет осуществлять дистанционно (MIT 2017).

В 2018 году был разработан алгоритм, известный как VarQuest. Он описан в журнале Nature Microbiology (Gurevich et al. 2018: 319–327). Со слов Хосейна Махимани, профессора университета Карнеги-Меллона, «VarQuest завершил поиск, который методами традиционных вычислений занял бы сотни лет». В статье идет речь о поиске новых антибиотиков, к которым микроорганизмы не имеют устойчивости. В действительности дальнейшее усовершенствование программы (или создание ее аналогов) может способствовать поиску новых лекарственных препаратов и других групп, более того – сокращать сроки выпуска новых препаратов на рынок (в настоящее время оно занимает несколько лет, так что препарат еще до начала массового производства успевает устареть) (Gurevich et al. 2018: 319–327).

В том же 2018 году в Великобритании был запущен пилотный проект по диагностике нарушений развития плода с помощью ИИ. УЗИ-диагностика с искусственным интеллектом получила название ScanNav и изначально использовала базу в 35 тысяч снимков для сопоставления. В 2021 году была разработана УЗИ-программа поддержки проведения региональной анестезии в реальном времени ScanNav Anatomy PNB enhances, которая официально введена в медицинские учреждения Великобритании и в тестовом режиме используется в США (Intelligent ultrasound 2021).

С 2018 по 2021 годы было разработано несколько программ, позволяющих успешно распознавать онкологические заболевания: Second Read (компания Ibex в институте патологической анатомии Maccabi Healthcare Services Израиль), IBM WatsonHealth  для диагностики рака печени, программы распознавания рака кожи (FotoFinger, Doctor Smart) и рака молочных желез (Deep Mind Al, Celsus), Konica Minolta (Япония) начала исследования онкогенного панельного теста, SRL Diagnostics совместно с Microsoft тестирует системы распознавания рака шейки матки, платформа Botkin.AI успешно распознает признаки рака легкого, начата разработка программы по поиску метастазов рака в лимфоузлах (Sensei) и программ удаленной (виртуальной) биопсии (в том числе – автоматизированного гистоанализа). В целом – работа с онкологией одна из самых эффективных в медицинском ИИ.

Средства ИИ для оценки качества эмбрионов при вспомогательных репродуктивных технологиях были предложены в конце 2018 года экспертами из Корнуэльского университета в США и Имперского колледжа в Лондоне. Исследование показало, что при использовании ИИ качество ЭКО повышается на 20% (Medtech portal 2020)

В 2019 году в Китае на базе Шанхайского детского медицинского центра (SCMC) прошли испытания программы ИИ распознавания лиц для выявления генетических отклонений у новорожденных (Invest Future Digital media 2021)

В конце 2019 года была представлена программа ИИ по прогнозированию эпилептического припадка. Она была разработана учеными Хишамом Даудом и Магди Байуми, сотрудниками Университета штата Луизиана (Louisiana State University), и показала эффективность 99,6%. Однако, в настоящий момент эта программа используется ограниченно ввиду сложностей с изготовлением специального чипа.

Незадолго до пандемии COVID-19 британская система здравоохранения под активной протекцией министра занималась проблемами анализа показаний ИИ для госпитализации пациентов. Уже скоро из-за пандемии коронавируса стало ясно, что сокращение коек, хотя и экономит бюджет, отрицательно влияет на борьбу с эпидемиями. При этом проект обещает быть весьма эффективным при отсутствии чрезвычайных ситуаций.

Разработчик компьютерных технологий обработки данных Xilinx и компания Spline.ai уже в ковидное время в октябре 2020 года представили проект программы ИИ для анализа рентгеновских снимков легких, что значительно упростило работу врачей в красных зонах. Модель была построена с использованием более 30 000 подтвержденных рентгеновских изображений пневмонии и 500 рентгеновских снимков осложнений COVID-19, которые были предоставлены государственными медицинскими и исследовательскими учреждениями и обучены с помощью сервиса SageMaker AI (AuntMinnie.com 2021). Несколько позднее начали аналогичную работу сервисы других компаний, также использующих ИИ.

Израильская компания MedyMatch Technology разработала на базе ИИ и Big Data программу для распознавания вида инсульта. Для этого в режиме реального времени система MedyMatch сравнивает снимок мозга пациента с сотнями тысяч других снимков, которые есть в ее «облаке». Поскольку инсульт по своей этиологии может быть геморрагическим (с кровоизлиянием в мозг) или ишемическим (вследствие сужения сосуда или закупорки его тромбом), то и этиотропное лечение должно быть разным, причем – назначенным очень быстро в течение 24 часов, иначе изменения могут стать необратимыми. При этом ошибка врачей при анализе КТ составляет около 30%, что ведет к инвалидизации. Ошибки ИИ в этом направлении – минимальны.

Мобильное приложение британской компании Your.MD (разработка которого была начата еще в 2015 году) использует большую базу симптомов и по ответам пациента формирует рекомендации. Существует несколько современных разработок в виде ботов, однако их общий уровень диагностики остается очень низким и в основном ограничивается общими рекомендациями.

В 2020 году, по сообщениям ResearchAndMarkets, рынок медицинских ИИ-решений достиг $4,2 млрд (Techportal 2020). Большинство стран мира сделали серьезную ставку на развитие данных технологий и сервисов.

В России основная разработка и апробирование проектов ИИ ведется на уровне Министерства здравоохранения, системы здравоохранения крупных городов (Москва, Санкт-Петербург и некоторых других) или отдельных инициативных групп. В настоящее время задействованы следующие проекты: Единая государственная информационная система в сфере здравоохранения (ЕГИСЗ) и единый цифровой контур на ее основе, приоритетный проект «Электронное здравоохранение», единая цифровая система диагностики онкологических заболеваний, электронные медицинские карты и больничные листы, электронный рецепт, Медицинская информационная система (МИС), телемедицина. Из этого заметно, что в основном использование ИИ происходит в системе организации здравоохранения, работе с документами и базами данных, оформлением медицинской документации. В реальной клинической практике системы ИИ представлены в целом намного меньше.

17 ноября 2021 года президент России Владимир Путин заявил о создании Центра генетической информации и задал направление на проведение генетических исследований и создание биоресурсных коллекций. Для подобной работы с большими базами данные обязательно потребуется участие программ ИИ. 1 декабря 2021 года на базе Федерального центра мозга и нейротехнологий состоялось открытие Научно-производственного комплекса персонифицированной медицины – уникальной платформы активно задействующей в том числе и технологии ИИ. Таким образом, в отличие от систем здравоохранения Запада и Китая, российская медицина в плане развития ИИ рассчитывает в большей степени на государственное регулирование.

Можно выделить следующие наиболее эффективные в настоящий момент направления ИИ в медицине.

  1. Ведение документооборота: системы Nuance, Camden Group, GE Healthcare и другие. Плюсы: снижение вероятности человеческих ошибок и повышение эффективности лечения. Минусы: сложности обслуживания программно-технологических комплексов, их защита от сбоев и кибератак, а также обеспечение конфиденциальности данных пациентов
  2. Использование виртуальных помощников вместо медсестер, что позволяет поддерживать связь пациентов с медработниками и одновременно сократить количество обращений в больницы – система Sensely
  3. Проведение хирургических операций с полным или частичным использованием роботов: комплекс «Да Винчи», миниатюрный робот HeartLander.
  4. Имеется большой потенциал в проектах ухода за пожилыми людьми – системы автоматического контроля давления, пульса, сахара крови и других параметров с периодическими консультациями специалистов.
  5. Исследования генома – не только человека, но и угрожающих ему агентов, создание вакцин.
  6. Открытие новых лекарств, сокращение сроков их ввода в медицину.
  7. Проекты медицинской визуализации и автоматизированных методов диагностики различных заболеваний по видео, аудио, фото и другим материалам.
  8. Системы анализа больших данных и предсказания событий; особенно актуально предсказание очередных вспышек инфекций и эпидемий.
  9. Системы поддержки принятия врачебных решений – для дополнительной гарантии безопасности пациента.

Основные драйверы роста сферы ИИ в медицине:

–  растущий объем медицинских данных, которые сложно использовать врачу в ежедневной клинической практике;

– повышение сложности датасетов;

– потребности организаций здравоохранения в сокращении расходов, в том числе на оборудование, и повышении вычислительной мощности;

– увеличение числа межотраслевых партнерских проектов;

– усиливающийся дисбаланс между количеством медиков и пациентов, который подталкивает развитие спроса на импровизированные медуслуги (дефицит врачей в развивающихся странах, проекты ИИ-будок в Китае);

– дисбаланс медицины между развитыми и отсталыми странами;

– внедрение таких технологий многочисленными фармацевтическими и биотехнологическими компаниями по всему миру, которые, в частности, задействуют такие разработки в создании вакцин и препаратов для лечения коронавируса COVID-19.

Необходимо также перечислить негативные факторы:

  1. Нежелание практикующих врачей внедрять в работу искусственный интеллект.
  2. Высокая возможность дискредитации ИИ и технологий не только в глазах врачей, представителей практического звена здравоохранения, но и в глазах пациентов.
  3. Создание жесткой системы анализа работы врача (с возможным переходом в тоталитарный контроль): оптимально для организаторов здравоохранения, но не для врача.
  4. Дефицит способных работать с такими технологиями специалистов – сложность переучивания на новые системы работы врачей старшего возраста, сложность переучивания профессуры медицинских ВУЗов и изменения программ подготовки, а также перехода студентов на новую систему работы.
  5. Неоднозначное законодательное регулирование рынка медицинского ПО.
  6. Отсутствие тщательно отобранных медицинских данных, сложность информированного запроса к пациентам за разрешением использования из личных данных, сложность разбора данных в зависимости от расы, пола, возраста, отдельных изолированных этнических групп и т.п.; сложности в интерпретации аналогичных данных, полученных от машин разного уровня мощности и разного выпуска (например, снимки УЗИ с машин разного поколения).
  7. Опасения по поводу конфиденциальности такой информации, деятельность хакеров, заинтересованность в медицинской информации со стороны страховых фондов и работодателей.
  8. Проблемы интеграции между ИИ-решениями различных производителей, несовместимость программ.
  9. Отсутствие универсальности систем ИИ в клинической практике (все системы ИИ оказались максимально эффективными там, где их создавали, но при переносе системы даже на базу другой больницы (не говоря уже о смене страны) большинство программ давали сбои, поскольку все медицинские центры качественно отличаются по национальным, географическим и иным признакам.
  10. Юридические и этические проблемы использования данных пациентов, недостаточность действующего законодательства, возможность создания деперсонифицированных баз данных.
  11. Автоматизация производства и исчезновение значительной части рабочих мест.

Как и все новые технологии, искусственный интеллект может быть использован неправильно и причинить вред пациентам. Это отмечает  генеральный директор ВОЗ Тедрос Адханом Гебрейесус. Для регулирования и контроля применения ИИ в медицине ВОЗ опубликовала новые рекомендации, в которых изложены шесть принципов ограничения рисков и максимального использования возможностей ИИ для охраны здоровья (UN news 2021)

В докладе ВОЗ «Этические принципы и применение ИИ в целях здравоохранения» указано, что ИИ можно использовать для:

  1. ускорения и повышения точности диагностики и скрининга заболеваний;
  2. оказания помощи в сложных клинических ситуациях;
  3. ускорения исследований в области здравоохранения и разработки лекарств;
  4. поддержания различных мер общественного здравоохранения, включая меры реагирования на вспышки инфекционных заболеваний и управление системами здравоохранения;
  5. самостоятельного отслеживания состояние здоровья пациентами;
  6. удаленного доступа к услугам здравоохранения в странах с ограниченными ресурсами

Однако эксперты ВОЗ одновременно предостерегают врачей и пациентов от излишне восторженной оценки преимуществ ИИ для здравоохранения. ВОЗ указывает на возможность неэтичного сбора и использования данных о здоровье, проявление в алгоритмах ИИ различных предубеждений человеческих сообществ, а также напоминает о рисках в отношении безопасности пациентов, кибербезопасности и окружающей среды. Кроме того, ВОЗ отмечает, что системы, обученные на данных стран с высоким уровнем дохода, могут быть неэффективны в странах с низким и средним уровнем дохода (UN news 2021).

Вместе с тем современные программы искусственного интеллекта могут быть использованы и китайской традиционной медициной, аюрведической практикой и в других видах медицинской помощи. Существуют возможности ИИ в неконвенциональных медицинских практиках и в сближении их с конвенциональной медициной. Перечислим среди них следующие.

  1. Расширенный анализ составляющих частей данных практик с формированием крупных массивов информации, выявление на их основе закономерностей в лечении и эффективности в лечении и профилактике.
  2. Сопоставление эффективности лечения конвенциональными и неконвенциональными практиками при определенных заболеваниях.
  3. Составление и анализ традиционных фитосборов, их эффективности и возможности применения, выявление закономерностей для формирования новых фитотерапевтических комплектов обладающих заданными свойствами.
  4. Составление подробных карт и исследование точек рефлексотерапии на предмет различных вариантов воздействий.
  5. Проведение исследований и сопоставлений с имеющимися данными малоизвестных вариантов неконвенциональной практики: племен Африки, Амазонии, островов Тихого океана или локальных групп народов.
  6. Оцифровка и восстановление древних медицинских трактатов, сопоставление изложенных в них знаний с современной медициной.
  7. Выявление закономерностей и эффектов лечения с применением в медицинской практике конвенционального и неконвенционального подхода, а также закономерностей и эффектов лечения только медицинскими работниками или с привлечением дополнительных специалистов: клинических психологов, медицинских антропологов или доул.

Здравоохранение – это  область традиционно высокого риска, где любая ошибка может нести значительные последствия для человеческой жизни. Соответственно, общественная безопасность, вопросы этики и иные социально значимые сферы, где существует потенциал негативных влияний применения ИИ в здравоохранении, должны стать центральными в подготовке, обсуждении и решении вопросов  по внедрению новых цифровых технологий в практику. Также необходимо достигнуть доверия к системам ИИ как со стороны медицинских работников, так и со стороны пациентов.

Источники

AuntMinnie.com (https://www.auntminnie.com/index.aspx?sec=log&URL=https%3a%2f%2fwww.auntminnie.com%2findex.aspx%3fsec%3dsup%26sub%3daic%26pag%3ddis%26ItemID%3d130473)  (30.11.2021).

Intelligent ultrasound (https://www.intelligentultrasound.com/wp-content/uploads/2021/09/PNB-brochure-220921_digi.pdf)  (30.11.2021).

Invest Future Digital media (https://investfuture.ru/news/id/kitayskiy-ii-sposoben-vyyavit-geneticheskie-narusheniya-u-novorojdennyh-po-skanu-lica)  (30.11.2021).

Medtech portal (https://zdrav.expert/index.php/)  (30.11.2021).

MIT–Massachusetts Institute of Technology (https://web.mit.edu/innovation/)  (30.11.2021).

Techportal (http://www.techportal.ru/market/research-and-markets/) (30.11.2021).

UN news (https://news.un.org/en/story/2021/06/1094902) (30.11.2021).

Библиография/References

Bahl, M., Barzilay, R., Yedidia, A.B., Locascio, N. J, Yu, L., Lehman, C.D. (2018) High-Risk Breast Lesions: A Machine Learning Model to Predict Pathologic Upgrade and Reduce Unnecessary Surgical Excision. Radiology, Vol. 286 (3), p. 810–818. DOI: 10.1148/radiol.2017170549.

Bhattad Br., Jain, V. (2020) Artificial Intelligence in Modern Medicine – The Evolving Necessity of the Present and Role in Transforming the Future of Medical Care. Cureus, No 12 (5) p. 1–5. DOI: 10.7759/cureus.8041.

Gurevich, A., Mikheenko, A., Shlemov, A., Korobeynikov, A., Hosein, M., Pevzner, P.A. (2018) Increased diversity of peptidic natural products revealed by modification-tolerant database search of mass specter. Nature Microbiology, No 3, p. 319–327. DOI: 10.1038/s41564-017-0094-2.

Koomey, J.G., Berard, St., Sanches. M. (2011) Implications of Historical Trends in the Electrical Efficiency of Computing IEEE. Annals of the History of Computing, No 33(3), p. 46–54. DOI: 10.1109/MAHC.2010.28.

Markoff, J. (2015) Machines of Loving Grace: The Quest for Common Ground Between Humans and Robots, N.Y.: Ecco Press.

Pirzada, U. (2014) Did Nvidia Just Demo SkyNet on GTC 2014? – Neural Net Based “Machine Learning” Intelligence Explore (https://wccftech.com/nvidia-demo-skynet-gtc-2014-neural-net-based-machine-learning-intelligence/) (30.11.2021).

Turing, A. M. (2015) The Applications of Probability to Cryptography (https://arxiv.org/pdf/1505.04714.pdf) (30.11.2021).

Weng, S.F., Reps, J., Kai, J., Garibaldi, J.M., Qureshi, N. (2017) Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS ONE, No 12(4). DOI: 10.1371/journal.pone.0174944.