В этом году каждый двадцатый американец получит неправильный диагноз. Это более 10 миллионов человек, и для половины из них он может оказаться губительным, сообщает The New York Times. Врачи стараются быть систематичными при выявлении болезней и недугов, но они всего лишь люди.
В статье, опубликованной в журнале Nature Medicine, группа исследователей из университетов США и Китая проверила потенциальное лекарство: искусственный интеллект.
Исследователи создали систему, которая автоматически диагностирует общие детские состояния — от гриппа до менингита — после изучения симптомов пациента, истории болезни, результатов лабораторных исследований и других клинических данных.
"В некоторых ситуациях врачи не могут рассмотреть все возможности. Эта система может провести выборочную проверку и убедиться, что врач ничего не пропустил", — заявил профессор офтальмологии, генетики и наноинженерии в Университете Калифорнии Кан Чжан.
Система опирается на нейронную сеть, тип искусственного интеллекта, который может изучать задачи, анализируя огромные объемы данных. В этом случае ИИ проанализировал электронные медицинские записи о более чем 1,3 миллиона посещений пациентов в детской больнице в Китае, научившись связывать общие медицинские состояния с конкретной информацией о пациентах, собранной врачами, медсестрами и другими техническими специалистами.
Та же технология "глубокого обучения" лежит в основе всего, от Google Translate до Amazon Alexa. После трансформации интернет-сервисов, потребительских устройств и автономных автомобилей в начале десятилетия эта технология теперь переходит в здравоохранение.
Многие организации, в том числе Google, разрабатывают и тестируют системы, которые анализируют электронные медицинские карты с целью выявления потенциальных заболеваний, таких как остеопороз, диабет, гипертония и сердечная недостаточность. Подобные технологии создаются для автоматического обнаружения признаков болезни на рентгеновских снимках, МРТ и сканировании глаз.
Нейронные сети, способные распознавать шаблоны данных, которые люди никогда не смогут идентифицировать самостоятельно, могут быть чрезвычайно эффективными в правильной ситуации. Но даже экспертам трудно понять, почему такие сети принимают конкретные решения. В результате требуется тщательное тестирование, чтобы заверить врачей и пациентов в надежности этих систем.
"Эти ИИ-инструменты могут кардинально изменить ситуацию. Но это займет некоторое время", — убежден кардиолог и генетик из Scripps Research Эрик Тополь.
Используя технологию нейронной сети, доктор Чжан создал системы, которые могут анализировать сканирование глаз на предмет кровоизлияний, поражений и других признаков диабетической слепоты. Кроме того, они могут распознавать определенные закономерности не только в медицинских изображениях, но и в тексте. Новая система проанализировала электронные медицинские карты почти 600 000 пациентов в женском и детском медцентре Гуанчжоу.
Группа обученных врачей добавляла ярлыки с информацией к записям, касающимся определенных заболеваний. Затем система анализировала помеченные данные. После этого ИИ предоставляли новую информацию — симптомы пациента.
При тестировании на немаркированных данных система может соперничать с результатами работы опытных врачей. ИИ был более чем на 90% точнее при диагностике астмы; точность врачей в исследовании колебалась от 80% до 94%. При диагностике заболеваний желудочно-кишечного тракта система была точной на 87% по сравнению с точностью врачей от 82% до 90%.
По словам экспертов, в настоящее время необходимы обширные клинические испытания, особенно учитывая сложность интерпретации решений, принимаемых нейронными сетями. "Никто не собирается использовать один из этих методов без тщательного тестирования, которое точно показывает, что происходит", — заявил исследователь из Университета Флориды Бен Шикель.
Могут пройти годы, прежде чем системы глубокого обучения будут развернуты в отделениях неотложной помощи и клиниках. Но некоторые из них ближе к реальному использованию. В настоящее время Google проводит клинические испытания своей системы сканирования глаз в двух больницах на юге Индии.
Как заявил Чжан, в странах за пределами США диагностические инструменты с глубоким обучением более распространены. Автоматизированные системы скрининга особенно полезны в местах, где врачей не хватает. "Когда дело доходи до сбора и анализа такого рода данных, у исследователей в Китае намного больше преимуществ. Огромные объемы данных – большая разница", — прокомментировал Чжан.
