Как ИИ и машинное обучение повлияют на здравоохранение

Компьютеры стали достаточно мощными, чтобы справляться со комплексными вычислениями ИИ; алгоритмы машинного обучения наращивают точность и скорость; облачные технологии и IoT позволили даже небольшим устройствам получить доступ к огромным возможностям ИИ. Вот почему ответственное использование ИИ-решений в здравоохранении может улучшить и даже спасти жизни людей. С другой стороны, здравоохранение - это область, в которой непоследовательные действия могут привести к непоправимому результату. Поэтому регулирование и внедрение новых разработок проводится тщательно, медленно и осторожно. 

1. Цифровое консультирование

Цифровые консультации не новы. В течение многих лет посредством телефонной связи или в Интернете функционируют медицинские диагностические системы, такие как WebMD или система NHS 111 Соединенного Королевства. Подобные простые системы имеют существенные ограничения.

Цифровые консультации с использованием ИИ стали реальностью. Во-первых, разработка backend данных глубинного обучения позволяет системам принимать обоснованные решения о том, какие вопросы подлежат постановке. Вместо того, чтобы слепо следовать контрольному списку, цифровые консультационные системы на ИИ обучались на базе миллионов реальных медицинских карт. Данный подход позволяет задавать индивидуальные вопросы, относящиеся к конкретному пациенту.

Во-вторых, передовая технология обработки естественного языка способна понимать сложные предложения, а не ставить человека перед выбором предопределенных вариантов. Вместе обе эти ИИ-технологии способны помочь ответить на вопросы пациентов и порекомендовать способы действий, такие как назначение врача общей практики или вызов скорой помощи.

Некоторые компании уже предлагают услуги по цифровым консультациям на основе ИИ. Стартап Babylon Health уже работает с британской NHS (The National Health Service, Национальная служба здравоохранения) с целью интеграции ИИ в службу 111. В конечном счете, цифровые консультации должны помочь сократить количество приемов у врачей и при этом повысить эффективность системы здравоохранения.

2. Радиология и изображения

Радиология – это раздел медицины, который работает с изображениями: рентгенографическими и ультразвуковыми, КТ и МРТ. Данная сфера требует от практикующих врачей большого опыта и времени на исследование снимков пациентов. Это делает ее очень подходящей для скорейшего принятия ИИ. С помощью технологии компьютерного зрения можно обучить системы просматривать рентгеновские снимки или другие виды изображений, а затем задействовать глубинное обучение для восприятия их содержания.

Результаты, обнаруженные ИИ, впоследствии могут быть отправлены врачу для повторной проверки данных. ИИ в отделениях радиологии уже используется в медицинских учреждениях. Например, в ноябре представитель Медицинского центра Университета Рочестера объявил о сотрудничестве с Aidoc, компанией, специализирующейся на разработке ИИ-технологий в области радиологии, чтобы помочь идентифицировать и расставить приоритеты в критических случаях. Пациенты, которым требуется неотложная помощь, сперва должны быть осмотрены рентгенологом. Однако при осмотре снимков специалистом поддержку осуществляет ИИ, поэтому точность диагноза значительно возрастает.

Конечно, по мере развития технологий не пройдет много времени, прежде чем ИИ-решения в области радиологии станут быстрее и точнее, чем врачи.

3. Персонализированная медицина: более быстрый и точный диагноз

Персонализированная медицина – это медицинский подход, при котором диагнозы и методы лечения тесно связаны с личной и семейной историей пациента, а также с его или ее конкретными факторами риска и генетикой. Такой подход во многом утопичен.

Множество персонализированных медицинских сервисов – это нечто большее, чем просто временные причуды. Поскольку все больше данных собирается и анализируется с помощью моделей глубокого обучения, то персонализированная медицина вполне может повседневным явлением.

Персонализированная медицина начинается на этапе диагностики. Домашняя диагностика на базе ИИ находится в зачаточном состоянии, но некоторые интересные приложения проходят испытания. Например, Remidio разрабатывает мобильное приложение для постановки диагноза диабета, анализируя фотографию глаза пользователя. Данный метод уже был успешно использован.

Персонализированная медицина с поддержкой ИИ способна анализировать геном человека и определять, какие виды лечения наиболее эффективны. Однако необходимого набора данных для машинного обучения еще не существует.

4. Роботы-хирурги

ИИ также способен приносить пользу в одной из самых «практических» областей медицины: хирургии. В течение многих лет были разработаны роботизированные решения для хирургии, в том числе усовершенствованная робот-ассистированная система Da Vinci, которая позволяет хирургам контролировать точные манипуляторы для выполнения минимально инвазивных процедур. Однако это машины, на 100% управляемые человеком, а не искусственным интеллектом.

Но ИИ-технологии уже добрались и до роботов. Smart Tissue Autonomous Robot (STAR) накладывает более чистые и точные швы по сравнению с теми, что делают опытные хирурги. Тесты показывают, что технология может точно удалить опухоль с наименьшими повреждениями окружающей ткани. А без необходимости в использовании визуального контроля многие из этих роботизированных процедур могут проводиться лапароскопически, что значительно ускоряет заживление и снижает риск заражения.

5. Кибербезопасность

Обозначенные разработки ИИ-технологий в области здравоохранения принесут огромную пользу пациентам и, в конечном счете, всем людям. Но они также несут новые риски с точки зрения безопасности. К счастью, здесь ИИ и машинное обучение могут сами способствовать нахождению решения.

Медицинские приборы в больницах размещены практически везде. Многие ИИ-решениям необходимо подключение к Интернету, чтобы использовать мощные специализированные облачные серверы (cloud-based back-ends). Такое подключение предоставляет злоумышленникам потенциальный доступ к системам медицинского учреждения. Даже если они не подключены к общедоступной сети Интернет напрямую, медицинские устройства всех видов зачастую открыты для внешних коммуникационных запросов.

Больницы подвергаются хакерским атакам с угрожающим постоянством, что вынуждает всех заинтересованных сторон принимать более строгие политики кибербезопасности. Например, поставщик решений цифровой безопасности CyberMDX обнаружил уязвимость в популярном шприцевом насосе. Используя уязвимость, злоумышленник может захватить контроль над устройством и запрограммировать назначение инъекций смертельных доз препаратов.

Усовершенствованные решения в области кибербезопасности используют машинное обучение для понимания стабильного поведения сети, а также выявления и блокирования любых аномальных действий, которые могут указывать на уязвимости или атаки.

Автор статьи: Тоби Нвазор (Toby Nwazor)