В современном здравоохранении есть сразу несколько блоков задач, оптимальное решение которых требует использования технологий, основанных на искусственном интеллекте.

Как известно, наиболее динамично развивающейся частью таких технологий в настоящее время являются глубокие нейронные сети (ГНС, англ. DNN – Deep neural network). Можно выделить три основных направления, в которых используются возможности ГНС – обработка изображений (машинное зрение) и функциональных сигналов (ЭКГ, АД, ЭЭГ и др.), обработка естественных языков (голосовые помощники), и обработка больших табличных данных (историй болезней, амбулаторных карт, карт назначений). И каждому из этих направлений соответствуют свои блоки задач в области медицины и здравоохранения.

Машинное зрение и обработка снимков

 Первый блок задач связан с обработкой разного рода изображений, полученных с помощью разных методов – рентгенографии и рентгеновской томографии (РКТ), ультразвукового исследования (УЗИ), магнитно-резонансной томографии (МРТ) и аналогичных технологий. Этот процесс можно разделить на три последовательных этапа: 1) найти на снимке объекты, не свойственные нормальному анатомическому строению органа (патологические объекты); 2) осуществить сегментацию этих объектов и определить их границы и 3) классификация патологического объекта (иначе говоря, постановка предварительного диагноза, который затем проверяется врачом).

Сегодня уже есть и вполне успешно применяются электронные устройства и программные средства, способные решать относительно простые задачи такого рода. Например, удалять ненужные элементы на томографических снимках – волосы пациента, повязки, сделанные ему ранее и т.п.

Аналогичные системы применяются и для удаления технических артефактов, которые неизбежно возникают во время съемки. Как известно, съемка стандартной технологии МРТ занимает около трех минут, а в ряде случаев пакет томографических технологий может занимать до часа. Естественно, на протяжении этого времени пациент дышит, и при дыхании его координаты смещаются на несколько миллиметров, что неизбежно отражается на снимках, которые делает томограф и которые потом объединяются в один пакет. И такие изменения координат значительно затрудняют последующий анализ изображения. Система с искусственным интеллектом осуществляет выравнивание всех срезов (снимков) в пакете по анатомическим координатам и выстраивает адекватную 3D-модель.

Следующий этап работы, в который все более будут вовлекаться системы искусственного интеллекта – анализ сделанных снимков с целью формирования предварительного заключения специалиста на их основе. И если в упомянутых ранее задачах работа проводилась преимущественно с опорой на технологические привязки (изменение координат объекта, изменение уровня сигнала), то здесь уже необходимо полноценное использование возможностей машинного зрения. Система должна уметь анализировать и классифицировать изображение так, как это делает врач, формализовать результаты своей оценки, выявить на изображении некие биомаркеры, которые позволят четко характеризовать общую картину для последующей постановки диагноза (эта часть работы в обозримом будущем так и останется под контролем человека).

Современный уровень развития технологий уже позволяет говорить о возможности решить эту задачу для снимков, сделанных методами классической рентгенографии и рентгеновской компьютерной томографии (РКТ). Как известно, рентгеновское излучение имеет достаточно узкий спектр и мощность сигнала в этом спектре достаточно несложно оцифровать. Также хорошо оцифровываются и стандартизируются особенности изображения, полученного с помощью этого сигнала. Поэтому создание системы с искусственным интеллектом, способной расшифровывать (сегментировать и классифицировать) этот сигнал, не составляет особой сложности.

Также медицина располагает набором количественных показателей рентгеновской плотности (радиоденсивности) различных материалов и биологических объектов - шкалой Хаунсфильда. Причем, она является одинаковой для всех типов оборудования, используемого в рентгенографии и РКТ. Поэтому, используя ее, система без труда и достаточно точно определит, где на снимке находится кость, где - жидкость, где – мягкие ткани и т.д.

Собственно, поэтому в настоящее время такие системы достаточно успешно применяются для выявления поражений в легких, возникших в результате заболевания COVID-19. Однако, если рассматривать их как более универсальное и эффективное средство диагностики, то здесь предстоит преодолеть еще ряд барьеров.

Один из главных связан с необходимостью создания обучающей базы данных для подобных систем. Как известно, нейросети с машинным зрением используют в работе принцип подобия и обучаются на основе ранее описанных изображений, чем точнее и детальнее на них представлен диагноз, чем больше параметров для сравнения можно использовать, тем выше вероятность, что система правильно распознает его на снимках других пациентов.

Этот результат достигается использованием в обучении системы большого количества разных снимков с одинаковым диагнозом, поставленных врачами. Поэтому очевидно, что в первую очередь система научится распознавать наиболее распространенные типы патологических состояний. Гораздо сложнее будет наполнить такую базу снимками пациентов с более редкими случаями заболеваний или вариантами развития одной и той же патологии, стремясь привести их число к максимально возможному.

В идеале, чтобы исключить феномен «переобучения» системы искусственного интеллекта, в обучающей базе данных редкие и частые патологии должны присутствовать примерно в равных долях, что и обеспечит адекватную классификацию.

Эта работа, по большому счету, должна проводится постоянно, в том числе за счет получения снимков из других регионов и стран, а также – изображений, искусственно моделирующих ту или иную патологию. И по мере того как система работает и одновременно обучается на пополняющейся базе изображений, тем выше будет точность распознавания патологий.

Также очень важно, чтобы заключения, сделанные на основе снимков, используемых для обучения нейросети, имели достоверное подтверждение, полученное другим методом, например, послеоперационным патогистологическим исследование.

Таким образом, формирование обширной, верифицированной и доступной обучающей базы данных для систем с машинным зрением – является самостоятельной и критически важной задачей для развития этого направления использования искусственного интеллекта в системе здравоохранения.

Есть свои особенности в обработке снимков, сделанных с помощью МРТ и УЗИ, где изображение формируется на принципе отражения электромагнитного или ультразвукового сигнала. Стандартизовать такие сигналы гораздо сложнее, особенно это касается изображений, полученных с помощью МРТ.

Во-первых, разные модели оборудования отличаются по уровню индукции магнитного поля. У современных аппаратов он чаще всего равен 1,5 - 3 Тесла, но есть специализированное оборудование, где индукция намного мощнее – до 6 - 8 Тесла (преимущественно в зарубежных исследовательских клиниках), и напротив, в медицинских учреждениях по-прежнему используется достаточно много произведенных ранее установок с уровнем индукции магнитного поля в 0,5 и 1 Тесла. В разных по уровню индукции магнитных полей ткани организма отражают сигнал тоже по-разному, формируя разное изображение.

Во-вторых, в томографах различных фирм может существенно отличаться и исходный сигнал: одни производители используют мощные усилители радиочастотного сигнала (до 40 КВт), а другие остались на уровне 2-6 КВт, где-то профиль сигнала строго подгоняют под прямоугольный, где-то нормальным считается и пилообразный, и так далее.

Есть и другие технические тонкости работы томографов, и у каждого производителя они свои, что серьезно затрудняет стандартизацию изображений, получаемых в результате их работы. Тем не менее, работа по использованию искусственного интеллекта для анализа МРТ-томограмм ведется и даже регулярно проводятся международные соревнования систем с искусственным интеллектом по распознанию изображения, полученные с помощью МРТ. В этих турнирах принимала участие и команда наших разработчиков из НГУ, нейрохирургического центра МЗ РФ, и НИИ клинической и экспериментальной лимфологии (НИИКЭЛ – филиал ИЦиГ СО РАН).

Ну и конечно, при всех технологических успехах, в обозримом будущем такие системы останутся лишь одним из инструментов, а окончательную постановку диагноза будет осуществлять врач.

Голосовые помощники и логистические задачи

В этой области на сегодня получены самые интересные результаты использования искусственного интеллекта в учреждениях системы здравоохранения. 

Известно, что искусственный интеллект успешно применяется транспортными компаниями для оптимизации логистики: искусственный интеллект способен анализировать огромные объемы данных о маршрутах, затратах, сроках доставки и других факторах логистики. На основе этой информации он может предлагать оптимальные решения, помогая оптимизировать логистические процессы, планировать маршруты, управлять складами и минимизировать транспортные расходы.

Если рассматривать сферу здравоохранения, то можно видеть, что схожие по принципу задачи решают, к примеру, регистратура в поликлинике. Привычная многим картина - утром в регистратуре скапливается большое количество пациентов, с разными заболеваниями и их нужно быстро и правильно распределить по врачам, либо отправить домой, дожидаться врача там во избежание заражения других посетителей. Очень часто небольшой штат сотрудников регистратуры не успевает быстро решить эту задачу, скапливается очередь, периодически возникают разного рода конфликтные или проблемные ситуации.

Системы искусственного интеллекта являются действенным средством решения этой проблемы. Сервис «электронной регистратуры» позволяет людям записываться на прием к нужному специалисту из дома через специальный сайт или звонком, который принимает не оператор, а нейросеть. Голосовой помощник четко и разборчиво доведет до человека всю необходимую информацию о дате и времени приема или визита врача, подготовительных процедурах (если таковые требуются) и осуществит сбор предварительной информации, которая может потребоваться врачу. Это все легко программируется, формализуется в формате стандартных операционных процедур (СОП), или протоколов, которые искусственный интеллект хорошо понимает и исполняет гораздо строже и точнее, чем живой человек.

Не удивительно, что разные версии подобных сервисов сейчас широко встречаются, причем, не только в частных медицинских центрах, но и в государственных поликлиниках, подчиненных областным министерствам здравоохранения. Главные условия для их внедрения – обеспеченность учреждения соответствующими электронными средствами (оплата установки и лицензии на соответствующее программное обеспечение, достаточная пропускная способность линий связи). Иных объективных технологических барьеров для дальнейшего внедрения подобных решений в настоящее время нет.

Дальнейшее развитие подобных решений может идти по двум основным направлениям. Первое – расширение списка задач, которые может брать на себя каждая отдельная нейросеть. Например, вести учет инвентаря, лекарственных препаратов, расходных материалов и формировать своевременный запрос на закупку и доставку недостающего. Это и сейчас делается через систему 1С и федеральную систему контроля оборота лекарственных средств.

Аналогично - осуществлять мониторинг очередности и времени оказания медпомощи пациентов поликлиник и напоминание им о запланированном визите к специалисту посредством тех же телефонных обзвонов, обеспечивать обратную связь с населением. Тем более, что такая система контроля за оказанием стационарной медпомощи на федеральном уровне уже работает.

Проще говоря, искусственный интеллект может решать задачи, которые большей частью не являются специфическими, и возникают в организациях разных отраслей. Здесь задачей разработчика зачастую будет адаптация соответствующего программного продукта под нужды учреждения здравоохранения, внесение изменений с учетом нюансов работы той же поликлиники, стационара или реабилитационного центра (например, для обеспечения принятых норм конфиденциальности информации о здоровье пациента, «сквозной» передачи информации между учреждениями и Минздравом, и т.д.).

Второе направление является менее освоенным. Речь идет об интеграции разных нейросетей из разных медицинских учреждений в некую единую цифровую среду, что должно дать синергетический эффект в эффективности их работы.

Определенная работа в этом направлении уже ведется. Так в ряде регионов министерства здравоохранения уже имеют возможность отслеживать уровень загрузки тех или иных специалистов в отдельных медицинских учреждениях и своевременно перераспределять нагрузку между ними для обеспечения своевременности оказания медицинских услуг населению. Есть аналогичные системы, координирующие вопросы снабжения медицинских учреждений или организующие работу скорой медицинской помощи. Но они все еще остаются отдельными модулями, окончательной интеграции и формирования общего информационного поля с единым центром управления пока не произошло.

Очевидно, что такая интеграция не может везде проходить по единому сценарию. Решения, подходящие для Москвы или Санкт-Петербурга, окажутся слишком дорогими для областных центров, у которых просто не хватит бюджетных возможностей для их воплощения. Отдельный формат необходимо будет прорабатывать для менее крупных городов и для районных центров. И на каждом уровне потребуется свой «полигон» - населенный пункт, где стартует подобный «пилотный проект», который позволит проверить на практике, насколько оптимально работает этот подход, внести необходимые коррективы.

По данным переписи 2020 года, в нашей стране, помимо Москвы и Санкт-Петербурга (для которых будет необходим свой уникальный подход в решении этой задачи) было 14 городов с населением более 1 млн человек и еще 19 городов с населением от 500 тысяч до миллиона. Новосибирск является оптимальным местом апробации экономически выгодной модели для городов-миллионников или близким к миллиону населением. Таковым его делают как количество населения, так и наличие научного центра, где могут формироваться базовые подходы для построения такой системы, а также достаточно мощного ИТ-сектора, имеющего в своем багаже определенное количество уже внедренных решений по «цифровизации» тех или иных сторон работы медицинских учреждений. На роль головной организации по выполнению этого пилотного проекта мог бы претендовать некий Центр компетенций, объединивший Новосибирский государственный университет, институты Новосибирского научного центра и компании, входящие в состав ИТ-кластера Новосибирской области.

«Виртуальная поликлиника» и интернет вещей

Это еще одна область медицинских услуг, где востребованы системы искусственного интеллекта и которая характеризуется в настоящее время быстрыми темпами развития, связана с т.н. интернетом вещей. В данной ситуации мы говорим о разного рода программном обеспечении и специализированных гаджетах, которые помогают человеку получить некоторую информацию о состоянии своего здоровья вне медицинского учреждения и своевременно отправить запрос об оказании необходимой помощи по нужному адресу.

Есть большой комплекс приложений для мобильных устройств (и научных публикаций, связанных с ними), нацеленных на проведение каких-либо экспресс-анализов вне медицинских учреждений. Одна из типичных задач для таких приложений: человек попал в какую-то чрезвычайную ситуацию, получил травму, но непосредственно рядом с ним нет врача. Делается фотография на мобильное устройство, далее приложение ее обрабатывает и передает в некий сервисный центр скорой медицинской помощи. Там на основе полученного изображения производится оценка степени поражения организма и формируется сценарий действий для оказания первой помощи. Соответственно, такое приложение должно обладать функциями масштабирования фотографии, высокой степенью детализации изображения.

Второе направление развития приложений – это диагностика и мониторинговые наблюдения. На рынке уже представлены достаточно простые диагностические системы, которые позволяют, например, оценить уровень гемоглобина в крови. Для диагностики достаточно поднести палец с каплей крови к камере смартфона, осветить с помощью расположенного на нем источника света, записать полученное изображение. Приложение обрабатывает его, и в результате анализа цвета изображения выдает результат – какое у вас содержание гемоглобина. И, допустим, одновременно пересылает его вашему врачу. Есть и другие диагностические системы, которые могут взаимодействовать с вашими гаджетами. В результате, пациент может проводить мониторинг каких-то параметров своего организма в постоянном режиме и при этом находиться дома, на работе и т.п.

Еще более сложные задачи могут выполнять специально разработанные для них гаджеты, это направление также очень быстро развивается и распространяется. Сегодня мало кого удивишь фитнесс-браслетами (отдельными или интегрированными с «умными часами»), причем их функционал постоянно расширяется, новые модели не только оценивают двигательную активность владельца, но и замеряют его пульс, уровень кислорода в крови и т.п. Здесь мы имеем дело с неким универсальным устройством, но не менее важно создание гаджетов, адресованных группам людей с заболеваниями определенного типа.

Как известно, для многих людей, страдающих от сердечно-сосудистых заболеваний, критически важным является вовремя (а лучше - заранее) диагностировать приступ или иной сбой в работе сердца. К примеру, человек идет по улице, у него случается сердечный приступ, он падает и может умереть до того, как ему успеют оказать помощь. Но шансы на благополучный исход резко повышаются, если у человека при этом окажется с собой специальное устройство, способное снимать кардиограмму в непрерывном режиме и, в случае необходимости, сообщить о сбое через мобильный телефон лечащему врачу или в службу скорой помощи. Причем, оно распознает начинающийся приступ еще до того, как человек почувствует себя плохо. И своевременный сигнал значительно повысит шансы на благополучный исход, вплоть до предотвращения возможного инфаркта.

Для решения этой задачи новосибирскими учеными разработаны специальные бесконтактные датчики ЭКГ, принцип работы которых основан на использовании слабой емкостной связи между поверхностью кожи человека и чувствительной площадкой сенсора. Датчик крепится на грудной клетке человека и снимает показания электрокардиограммы. Он через bluetooth-канал передает данные на микросервер, а тот уже связывается с сотовым телефоном. Сам процесс похож на холтеровское мониторирование (исследование, которое представляет собой непрерывную регистрацию электрокардиограммы от 24 часов до 7 суток). Отличием является то, что в этой системе отсутствуют провода, соединяющие датчики с рекордером, а сами датчики не требуют специализированного крепления. В итоге, система получается удобнее для человека и ее можно использовать на протяжении длительного срока. Еще одно важное отличие: данные не просто накапливаются, они передаются через телефон лечащему врачу. Понятно, что надежная работа подобной системы обеспечивается благодаря использованию технологий искусственного интеллекта, который оценивает показания датчиков и в случае необходимости запускает такой же СОП, как и у голосовых помощников.

Схожий проект, но связанный с сахарным диабетом, выполняют ученые НИИКЭЛ-филиала ИЦиГ СО РАН в лаборатории профессора РАН В.В. Климонтова совместно с группой сотрудников Института математики им. Соболева СО РАН. Его суть - прогнозирование гипогликемии - экстремально низкого уровня глюкозы в крови, который нарушает нормальную работу организма, прежде всего, клеток головного мозга и сердца, и может привести к очень тяжелым последствиям для здоровья, включая кому и смерть. У здорового человека при снижении уровня глюкозы в крови (например, при физической нагрузке) мгновенно прекращается выработка собственного инсулина, а из печени в кровь начинает поступать глюкоза. В результате, уровень глюкозы в крови повышается, и гипогликемия не развивается. Но у людей с диабетом I типа, принимающих инсулин в виде лекарства, эти механизмы не работают в полном объеме: невозможно быстро удалить из «крови» лишний инсулин, а их печень вырабатывает глюкозу слишком медленно.

С гипогликемией не сложно справиться, обычно достаточно выпить сладкого чая или сока, съесть одну-две конфеты. Проблема в том, что делать это надо на начальной стадии ее развития, но часто это происходит в ночной период, когда человек спит. Поэтому, с точки зрения терапии, очень важно научиться предвидеть развитие подобных событий для каждого конкретного пациента. Решение проблемы – в создании надежных методов прогнозирования риска развития гипогликемии у пациента с помощью систем искусственного интеллекта.

Используя базу данных пациентов клиники НИИКЭЛ, результаты непрерывного мониторинга уровня глюкозы в их крови и анализ их состояния по более чем сотне признаков, с помощью методов машинного обучения, были построены прогнозные модели, которые позволяют предсказать падение уровня глюкозы с горизонтом планирования от пяти минут до получаса. Этого времени достаточно, чтобы пациент, получив сигнал о развивающейся гипогликемии, принял меры по ее купированию.

В дальнейшем, на основе этого метода предполагается создание программного обеспечения для мобильного гаджета, который и сможет своевременно предупреждать пациента о развитии опасной для его здоровья ситуации.

По мере расширения круга пользователей таких специализированных гаджетов возникает рынок для новой медицинской услуги (и на территории нашей страны уже есть медицинские центры, которые ее оказывают) – той самой «виртуальной поликлиники». Гаджеты ее пациентов находятся в постоянной связи с этим центром, и в случае возникновения опасного состояния сигнализируют об этом не только своему владельцу, но и врачам. Это обеспечивает возможность оперативного прибытия бригады скорой медицинской помощи к пациенту (быстрее, чем если вызывать ее по обычному сценарию).

Как показала практика, себестоимость оказания такой услуги позволяет осуществлять ее за относительно доступную абонентскую плату, что дает основания говорить о перспективах ее широкого применения.

Дальнейшее развитие этой услуги не только даст толчок появлению новых типов специализированных гаджетов (для которых потребуется более совершенное программное обеспечение), но и поставит задачу развития систем с искусственным интеллектом для управления работой «виртуальной поликлиники».

Например, чем больше пользователей у такой услуги, тем выше вероятность возникновения ситуаций с «пиковой нагрузкой», когда, в случае магнитной бури, других климатических событий или пандемии, число пациентов, чьи гаджеты сигнализируют об опасном состоянии, резко возрастает. И если имеющихся в наличии бригад скорой помощи будет меньше, чем адресов, на которые им необходимо выехать – критически значимым будет быстро и правильно обработать сигналы гаджетов, выстроив их маршруты в зависимости от состояния каждого пациента, а также учитывая другие факторы – логистику перемещений, загрузку дорожного траффика и прочее. Очевидно, что для решения подобного типа задач тоже будут востребованы системы искусственного интеллекта.

Преимущества Новосибирского государственного университета как потенциального центра разработки подобных систем

Успешная разработка и внедрение систем с искусственным интеллектом для нужд здравоохранения возможны при соблюдении ряда условий. Одни из них являются достаточно универсальными и характерны для любых направлений, связанных с развитием технологий искусственного интеллекта.

К ним относятся наличие сильных математических научных школ (таких, какие, к примеру, созданы в институтах Сибирского отделения РАН). Поскольку именно математика как наука выступает фундаментом для развития подобных технологий: сначала формулируется некая математическая теория, на ее базе пишутся языки программирования, с помощью которых в дальнейшем создаются конкретные решения и системы искусственного интеллекта.

Особенностью работы с глубокими нейронными сетями является то, что для использования готовый программный продукт пользователь вполне может запустить на своем персональном компьютере или смартфоне, но для его разработки и обучения нейросети требуется на порядки более мощная вычислительная инфраструктура. Оптимальный вариант – суперкомпьютерный центр с большим хранилищем данных.

Еще одно условие – наличие некоего кластера разработчиков программного обеспечения, которые могут распределить между собой задачи, и обеспечить их параллельное согласованное выполнение. Современные информационный технологии, особенно с использованием искусственного интеллекта перестали быть уделом талантливых одиночек и все больше требуют работы большой команды с четким распределением задач внутри коллектива.

К специфическим условиям можно отнести обязательное участие исследователей в области медицины и практикующих врачей, наличие медицинских центров, согласных стать площадками для пилотного внедрения новых технологий и опыта реализации подобных проектов, что подразумевает знакомство их разработчиков с нюансами внедрения новых продуктов в системе здравоохранения (в том числе - по протоколам испытаний новых медицинских приборов).

Можно отметить, что Новосибирский государственный университет соответствует вышеперечисленным условиям.

В университете десятилетиями работают мощные математические школы, созданные с участием ведущих математических институтов Сибирского отделения РАН. В частности, речь идет о школе семантического программирования, в рамках которой уже создан ряд систем, использующих искусственный интеллект в своей работе.

В настоящее время идет строительство нового кампуса мирового уровня НГУ, одним из главных элементов которого станет Суперкомпьютерный центр «Лаврентьев». Его вычислительных мощностей и объема хранения данных будет вполне достаточно, чтобы обеспечить работу по созданию технологий искусственного интеллекта.

В НГУ существует несколько факультетов – Механико-математический факультет, Факультет информационных технологий, Институт интеллектуальной робототехники, Высший колледж информатики – где успешно работают команды собственных программистов и разработчиков, уже сейчас реализующих проекты с использованием искусственного интеллекта по задачам различных индустриальных партнеров. Кроме того, у НГУ есть хорошие контакты с научно-технологическим парком «Академпарк» и компаниями ИТ-кластера Новосибирской области. Вкупе это обеспечит быстрое формирование команды специалистов с необходимыми компетенциями для разработки разнообразных программных продуктов.

Также НГУ является одним из немногих российских университетов классического типа, где представлено медицинское направление. Институт медицины и психологии НГУ вполне способен обеспечить работу команды как собственными специалистами с необходимыми компетенциями, так и помочь в их привлечении из научных институтов СО РАН медицинского профиля, с которыми налажено многолетнее сотрудничество. А клиники этих институтов оптимально подходят для пилотного внедрения готового продукта, поскольку изначально создавались в том числе для внедрения новых медицинских технологий. Более того, у исследователей из Института медицины и психологии НГУ и их коллег из институтов Новосибирского научного центра уже накоплен опыт по разработке и внедрению таких технологий, некоторые из таких проектов упоминались выше.

Также очевидно, что объединение всех перечисленных ресурсов в рамках некой единой структуры, где их работа будет тесно интегрирована как между собой, так и с министерствами здравоохранения областного и федерального уровня, даст синергический эффект и позволит ей претендовать на позицию одного из лидирующих центров страны по разработке систем искусственного интеллекта в интересах отечественного здравоохранения.

А.Ю. Летягин, д.м.н., профессор, заместитель руководителя по научной и клинической работе НИИКЭЛ-филиала ИЦиГ СО РАН, заместитель директора по научной работе ФИЦ ИЦиГ СО РАН