Искусственный интеллект в здравоохранении - Коллектив авторов

В другом исследовании сравнивалась эффективность пяти систем ИИ на «невидимом» наборе данных рентгенограмм грудной клетки, собранных в нескольких центрах скрининга туберкулеза в Бангладеш в условиях широкого распространения заболевания. Исследование было географически независимым от тестируемых систем (созданных в Китае, Индии и Южной Корее) [Qin et al., 2020]. Всего в исследовании приняло участие 23 566 человек. Рентгенограммы органов грудной клетки проанализировали три местных врача-рентгенолога. Некоторые из них были повторно оценены врачами-рентгенологами США. Все пять алгоритмов ИИ значительно превзошли врачей. Был сделан вывод о том, что алгоритмы предлагают эффективные инструменты скрининга и сортировки для активного выявления случаев заболевания в регионах с высоким бременем туберкулеза.

Одной из областей, в которой проведено определенное количество таких испытаний, является эндоскопия желудочно-кишечного тракта. МИ с технологиями ИИ, помогающие в режиме реального времени выявлять колоректальные полипы, прошли несколько испытаний, когда проводилась внешняя проверка или сравнивались результаты МИ с заключениями врачей-эндоскопистов на одной выборке. В результате некоторые МИ получили одобрение регуляторов в США, Японии и других странах[14].

Для оценки доказательств при внедрении системы ИИ полезны три основных источника:

– опубликованные рецензируемые данные;

– данные клинического опыта (наиболее полезны для выявления менее частых, но серьезных нежелательных явлений);

– данные клинических испытаний.

Оценка эффективности, мониторинг безопасности программных МИ с технологиями ИИ важны и после внедрения системы в практическую медицину. В недавнем исследовании, проведенном в Таиланде, оценивались практическая значимость и особенности использования системы ИИ глубокого обучения для выявления диабетической ретинопатии в медицинских организациях, расположенных в сельской местности. Наблюдение и опросы медицинских работников проводились в 11 клиниках страны до и после внедрения системы. До внедрения системы ИИ отмечены:

– высокая вариативность процесса проверки зрения в клиниках, участвовавших в исследовании (с учетом организации рабочего процесса и других аспектов);

– различные условия оказания медицинской помощи (в зависимости от состояния помещений, освещения и т. д.).

Пользователи (медицинские сестры) отмечали как преимущества, так и недостатки добавления системы ИИ в свой рабочий процесс. Оценка после внедрения показала воздействие использования системы ИИ на процесс получения информированного согласия пациента. На точность работы системы ИИ повлияло качество изображений (в 21 % случаев изображения были плохого качества, чтобы их можно было оценить с помощью алгоритма ИИ). Низкая скорость подключения к Интернету препятствовала рабочему процессу, снижала качество обслуживания пациентов [Gulshan et al., 2016].

Полученные результаты подтвердили ценность, наряду с перспективными исследованиями, оценки применения систем ИИ в реальных условиях. В качестве примера использования указанных подходов рассмотрим процесс принятия решения о внедрении системы ИИ при обработке изображений, полученных при визуальном осмотре шейки матки с помощью кольпоскопа (позволяет рассмотреть ткани под многократным увеличением) с использованием раствора уксусной кислоты для выявления предраковых поражений при проведении гинекологического скрининга в развивающихся странах.

Выявление предраковых поражений при проведении расширенной кольпоскопии (с проведением обработки шейки матки раствором уксусной кислоты) в рамках скрининга является одним из перспективных направлений применения ИИ в системах здравоохранения, особенно в странах с низким и средним уровнем дохода. Рак шейки матки занимает четвертое место в мире среди наиболее распространенных видов рака у женщин, является в этой группе одной из ведущих причин смерти. Во многих случаях рак шейки матки обнаруживается слишком поздно из-за отсутствия своевременного наблюдения, особенно в странах с ограниченными ресурсами систем здравоохранения. Данные исследований показали, что при обнаружении рака шейки матки на ранней стадии процент выживаемости в последующие пять лет составляет 92 % [Димитриади и др., 2017].

В 2020 г. ВОЗ разработана стратегия по ускорению ликвидации заболевания в XXI в. К 2030 г. должны быть достигнуты следующие цели: 90 % девочек полностью привиты вакциной против вируса папилломы человека к 15 годам, 70 % женщин проходят скрининг с помощью высокоэффективного теста к 35 годам и повторно к 45 годам. 90 % женщин с выявленным заболеванием получают лечение. Модель 90-70-90 позволит в странах с низким и средним уровнем дохода снизить заболеваемость на 42 % к 2045 г. [Global strategy to accelerate…, 2020].

При этом эффективность классической кольпоскопии остается неудовлетворительной. Во время осмотра врачи должны принимать определенные решения, например, проводить биопсию или нет. В ходе проведения скрининга клинические решения принимаются в режиме реального времени, на них влияют полученные при первоначальной оценке с использованием визуального осмотра с раствором уксусной кислоты данные. Белое окрашивание различной степени выраженности свидетельствует о наличии предраковых поражений (дисплазии), карциномы, других поражений и о необходимости проведения биопсии (взятия образца ткани для исследования). Врачу необходимо сопоставить все характеристики, полученные при кольпоскопии, с нормой или возможными вариантами отклонений для формирования заключения. При этом оценку состояния покрова шейки матки могут существенно затруднять наличие выраженного воспаления, деформации шейки матки, а кольпоскопия в таких случаях будет расцениваться как неудовлетворительная. Диагностическая ценность зависит от подготовки, опыта и суждений медицинского работника. Из-за нехватки опытных специалистов на местах рабочая нагрузка возрастает, диагностическая точность невысока.

Решением может стать фотографирование шейки матки после обработки уксусной кислотой (цифровая фотокольпоскопия) с обработкой в приложении мобильного телефона, содержащем алгоритм ИИ, оценивающего наличие и степень окрашивания. Компьютерное зрение, примененное в ходе кольпоскопии, может выступать в качестве поддержки принятия врачебных решений и улучшать визуальную интерпретацию.

Проводятся международные исследования способов автоматизации существующих методов оценки шейки матки с целью повышения точности выявления предраковых поражений высокого риска. Так, в Китае создана модель ИИ, которая находит поражение на снимке, разделяя его на области при помощи нейронной сети U-Net. После чего моделью CapsNet выделяется и анализируется соответствующий участок снимка на основе анализа положения, размера, направления, деформации, отражательной способности, цвета, текстуры. Изображению присваивается набор данных – происходит кодировка. Затем полученный код сравнивают с кодом изображения нормальной шейки матки и выдается предварительное заключение для врача [Zhang, Zhao, 2019].

Ученые из США (Университет Южной Флориды) предложили свой алгоритм распознавания ИИ раковых клеток по изображениям кольпоскопии, также основанный на сегментации полученного изображения, но с большим количеством частей. Выделяются раковые клетки на основе среднего ядерного объема. Сначала изображение переводится в черно-белый формат, затем выбираются и анализируются ядра по алгоритму вычисления порога бинаризации для полутонового изображения Оцу (метод Оцу – это алгоритм вычисления порога бинаризации для полутонового изображения, используемый в области компьютерного распознавания образов и обработки изображений). Постепенно удаляются зоны, не переходящие порог minBlobSize, контрастируются патологические ядра, переходящие этот порог, затем измеряется их объем и делается заключение о наличии патологии [Phoulady et al., 2014].

В настоящее время на рынке представлены различные мобильные устройства и цифровые кольпоскопы для решения этой