ENG
Компьютерное зрение
В 1981 году Нобелевскую премию по физиологии и медицине получил нейрофизиолог Дэвид Хьюбел. Его работа Brain mechanisms of vision касалась обработки информации в зрительном анализаторе. Вместе с Торстеном Визелом он проводил эксперимент, помещая микроэлектрод в зрительные центры коры головного мозга кошек и обезьян и фиксируя спонтанную активность нервной клетки, в которую был имплантирован этот микроэлектрод. Ученые выяснили, как различные компоненты изображения на сетчатке считываются и интерпретируются клетками коры головного мозга. Это открытие легло в основу компьютерного зрения.
Что же это такое?
Есть несколько способов научить машину распознавать кошек и собак. Первый — задать алгоритм, описывающий животных определенным образом относительно друг друга. Очевидно, что универсальных параметров почти нет: например, кошки не всегда меньше собак и т.д. Другой способ — показать очень много фотографий с кошками и собаками, обозначив их. Примерно так ребенок учится узнавать животных, поэтому мы с вами при встрече даже с экзотической кошкой, как правило, безошибочно понимаем, что перед нами именно она. Этот пример демонстрирует два разных подхода к обучению машин: описание алгоритмами (знаниями) и представление, зрительное обучение (компьютерное зрение). Оба этих подхода уже применялись в медицине.
Первые помощники принятия врачебного решения
Анализ медицинских изображений — один из самых распространенных способов диагностики. Первые интеллектуальные системы, помогающие рентгенологам в обработке диагностических изображений, — CAD-системы (computer-aided diagnostic) — появились более 40 лет назад и внедрялись многими известными поставщиками ПО и оборудования для рентгенологии. CAD-системы построены на основе традиционных алгоритмов обработки изображений и не используют ИИ. Рентгенологи очень редко используют такие системы в своей работе из-за низкой точности постпроцессинговой обработки изображений.
Но в последние пять лет эффективное распознавание изображений стало наиболее динамично развивающимся направлением в ИИ. Это связано с несколькими факторами. Во-первых, скопились большие объемы данных, необходимых для обучения нейронных сетей. Во-вторых, значительно усовершенствовались математические алгоритмы и, прежде всего, технология глубоких сверточных сетей, которая сейчас признается в ИИ топовой для распознавания изображений. Эти же сети используются для распознавания голоса. Наконец, игровые графические процессоры, или видеокарты, стали значительно эффективнее. Именно мощности этих видеокарт позволяют обрабатывать информацию с высокой точностью и добиваться результатов, которые раньше были невозможны. В 2012 году сочетание этих факторов привело к значительному прогрессу в развитии технологий компьютерного зрения и способствовало их коммерческому использованию в различных областях: обнаружение объектов, распознавание лиц на фото или видео. Подобные графические процессоры используются также при майнинге криптовалют, о котором вы читаете примерно каждый день.
ИИ и новые возможности диагностики
В мире уже есть системы, которые способны обрабатывать данные для распознавания разных заболеваний. Сегодня стало возможным создание системы, которая будет анализировать все доступные данные о пациентах безотносительно нозологии и, например, не пропустит сигнал о новообразовании на КТ-исследовании, на котором врач анализирует лишь перелом ключицы. Подобная комплексная модель позволит избежать диагностических ошибок. Для этого необходимо использование гетерогенных медицинских данных, то есть не только изображений, но и клинических данных из электронных медкарт и неструктурированных медицинских данных (например, описание изображения рентгенологом). Важно, чтобы эта система могла не только выдать результат, но и показать врачу, какая информация стала для нее решающей при постановке диагноза.
Именно сложности построения математических моделей пациентов с использованием всех данных по разным заболеваниям и отсутствие возможности увидеть логику выведенного ИИ результата — главные проблемы на пути дальнейшего развития технологии. Если врач будет видеть, на какие факторы обратил внимание ИИ при выдаче прогноза, он будет больше доверять ИИ, и его корректировки для дальнейшего обучения системы будут более точными. Это удивительная история, в которой чистая математика встречается с медицинским знанием. Именно на ее разработку сейчас брошены силы IBM, Amazon, многих других корпораций, а также небольших стартапов. Сегодня сроки создания подобных проектов сокращаются за счет наличия опенсорсных программ. И теперь вопрос не столько в технологической разработке, сколько в создании продукта, который будет востребован и органично встроен в существующие диагностические бизнес-процессы.
Тренд на модель SaaS не обошел стороной и сферу ИИ; многие уже прогнозируют развитие модели AIaaS. Думаю, придет время и HAIaaS — ИИ для здравоохранения как сервис.
Инвестиции в медицинские ИИ-стартапы
Трудно оценить скорость повсеместного внедрения подобных систем. Но, исходя из динамики развития инвестиций в подобные проекты и опросов участников отрасли, можно предположить, что в течение 5 лет половина врачей будет пользоваться подобными системами как минимум в Америке. Пока что Россия серьезно отстает от Китая и США, которые вкладывают огромные средства в развитие ИИ. В США минимальные инвестиции на посевной стадии такого проекта стартуют от 1 млн долларов, что в среднем в 5 раз больше наших раундов этого этапа. При этом нужно понимать, что научная база этой предметной области — математика, с которой в России исторически все хорошо. Именно поэтому можно часто встретить в командах зарубежных ИИ-стартапов (например, в Roam и Aidoc) русские имена. Если сейчас не активизироваться, можно через 5 лет проиграть в этой гонке, покупая зарубежные решения вместо того, чтобы продавать свои.
