Представьте врача-рентгенолога в конце двенадцатого часа смены. Перед ним сотый или сто пятидесятый снимок маммографии за день. Глаза замылены физически, внимание рассеивается, а на экране отображается плотная ткань, в которой нужно разглядеть микроскопическое скопление кальцинатов размером меньше зернышка пшена.
Человеческий глаз в таких условиях несовершенен. Именно здесь, на стыке физической усталости и предельных возможностей нашей оптики, нейросети совершают тихую революцию. Они не заменяют врачей, а работают вторым пилотом, который не пьет кофе, не хочет спать и методично пиксель за пикселем сканирует терабайты изображений.
На текущий момент регулирующие органы выдали одобрение более чем на $1400$ медицинских ИИ-технологий. Свыше $75\%$ из них приходится на радиологию. Это уже не эксперименты в закрытых лабораториях, а повседневная клиническая практика.
Проблема скрытого рака на примере алгоритма Mia
В традиционной европейской медицине каждый снимок маммографии проверяют два независимых радиолога. Это долго и дорого, но снижает риск ошибки. И все равно около $20\%$ опухолей на ранних стадиях пропускаются из-за человеческого фактора.
Во время масштабного исследования в британском округе Грампиан местная служба здравоохранения внедрила ИИ-систему Mia в качестве дополнительного фильтра. Если оба врача говорят, что все чисто, снимок все равно прогоняют через алгоритм. При обнаружении аномалий нейросеть отправляет снимок на третий, арбитражный консилиум.
Одной из пациенток была женщина по имени Барбара. Ее снимок выглядел абсолютно нормально для человеческого глаза. Два опытных врача не нашли патологий, однако алгоритм забил тревогу.
На дополнительном обследовании врачи обнаружили опухоль размером менее $15\text{ мм}$. При поимке рака молочной железы на таком размере выживаемость превышает $95\%$. Опухоль Барбары была настолько крошечной, что без алгоритма ее заметили бы только через пару лет на плановом осмотре, когда лечить ее было бы в разы сложнее.
В ходе этого проекта Mia помогла найти на $12\%$ больше скрытых опухолей, при этом нагрузка на персонал снизилась почти на $30\%$.
Три типа медицинских алгоритмов, которые работают прямо сейчас
Современный медицинский ИИ давно вышел за рамки простого поиска пятен на снимках. Технологии разделились на три четкие категории по уровню автономности и задачам.
Ассистенты для второго мнения
Эти программы работают параллельно с врачом. Сюда относится упомянутая система Mia и аналогичные решения для анализа КТ легких. Они не ставят диагноз, а лишь подсвечивают сомнительные зоны на экране, заставляя врача присмотреться внимательнее.
Сортировщики экстренных случаев для триажа
Системы класса Aidoc или Viz.ai анализируют поток входящих снимков в реальном времени. Если алгоритм видит на КТ признаки инсульта или легочной эмболии, он мгновенно поднимает этот снимок в самый верх рабочей очереди врача и отправляет уведомление дежурной бригаде. Тот, кто был в очереди сотым, но имеет смертельную патологию, попадает к врачу первым.
При ишемическом инсульте каждую минуту мозг теряет около $1.9\text{ млн}$ клеток. Платформа RapidAI строит тепловую карту мозга за $2-3\text{ минуты}$, показывая мертвую зону красным цветом, а спасаемые ткани зеленым. В экстренных кейсах это позволяет сократить время до начала операции по извлечению тромба на $30-40\text{ минут}$. Для пациента это разница между инвалидностью и возможностью уйти домой на своих ногах.
Полностью автономные диагносты
Это самый сложный класс программ, способных принимать решения без участия врача. Первым таким решением, получившим строгое одобрение FDA, стала система IDx-DR. Она исследует снимки глазного дна для выявления диабетической ретинопатии. Медсестра в обычном кабинете делает снимок, загружает его в программу, а ИИ выдает готовое заключение — обнаружена патология или нет. Если патология есть, пациента сразу направляют к профильному офтальмологу.
Отдельным классом стоят интерактивные помощники вроде Caption AI. Эта программа помогает среднему медперсоналу без профильного образования проводить ультразвуковое исследование сердца. Нейросеть в реальном времени подсказывает на экране смартфона, куда именно нужно наклонить датчик УЗИ, чтобы получить идеальный диагностический срез.
Где ИИ спотыкается и почему энтузиастам нужен холодный душ
Было бы ошибкой рисовать радужную картину, где нейросети безупречны. У медицинского ИИ есть серьезные слепые зоны, о которых клиницисты обязаны помнить.
- Чувствительность к оборудованию. Если обновить прошивку КТ-сканера или заменить модель маммографа, точность нейросети может резко просесть. Она обучалась на одних типах шумов и артефактов изображения, а получила другие.
- Редкие патологии. Нейросеть сильна там, где есть миллионы похожих примеров. Если у пациента редкое, атипичное течение болезни или нестандартная анатомия, ИИ просто разведет руками или выдаст ложный диагноз.
- Отсутствие контекста. ИИ не знает, курит ли пациент, чем болели его родственники и как он себя чувствует сегодня. Он видит только плоскую картинку из пикселей.
Поэтому концепция полной замены врача искусственным интеллектом остается утопией. Рабочая связка выглядит исключительно как синергия человека и алгоритма.
Как клиники внедряют ИИ на практике — короткий чек-лист
Интеграция подобных систем в реальную клинику представляет собой сложный технический процесс.
- Этап 1. Сбор золотого стандарта. Клиника берет около $500$ старых, детально изученных снимков с подтвержденными диагнозами для локального тестирования.
- Этап 2. Тестирование в фоновом режиме. Нейросеть подключают к потоку снимков, но ее выводы скрывают от практикующих врачей. Инженеры просто сравнивают вердикты ИИ с реальными решениями медиков.
- Этап 3. Калибровка порога чувствительности. Если сделать чувствительность слишком высокой, врачи сойдут с ума от ложных тревог. Если занизить, то ИИ начнет пропускать патологии.
- Этап 4. Бесшовная интеграция. Результаты работы ИИ встраивают прямо в рабочее окно PACS-системы, в которой привык работать врач, без необходимости открывать сторонний софт.
