Технология, позволившая алгоритму обыграть чемпиона мира по шахматам в 1997 году, теперь набирает обороты в здравоохранении. За время, прошедшее после первых испытаний в 1950 году, искусственный интеллект (ИИ) добился больших успехов в разных отраслях. В то время как ускоренное развитие технологии искусственного интеллекта открывает бесчисленные двери возможностей, возможно, некоторые из наиболее эффективных приложений находятся в области медицины. С 2010 года во всем мире было подано более 154 000 патентов на ИИ, большинство из которых относится к областям, связанным со здоровьем (29,5%). ИИ в здравоохранении — одна из самых быстрорастущих отраслей в мире, которая, по прогнозам, достигнет монументальной оценки в 150 миллиардов долларов к 2026 году.

Но почему сейчас? Что вызвало этот недавний переломный момент в ИИ, несмотря на десятилетия колебаний как в финансировании, так и в разработках? Основной вклад в этот сдвиг внесли достижения в области глубокого обучения — техники машинного обучения, которая учит компьютеры учиться на примерах. Кай-Фу Ли описывает переломный момент в своей книге Сверхспособности ИИ, подчеркивая, что интерес к ИИ резко возрос после крупной демонстрации потенциала глубокого обучения в 2016 году, когда программное обеспечение ИИ от Google (позже придуманное AlphaGo Lee) победило талантливого Ли Седоля сложная многовековая китайская настольная игра Го. Эта важная веха подтолкнула к дальнейшему развитию, и Google продолжила создание AlphaGo Zero, эволюцию программного обеспечения, которое обучалось само по себе, начиная со случайной игры без какого-либо взаимодействия с человеком или исторических данных. Всего за три дня AlphaGo Zero превзошел способности AlphaGo Lee, а к 40-дневной отметке AlphaGo Zero превзошел способности всех других версий AlphaGo, став лучшим игроком в го всех времен.

Это невероятное применение обучения с подкреплением — лишь верхушка айсберга, и за последние почти два года глубокое обучение произвело революцию в ряде различных отраслей, а финансирование исследований и инвестиций достигло рекордно высокого уровня. В сентябре прошлого года DARPA объявило о кампании стоимостью 2 миллиарда долларов по разработке следующей волны технологии ИИ, а International Data Corporation Projects о том, что мировые расходы на ИИ достигнут 35,8 миллиарда долларов в 2019 году, что на 40% больше, чем в прошлом году. К 2022 году IDC прогнозирует, что расходы вырастут до 77,6 млрд долларов.

Ожидается, что к 2020 году медицинские знания удвоятся всего за 73 дня по сравнению с периодом удвоения в 50 лет в 1950 году, 7 лет в 1980 году и 3,5 года в 2010 году. большая часть связана с вычислительной мощностью, включая скорость и точность, для диагностики и обнаружения. Способность быстро анализировать большие наборы данных полезна не только для ускорения выполнения существующих задач и получения результатов в области медицины, но и для стимулирования прогнозируемого экспоненциального роста медицинских знаний.

ИИ имеет большой потенциал в области здравоохранения, но сдвиг уже происходит. Давайте более подробно рассмотрим некоторые революционные приложения ИИ в здравоохранении, которые расширяют возможности отрасли.

Медицинская визуализация, большие данные и электронный искусственный интеллект

Обработка данных в радиологии сегодня считается легкой добычей для искусственного интеллекта, и прогнозируется, что к 2025 году приложения в медицинской визуализации составят 19 миллиардов долларов от стоимости глобальной индустрии ИИ. Хотя искусственный интеллект не заменит рентгенологов, он может безусловно, будет использоваться в качестве инструмента, дополняющего ценность, которую радиологи предоставляют, когда дело доходит до принятия клинических решений, и играет важную роль в прогностической аналитике. Повышение эффективности для врачей может в конечном итоге привести к экономии средств и увеличению доходов, и компании это понимают.

Чтобы понять весь потенциал искусственного интеллекта в радиологии, важно сначала понять широту данных медицинской визуализации. По данным GE Healthcare, в настоящее время в больницах хранятся миллионы цифровых изображений, и это число растет по мере того, как цифровые устройства обработки изображений становятся все более совершенными. Кроме того, медицинская визуализация составляет примерно «90 процентов всех медицинских данных, и более 97 процентов этих данных не анализируются. Их просто слишком много, и во многих случаях они слишком сложны, чтобы их можно было эффективно оценить и превратить в полезную информацию людьми или аналитиками.

Стремясь использовать всю мощь ИИ, производители оборудования, такие как NVIDIA, Microsoft, Google, Apple, Tesla и Hitachi, делают свои собственные чипы, специально предназначенные для обработки вычислений, необходимых для глубокого обучения. Вместо того, чтобы использовать чипы общего назначения, на которых основана большая часть текущих исследований и коммерческих приложений, эти чипы обработки со встроенным искусственным интеллектом (e-AI) еще больше ускорят скорость изменений, которые мы наблюдаем в этой области, и решит многие узкие места обработки больших данных для реальных приложений.

В ноябре 2017 года Nuance Communications запустила открытую платформу, предназначенную для ускорения разработки ИИ для медицинской визуализации в партнерстве с NVIDIA. Торговая площадка позволяет беспрепятственно создавать, распространять и использовать постоянно обучающиеся алгоритмы для рентгенологов, и через год после запуска Nuance объявила о своей эволюции в совместное сообщество разработчиков и исследователей, которые могут создавать, тестировать, проверять и делиться этими алгоритмами. алгоритмы, основанные на данных 25 000 рентгенологов из 5 500 подключенных медицинских учреждений.

Примеры алгоритмов, подобных тем, которые доступны на торговой площадке Nuance, обеспечивающей поддержку принятия клинических решений, включают программное обеспечение OsteoDetect от Imagen, которое использует алгоритм ИИ для анализа рентгеновских снимков запястья, и IDx, полностью автономную систему ИИ, способную выявлять диабетическую ретинопатию. моментально», среди многих других. Что, пожалуй, самое интересное в этих приложениях, так это то, как быстро они проходят проверку FDA. OsteoDetect был одобрен в мае 2018 года, всего через год после завершения тестирования программного обеспечения, а процесс утверждения IDx занял всего 85 дней. По мере того, как ИИ укрепляет свою роль в здравоохранении, все больше программных предложений требуют одобрения De Novo, а сроки от создания концепции до утверждения FDA ускоряются.

DeepMind Health — еще одна организация, добившаяся больших успехов в применении искусственного интеллекта в медицинской визуализации. DeepMind Health была основана в Лондоне с целью использования ИИ для практической пользы для пациентов, медсестер и врачей, а также для поддержки NHS и других систем здравоохранения. В последние годы организация сотрудничала с глазной больницей Мурфилдс, чтобы использовать ИИ для точной интерпретации сканов глаз при угрожающих зрению заболеваниях глаз, Университетским колледжем Лондона, чтобы разработать систему ИИ, которая может анализировать сканы рака головы и шеи, и Центр исследования рака Великобритании в Имперском колледже Лондона, чтобы улучшить обнаружение рака груди, среди других проектов. Буквально в прошлом месяце исследователи Google AI в сотрудничестве с Northwestern Medicine опубликовали результаты своей модели глубокого обучения, которая выявляла рак легких на 5% чаще и с 11%-ным сокращением ложных срабатываний по сравнению с группой из шести человек-экспертов. Google планирует сделать эту модель доступной через Google Cloud Healthcare API. Каждое из этих приложений может помочь оптимизировать процессы для медицинских работников, сократить время ожидания между сканированием, диагностикой и лечением, помочь в планировании лечения и, в конечном итоге, улучшить результаты лечения пациентов.

Нет недостатка в примерах того, как ИИ может улучшить процессы медицинской визуализации, и, хотя приложения для визуализации — это легковесные плоды ИИ, все еще существуют серьезные проблемы с клиническим внедрением, когда речь идет об интеграции и рабочем процессе. Без подходящего программного обеспечения провайдеры не смогут эффективно использовать инструменты ИИ в полной мере. Для этого разработчикам алгоритмов необходимо сотрудничать с поставщиками изображений или создавать платформы, не зависящие от поставщиков, чтобы обеспечить интеграцию и совместимость рабочих процессов.

Глубокий ЭУЗ

Учитывая ранее описанные варианты использования ИИ, когда дело доходит до организации и анализа данных медицинских изображений, его роль в системах EHR может показаться очевидной. Но опять же, давайте уделим немного времени рассмотрению огромного объема данных, о которых идет речь. Было подсчитано, что индустрия здравоохранения отвечает за 30 процентов производства данных в мире, а один пациент приводит примерно к 80 мегабайтам хранимых данных каждый год. Больницы, с другой стороны, производят примерно 50 петабайт (это 50 000 000 ГБ) в год. Хотя объем глобальных медицинских данных уже ошеломляет, прогнозируется темп роста 48% в год, и, по оценкам, к 2020 году он достигнет 2314 эксабайт. Для сравнения, в 2013 году этот показатель составлял 153 эксабайта.

Возможно, еще более ошеломляющим, чем сам объем, является отсутствие организации. Согласно данным IBM Watson Health за 2018 год, примерно 80 процентов глобальных данных о здравоохранении неструктурированы. Системы EHR хранят сложные данные и клинические записи, связанные с каждым пациентом (и каждой встречей с этим пациентом), включая лабораторные анализы и результаты, диагнозы, предписания, медицинские изображения, записи о поступлении и выписке и демографическую информацию. По состоянию на февраль 2018 года почти 84 процента больниц использовали систему EHR, что в девять раз больше, чем 10 лет назад. Однако из-за нормативных требований и различий в программном обеспечении электронных медицинских карт в разных системах здравоохранения данные хранятся таким образом, что доступ к ним, их консолидация и обмен ими затруднены. Это не только неудобно и неэффективно, но также может иметь значительные последствия для пациентов, такие как задержки в лечении из-за важной информации, которая недоступна и труднодоступна. По этой причине в 2014 году появились ресурсы Fast Healthcare Interoperability Resources (FHIR) как стандарт электронного обмена медицинской информацией, позволяющие разработчикам быстрее и проще создавать и извлекать данные из приложений EHR. Стандарт FHIR теперь является предшественником успешного развертывания ИИ на больших наборах данных и позволяет алгоритмам понимать эти данные.

Когда ИИ может понимать данные, он может предоставить ряд решений для больших данных, и исследование 2018 года Достижения в области глубокого обучения для анализа EHR показало успех с подходами глубокого обучения к задачам клинической информатики, что приводит к более быстрой и точной работе. . В ноябре 2018 года Amazon представила Amazon Comprehend Medical, сервис машинного обучения, который позволяет автоматически извлекать неструктурированную информацию EHR — процесс, который в противном случае был бы ручным и трудоемким. Новое предложение призвано стать универсальным решением, которое устраняет необходимость в специализированном программировании и позволяет гармонизировать информацию в разрозненных хранилищах электронных медицинских карт. Google объявил о расширении аналогичного проекта в июне 2018 года, компонента EHR медицинской группы Google Brain под названием Medical Digital Assist. Проект направлен на использование ИИ для оптимизации использования электронных медицинских карт и распознавания голоса, чтобы обеспечить клиническую документацию без помощи рук.

В то время как получение универсального и автоматизированного доступа к в настоящее время неструктурированным и разрозненным данным, особенно в системах здравоохранения, повысит эффективность и сократит (или фактически устранит) ручное извлечение информации, существует также огромный потенциал, когда дело доходит до использования этой информации для прогнозирования медицинских результатов и управляйте персонализированной медициной. В феврале прошлого года группа китайских и американских исследователей опубликовала исследование, в котором подробно описала успех созданной ими системы глубокого обучения для анализа медицинских данных и диагностики распространенных заболеваний у детей. ИИ был обучен с использованием 101,6 миллиона точек данных из электронных медицинских карт более 600 000 педиатрических пациентов и их общих посещений 1,3 миллиона пациентов. Система смогла поставить диагноз с уровнем точности, сравнимым с опытными педиатрами. Это имеет огромный потенциал для врачей, когда речь идет об оценке больших объемов данных и принятии клинических решений, особенно в сложных случаях.

Обработка естественного языка

Хотя Google планирует использовать распознавание голоса для диктовки клинических заметок, существует несколько потенциальных приложений языковых технологий, как письменных, так и голосовых, и инвесторы сделали заметки. Обработка естественного языка (NLP), которая является общим термином для описания использования алгоритмов и искусственного интеллекта для определения и извлечения смысла из письменной или устной речи, прогнозируется, что в 2021 году рынок вырастет до 16 миллиардов долларов. Вероятно, вы уже знакомы с тем, как технология позволяет вам взаимодействовать с Siri или Alexa, но с точки зрения приложений в здравоохранении НЛП можно использовать для преобразования данных из машиночитаемых форматов в естественный язык (или наоборот), чтобы определить ключевые выводы из длинных исходный материал, сопоставлять неструктурированный текст со структурированными полями или, как упоминалось ранее, диктовать клинические заметки.

Интересно, что голосовые помощники с искусственным интеллектом, такие как Amazon Alexa, Google Assistant и Microsoft Cortana, могут сыграть в этом свою роль. И Northwell Health в Нью-Йорке, и медицинский центр Beth Israel в Бостоне улучшают стандартные возможности Amazon Alexa, создавая новые приемы, которые могут помочь улучшить уход за пациентами. По словам ИТ-директора Beth Israel доктора Джона Халамки, стационарные пациенты могут взаимодействовать с Alexa для ряда общих вопросов или команд, таких как: Когда мой врач будет здесь? Что на ланч? Позовите медсестру. Точно так же Northwell Health, представляющая собой систему нью-йоркских больниц и медицинских центров, использует Alexa для предоставления информации о времени ожидания для пользователей, нуждающихся в уходе. Пользователи Alexa (а вскоре и Google Home) могут использовать эту технологию, чтобы найти кратчайшее время ожидания скорой помощи или неотложной помощи рядом с любым заданным почтовым индексом или определить время ожидания в конкретном учреждении.

Однако есть еще более исключительные случаи использования, чем описанные выше. BeyondVerbal позиционирует свою технологию как жизненно важную инновацию, которая использует искусственный интеллект с голосовым управлением и голосовые биомаркеры для предоставления персонализированного медицинского скрининга, мониторинга эмоций и даже важных медицинских прогнозов. Человеческий голос предоставляет метаданные в виде интонации, громкости, высоты тона, темпа или ритма, а технология глубокого обучения BeyondVerbal может идентифицировать даже самые незначительные изменения, сопоставляя их с потенциальными результатами в режиме реального времени. Voice.Health, рожденный в результате партнерства между Бостонской детской больницей и HLTH, является еще одной инициативой, направленной на расширение внедрения НЛП и голосовых технологий в здравоохранении.

Будущее состояние

Большие успехи происходят с ИИ в сфере здравоохранения, а инновации и варианты использования, описанные в этой статье, лишь касаются поверхности потенциала. Реальность такова, что машинное обучение в здравоохранении движется по экспоненциальной кривой. Излияние инвестиционного финансирования подпитывает все более сложные методы обработки (как в аппаратном, так и в программном обеспечении), и в результате огромные объемы данных и идей извлекаются и используются для множества преимуществ.

Какие новые разработки привлекли ваше внимание? Как вы думаете, что будет дальше в космосе?