Виды искусственного интеллекта — их особенности и применение

Цифровые двойники

В-третьих, алгоритмы ГО для распознавания изображений требуют «меченых данных» – миллионов изображений от пациентов, получивших окончательный диагноз рака, перелома кости или другой патологии. В настоящее время не существует агрегированного достаточно большого хранилища помеченных рентгенологических изображений.

Уже есть ряд исследований, предполагающих, что искусственный интеллект ИИ может выполнять так же хорошо или лучше, чем люди, ключевые задачи здравоохранения, такие как диагностика заболеваний. Сегодня алгоритмы уже превзошли рентгенологов в выявлении злокачественных опухолей и руководят исследователями в построении когорт для дорогостоящих клинических испытаний. Однако пройдет еще много лет, прежде чем искусственный интеллект заменит человека в различных аспектах медицины. В этой статье будет описан потенциал, который ИИ предлагает для автоматизации процессов в здравоохранении, и некоторые преграды на пути быстрого внедрения ИИ в здравоохранение. Целью исследования было пояснить основные современные методики использования ИИ в здравоохранении на основании актуальных литературных данных и методик представления передовых методик машинной обработки информации с использованием скоростных компьютеров и объема данных, не поддающихся обработке и (иногда) интерпретации человеку.

В здравоохранении доминирующее применение ОЕЯ связано с созданием, пониманием и классификацией клинической документации и опубликованных исследований. Системы ОЕЯ могут анализировать неструктурированные клинические заметки о пациентах, готовить отчеты (например, о рентгенологических исследованиях), расшифровывать взаимодействие с пациентами и вести беседу с ИИ.

Эта базовая система, которая не способна хранить полученный опыт. Она не способна к обучению и у неё нет памяти. Система фокусируется на решении данных задачах. Этот вид ИИ востребован в бизнесе, когда нужна быстрая реакция, а опыт не важен. Например, реактивная система победила чемпиона мира по шахматам Гарри Каспарова в 1997 году

Революция в фармацевтической области ожидается при использовании искусственного интеллекта для производства лекарственных препаратов. Это связано с увеличением скорости и точности обработки данных. Использование ИИ даёт надежду, что возможна победа над неизлечимыми заболеваниями, а система здравоохранения в большей степени станет автоматизированной.

Технологические фирмы и стартапы усердно работают над теми же проблемами. Google, например, сотрудничает с сетями оказания медицинской помощи для построения моделей прогнозирования на основе больших данных, чтобы предупредить врачей о состояниях высокого риска, таких как сепсис и сердечная недостаточность [13]. Google, Enlitic и ряд других стартапов разрабатывают алгоритмы интерпретации изображений на основе искусственного интеллекта. Jvion предлагает «машину клинического успеха», которая идентифицирует пациентов, наиболее подверженных риску, а также тех, кто с наибольшей вероятностью ответит на протоколы лечения. Каждый из них мог бы оказать поддержку в принятии решений клиницистам, стремящимся выставить подходящий диагноз и лучшее лечение для пациентов.

Еще одной технологией ИИ, имеющей отношение к управлению претензиями и платежами, является МО, которое может быть использовано для вероятностного сопоставления данных в различных базах данных. Страховщики обязаны проверить, верны ли миллионные претензии. Надежная идентификация, анализ и исправление ошибок кодирования и неправильных утверждений экономят огромное количество времени, денег и усилий всем заинтересованным сторонам – медицинским страховщикам, правительствам и поставщикам услуг. Ошибочные претензии, выявленные с помощью сопоставления данных и аудита утверждений, имеют значительный финансовый потенциал.

Существует несколько фирм, специально фокусирующихся на диагностике и рекомендациях по лечению определенных видов рака на основе их генетических профилей. Поскольку многие виды рака имеют генетическую основу, клиницисты обнаружили, что становится все сложнее понять все генетические варианты рака и их реакцию на новые лекарства и протоколы.

Генеративный ИИ

Эта ситуация начинает меняться, но в основном она присутствует в исследовательских лабораториях и технологических фирмах, а не в клинической практике. Едва ли не проходит неделя без того, чтобы исследовательская лаборатория не заявила, что она разработала подход к использованию ИИ или больших данных для диагностики и лечения болезни с равной или большей точностью, чем врачи-клиницисты. Многие результаты основаны на анализе рентгеновских снимков, однако некоторые включают и другие типы изображений, такие как сканирование сетчатки или геномная прецизионная медицина [11]. Поскольку эти типы выводов основаны на статистических моделях машинного обучения, они открывают эру доказательной и вероятностной медицины, которая обычно считается позитивной, но приносит с собой много проблем в медицинской этике и отношениях между пациентом и клиницистом [12].

2. Lee S.I., Celik S., Logsdon B.A., Lundberg S.M., Martins T.J., Oehler V.G., Estey E.H., Miller C.P., Chien S., Dai J., Saxena A., Blau C.A., Becker P.S. A machine learning approach to integrate big data for precision medicine in acute myeloid leukemia. Nat. Commun.2018. V. 9. No. 1. DOI: 10.1038/s41467-017-02465-5.

Самая большая проблема для ИИ в этих областях здравоохранения заключается не в том, будут ли эти технологии достаточно эффективными, а в том, чтобы обеспечить их внедрение в повседневную клиническую практику. Для широкого внедрения системы искусственного интеллекта должны быть одобрены регулирующими органами, интегрированы с системами ЭМК, стандартизированы в достаточной степени, чтобы аналогичные продукты работали аналогичным образом, обучены клиницистами, оплачены государственными или частными организациями-плательщиками и со временем обновлены в этой области. Эти проблемы в конечном счете будут преодолены, но для этого потребуется гораздо больше времени, чем для того, чтобы созрели сами технологии. В результате мы увидим ограниченное использование ИИ в клинической практике в течение следующих 5 лет и более широкое использование в течение 10 лет.

Вовлеченность и приверженность пациентов уже давно рассматривается как проблема «последней мили» здравоохранения – последний барьер между неэффективными и хорошими результатами диагностики и лечения. Чем больше пациентов активно участвуют в своем собственном благополучии и наблюдении, тем лучше результаты применения, финансовых показателей и опыт участников в системе здравоохранения. Эти факторы все чаще рассматриваются с помощью больших данных и ИИ.

Машинное обучение (МО) – это одна из методик искусственного интеллекта, характерной чертой которой является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. Алгоритмы машинного обучения строят математическую модель на основе выборочных данных – «обучающие данные», чтобы делать прогнозы или принимать решения, не будучи явно запрограммированными на это [1]. В здравоохранении наиболее распространенным применением традиционного МО является персонализированная медицина – прогнозирование того, какие протоколы лечения, вероятно, будут успешными для пациента, основываясь на различных атрибутах пациента и контексте лечения [2]. Подавляющее большинство приложений МО и прецизионной медицины требуют обучающего набора данных, для которого известна переменная исхода (например, мы знаем когда было начало заболевания); это называется контролируемым обучением. Более сложной формой МО является нейронная сеть (НС) – технология, которая была доступна с 1960-х годов, хорошо зарекомендовала себя в медицинских исследованиях в течение нескольких десятилетий и использовалась для систематизации приложений, таких как определение того, приобретет ли пациент конкретное заболевание [3]. НС рассматривает проблемы в терминах входов, выходов и масс переменных или «признаков», которые связывают входы с выходами. Ее сравнивали с тем, как нейроны обрабатывают сигналы, но аналогия с функцией мозга относительно слаба.

Некоторые медицинские организации также экспериментировали с чат-ботами для взаимодействия с пациентами, оценки психического статуса и самочувствия, а также телемедицины. Эти приложения на основе ОЕЯ могут быть полезны для простых операций, таких как заполнение рецептов или назначение встреч. Однако в опросе 500 американских пользователей пяти лучших чат-ботов, используемых в здравоохранении, пациенты выразили озабоченность по поводу раскрытия конфиденциальной информации, обсуждения сложных состояний здоровья и неудобства использования [21].

Если более глубокое вовлечение пациентов приводит к лучшим результатам для здоровья, могут ли основанные на ИИ возможности быть эффективными в персонализации и контекстуализации медицинского обслуживания? Все большее внимание уделяется использованию механизмов МО и правил для тонкого управления вмешательствами в рамках континуума диагностики и лечения [18]. Сообщения, оповещения и релевантный, целевой контент, которые побуждают к действию в важные моменты, являются перспективной областью исследований.

Существует огромное количество административных приложений в здравоохранении. Использование ИИ является несколько менее потенциально революционным в этой области по сравнению с медицинским обслуживанием пациентов. Тем не менее ИИ может обеспечить значительную эффективность. Например, среднестатистическая медсестра в США тратит 25 % рабочего времени на административную деятельность и бумажную работу [19]. Наиболее подходящей технологией для решения этой проблемы является РАП. Она может быть использована в различных областях здравоохранения, включая обработку претензий, клинической документации, управление доходами и медицинскими записями [20].