Компания Airdoc, лидер в области искусственного интеллекта в области медицины, сосредоточилась на применении искусственного интеллекта для распознавания медицинских изображений. Они работают над решением проблемы неравномерного распределения ресурсов медицинской визуализации. На Форуме саммита по медицинским данным и медицинскому искусственному интеллекту в Ухане, Китай, основатель и генеральный директор Airdoc Рэй Чжан поделился своим опытом работы с интеллектуальными изображениями, а также некоторыми проблемами, с которыми сталкивается искусственный интеллект при распознавании медицинских изображений.

Более умный, лучший уход

«Распределение медицинских ресурсов неравномерно, многие люди не имеют доступа к надлежащей медицинской помощи. Искусственный интеллект может учиться на опыте медицинских экспертов, а при применении на уровне сообщества может помочь расширить и расширить работу врачей по выявлению заболеваний». Чжан назвал это первоначальным намерением Airdoc.

В последние годы технология распознавания изображений с помощью искусственного интеллекта быстро развивалась, и в некоторых областях ее возможности превзошли человеческие. Медицинская визуализация как инструмент диагностики заболеваний стала довольно распространенной. Из различных ролей, которые ИИ может играть в здравоохранении, таких как биотехнология, вспомогательная диагностика, разработка фармацевтических препаратов и другие, распознавание медицинских изображений является наиболее широко используемым приложением.

«Индустрия ИИ процветает, но внедрение ИИ в практические приложения по-прежнему сопряжено со многими проблемами». Чжан упомянул несколько распространенных практик и проблем, с которыми в настоящее время сталкивается искусственный интеллект в распознавании медицинских изображений.

По словам Чжана, современные приложения ИИ для распознавания медицинских изображений делятся на три основных типа: классификация, обнаружение и сегментация.

Классификация является самой простой, при которой используется огромный размер обучающей выборки, чтобы различать, является ли изображение нормальным или нет.

Обнаружение или идентификация того, что содержится в изображении. Требуемый размер выборки, как правило, меньше, чем для классификации, но требует дополнительных усилий по маркировке. Врач должен посмотреть и отметить общие проблемные области на каждом изображении. Все, что пропущено в процессе маркировки, повлияет на общую точность обнаружения.

Сегментация требует большого количества ручных усилий, когда врачам необходимо выделить все области поражения на каждом изображении. Некоторые типы поражений относительно легко маркировать, но некоторые труднее. Возможно, что одно изображение может содержать сотни поражений, маркировка их всех вручную была бы слишком нереально большой рабочей нагрузкой, когда на самом деле врач обычно просто смотрел бы на изображение, чтобы определить его тяжесть.

Поэтому методы обнаружения и сегментации обычно используются, когда размер обучающей выборки относительно невелик. В настоящее время существует несколько способов создания данных для редких или небольших выборочных данных, и данные, которые смотрят, ничем не отличаются, но данные очищаются.

Каждый из вышеперечисленных методов может решать разные задачи, хотя общие задачи представляют собой комбинацию этих трех методов.

1. Маркировка часто является узким местом

«Маркировка — это очень утомительно. Многие люди могут подумать, что специалисты по искусственному интеллекту просто пишут алгоритмы. На самом деле 80% времени уходит на предварительную обработку данных. Каждое усилие, затраченное на предварительную обработку данных, отразится на конечном результате. Это важная часть процесса, но маркировка медицинских данных обычно требует времени и усилий медицинских экспертов, что создает узкое место.

Чжан считает, что в ближайшие 2–5 лет обучение на малых выборках станет прорывом, и Airdoc изучает этот вопрос в надежде добиться определенного прогресса. Однако в последнее время в этой области не было никаких достижений, поэтому задача маркировки остается на усмотрение врачей.

2. Проблемы с качеством данных

Будь то в США или Китае, данные из большинства больниц не стандартизированы. Никогда не было способа эффективно и всесторонне передать все данные, которые врач когда-либо видел, другому врачу; данные врача очень персонализированы. В этом и проблема: при любом заболевании десять врачей дадут несколько разных диагностических советов. Часто трудно сказать, кто прав, а кто виноват. Таким образом, общепринятой практикой является консенсус, который все еще далек от идеала.

При изучении изображения врач мог определить степень тяжести 4а. Однако очень часто один и тот же врач ставит тому же пациенту диагноз 4b спустя 3 месяца. Эти несоответствия и другие факторы, если с ними не справиться должным образом, могут привести к повреждению данных.

3. Интерактивные вопросы

В целом, чем больше пациент и врач взаимодействуют, тем хуже качество алгоритма.

Китайская медицина склонна к комплексному лечению. И наоборот, алгоритм стремится изолировать и точно определить одну область, чтобы повысить свою способность различать эту область. При создании сценария ИИ чем меньше взаимодействия между врачом и пациентом, тем лучше. Лучше всего, если врачу не нужно видеть пациента, чтобы поставить диагноз, чтобы свести к минимуму неуместную предвзятость, «поскольку алгоритм управляем, а взаимодействие — нет».

4. Слабый обобщенный искусственный интеллект

Обобщенный искусственный интеллект очень слаб. Например, если кто-то спросит «как дела?», человек очень легко и непринужденно решит, что это просто приветствие.

В 2015 году Airdoc собрала всю обширную литературу и информационные материалы для создания библиотеки здравого смысла, связанной с сердечно-сосудистыми заболеваниями, но в конечном итоге обнаружила, что она все еще менее эффективна, чем база знаний врача.

5. Существует огромный разрыв между развитием нормативно-правовой базы и развитием технологий

Правила меняются очень медленно, а технологии меняются очень быстро. Итеративная скорость технологии и скорость медицинской системы, очевидно, являются полной противоположностью.

Чжан сказал, что принципиально невозможно получить одобрение FDA, следуя существующим правилам. FDA требует, чтобы конечный продукт был точно таким же, как указано в заявке. Однако алгоритмы ИИ самообучаются и становятся все более и более интеллектуальными, чем их первоначальный замысел.

6. Рынок все еще находится в разработке

Чжан утверждает, что текущий рынок все еще медленно развивается.

«Это очень долгий процесс с момента, когда что-то новое принимается, затем принимается, а затем внедряется во всю медицинскую систему. Вот почему те, кто работает в этой области, должны неустанно работать вместе, чтобы создать отрасль».