Дата публикации
15.03.2022
Авторы
Виктор Гомболевский Пресс-служба AIRI
Поделиться

Зачем это нужно, как это делают в России и с какими вызовами сталкиваются ученые – объясняет врач-радиолог

ИИ для анализа медицинских изображений

Директор ключевых исследовательских программ Института Искусственного Интеллекта AIRI, к.м.н. Виктор Гомболевский представил доклад «Современный взгляд на Искусственный Интеллект в медицинской визуализации» на сессии «Будущее медицины» в рамках Форума России на выставке «EXPO 2020» в Дубае.

Потребность в ИИ

Текущее население мира составляет 7,908,178,272 человек, а продолжительность жизни с 1950-х увеличилась на 25 лет. Увеличивается и потребность в масштабах оказания медицинской помощи. В РФ один из самых серьезных приростов в нагрузке связан с нагрузкой на рентгенологов: согласно данным, в 2020 году количество КТ ОГК увеличилось в 4 раза по сравнению с 2019 годом.

Сокращение количества времени на интерпретацию материалов на 50% может привести к увеличению ошибок на 16,6%. Масштабы пропусков и лишних находок при анализе медицинских изображений в пандемию могут быть значительными, так как ранее подобного увеличения нагрузки в новейшей истории не встречалось.

За последние годы ИИ в здравоохранении привлек наибольшее количество инвестиций во всех секторах ИИ. Только в первом квартале 21 года в секторе было заключено 115 сделок с акциями, а объем финансирования составил более 2,5 млрд долларов.

Лучевая диагностика — лидер по ИИ во всем здравоохранении. Количество AI FDA approval для лучевой диагностики составляет 65,7% (146 из 222) из всех AI FDA approval. Когда в Европейском обществе рентгенологов спросили о том, где они видят ИИ через 5-10 лет, то большинство сказали «в скрининге, стадировании и количественных оценках биомаркеров».

В 4 раза увеличилось количество КТ ОГК в 2020 году по сравнению с 2019

Сокращение времени на интерпретацию материалов на 50% может привести к увеличению ошибок на 16,6%

Московский опыт внедрения технологий медицинского ИИ

Московский эксперимент, (оператор – ГБУЗ «НПКЦ Диагностики и телемедицинских технологий ДЗМ»), по использованию компьютерного зрения для анализа медицинских изображений (mosmed.ai) включил в себя более 100 мед организации с 1000 единиц диагностических устройств. Суммарно были обработаны более 3,5 млн исследований по 13 отдельным целевым патологиям. (Поиск признаков рака молочной железы на маммографии, анализ КТ грудной клетки для диагностики COVID или поиска образований в легких, оценка коронарного кальция, диаметра грудной аорты, оценка компрессионных переломов и позвонков для ранней диагностики остеопороза и т.д.).

В конце 2020 года были проанализированы результаты 260 тыс. пациентов, прошедших КТ органов грудной клетки для оценки COVID-19 в амбулаторном звене. Ученые сравнили заключения врачей, которые описывали без и с помощью ИИ. Гипотезы подтвердили 2 результата: врач с любым из 5 сравниваемых ИИ находит до 19% больше патологических случаев; врачи с любым ИИ до 25% реже выставляют тяжелую и критическую степень поражения легких.

Тяжелая и критическая степень влияют на решение о госпитализации пациентов. Это означает, что применение ИИ могло повлиять на предотвращение перегрузку госпитальной системы здравоохранения в Москве.

В рамках эксперимента ретроспективно проанализировали время работы врача- рентгенолога без и с ИИ в стационарах Москвы. Врачу приходилось смотреть не только оригинальное исследование, у него была возможность ознакомиться с результатами анализа ИИ, и средняя и медианная длительности описания уменьшилась на 29% и 55%. Это продемонстрировало пользу экономии времени рентгенолога от применения ИИ.

Московский опыт внедрения технологий медицинского ИИ

Вызовы для ученых и ближайшие перспективы

Большинство алгоритмов ИИ решает отдельные задачи, например, по оценке COVID или рака молочной железы. Будущее стоит за комплексными сервисами. Например, сервис ИИ из свежей публикации lancet для анализа рентгенографии органов грудной клетки направлен на 124 разные находки. При этом модель превосходит возможности рентгенолога по выявлению всех 34 клинически значимых находок.

Компьютерная томография, в отличие от рентгенографии, – это не одно, а сотни изображений. Это усложняет работу врача и расширяет границы потенциальной пользы от ИИ, когда решаемыми задачами являются не только поиск, но и количественная оценка находок, расчет рисков на основе этих данных, подготовка черновика заключений для врача по клиническими рекомендациям и лучшим практикам. Интересным путем является модель оппортунистического скрининга с выявлением случайных клинически значимых находок и подсказка врачу как чек-лист решений.

Вызовы для ученых и ближайшие перспективы

Существует высокая степень неоднородности визуальной формы руководств и представления рекомендаций.

Применение инструментов, способных настолько сильно влиять на систему здравоохранения, должно иметь необходимые доказательства. Научные публикации постепенно меняют фокус внимания от изучения возможностей технологии, сравнивая ее с человеком, к исследованиям на вершине пирамиды доказательной медицины. В том числе и для помощи в планировании таких исследований мы создали этический комитет по ИИ в Институте Искусственного Интеллекта AIRI.

В Институте Искусственного Интеллекта AIRI работают исследовательские группы анализа медицинских изображений и общего медицинского компьютерного зрения

Ссылки

  1. Worldometer
  2. Федеральная государственная служба статистики. Здравоохранение. Отчет главного внештатного специалиста по лучевой и инструментальной диагностике МЗ РФ 2016, 2019 и 2021 на РОРР
  3. Berlin L. 2017 Faster Reporting Speed and Interpretation Errors: Conjecture, Evidence, and Malpractice Implications
  4. CBINSIGHTS. The AI Deals Tracker
  5. The Medical Futurist. FDA Approvals For Smart Algorithms In Medicine In One Giant Infographic
  6. Морозов С.П., Чернина В.Ю., Андрейченко А.Е., Владзимирский А.В., Мокиенко О.А., Гомболевский В.А. Как искусственный интеллект влияет на оценку поражения лёгких при COVID-19 по данным КТ грудной клетки? // Digital Diagnostics. 2021. Т. 2, No1. С. 27–38
  7. Seah JCY et al. Effect of a comprehensive deep-learning model on the accuracy of chest x-ray interpretation by radiologists: a retrospective, multireader multicase study. Lancet Digit Health. 2021 Aug;3(8):e496-e506. doi: 10.1016/S2589-7500(21)00106-0.
Присоединяйтесь к AIRI в соцсетях