новости

С момента запуска IBM Watson в 2007 году человечество непрерывно работает над развитием медицинского искусственного интеллекта (ИИ). Эффективная и мощная система медицинского ИИ обладает огромным потенциалом для преобразования всех аспектов современной медицины, обеспечивая более интеллектуальное, точное, эффективное и инклюзивное лечение, улучшая благополучие медицинских работников и пациентов и тем самым значительно улучшая здоровье человека. За последние 16 лет, несмотря на накопление опыта исследователей в области медицинского ИИ в различных небольших областях, на данном этапе им пока не удалось воплотить научную фантастику в реальность.

В этом году, благодаря революционному развитию технологий искусственного интеллекта, таких как ChatGPT, медицинский искусственный интеллект достиг значительного прогресса во многих аспектах. Беспрецедентный прорыв в возможностях медицинского искусственного интеллекта: журнал Nature непрерывно запускает исследования медицинской большой языковой модели и базовой модели медицинских изображений; Google выпускает Med-PaLM и его преемника, достигая экспертного уровня в вопросах экзамена для врачей США. Крупные академические журналы сосредоточатся на медицинском искусственном интеллекте: Nature публикует обзор базовой модели общего медицинского искусственного интеллекта; После серии обзоров ИИ в медицине в начале этого года, New England Journal of Medicine (NEJM) опубликовал свой первый цифровой обзор здравоохранения 30 ноября и выпустил первый выпуск поджурнала NEJM NEJM AI 12 декабря. Почва для медицинского искусственного интеллекта еще более зрелая: поджурнал JAMA опубликовал глобальную инициативу по обмену данными медицинских изображений; Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) разрабатывает проект руководящих принципов по регулированию медицинского искусственного интеллекта.

Ниже мы рассмотрим значительный прогресс, достигнутый исследователями по всему миру в направлении создания медицинского искусственного интеллекта в 2023 году.

Базовая модель медицинского ИИ

Построение базовой модели медицинского ИИ, несомненно, является самым актуальным направлением исследований в этом году. В течение года журналы Nature опубликовали обзорные статьи, посвященные универсальной базовой модели здравоохранения и большой языковой модели здравоохранения. Medical Image Analysis, ведущий журнал в отрасли, рассмотрел и оценил проблемы и возможности исследования базовых моделей в области анализа медицинских изображений и предложил концепцию «родословной базовой модели» для обобщения и направления развития исследований базовых моделей медицинского ИИ. Будущее базовых моделей ИИ для здравоохранения становится все более ясным. Опираясь на успешные примеры больших языковых моделей, таких как ChatGPT, используя более продвинутые методы самоконтролируемого предварительного обучения и обширный набор обучающих данных, исследователи в области медицинского ИИ пытаются построить 1) базовые модели, специфичные для конкретных заболеваний, 2) общие базовые модели и 3) большие многомодальные модели, которые интегрируют широкий спектр режимов с огромными параметрами и превосходными возможностями.

Модель ИИ для сбора медицинских данных

Помимо крупных моделей ИИ, играющих важную роль в задачах анализа клинических данных на последующих этапах, в сборе клинических данных также появилась технология, представленная генеративными моделями ИИ. Алгоритмы ИИ позволяют значительно улучшить процесс, скорость и качество сбора данных.

Ранее в этом году журнал Nature Biomedical Engineering опубликовал исследование, проведенное в Университете Стрейтс (Турция), посвященное использованию генеративного ИИ для решения проблемы диагностики с помощью патологических изображений в клинических приложениях. Артефакты в замороженных срезах тканей во время операции являются препятствием для быстрой диагностической оценки. Хотя ткань, залитая формалином и парафином (FFPE), обеспечивает более качественный образец, процесс ее получения трудоемок и часто занимает 12–48 часов, что делает ее непригодной для использования в хирургии. Поэтому исследовательская группа предложила алгоритм под названием AI-FFPE, который может сделать внешний вид ткани в замороженном срезе похожим на FFPE. Алгоритм успешно исправил артефакты замороженных срезов, улучшил качество изображения и в то же время сохранил клинически значимые характеристики. В клинической валидации алгоритм AI-FFPE значительно повышает диагностическую точность патологов для подтипов опухолей, одновременно существенно сокращая время клинической диагностики.

Cell Reports Medicine сообщает об исследовательской работе группы из Третьего клинического колледжа университета Цзилинь, кафедры радиологии, больницы Чжуншань при университете Фудань и Шанхайского университета науки и технологий [25]. В этом исследовании предлагается универсальная структура слияния глубокого обучения и итеративной реконструкции (Hybrid DL-IR) с высокой универсальностью и гибкостью, демонстрирующая превосходную производительность реконструкции изображений в быстрой МРТ, КТ с низкой дозой облучения и быстрой ПЭТ. Алгоритм может достигать многопоточного сканирования одного органа МР за 100 секунд, снижать дозу облучения до всего 10% от изображения КТ и устранять шум, а также может реконструировать небольшие поражения, полученные с помощью ПЭТ, с ускорением от 2 до 4 раз, одновременно уменьшая влияние артефактов движения.

Медицинский ИИ в сотрудничестве с медицинскими работниками

Быстрое развитие медицинского ИИ также побудило медицинских работников серьезно задуматься и изучить, как сотрудничать с ИИ для улучшения клинических процессов. В июле этого года DeepMind и многоинституциональная исследовательская группа совместно предложили систему ИИ под названием Complementary Driven Clinical Workflow Delay (CoDoC). Диагностический процесс сначала диагностируется предиктивной системой ИИ, затем оценивается другой системой ИИ по предыдущему результату, и если есть сомнения, диагноз окончательно ставится врачом для повышения точности диагностики и эффективности баланса. Когда дело доходит до скрининга рака молочной железы, CoDoC снизил ложноположительные показатели на 25% при том же ложноотрицательном показателе, одновременно снизив нагрузку на врачей на 66% по сравнению с текущим процессом «арбитража двойного прочтения» в Великобритании. С точки зрения классификации туберкулеза ложноположительные показатели были снижены на 5–15 процентов при том же ложноотрицательном показателе по сравнению с независимым ИИ и клиническими рабочими процессами.

Аналогичным образом, Энни Й. Нг и соавторы из компании Kheiron Company в Лондоне, Великобритания, внедрили дополнительные считыватели ИИ (в сотрудничестве с исследователями-людьми) для повторной проверки результатов, когда не было результатов отзыва в процессе арбитража двойного чтения, что улучшило проблему пропуска обнаружения при раннем скрининге рака молочной железы, и в процессе почти не было ложноположительных результатов. Другое исследование, проведенное группой из Медицинской школы Макговерна Техасского университета и завершенное в четырех инсультных центрах, применило технологию ИИ на основе компьютерной томографической ангиографии (КТА) для автоматизации обнаружения обширного сосудистого окклюзионного ишемического инсульта (ЛВО). Клиницисты и рентгенологи получают оповещения в режиме реального времени на свои мобильные телефоны в течение нескольких минут после завершения КТ-визуализации, уведомляя их о возможном наличии ЛВО. Этот процесс ИИ улучшает внутрибольничные рабочие процессы при остром ишемическом инсульте, сокращая время «от двери до паха» с момента поступления до лечения и предоставляя возможности для успешного спасения. Результаты опубликованы в JAMA Neurology.

Модель здравоохранения на основе искусственного интеллекта для всеобщего блага

В 2023 году также ожидается множество успешных работ, в которых медицинский ИИ будет использовать искусственный интеллект для обнаружения особенностей, невидимых человеческому глазу, в более доступных данных, что позволит проводить всеобщую диагностику и раннее обследование в больших масштабах. В начале года журнал Nature Medicine опубликовал исследования, проведенные Глазным центром Чжуншань при Университете Сунь Ятсена и Второй аффилированной больницей при Фуцзяньском медицинском университете. Используя смартфоны в качестве терминалов приложений, они использовали мультипликационные видеоизображения для того, чтобы вызвать у детей взгляд и записать поведение взгляда и черты лица детей, а также провели дополнительный анализ аномальных моделей с помощью моделей глубокого обучения для успешного выявления 16 заболеваний глаз, включая врожденную катаракту, врожденный птоз и врожденную глаукому, со средней точностью скрининга более 85%. Это обеспечивает эффективный и легко распространяемый технический инструмент для широкомасштабного раннего скрининга нарушений зрения у младенцев и связанных с ними заболеваний глаз.

В конце года журнал Nature Medicine опубликовал результаты исследования, проведённого более чем 10 медицинскими и исследовательскими учреждениями по всему миру, включая Шанхайский институт заболеваний поджелудочной железы и Первую аффилированную больницу Чжэцзянского университета. Автор применил искусственный интеллект (ИИ) для скрининга рака поджелудочной железы у бессимптомных пациентов в диагностических центрах, больницах и т.д., чтобы выявить особенности поражения на КТ-изображениях, которые трудно обнаружить невооружённым глазом, что позволило бы добиться эффективного и неинвазивного раннего выявления рака поджелудочной железы. Анализируя данные более чем 20 000 пациентов, модель также выявила 31 случай клинически нераспознанных поражений, что значительно улучшило клинические результаты.

Обмен медицинскими данными

В 2023 году по всему миру появилось гораздо больше совершенных механизмов обмена данными и успешных примеров, обеспечивающих многоцентровое сотрудничество и открытость данных при условии защиты конфиденциальности и безопасности данных.

Во-первых, с помощью самой технологии искусственного интеллекта исследователи в этой области внесли свой вклад в обмен медицинскими данными. Ци Чан и другие исследователи из Ратгерского университета (США) опубликовали статью в журнале Nature Communications, предложив федеральную образовательную структуру DSL на основе распределенных синтетических состязательных сетей, которая использует генеративный ИИ для обучения на определенных сгенерированных данных из нескольких центров, а затем заменяет реальные данные из нескольких центров сгенерированными данными. Обеспечить обучение ИИ на основе больших данных из нескольких центров, сохраняя при этом конфиденциальность данных. Эта же группа также открыла исходный код набора сгенерированных патологических изображений и соответствующих аннотаций. Модель сегментации, обученная на сгенерированном наборе данных, может достигать результатов, аналогичных результатам на реальных данных.

Команда Дай Цюнхая из Университета Цинхуа опубликовала статью на npj Digital Health, предложив Relay Learning, который использует многосайтовые большие данные для обучения моделей ИИ в условиях локального суверенитета данных и отсутствия межсайтового сетевого соединения. Он сочетает в себе проблемы безопасности данных и конфиденциальности с стремлением к производительности ИИ. Впоследствии та же команда совместно разработала и валидировала CAIMEN, систему диагностики опухолей средостения с помощью КТ грудной клетки, основанную на федеральном обучении, в сотрудничестве с Первой аффилированной больницей Медицинского университета Гуанчжоу и 24 больницами по всей стране. Система, которая может быть применена к 12 распространенным опухолям средостения, достигла на 44,9% большей точности при использовании отдельно, чем при использовании только людьми-экспертами, и на 19% большей точности диагностики при ее использовании с людьми-экспертами.

С другой стороны, в настоящее время реализуется несколько инициатив по созданию безопасных, глобальных и масштабных наборов медицинских данных. В ноябре 2023 года Агустина Саенц и другие сотрудники кафедры биомедицинской информатики Гарвардской медицинской школы опубликовали в журнале Lancet Digital Health глобальную структуру для обмена данными медицинских изображений под названием «Данные искусственного интеллекта для всего здравоохранения» (MAIDA). Они работают с организациями здравоохранения по всему миру, чтобы предоставить всестороннее руководство по сбору и деидентификации данных, используя шаблон Федерального демонстрационного партнера США (FDP) для стандартизации обмена данными. Они планируют постепенно публиковать наборы данных, собранные в разных регионах и клинических учреждениях по всему миру. Ожидается, что первый набор данных будет выпущен в начале 2024 года, а по мере расширения партнерства будут выпускаться и другие. Этот проект является важной попыткой создания глобального, масштабного и разнообразного набора общедоступных данных ИИ.

Вслед за этим предложением Британский биобанк подал пример. 30 ноября Британский биобанк опубликовал новые данные полного секвенирования генома 500 000 участников. Эта база данных, в которой опубликована полная последовательность генома каждого из 500 000 британских добровольцев, является крупнейшей в мире базой данных полного генома человека. Исследователи по всему миру могут запросить доступ к этим обезличенным данным и использовать их для изучения генетической основы здоровья и болезней. Генетические данные всегда были крайне чувствительны к проверке, и это историческое достижение Британского биобанка доказывает возможность создания открытой, не требующей конфиденциальности глобальной крупномасштабной базы данных. Благодаря этой технологии и базе данных медицинский ИИ непременно станет следующим шагом в развитии.

Проверка и оценка медицинского ИИ

По сравнению с быстрым развитием самой технологии медицинского ИИ, разработка верификации и оценки медицинских ИИ идёт несколько медленнее. Валидация и оценка в общей области ИИ часто игнорируют реальные потребности врачей и пациентов в ИИ. Традиционные рандомизированные контролируемые клинические испытания слишком трудоёмки, чтобы соответствовать быстрой итерации инструментов ИИ. Скорейшее совершенствование системы верификации и оценки, подходящей для инструментов медицинского ИИ, — это важнейшее условие для продвижения медицинского ИИ, которое позволит ему действительно перейти от исследований и разработок к клиническому применению.

В исследовательской статье Google по Med-PaLM, опубликованной в журнале Nature, команда также опубликовала оценочный тест MultiMedQA, используемый для оценки способности больших языковых моделей приобретать клинические знания. Тест объединяет шесть существующих наборов данных профессиональных медицинских вопросов и ответов, охватывающих профессиональные медицинские знания, исследования и другие аспекты, а также базу данных онлайн-поиска медицинских вопросов, учитывающую онлайн-сессии врачей и пациентов, стремясь обучить ИИ квалифицированному врачу по многим параметрам. Кроме того, команда предлагает структуру, основанную на человеческой оценке, которая учитывает множество аспектов: факт, понимание, рассуждение и возможную предвзятость. Это одно из наиболее репрезентативных исследований по оценке ИИ в здравоохранении, опубликованных в этом году.

Однако означает ли тот факт, что большие языковые модели демонстрируют высокий уровень кодирования клинических знаний, что большие языковые модели компетентны для реальных клинических задач? Так же, как студент-медик, сдавший экзамен на профессионального врача с высшим баллом, все еще далек от того, чтобы стать единственным главным врачом, критерии оценки, предложенные Google, могут не быть идеальным ответом на тему оценки медицинского ИИ для моделей ИИ. Еще в 2021 и 2022 годах исследователи предложили руководящие принципы отчетности, такие как Decid-AI, SPIRIT-AI и INTRPRT, надеясь направить раннюю разработку и валидацию медицинского ИИ при условии учета таких факторов, как клиническая практичность, безопасность, человеческий фактор и прозрачность/интерпретируемость. Совсем недавно журнал Nature Medicine опубликовал исследование исследователей из Оксфордского университета и Стэнфордского университета о том, следует ли использовать «внешнюю валидацию» или «повторяющуюся локальную валидацию». «Для валидации инструментов ИИ.

Непредвзятость инструментов ИИ также является важным направлением оценки, которому в этом году уделялось внимание в статьях журналов Science и NEJM. ИИ часто демонстрирует предвзятость, поскольку ограничен учебными данными. Эта предвзятость может отражать социальное неравенство, которое в дальнейшем перерастает в алгоритмическую дискриминацию. Национальные институты здравоохранения недавно запустили инициативу Bridge2AI, стоимость которой оценивается в 130 миллионов долларов, для создания разнообразных наборов данных (в соответствии с целями упомянутой выше инициативы MAIDA), которые могут быть использованы для проверки непредвзятости медицинских инструментов ИИ. MultiMedQA не рассматривает эти аспекты. Вопрос о том, как измерять и валидировать модели медицинского ИИ, всё ещё требует широкого и глубокого обсуждения.

В январе журнал Nature Medicine опубликовал статью Вивека Суббиа из Онкологического центра им. М.Д. Андерсона Техасского университета под названием «Следующее поколение доказательной медицины». В статье рассматриваются ограничения клинических испытаний, выявленные в условиях пандемии COVID-19, и указывается на противоречие между инновациями и соблюдением процесса клинических исследований. Наконец, в статье указывается на будущее реструктуризации клинических испытаний – следующее поколение клинических испытаний с использованием искусственного интеллекта, то есть использование искусственного интеллекта на основе большого количества исторических данных исследований, данных реального мира, мультимодальных клинических данных и данных носимых устройств для поиска ключевых доказательств. Означает ли это, что технологии ИИ и процессы клинической валидации с использованием ИИ могут взаимно усиливать и развиваться в будущем? Это открытый и побуждающий к размышлениям вопрос 2023 года.

Регулирование медицинского ИИ

Развитие технологий ИИ также создает проблемы для регулирования ИИ, и политики во всем мире реагируют осторожно и взвешенно. В 2019 году FDA впервые опубликовало Предлагаемую нормативную базу для изменений программного обеспечения для медицинских устройств с искусственным интеллектом (Проект для обсуждения), подробно описав свой потенциальный подход к предпродажному обзору модификаций программного обеспечения на основе ИИ и машинного обучения. В 2021 году FDA предложило «План действий по использованию программного обеспечения на основе искусственного интеллекта/машинного обучения в качестве медицинского устройства», в котором разъясняются пять конкретных мер медицинского регулирования ИИ. В этом году FDA переиздало Предварительную заявку на регистрацию функций программного обеспечения устройств, чтобы предоставить информацию о рекомендациях по предварительной подаче для оценки FDA безопасности и эффективности функций программного обеспечения устройств, включая некоторые функции программного обеспечения устройств, которые используют модели машинного обучения, обученные с помощью методов машинного обучения. Регуляторная политика FDA прошла путь от первоначального предложения до практического руководства.

После публикации в июле прошлого года Закона о Европейском пространстве данных здравоохранения ЕС вновь принял Закон об искусственном интеллекте. Закон направлен на максимально эффективное использование данных о здоровье для предоставления высококачественной медицинской помощи, сокращения неравенства и поддержки данных для профилактики, диагностики, лечения, научных инноваций, принятия решений и законодательства, обеспечивая при этом гражданам ЕС больший контроль над своими персональными данными о здоровье. Закон чётко указывает на то, что система медицинской диагностики является высокорисковой системой ИИ и должна внедрять целенаправленный строгий надзор, надзор на протяжении всего жизненного цикла и надзор перед оценкой. Европейское агентство по лекарственным средствам (EMA) опубликовало проект аналитического документа об использовании ИИ для поддержки разработки, регулирования и применения лекарственных средств, уделив особое внимание повышению доверия к ИИ для обеспечения безопасности пациентов и достоверности результатов клинических исследований. В целом, подход ЕС к регулированию постепенно формируется, и окончательные детали реализации могут быть более подробными и строгими. В отличие от жесткого регулирования ЕС, британский план регулирования ИИ четко указывает на то, что правительство планирует занять мягкую позицию и пока не принимать новые законопроекты или не создавать новых регулирующих органов.

В Китае Центр технической экспертизы медицинских устройств (NMPA) Национального управления по контролю за продуктами медицинского назначения ранее выпустил такие документы, как «Точки обзора программного обеспечения для принятия решений на основе глубокого обучения», «Руководящие принципы проверки регистрации медицинских устройств на основе искусственного интеллекта (проект для комментариев)» и «Циркуляр о руководящих принципах классификации и определения медицинских программных продуктов на основе искусственного интеллекта (№ 47 в 2021 году)». В этом году был вновь опубликован «Краткий обзор результатов первой классификации продуктов медицинского оборудования в 2023 году». Эта серия документов делает определение, классификацию и регулирование продуктов медицинского программного обеспечения на основе искусственного интеллекта более понятными и простыми в использовании, а также предоставляет четкие рекомендации по стратегиям позиционирования и регистрации продуктов различными предприятиями отрасли. Эти документы обеспечивают основу и управленческие решения для научного регулирования медицинских устройств на основе ИИ. Стоит с нетерпением ждать, что повестка дня Китайской конференции по медицинскому искусственному интеллекту, которая пройдет в Ханчжоу с 21 по 23 декабря, учредит специальный форум по цифровому медицинскому управлению и высококачественному развитию государственных больниц, а также форум по развитию отрасли стандартизации технологий тестирования и оценки медицинских устройств на основе искусственного интеллекта. В это время на встрече будут присутствовать представители Национальной комиссии по развитию и реформам и NMPA, которые, возможно, опубликуют новую информацию.

Заключение

В 2023 году медицинский ИИ начал интегрироваться во все этапы медицинского процесса, охватывая сбор, объединение, анализ, диагностику и лечение данных в больницах, а также скрининг населения, и органично взаимодействовать с медицинскими работниками/специалистами по контролю и профилактике заболеваний, демонстрируя потенциал для повышения уровня здоровья людей. Полезные исследования в области медицинского ИИ начинают появляться. В будущем прогресс медицинского ИИ зависит не только от самого технологического развития, но и от полного взаимодействия с промышленностью, университетами и медицинскими исследователями, а также от поддержки политиков и регулирующих органов. Такое межотраслевое сотрудничество является ключом к достижению интегрированных медицинских услуг на основе ИИ и, безусловно, будет способствовать развитию здравоохранения.