Модели в медицине на основе нейронных сетей. Нейронные сети в медицине StatSoft Russia Основные идеи. Классические задачи сверточных нейронных сетей

Сегодня мы наблюдаем бум в развитии информационных технологий и их постепенное, а порою и революционное внедрение в нашу жизнь

Цифровизация, робототизация, искусственный интеллект, искусственные нейронные сети… Сколько новых понятий и терминов уже сегодня раздвигают горизонты возможного, заставляя задумываться и разбираться в них, искать их прикладное эффективное и безопасное применение. И все же, какими бы многообещающими не были новые технологии – все они являются продуктами жизнедеятельности человека, его разума, работы мозга и мышления.

Что такое нейрон?

Среднестатистический человеческий мозг – это около 86 млрд нейронов, соединенных многочисленными связями (в среднем несколько тысяч связей на один нейрон, однако это число может сильно колебаться). Нейроны – это специальные клетки, способные распространять электрохимические сигналы. Нейрон имеет разветвленную структуру ввода информации (дендриты), ядро и разветвляющийся выход (аксон). Аксоны клетки соединяются с дендритами других клеток с помощью синапсов. При активации нейрон посылает электрохимический сигнал по своему аксону. Через синапсы этот сигнал достигает других нейронов, которые могут в свою очередь активироваться. Нейрон активируется тогда, когда суммарный уровень сигналов, пришедших в его ядро из дендритов, превысит определенный уровень (порог активации).

Нейронные сети

Искусственные нейронные сети, искусственный интеллект, машинное обучение… Что означают все эти нынче модные направления и термины?

В общем смысле слова, нейронные сети (НС – Neural Networks) – это математические модели, работающие по принципу сетей нервных клеток животного организма. Искусственные НС (ИНС) могут быть реализованы как в программируемые, так и в аппаратные решения. Для простоты восприятия нейрон можно представить, как некую ячейку, у которой имеется множество входных отверстий и одно выходное. Каким образом многочисленные входящие сигналы формируются в выходящий, как раз и определяет алгоритм вычисления. На каждый вход нейрона подаются действующие значения, которые затем распространяются по межнейронным связям (синопсисам). У синапсов есть один параметр – вес, благодаря которому входная информация изменяется при переходе от одного нейрона к другому.

Тенденция времени

В последние несколько лет наблюдается взрыв интереса к ИНС. Исследователи – программисты и разработчики аппаратных моделей – создают все новые эффективные креативные программные и аппаратные воплощения, построенные по принципу организации и функционирования биологических нейронных сетей. Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на биологической модели нервных систем. В будущем развитие таких нейробиологических моделей может привести к созданию действительно мыслящих компьютеров. А чтобы создать искусственный интеллект, необходимо построить систему с похожей архитектурой.

Где они применяются

ИНС благодаря способности к обучению, а также тому, что это обусловлено появлением различных способов ускорения их обучения, успешно применяются в самых различных областях нашей жизни: бизнесе, медицине, технике, геологии, физике и пр. ИНС, как исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости, находит все более многочисленные области применения: создание самообучающихся систем производственных процессов, беспилотные транспортные средства, системы распознавания образов, интеллектуальные охранные системы, робототехника, системы мониторинга качества, голосовые интерфейсы взаимодействия, системы аналитики и изобретения во многих других областях, где нужно решать задачи обработки накопленного огромного потока информации – распознавания, прогнозирования, классификации, управления. В настоящее время процесс обучения ИНС стал намного быстрее и проще: стали более мощными возможности технических средств (технологический рост объемов памяти, быстродействия; постоянное накопление баз данных и пр.). Начали активно разрабатываться так называемые «предобученные» нейросети, которые позволяют существенно ускорить процесс внедрения технологии.

Одни плюсы

Впечатляющий успех и интерес к ИНС определяются способностями справляться с такими задачами, как системы распознавания и классификации объектов на изображениях и ландшафтах в исследуемой области, голосовой интерфейс взаимодействия для интернета вещей, видеоаналитика, самообучающиеся системы, оптимизирующие управление материальными потоками или расположением объектов; интеллектуальные; самообучающиеся системы управления производственными процессами и устройствами (в том числе робототехническими), универсальный перевод «на лету» для конференций и персонального использования и пр. И если пока что рано говорить о том, смогут ли когда-то нейросети полностью воспроизвести возможности человеческого мозга, вероятность того, что в ближайшее десятилетие ИНС смогут заменить человека на четверти существующих профессий, все больше становится похожей на правду.

Искусственный интеллект

Что же такое искусственный интеллект? Под искусственным интеллектом (ИИ) разработчики понимают способность машины имитировать умное поведение людей, то есть – умение ориентироваться в меняющемся контексте и принимать с учетом этих изменений оптимальные, позволяющие достичь цели решения. Врачу бывает сложно верно диагностировать заболевание, особенно если у него не слишком много практики или конкретный случай далек от его профессионального опыта. Тут на помощь может прийти ИИ, имеющий доступ к базам с тысячами и миллионами историй болезни (и другой упорядоченной информацией, в том числе свежим статьям, учебникам, специализированной медицинской литературе). С помощью алгоритмов машинного обучения ИИ классифицирует конкретный кейс, быстро просканирует вышедшую за определенный интервал времени научную литературу по нужной теме, изучит имеющиеся в доступе похожие случаи и предложит план лечения. Более того, ИИ сможет обеспечить индивидуализированный подход, приняв во внимание сведения о генетических особенностях пациента, паттернах движения, собранных его носимыми устройствами, предыдущей истории болезней – всем анамнезе жизни. ИИ вероятно (по крайней мере, на текущем этапе развития технологий), не заменит врача, но может стать и уже становится полезным инструментом, помощником в деле диагностики и лечения.

Зачем он нужен в медицине

Медицина, ориентировавшаяся ранее в основном на лечение острых заболеваний, теперь сможет больше внимания уделять недугам хроническим, многие из которых не так давно и болезнями не считались. Уже сегодня быстро растут объемы медицинских данных, приходит сознание, что от скорости и качества анализа зависит здоровье и качество жизни пациента. Врачи часто сталкиваются с необходимостью лечить ожирение, депрессии, болезни пожилого возраста. Диабет, сердечная недостаточность, аутоиммунные расстройства все чаще диагностируются вне фазы обострения, на самых ранних стадиях, причем речь идет не только о поддерживающей терапии, но и о возможности полностью излечить, исправить эти системные сбои организма. Развивается превентивная медицина, позволяющая распознать предрасположенность к определенным типам заболеваний еще до их проявления, и необходимой актуальности своевременно принять меры. И все это – работа для ИИ.

Прогноз для стоматологии

Исследователи, занимающиеся ИНС, делают прогнозы, что уже в ближайшее время быстро будет развиваться применение нейронных сетей и в стоматологии. Это направление позволит проводить более быстрый анализ большого количества необходимой профессиональной прицельно-ориентированной информации, а главное – сможет направлять и давать подсказки врачам в решении сложных клинических задач.

Материал подготовила по данным
интернет-источников Галина Масис

Поиски и изучение неявных алгоритмов, позволяющих автоматически накапливать и затем использовать опыт при обучении [5.3 ], продолжаются уже более 100 лет [5.4 ]. Однако первые серьезные попытки создания нейронных сетей были сделаны в 40-50-х годах, когда У.Маккалох и У.Питтс выдвинули основные положения теории работы головного мозга. С появлением дешевых ЭВМ произошел резкий скачок в этой области, которая в начале 80-х годов сформировалась в целую науку - нейроинформатику [5.5 , 5.6 , 5.7 ].

Неявные задачи медицины и биологии явились идеальным полем для применения нейросетевых технологий, и именно в этой области наблюдается наиболее яркий практический успех нейроинформационных методов.

Рассмотрим несколько наиболее интересных нейросетевых приложений для биологии и медицины, созданных различными авторами и школами.

Наибольший интерес для практического здравоохранения представляют системы для диагностики и дифференциальной диагностики заболеваний. При этом для принятия решений могут использоваться самые разнообразные данные - анамнез, клинический осмотр (создаются экспертные системы диагностики, ограничивающиеся только этим набором [5.8 ]), результаты лабораторных тестов и сложных функциональных методов. Список областей медицины, в которых начали применяться новые технологии, чрезвычайно обширен и продолжает расти.

Одним из наиболее интенсивно развиваемых направлений является применение нейросетей в кардиологии.

В Италии разработана чрезвычайно интересная экспертная система для диагностики и лечения артериальной гипертонии [5.9 ]. Система включает в себя три нейросетевых модуля, причем ответы одних являются входными данными для других. В начале исследования больному проводят измерение систолического и диастолического давления каждые полчаса в течение суток. Данные за каждый час усредняются. Таким образом, образуется массив из 48 величин артериального давления ( по 24 для систолического и диастолического). После этого первый модуль , состоящий из двух трехслойных нейросетей (в каждой из которых 2 входных, 4 "скрытых" и 24 выходных нейрона), на основании данных о поле и возрасте больного рассчитывает аналогичные "должные" величины и сравнивают их с реальными. Параллельно второй модуль (двухслойная нейросеть с 17 входными и 4 выходными нейронами) на основании клинических данных (симптоматика, анамнез) рассчитывает возможные сочетания гипотензивных лекарственных средств, которые могут быть использованы для лечения данного больного. Данные, снятые с выходов обоих модулей, вместе с клиническими данными подаются на вход последнего, третьего модуля (6 -слойная нейросеть ). Этот модуль оперирует 4 группами гипотензивных препаратов (диуретики, бетаадреноблокаторы, ингибиторы ангиотензина, блокаторы кальциевых каналов). Цель - назначить суточный (почасовой) график приема больным лекарств каждой (если требуется) из 4 групп. Поэтому этот модуль имеет 96 выходных нейронов (4 препарата х 24 часа). С каждого выходного нейрона снимается доза, соответствующая одному препарату, назначаемому на данный час суток. Естественно, что в реальной ситуации большинство выходных данных равны нулю. Таким образом, создается оптимальная для пациента схема лечения гипертонии. Нужно отметить, что система учитывает некоторые особенности приема препаратов больными, например, затруднение приема препаратов ночью (назначает ночной прием только в крайних случаях), запрет на назначение мочегонных лекарств на ночь.

Отличительной чертой системы является возможность пользователя (врача) передавать нейронной сети свой опыт . Для этого создателями программы предусмотрен специальный блок, который выводит на экран компьютера суточные кривые артериального давления и предлагает врачу ввести в компьютер суточную схему приема гипотензивных препаратов в необходимых, по его мнению, дозах. Введенный пример помещается в базу данных. В любое время можно инициировать доучивание нейронных сетей с новыми примерами.

Проводится комплекс исследований по использованию нейросетей для диагностики инфаркта миокарда [5.13 ,5.14 ,5.15 ]. Автор приводит данные по чувствительности (77,7% ) и специфичности (97,2% ) нейросетевого теста. В работе [5.16 ], кроме того, с помощью нейронной сети устанавливали диагностическую значимость клинических параметров при диагностике инфаркта миокарда.

Нейросети используются терапевтами для диагностики заболеваний печени по лабораторным данным исследования функций печени [5.19 ]; дифференциальной диагностики заболеваний печени [5.20 ] и желчного пузыря по УЗИ [5.21 ].

Нейропрограммы могут с успехом работать с медицинскими данными, относящимися к субъективным категориям, например, в психиатрии [5.22 ]. Оценка субъективных данных дает возможность распознавания психических симптомов и диагностики и изучения некоторых психиатрических симптомокомплексов.

Актуальная проблема диагностики злокачественных новообразований, возможно, получит новый уровень осмысления с началом применения нейроалгоритмов. Так, в работе [5.23 ] показана 80% -я точность ранней диагностики меланом кожи - одного из самых злокачественных заболеваний.

Одним из серьезных направлений применения нейронных сетей является интерпретация медицинских данных. В последние годы идет бурное развитие новых средств диагностики и лечения. При этом наблюдается "вторая волна" изучения и использования древних, старинных методов, и, наоборот, применение последних технических новшеств. Нередко и те и другие методы при использовании предоставляют врачу массу самых разнообразных данных. При этом встает проблема их грамотной и корректной интерпретации. Поиск глубинных закономерностей между получаемыми данными и патологическими процессами начинает отставать от разработки все новых и новых методов, поэтому применение для этой цели нейросетей может оказаться чрезвычайно выгодным.

по 5 точкам этой волны нейронная сеть оценивает состояние левой почки.

Классической проблемой в кардиологии является интерпретация электрокардиограмм, требующая значительного опыта врача. Сотрудники Университета Глазго (Великобритания) ведут исследования по применению нейросетей для ЭКГ -диагностики инфарктов миокарда [5.25 ]. Входными данными для сетей являются избранные параметры 12 -канальной электрокардиограммы и 12 -канальной векторкардиограммы (длины зубцов, расстояния между зубцами). Исследователи обучили огромное количество нейросетей (167 сетей для диагностики инфаркта миокарда передней стенки и 139 сетей для инфаркта нижней стенки) на массиве данных из 360 электрокардиограмм. Обученные сети затем тестировали отдельную выборку с заранее известными ответами (493 случая). Одновременно для получения отдельной серии ответов на тестируемой выборке был использован логический метод (с заранее заданным алгоритмом). Затем сравнивались результаты тестирования выборки лучшими нейросетями и с помощью логического алгоритма. Сравнение показало, что во многих случаях чувствительность и специфичность нейросетевого теста оказались выше, чем у логического метода. Авторы делают справедливый вывод , что в случаях, когда логический алгоритм решения задачи все-таки можно выстроить, разумно комбинировать в экспертных системах оба подхода.

Интерпретация 59% ).

Правильная ссылка на статью:

Мустафаев А.Г. — Применение искусственных нейронных сетей для ранней диагностики заболевания сахарным диабетом // Кибернетика и программирование. - 2016. - № 2. - С. 1 - 7. DOI: 10.7256/2306-4196.2016.2.17904 URL: https://nbpublish.com/library_read_article.php?id=17904

Применение искусственных нейронных сетей для ранней диагностики заболевания сахарным диабетом

Другие публикации этого автора

Аннотация.

Сахарный диабет - хроническое заболевание, в патогенезе которого лежит недостаток инсулина в организме человека, вызывающий нарушение обмена веществ и патологические изменения в различных органах и тканях, зачастую приводящие к высокому риску инфаркта и почечной недостаточности. Сделана попытка разработать систему ранней диагностики сахарного диабета обследуемого пациента использующая аппарат искусственных нейронных сетей. Разработана модель нейронной сети на основе многослойного персептрона обученная на основе алгоритма обратного распространения ошибки. Для проектирования нейронной сети был использован пакет Neural Network Toolbox из MATLAB 8.6 (R2015b) являющийся мощным и гибким инструментом работы с нейронными сетями. Результаты обучения и проверки работоспособности спроектированной нейронной сети показывают её успешное применение для решения поставленных задач и способность находить сложные закономерности и взаимосвязи между различными характеристиками объекта. Чувствительность разработанной нейросетевой модели составила 89.5%, специфичность 87.2%. После того как сеть обучена, она становится надежным и недорогим диагностическим инструментом.

Ключевые слова: сахарный диабет, искусственная нейронная сеть, компьютерная диагностика, специфичность, чувствительность, классификация данных, многослойный персептрон, обратное распространение ошибки, сеть прямого распространения, обучение с учителем

10.7256/2306-4196.2016.2.17904

Дата направления в редакцию:

11-02-2016

Дата рецензирования:

12-02-2016

Дата публикации:

03-03-2016

Abstract.

Diabetes is a chronic disease, in the pathogenesis of which is a lack of insulin in the human body causing a metabolic disorder and pathological changes in various organs and tissues, often leading to a high risk of heart attack and kidney failure. The author makes an attempt to create a system for early diagnosis of diabetes patients using the device of artificial neural networks. The article presents a model of neural network based on multilayer perceptron trained by back-propagation algorithm. For the design of the neural network the author used Neural Network Toolbox из MATLAB 8.6 (R2015b) which is a powerful and flexible tool for working with neural networks. The results of training and performance tests of the neural network designed show its successful application for the task and the ability to find patterns and complex relationships between the different characteristics of the object. The sensitivity of the developed neural network model is 89.5%, specificity of 87.2%. Once the network is trained it becomes a reliable and inexpensive diagnostic tool.

Keywords:

Diabetes, artificial neural network, computer diagnostics, specificity, sensitivity, data classification, multilayer perceptron, back propagation of error, direct distribution network, training with teacher

На сегодняшний день в мире диабет считается одним из наиболее распространенных заболеваний. Согласно данных Всемирной организации здравоохранения, около 350 млн. человек всех возрастов и рас страдают разными формами диабета . Сахарный диабет не является следствием патологии какого-то конкретного органа, он возникает из-за общего сбоя в обмене веществ. Его признаки появляются со стороны органов и систем органов, наиболее чувствительных к этому процессу. Клинические признаки диабета зависят от типа заболевания, пола, возраста, уровня инсулина, артериального давления и других факторов. В работе рассматривается система ранней диагностики сахарного диабета обследуемого пациента использующая аппарат искусственных нейронных сетей.

Нейросетевые технологии призваны решать трудноформализуемые задачи, к которым, в частности, сводятся многие проблемы медицины. Это связано с тем, что исследователю часто предоставлено большое количество разнородного фактического материала, для которого еще не создана математическая модель. Хороший результаты показали модели искусственных нейронных сетей для диагностики психических расстройств , болезни Паркинсона и Хантингтона . Модели многослойных персептронов применяются для прогнозирования риска возникновения остеопороза . Логический вывод и обобщенная регрессия использованы для диагностирования гепатита B .

Одним из наиболее удобных инструментов для решения подобных задач являются искусственные нейронные сети - мощный и одновременно гибкий метод имитации процессов и явлений. Современные искусственные нейронные сети представляют собой программно-аппаратные средства создания специализированных моделей и устройств и позволяют решать широкий круг задач диагностики на основе применения алгоритмов теории распознавания образов. Отличительное свойство нейронных сетей состоит в их способности обучаться на основе экспериментальных данных предметной области. Применительно к медицинской тематике экспериментальные данные представляются в виде множества исходных признаков или параметров объекта и поставленного на основе них диагноза. Обучение нейронной сети представляет собой интерактивный процесс, в ходе которого нейронная сеть находит скрытые нелинейные зависимости между исходными параметрами и конечным диагнозом, а также оптимальную комбинацию весовых коэффициентов нейронов, соединяющих соседние слои, при которой погрешность определения класса образа стремится к минимуму . К достоинствам нейронных сетей следует отнести их относительную простоту, нелинейность, работу с нечеткой информацией, не критичность к исходным данным, способность обучаться на материале конкретных примеров. В процессе обучения на вход нейронной сети подается последовательность исходных параметров наряду с диагнозами, которые эти параметры характеризуют.

Для обучения нейронной сети необходимо иметь достаточное количество примеров для настройки адаптивной системы с заданной степенью достоверности. Если примеры относятся к разным диагностическим группам, то обученная таким образом искусственная нейронная сеть позволяет в последующем диагностировать и дифференцировать любой новый случай, представленный набором показателей, аналогичных тем на которых проводилось обучение нейронной сети. Несомненным достоинством нейронной модели является то, что при ее создании не нужно представлять весь набор сложных закономерностей описания диагностируемого феномена.

Вместе с тем, с применением нейронных сетей в практических задачах связан ряд трудностей. Одной из главных проблем применения нейросетевых технологий является заранее неизвестная степень сложности проектируемой нейронной сети, которой будет достаточно для достоверной постановки диагноза. Эта сложность может оказаться недопустимо высокой, что потребует усложнения архитектуры сетей. Простейшие однослойные нейронные сети способны решать только линейно разделяемые задачи . Это ограничение преодолимо при использовании многослойных нейронных сетей.

В данной работе использовалась модель многослойного персептрона (нейронная сеть прямого распространения) обученная на основе алгоритма обратного распространения ошибки. В качестве активационной функции в работе, использовалась логистическая активационная функция (рис. 1):

`F=1/(1+exp(-alphaY)`

где ` alpha` - параметр наклона логистической функции.

Рис. 1. Логистическая функция активации

Многослойный персептрон обладает высокой степенью связности, реализуемой посредством синаптических соединений. Изменение уровня связности сети требует изменения множества синаптических соединений или их весовых коэффициентов. Комбинация всех этих свойств наряду со способностью к обучению на собственном опыте обеспечивает вычислительную мощность многослойного персептрона.

Искусственная нейронная сеть содержала входной слой, один скрытый слой и выходной слой. Входной слой, нейронной сети, имеет 12 нейронов, выходной слой имеет два нейрона (рис. 2).

Рис. 2. Архитектура нейронной сети

Таблица 1. Параметры входного слоя нейронной сети

Параметр	Тип данных, единица измерения
	Число (лет)
Физические нагрузки	Логический (да/ нет)
	Логический (М / Ж)
Число беременностей
Наличие диабета у близких родственников	Логический (да/ нет)
Индекс массы тела	Число (кг/м 2)
Толщина кожи	Число (мм)
Уровень холестерина	Число, мг/дл
Диастолическое давление	Число, мм. рт. ст.
2-х часовой сывороточный инсулин	Число, мкЕд/мл
Наличие стресса, депрессии	Логический (да/ нет)
Уровень глюкозы в плазме крови	Число, мг/дл

Для проектирования нейронной сети был использован пакет Neural Network Toolbox из MATLAB 8.6 (R2015b). Пакет представляет набор функций и структур данных описывающих функции активации, алгоритмы обучения, установку синаптических весов и др.

Рис. 3. Схема работы алгоритма обратного распространения ошибки

Алгоритм обратного распространения ошибки (рис. 3) предполагает вычисление ошибки, как выходного слоя, так и каждого нейрона обучаемой сети, а также коррекцию весов нейронов в соответствии с их текущими значениями. На первом шаге данного алгоритма веса всех межнейронных связей инициализируются небольшими случайными значениями (от 0 до 1). После инициализации весов в процессе обучения нейронной сети выполняются следующие шаги:

прямое распространение сигнала;
вычисление ошибки нейронов последнего слоя;
обратное распространение ошибки.

Прямое распространение сигнала производится послойно, начиная со входного слоя, при этом рассчитывается сумма входных сигналов для каждого нейрона и при помощи функции активации генерируется отклик нейрона, который распространяется в следующий слой с учетом веса межнейронной связи согласно. В результате выполнения данного этапа мы получаем вектор выходных значений нейронной сети. Следующий этап обучения - вычисление ошибки нейронной сети как разницы между ожидаемым и действительным выходными значениями.

Полученные значения ошибок распространяются от последнего, выходного слоя нейронной сети, к первому. При этом вычисляются величины коррекции весов нейронов в зависимости от текущего значения веса связи, скорости обучения и ошибки, внесенной данным нейроном. После завершения данного этапа шаги описанного алгоритма повторяются до тех пор, пока ошибка выходного слоя не достигнет требуемого значения.

База обучающих и тестовых данных содержала 486 записей о пациентах, 243 из которых имели клинически установленный диагноз «сахарный диабет», другая часть пациентов была здорова.

Нейронная сеть была обучена на 240 выборках и протестирована на 146 выборках. Чувствительность разработанной нейросетевой модели составила 89.5%, специфичность 87.2%. Некоторая сложность теоретического обеспечения использования, трудоемкость и временные затраты по моделированию и обучению нейронных сетей компенсируется простотой их применения конечным пользователем. Если задача создания конкретной нейронной сети адекватной поставленной задаче и ее оптимальное обучение доступна лишь специалисту, то ее практическое применение конечным пользователем требует только навыков владения компьютером. Сложность интерпретации системы знаний обученной нейросетевой модели, является ненужной пользователю нейронной сети, так как для большинства конечных пользователей важно не понимание сущности работы нейронной сети, а ее результативность, информативность, безошибочность и быстродействие.

Библиография

.	фактов о диабете. [Электронный ресурс] Официальный сайт Всемирной организации здравоохранения http://www.who.int/features/factfiles/diabetes/ru/ (дата обращения: 13.01.2016)
.	Беребин М.A., Пашков С.В. Опыт применения искусственных нейронных сетей для целей дифференциальной диагностики и прогноза нарушений психической адаптации. Вестник Южно-Уральского государственного университета, 2006, №14, с.41-45.
.	Gil D., Johnsson M. Diagnosing Parkinson by using artificial neural networks and support vector machines. Global Journal of Computer Science and Technology, 2009, №9(4). pp.63-71.
.	Singh M., Singh M., Singh P. Artificial Neural Network based classification of Neuro-Degenerative diseases using Gait features. International Journal of Information Technology and Knowledge Management, 2013, Vol. 7, №1, pp. 27-30.
.

В СССР искусственным интеллектом в медицине занимались с конца 1970-х годов - в институте кибернетики украинской РАН и в московском институте прикладной информатики. Сейчас над этой темой работает академик Александр Кулешов, ректор Сколковского института науки и технологий.

На Западе вершиной подобных разработок стал суперкомпьютер IBM Watson. Он умеет анализировать медкарты и выявлять потенциальные риски для конкретного пациента. Также система оказывает информационную поддержку онкологам, помогая им подобрать варианты лечения. Этим она повышает компетенцию врачей - IBM Watson сопровождает свои заключения ссылками на релевантные научные статьи и клинические случаи. Сейчас эта платформа помогает ставить диагнозы в 16 онкологических центрах США и Канады.

На днях российские эксперты обсудили будущее искусственного интеллекта в медицине на конференции в «Яндексе», организованной порталом MedAboutMe. Rusbase записал самые важные тезисы о том, как айтишники помогут отечественным врачам лечить нас лучше.

Чем нейросети помогут медицине?

«Яндекс» пока не использует свои наработки в медицине, но уже знает, какую пользу ей может принести. Дело в том, что задача анализа звуков и изображений широко распространена в медицинской диагностике - это рентгены, УЗИ, МРТ, анализы крови и т.д. Можно научить нейронную сеть выявлять патологии лучше опытных медсестер и лаборантов. Машина учится непрерывно 24 часа в сутки, не устает и не болеет.

Все это может быть сделано очень качественно и - что важнее всего - дистанционно (например, в столичном медицинском центре). Такая технология поднимет диагностику на другой уровень. Для этого не требуется создавать ничего нового, нужно просто приспособить имеющиеся алгоритмы и железо. А искусственный интеллект, который заменит врача, будет ставить диагнозы и предсказывать эпидемии - это уже на послезавтра (Андрей Себрант, директор по маркетингу сервисов «Яндекса») .

С 2010 года в России создано 500 сосудистых центров, но мало подготовленных специалистов. Им очень нужна машинная обработка томограмм, которая поможет быстрее и правильнее принимать решения. Если правильно определить тип инсульта (всего более 100) в течение трех часов, 90% пациентов возвращаются к полноценной жизни. Промедление приводит к смерти или инвалидности с дорогостоящей реабилитацией. Если соединить технологии «Яндекса» с протоколами оказания медпомощи, можно резко снизить смертность от инсультов. Для этого нужны лишь воля и организационные усилия (Олег Симаков, член экспертного совета Минздрава по использованию ИКТ в здравоохранении) .

Основная причина смерти в мире - сердечно-сосудистые заболевания. Ощущения боли в сердце возникают гораздо позже, чем их причины. Можно предсказывать гипертонические кризы с помощью датчиков, но их невозможно долго носить - через пару дней на коже начинается раздражение от электродов. К тому же при ношении датчиков возникает много помех и шумов, затрудняющих диагностику. Нужно переходить от внешних датчиков к инвазивным, но это дорого. Лечащий врач не может все время смотреть на монитор. Нужна нейронная сеть, которая будет анализировать сердечный ритм и выявлять ишемию. Причем она должна обучаться на данных каждого конкретного пациента (Олег Симаков) .

Где взять медицинские данные для обучения ИИ?

У государства монополия на медицинскую информацию, но нет возможности правильно ее собирать и хранить. Вряд ли оно захочет делиться накопленными данными с рынком, но их обработка требует больших инвестиций. Например, проект IBM Watson тратит на R&D на порядка $6 млрд в год. У Минздрава таких бюджетов нет, поэтому для анализа медицинских данных россиян нужно государственно-частное партнерство (Константин Горбач, руководитель направления здравоохранения в IBM) .

Пока в России нет данных, пригодных для обработки искусственным интеллектом. Сегодня в стране 38 млн электронных медкарт, но их заполнили по разным классификаторам, что осложняет их анализ. Кроме того, при ФАНО и Минздраве работает 80 НИИ с медицинским уклоном, каждый из которых пытался создать свой информационный массив. Анализ интегрированных медкарт (когда разные медучреждения объединяют свои данные об одном и том же человеке) позволил бы выявить географически обусловленные заболевания, например, болезни легких в Кемерово и Воркуте (Олег Симаков) .

На днях стало известно о том, что фитнес-браслет впервые спас человеку жизнь . Данные с гаджета помогли врачам правильно выбрать тактику лечения. Обычно они вынуждены опираться на рассказ пациента. В России зарегистрировано крайне мало медицинских приборов, которые могут дистанционно передавать показания. Их очень сложно зарегистрировать, чтобы использовать для мониторинга здоровья. Надо преодолеть бюрократические барьеры. В мире в прошлом году насчитывалось примерно 22 тысячи гаджетов для здоровья (Олег Симаков) .

Когда искусственный интеллект станет полноценным врачом?

Чтобы называться электронным врачом, искусственному интеллекту нужны рефлексия и эмпатия, то есть этика. Причем в области формализации этики произошел не меньший прогресс, чем в обработке изображений. Понимание того, как программировать этику и как принимаются решения, продвинулось очень сильно (Владислав Шершульский, директор программ технологического сотрудничества Microsoft в России) .

Для создания универсального ИИ не хватает хорошей постановки задачи, поэтому она решается кусочками. Хотя эти кусочки очень интересные: победа ИИ в го - это история про очень качественную искусственную интуицию. А в «Яндексе» алгоритм обучили чувству прекрасного. Проблема создания полноценного ИИ не столько в ресурсах, сколько в том, что мы задачу не можем поставить (Андрей Себрант) .

Несмотря на непревзойденную компетенцию, IBM Watson - всего лишь ассистент, а принятие решений остается за человеком. Вопрос не в качестве диагностики, а в ответственности за пациента (Константин Горбач) .

Когда в России разрешат телемедицину?

В этом году. Сейчас эксперты работают над текстом федерального закона о телемедицине (поправки в 323-ФЗ). Документ легитимизирует удаленные консультации и мониторинг пациентов (юристы категорически против дистанционного лечения и диагностики). Если законопроект успеют внести в Госдуму за две недели, он будет принят в весеннюю сессию (Олег Симаков) .

Как виртуальная реальность помогает медицине?

Виртуальная реальность прямо сейчас используется для обучения врачей. Операции лучших хирургов снимаются давно, но зрители не видят их с позиции врача. А в виртуальном шлеме видно все движения от первого лица. Степень погружения такова, что новые методы хирургии будут усваиваться гораздо быстрее. Результат - спасенные жизни (Андрей Себрант) .

Студенты Башкирского государственного медицинского университета решили применить нейросети для предсказания некоторых заболеваний. Молодые медики надеются, что их исследование принесет существенную пользу республиканской медицине. Подробностями авторы делятся с «Электрогазетой».

Нейросеть - это особое программное обеспечение, программный код, у которого есть определенные возможности и «умения». Нейронная сеть, как интеллектуальная система, способна выявлять сложные зависимости между входными и выходными данными, а также выполнять обобщения. По сути, такая программа (если ее эффективно обучить) может предсказывать болезни, - рассказывает студент третьего курса БГМУ Григорий Гололобов. - Начать исследования в данной области мы решили с язвенной болезни желудка и двенадцатиперстной кишки.

Почему именно это заболевание? Дело в том, что язва очень опасна своими осложнениями - перфорация желудка или кровотечение. Неожиданно возникшее осложнение может сильно ослабить больного и задержать выздоровление, а также может привести к летальному исходу. Нейронная сеть нужна, чтобы узнать - какова вероятность кровотечения у того или иного пациента. Если будет известно, что эта вероятность 50-60 процентов и выше, хирург сможет особенно внимательно следить за пациентом и заранее подготовиться к любым форс-мажорам. Особенно это актуально для молодых неопытных хирургов.

В своей работе мы использовали бесплатное программное обеспечение.

Итак, способна ли нейронная сеть предсказать язву и ее осложнения, и насколько достоверным будет диагноз? Первым этапом стало обучение нейронной сети. С целью тренировки в программу были загружены данные 200 реальных пациентов уфимских больниц. При этом входной информацией выступили жалобы пациентов, то есть так называемый анамнез (наличие болей, их локализация и интенсивность, уровень артериального давления, курит ли человек и т.д.), - целая совокупность параметров. А на выходе нейронная сеть должна была выдать диагноз - есть ли язва у человека, и какова вероятность осложнений. Стоит отметить, что выборка пациентов была поделена на две части. 70 процентов выборки мы использовали для обучения (тренировки) программы, а 30 процентов - для проверки.

Какими оказались промежуточные результаты? На сегодня точность предсказания составила в среднем 87 процентов. Наша нейронная сеть предсказывает язву и ее последствия у человека с очень высокой степенью достоверности. В дальнейшем мы планируем улучшить качество прогноза, и получить реально работающий инструмент для практикующих врачей. Для этого нужно больше пациентов и больше анамнеза. На текущем этапе нейросеть хорошо предсказывает саму язвенную болезнь. Но нужно научить программу более эффективно предсказывать осложнения. Этим мы будем заниматься на втором этапе.

Как пояснил собеседник «Электрогазеты», проект реализуется под руководством д.м.н., профессора БГМУ Марата Нуртдинова. Работа ведется в сотрудничестве с кафедрой вычислительной техники УГНТУ.

Наши московские и новосибирские коллеги уже активно используют нейронные сети для прогнозирования заболеваний и постановки диагнозов. Но в Башкирии мы являемся «первопроходцами», - добавляет Григорий Гололобов. - Единственный пока пример - аппараты ЭКГ с соответствующей программной «начинкой», которые на основе снятой кардиограммы выдают предварительный диагноз. Полагаю, что в ближайшие несколько лет нейросети прочно войдут в медицину. Нейросеть - весьма эффективная технология, которая может оказать существенную поддержку врачу. Ведь такое программное обеспечение, по сути, является интеллектуальной системой. Опять же, в дальнейшем можно будет внедрить нейронные программные комплексы не только в области диагностики язвенной болезни, но и других заболеваний.