Искусственный интеллект в сфере здравоохранения
Искусственный интеллект в сфере здравоохранения — это применение искусственного интеллекта (ИИ) для анализа и интерпретации сложных медицинских и биомедицинских данных. В ряде случаев ИИ может дополнять или превосходить возможности человека, предлагая более эффективные или быстрые методы диагностики, лечения и профилактики заболеваний[1][2][3].
Применение искусственного интеллекта в медицине сравнительно ново, исследования в этой области продолжаются и охватывают различные медицинские специальности и смежные отрасли. ИИ применяется в задачах диагностики, разработки протоколов лечения[4], разработки новых препаратов, персонализированной медицины[5], мониторинга пациентов и организации ухода[6]. Особое значение имеет потенциал ИИ в обработке и интерпретации рентгеновских снимков, как наиболее часто выполняемых исследований в радиологии[7].
Использование искусственного интеллекта в здравоохранении сопровождается новыми этическими вызовами, связанными с защитой данных пациентов, автоматизацией профессий и усилением уже существующих алгоритмических предвзятостей[8]. Новые технологии зачастую встречают сопротивление со стороны руководителей медицины, что приводит к замедленной и неравномерной интеграции. Известны случаи использования ИИ без достаточного тестирования[9][10][11][12]. Систематический обзор 2023 года показал, что большинство заинтересованных сторон — профессионалов, пациентов и общественности — сомневаются в способности ИИ к эмпатии в медицинской помощи. Также выявлено, что научная литература по ИИ в медицине часто страдает недостаточной воспроизводимостью[13][14][15].
История
Исследования 1960-х-1970-х годов привели к появлению первых экспертных систем, таких как Dendral[16], предназначенной для применения в органической химии, и последующих систем MYCIN[17], INTERNIST-1 и CASNET, анализировавших медицинские случаи и предлагавших диагностические решения[18].
В 1980—1990-х годах появились микрокомпьютеры и новые уровни сетевого взаимодействия, что позволило применять в ИИ логические модели с нечёткой логикой[19], байесовские сети[20] и искусственные нейронные сети[21] для интеллектуальных вычислительных систем в медицине.
К основным технологическим предпосылкам развития ИИ в медицине относят:
- рост вычислительных мощностей;
- развитие IT-инфраструктуры здравоохранения (ЭМК — электронной медицинской карты);
- совершенствование методов обработки естественного языка и компьютерного зрения;
- развитие геномных и биобанковских данных.
Технические особенности
ИИ интегрируется в большинство этапов медицинской помощи: диагностику (анализ ЭМК и изображений), мониторинг и уход за пациентами, фармаконадзор, организацию труда медицинского персонала, сопровождение пациентов с хроническими заболеваниями и др.
Степень автоматизации технологий ИИ колеблется от систем поддержки принятия врачебных решений до полностью автономных решений, применяемых, например, в медицине катастроф или телемедицине.
Реализации ИИ используют машинное обучение, глубокие нейронные сети, алгоритмы обработки естественного языка для понимания и обобщения информации из медицинских документов, изображений, генетических и других биомедицинских данных.
Алгоритмы и реализации
Наиболее распространены следующие алгоритмические подходы:
- Обработка естественного языка — для анализа неструктурированных медицинских текстов[22].
- Глубокое обучение и свёрточные нейронные сети — для анализа изображений (рентгенограммы, КТ, МРТ, фотографии кожных заболеваний)[23].
- Система поддержки принятия решений, основанная на правилах — для диагностических и рекомендательных задач.
- Генеративные состязательные сети — для синтеза изображений, дообучения и прогноза исходов заболеваний.
- Алгоритмы поиска ассоциативных правил — для выявления взаимодействий между лекарствами и предсказания побочных эффектов.
- Предиктивное моделирование — для прогнозирования индивидуальной эффективности терапии, риска обострений и длительных исходов.
Преимущества и недостатки
Преимущества:
- Сокращение времени на диагностику, обработку больших объёмов информации[24].
- Рост точности диагностики, снижение числа диагностических ошибок[25].
- Возможность индивидуализации лечения (персонализированная медицина).
- Оптимизация административных процессов в клинике.
- Мониторинг хронических больных и удалённые консультации (телемедицина).
Ограничения и недостатки:
- Этические и правовые риски, связанные с защитой персональных данных, прозрачностью работы и объяснимостью решений ИИ[26].
- Риск технологической безработицы для административного и среднего медицинского персонала[27].
- Уязвимость к «алгоритмическому смещению», если в обучающих данных недостаточно представлены отдельные группы пациентов[28].
- Низкая воспроизводимость и недостаточность клинических исследований по ряду технологий ИИ[29].
- Ограниченная обобщаемость моделей, обученных на однородных наборах данных[30].