Незабаром у Великобританії з’явиться поглиблене програмне забезпечення для мамографії Kheiron Medical - Mia. Засновник та генеральний директор компанії, Петер Кечкеметі, розповів ResponseOnline про свою нагороджену розробку.
- Поширений переказ про штучний інтелект, який відводить людей від роботи, але тут проблема полягає в тому, щоб зловити фахівців з ласо.
- Існує величезна нестача рентгенологів. За одним-двома винятками, навіть для найбагатших, найрозвиненіших країн характерний дефіцит фахівців на 20-30 відсотків, але зараз, коли COVID має перевантажені дослідження, це більше 50 відсотків. Площа скринінгу грудей, де ми працюємо, ще більша. Це тому, що ставки настільки великі, і так важко розпізнати ураження, що подвійне зчитування є обов’язковим, а це означає, що кожен запис повинен переглядати незалежно два лікарі, а якщо вони не згодні, третій. І оскільки майже кожна жінка в даній віковій групі ідеально бере участь у скринінгу грудей, обсяг скринінгу також величезний. Під час скринінгової зміни лікар повинен переглядати від 100 до 300 зображень на годину, близько 1 відсотка з яких є позитивними. Це не тільки повторювана робота, але і стресова, оскільки є маленький диявол, що, якби він пропустив навіть позитивний.
- Ось тут ви потрапляєте в картину?
“Наша система, Міа, може допомогти з тим, що лише один рентгенолог повинен дивитись на знімки, а інший читач - Мія. Незважаючи на це, дві “пари очей” бачать усі записи, але лише одна з них - людина, інша - штучний інтелект, який також бачить речі, зміни, які людський мозок і очі не можуть помітити. Але протягом усього процесу рішення приймається лікарем. МІ - це як комп’ютер для бухгалтера. Це не спрацьовує, але автоматизує частину роботи. Лікар має більше часу для пацієнта, хоча це швидше довготермінова мета, наразі реальність така, що він буде лише трохи обтяжений, а не дуже зайнятий. Оскільки, хоча подвійне читання в принципі приємне, лікарів у багатьох місцях просто недостатньо. В іншому єдине - це збільшити тривалість скринінгового циклу з двох, скажімо, на три роки.
- «Тільки» при скринінгу молочної залози або взагалі в рентгенології?
- Найсерйозніша ситуація у скринінгу молочної залози, саме через обов’язковий протокол подвійного читання, але є також кілька інших областей, де об’єм скринінгу високий і/або завдання повторюється. Такий рентген кістково-м’язового апарату, але при КТ/МР пацієнту часто доводиться переглядати від 2000 до 3500 зображень. Лікар має по півсекунди на кожного і повинен дати відповідальний висновок. Тож є чим зайнятися.
«Штучний інтелект, а точніше глибоке навчання, здається, був винайдений, щоб допомогти. Як це точно працює?
- Суть машинного навчання полягає в тому, що завдяки безлічі даних - у нашому випадку мільйонам медичних зображень та пов’язаних з ними діагнозів - програмне забезпечення вчиться приймати все більш досконалі рішення, розпізнавати зорові аномалії. Поглиблене навчання є формою цього, яка досягла рівня в 2013 році, коли можна було виконувати певні завдання краще за людей. Алгоритми глибокого навчання засновані на нейронних мережах, що імітують живі нейрони. Але через велику кількість абстракцій та математичного моделювання вони насправді мають мало спільного з тим, як працює людський мозок. Хтось має стратегічний сенс, але не дуже точний і не може концентруватися однаково цілий день. Машина це робить, і це надзвичайно точно, але вона не може помітити великих взаємозв’язків. Це як калькулятор - дуже потужний візуальний калькулятор.
Глибоке навчання має величезну перевагу. У попередніх методах ми, люди, повинні були запрограмувати, яку інформацію машина шукатиме у наборі даних. Цей метод вже сам може знайти, які дані можуть мати інформаційне значення. У рентгенології це означає, що ви навіть помітите щось таке, чого ми, люди, навіть не думали, що слід шукати. Вони не витрачають багато корисної інформації зі знахідок, яка інакше впала б у ніщо.
- Де зараз усе втілювати на практиці?
- Перші моделі можна створити за 1-3 місяці, якщо над ними працювати день і ніч. Після цього, однак, моделі слід розробляти протягом 1-3 років - тобто моделі потрібно навчити високоякісним клінічним та візуалізаційним матеріалам - до стану, коли це може здатися корисним. Однак у цей час його не слід використовувати в прямому ефірі. Вам потрібно пройти обстеження в клініці, чи справді це працює. Ми зараз тут. Нещодавно у Великобританії завершилось друге клінічне випробування нашої системи, в якому понад 250 000 - звичайно анонімних - справ розглянуто у партнерстві зі Службою охорони здоров’я Великобританії, NHS, відомим дослідницьким центром MI, Інститутом Алана Тьюрінга та рядом інші професійні організації.
- Який результат?
- Ми можемо знайти таку ж кількість ракових захворювань за допомогою програмного забезпечення, як і без нього, але з меншою кількістю медичних годин і набагато меншою кількістю пацієнтів, яких слід викликати для подальшого тестування. Це попередні результати, фінал буде опублікований протягом тижнів незалежною від нас статистичною організацією-партнером, яка оцінить клінічне тестування.