Искусственный интеллект (ИИ) – это широкое понятие, описывающее способность компьютерных систем выполнять задачи, которые обычно требуют участия интеллекта человека. ИИ используется в автономных машинах, роботах, самоуправляемых автомобилях, а также в приложениях офисного и личного применения, таких как персонализированная реклама и поиск в интернете. Разработки в области ИИ обеспечивают более высокий уровень принятия решений, точности и способности решать задачи [1].

Современные технологии становятся неотъемлемой частью медицинской деятельности. В клинической практике появляются новые алгоритмы, программы и устройства, способные сделать диагностику и лечение больных более эффективными и точными. Анализ баз данных научных статей показал рост числа публикаций, посвященных применению ИИ в клинической медицине и здравоохранении [2–5]. Наиболее часто ИИ используется в диагностике кожных болезней, заболеваний сердца, диагностике и контроле лечения сахарного диабета, описании рентгеновских изображений [4].

Исследования ИИ в клинической медицине все чаще привлекают внимание медицинских учреждений, инвесторов и общественности [5]. ИИ оказывает значительное влияние на здравоохранение, трансформируя подходы к диагностике, лечению и управлению медицинскими данными.

Существует несколько классификаций ИИ в медицине, основанных на различных критериях, таких как область применения, технологии и методологии.

ИИ в медицине можно разделить на несколько ключевых областей применения:

– диагностика – использование ИИ для анализа медицинских изображений и данных пациентов (включает в себя компьютерное зрение и машинное обучение, которые помогают в выявлении заболеваний на ранних стадиях, например в радиологии и дерматологии) [6][7];

– персонализированная медицина – ИИ позволяет обрабатывать большие объемы данных для разработки индивидуализированных планов лечения, основанных на генетической информации и других биомаркерах [8];

– управление здравоохранением – ИИ применяется для оптимизации процессов в здравоохранении, включая управление ресурсами, планирование и мониторинг пациентов, что помогает улучшить качество обслуживания и сократить затраты [9].

С точки зрения технологий можно выделить следующие варианты:

– машинное обучение – один из наиболее распространенных методов, который включает в себя алгоритмы, способные обучать на основе данных и делать прогнозы (в здравоохранении машинное обучение используется для анализа данных о пациентах и прогнозирования результатов лечения) [9];

– глубокое обучение – подкатегория машинного обучения, использующая нейронные сети с множеством слоев (глубокое обучение показало отличные результаты в обработке изображений и анализе больших объемов данных, таких как медицинские снимки) [7];

– обработка естественного языка (англ. natural language processing, NLP) – технология позволяет ИИ обрабатывать и анализировать текстовую информацию, что полезно для извлечения данных из медицинских записей [10].

Методы ИИ в медицине могут быть разделены на следующие группы:

– предиктивная аналитика – использует исторические данные для предсказания будущих событий, таких как риск развития заболеваний или исходы лечения [6];

– рекомендательные системы – помогают врачам в принятии решений, предлагая оптимальные варианты лечения на основе данных о пациентах и лучших практиках [9].

В настоящее время выделяют два вида обучения ИИ: машинное и глубокое обучение.

Машинное обучение

Машинное обучение (англ. machine learning) – это подраздел ИИ, который фокусируется на разработке алгоритмов и методов, позволяющих решать задачи без явного программирования [11], что дает возможность компьютерам извлекать знания из данных и делать предсказания на их основе. В машинном обучении компьютер обучается на основе набора данных, чтобы делать выводы или принимать решения без дополнительного программирования.

Глубокое обучение

Глубокое обучение (англ. deep learning) – подраздел машинного обучения, который использует нейронные сети с большим количеством слоев для анализа данных. Глубокое обучение позволяет компьютерам автоматически изучать представления данных с различными уровнями абстракции. Это более сложная форма машинного обучения, использующая многоуровневые нейронные сети для повышения точности и специфичности при сниженной интерпретируемости [12].

Существуют разные типы подходов к обучению при применении машинного и глубокого обучения в здравоохранении, каждый из которых имеет свои особенности и применения. Учитывая различные факторы, такие как количество функций, размер выборки и распределение данных, необходимо определить наиболее подходящий метод для конкретной программы электронно-вычислительных машин (ЭВМ) или приложения для смартфона.

Обучение «с учителем»

Обучение «с учителем» (англ. supervised learning) используется для классификации и прогнозирования на основе имеющихся предыдущих данных. В медицине и здравоохранении подход на основе обучения «с учителем» широко применяется для прогнозирования заболеваний [13], определения исходов госпитализации [14] и распознавания изображений [15]. Приведем примеры методов данного типа подхода к обучению.

Дерево решений (англ. decision tree, DT) служит инструментом поддержки принятия решений. Алгоритм дерева решений начинается с одного узла и определяет возможные результаты данного решения. Дерево продолжается с учетом этих результатов и последующих решений, пока не будет достигнут конечный продукт [16].

Машины опорных векторов (англ. support vector machines, SVM) являются алгоритмами классификации, применяющими контролируемое обучение для разделения объектов на две группы. Они находят гиперплоскость с максимальным зазором между данными для оптимальной их классификации [17].

Метод случайного леса (англ. random forest, RF) – это алгоритм машинного обучения, который использует ансамбль деревьев решений. Он применяется для классификации, регрессии и кластеризации. Суть метода заключается в использовании большого количества деревьев решений, каждое из которых имеет невысокое качество классификации, но в совокупности они обеспечивают хороший результат [18].

Искусственные нейронные сети (англ. artificial neural networks, ANNs) состоят из входного слоя, одного или нескольких скрытых слоев и выходного слоя. Функциональные единицы в каждом слое соединены с нейронами в предыдущем и последующем слоях [18]. Сверточная нейронная сеть (англ. сonvolutional neural network, CNN) – это многослойная сеть, которая используется для распознавания и идентификации объектов, обнаружения аномалий, распознавания изображений и идентификации [19].

Многослойный персептрон (англ. multilayered perceptron, MLP) – классическая архитектура нейронных сетей, состоящая из нескольких слоев нейронов, включая входной слой, скрытые слои и выходной слой. Региональная сверточная нейронная сеть (англ. region-based convolutional neural network, R-CNN) – метод для обнаружения объектов в изображениях. Эти модели обучаются на размеченных данных, где каждое изображение имеет метки, указывающие на наличие и положение объектов в кадре.

Обучение «без учителя»

Обучение «без учителя» (англ. unsupervised learning) применяется для анализа данных и кластеризации. Примерами методов данного типа подхода к обучению являются следующие.

Алгоритм кластеризации k-средних – один из наиболее распространенных методов обучения «без учителя», который используется для определения среднего значения между группами в неразмеченных данных [20].

Сеть глубокого доверия (англ. deep belief network, DBN) представляет собой многоуровневую сеть с внутриуровневыми соединениями, которая применяется для поиска данных и обнаружения признаков. Она обычно использует неконтролируемое обучение и имеет множество скрытых уровней для нахождения корреляций в данных [21].

Алгоритм автоматического обнаружения на основе глубокого обучения (англ. deep learning-based anomaly detection, DLAD) – это метод глубокого обучения, специально разработанный для обнаружения аномалий в данных. DLAD может быть использован для выявления нетипичных, выбивающихся из общего паттерна данных.

Обучение с подкреплением

Обучение с подкреплением (англ. reinforcement learning) зависит от последовательности вознаграждений и направлено на формирование стратегии действий.

Широко используемая рекуррентная нейронная сеть (англ. recurrent neural network, RNN) применяет обучение с подкреплением. В RNN все искусственные нейроны соединены между собой, что позволяет передавать входные данные с временной задержкой и повторно использовать выходные данные предыдущих этапов как входные данные для последующих этапов. Эта технология полезна для прогнозирования временных рядов, машинного перевода, распознавания речи, анализа ритма и создания музыки [19].

Несмотря на ограничения в применении обучения с подкреплением в области здравоохранения из-за сложности структуры, разнообразия данных, определения вознаграждений и требований к вычислительным ресурсам, у этой технологии по-прежнему есть значительный потенциал для достижения успехов в медицинской сфере.

Для описания процесса обучения модели нейронной сети и оценки ее эффективности используются следующие понятия: валидационный набор данных (внутренняя и внешняя валидация), обучающий набор данных и остаточное обучение.

Валидационный набор данных (англ. validation set) – это данные, используемые для оценки качества модели. Они делятся на внутреннюю и внешнюю валидацию.

Внутренняя валидация (англ. internal validation) – оценка модели на основе данных, которые были использованы в процессе обучения. Обычно это делается с помощью таких методов, как кросс-валидация (англ. cross-validation), где исходный набор данных делится на несколько подмножеств (англ. folds) и модель обучается и проверяется на каждом из них поочередно. Внутренняя валидация помогает оценить, насколько модель обобщает данные, и определить наилучшие гиперпараметры модели.

Внешняя валидация (англ. external validation) – процесс оценки модели на данных, которые не были использованы ни для обучения, ни для валидации модели (тестовый набор данных – англ. test set). Внешняя валидация важна для оценки того, как модель будет работать на совершенно новых данных, и позволяет более объективно определить ее обобщающую способность.

Обучающий набор данных (англ. training set) – это часть данных, которая используется непосредственно для обучения модели. Модель анализирует эти данные, выявляет закономерности и формирует свои параметры, чтобы минимизировать ошибку на обучающих данных. Обучающий набор данных обычно составляет наибольшую часть исходного набора данных.

Остаточное обучение (англ. residual training) – это обучение моделей, направленное на улучшение их качества путем изучения и корректировки остаточных ошибок (англ. residuals), которые модель совершает на обучающих данных. Остатки представляют собой разницы между предсказанными и фактическими значениями модели. В контексте глубокого обучения это часто связано с использованием остаточных блоков (англ. residual blocks) в архитектуре нейронных сетей, таких как ResNet, где остаточные связи помогают улучшить обучение глубоких моделей, облегчая прохождение градиента через сеть.

Преимуществами применения ИИ в клинической медицине являются: уменьшение количества ошибок, предоставление данных в режиме реального времени, экономия времени и ресурсов, помощь в клинических исследованиях, снижение стресса у врача, повышение взаимодействия врача и пациента и др. [22]. Однако к настоящему времени эффективность ИИ при диагностике и лечении различных заболеваний недостаточно изучена, в зарубежной и отечественной литературе еще мало публикаций на эту тему.

Врачи терапевтических специальностей и общей практики (семейные врачи) стали все чаще использовать ИИ для диагностики различных заболеваний и состояний. Например, разработаны мобильные приложения, которые помогают проводить анализ электрокардиограммы на смартфоне, что позволяет ускорить заключение и постановку правильного диагноза по сравнению с традиционными методами диагностики [20]. ИИ используется в обнаружении фибрилляции предсердий [23][24]. В России также применяются нейронные сети для диагностики синусового ритма и его нарушений [25][26].

В эндокринологии для управления лечением сахарного диабета (СД) используются следующие стратегии ИИ: прогнозирование уровня глюкозы в крови, выявление гипергликемии, определение вариабельности гликемии и терапия с помощью контроллера инсулина. ИИ применяется для непрерывного мониторинга уровня глюкозы, что является принципиально значимым и важным для пациентов с СД. Например, система Guardian (Medtronic, США) позволяет врачу и пациенту отслеживать уровень глюкозы в реальном времени и получать достоверную информацию о его изменениях на мобильные устройства, что дает возможность предотвращать эпизоды гипогликемии путем коррекции терапии и диеты [27][28]. К настоящему времени и в России также начали использовать ИИ для профилактики, мониторинга и лечения СД [29].

В гастроэнтерологии с успехом применяются CNN и другие модели глубокого обучения для анализа изображений, полученных при проведении эндоскопии и ультразвуковых исследований [30]. Это позволяет обнаруживать такие аномалии в желудочно-кишечном тракте, как, например, полипы толстой кишки [10].

При осмотре кожного покрова пациентов врачи общей практики и терапевты могут быть насторожены наличием у обследуемых поражений кожи, особенно в виде пигментных образований. В настоящее время отмечается рост числа программ ЭВМ для смартфонов с использованием ИИ для интерпретации новообразований кожи, например программы для дифференциальной диагностики злокачественных и доброкачественных образований кожи, а также верификации меланом кожи1. Эти простые в использовании программы могут помочь врачам общей практики правильно выбрать маршрутизацию пациентов с опухолями кожи: к врачу-онкологу со злокачественными или к врачу-дерматовенерологу с доброкачественными поражениями кожного покрова.

Применение ИИ в медицине сталкивается с рядом проблем. Одна из главных – доступность данных: для обучения ИИ требуется большое количество качественных данных, однако конфиденциальность пациентов ограничивает доступ к ним, что снижает потенциал моделей.

Также существует проблема предвзятости данных. Если данные, используемые для обучения, предвзяты (например, ориентированы на определенную группу), модель также будет предвзятой. Этого можно избежать путем тщательной предварительной обработки данных, хотя и здесь возможны ошибки. Таким образом, пользователь может лучше интерпретировать выходные данные модели и решать, как их использовать. Например, существует множество показателей, которые можно применять для оценки эффективности модели, таких как точность, чувствительность, специфичность, F1-метрика и метрика площади под кривой (англ. area under curve, AUC) [31]. Выбор модели – критичный этап: некорректный выбор алгоритма может привести к упрощенным и недостоверным результатам. Пользователи систем ИИ должны понимать принципы работы моделей, чтобы адекватно интерпретировать их результаты и выбирать подходящие показатели производительности.

Еще одно ограничение – фрагментированные данные. Модели, разработанные одной организацией, часто не могут быть использованы в других без перенастройки, а обмен данными между медицинскими учреждениями ограничен.

Наконец, системы ИИ остаются «черными ящиками», т.к. их алгоритмы сложны для понимания, что требует дальнейшей работы над улучшением интерпретируемости моделей. В этом направлении недавно была предпринята попытка применить механистическую интерпретируемость (обратное проектирование нейронных сетей для лучшего понимания их работы) и методы атрибуции (например, LIME и SHAP2), что может помочь объяснить решения моделей путем выделения ключевых входных признаков [32]. Но несмотря на это, еще многое предстоит сделать.

ИИ в медицине имеет множество перспектив, которые активно развиваются в последние годы. Перечислим основные из них.

Улучшение диагностики

ИИ уже внедряется в различные области медицины, включая радиологию и патологоанатомию. Например, алгоритмы ИИ помогают в интерпретации медицинских изображений, таких как рентгеновские снимки и снимки сетчатки, что позволяет повысить точность диагностики и снизить вероятность человеческой ошибки [33].

Применение LLM в медицине

LLM может помочь в клинической диагностике, исследовательской деятельности и образовании медицинских работников. Однако использование таких инструментов также вызывает опасения по поводу соблюдения правовых норм и прозрачности контента. Основное внимание уделяется необходимости тщательного подхода к этическим аспектам и ограничениям, связанным с внедрением ИИ в медицинскую практику [34].

Персонализированная медицина

ИИ помогает разрабатывать индивидуализированные планы лечения на основе анализа генетических данных и медицинской истории [35].

Сокращение времени выполнения задач

Использование ИИ позволяет медицинским работникам сосредоточиться на более продуктивных и приоритетных задачах, оптимизируя их рабочие процессы [34].

ИИ становится важным инструментом в сфере медицины, предлагая новые подходы к диагностике, лечению и управлению медицинскими данными. Применение ИИ способствует повышению точности диагностики, персонализированному подходу к лечению и оптимизации медицинских процессов. Однако внедрение ИИ также сталкивается с определенными вызовами, включая вопросы конфиденциальности данных, предвзятости алгоритмов и сложностей в интерпретации результатов.

Несмотря на эти препятствия, потенциал применения ИИ в медицине огромен. Использование алгоритмов для анализа медицинских изображений, диагностики и прогнозирования заболеваний, разработки индивидуализированных планов лечения открывает новые горизонты для повышения качества медицинской помощи. С дальнейшим развитием технологий и углублением научных исследований в этой области ИИ сможет внести значимый вклад в улучшение диагностики и лечения заболеваний, а также в повышение эффективности деятельности медицинских работников, медицинских организаций и отрасли в целом. Работа по устранению существующих проблем для максимального использования преимуществ ИИ в здравоохранении и клинической медицине обеспечит эффективность, безопасность и этичность его применения.

1. Свидетельство о государственной регистрации программы для ЭВМ № 2024668565 РФ «Программа для визуальной идентификации меланомы кожи “Melanoma check”»; свидетельство о государственной регистрации программы для ЭВМ № 2024668566 РФ «Программа для визуальной идентификации злокачественных и доброкачественных опухолей кожи “Derma Onko Check”». 2. LIME (англ. Local Interpretable Model-agnostic Explanations) – локальные интерпретируемые модельно-независимые объяснения; SHAP (англ. SHapley Additive exPlanations) – аддитивные объяснения Шепли.