Доктор AI-болит: Как ИИ изменяет ландшафт медицины?

С тех пор как исчезли бумажные медицинские карты с записями курицелапным почерком, медицина стала заметно технологичнее. Помимо очевидных вещей — электронных карт и удалённой записи — появилось кое-что поважнее: способ облегчить жизнь медперсоналу без риска заменить его. По крайней мере в ближайшее время. 

ИИ приходит на помощь, чтобы врачи могли сосредоточиться на главном, а не на бесконечном заполнении справок и бумажек. Поговорим о применении ML в медицине с интересными кейсами.

Погодите, это реально? 

ИИ уже активно применяется в странах с развитым здравоохранением

.В данный момент лидерами являются США, Великобритания и Китай где активно задействуют диагностику по изображениям (PathAI) ^[1], а еще анализируют геном рака (Tempus) ^[1]. Япония и Южная Корея тоже не отстают — CNN-модели используются в маммографии и даже колоноскопии. А в Стране восходящего солнца нейро-сэкулапы умудрились придумать ^[2] персонализированную терапию для курильщиков. 

В России тоже активно экспериментируют ^[3] с новшествами — Сбер разработал собственный ИИ ^[4] для здравоохранения, который можно применять для визуализации печени или лёгких. 

Но, зайдя в какую-нибудь захудалую больничку Вашингтона, вы не встретите там доброго доктора AI-болита. 

ИИ, как ответственный лаборант, помогает доблестным воинам медицинского фронта находить не всегда заметные человеческому глазу закономерности и затем предлагает варианты диагнозов. А потом лечащий врач принимает итоговое решение о дальнейшей терапии пациента, что экономит учреждению десятки человеко-часов.

Робот Мокси помогает персоналу больницы выполнять задачи, не связанные с работой с пациентами. Его даже можно купить себе домой.

В качестве тренировочных сэмплов выступают рентгеновские снимки, ЭМК, анализы биохимии, а также уже поставленные ранее диагнозы. Затем модель ищет признаки заболеваний у очередного пула пациентов и делает прогнозы. 

ИИ помогает удерживать в фокусе внимания ^[6] множество факторов: например, прогноз течения болезни, подбор лечения под конкретного пациента, и даже разработку лекарств. Недалек тот день, когда можно будет создать своего собственного “цифрового двойника ^[7]” и проверять на нем действие медикаментов без риска схватить анафилактический шок.

Примеры и потенциал

Есть несколько подающих надежды направлений, которые либо уже активно развиваются, либо находятся на стадии исследования, но имеют хорошие перспективы. 

• Диагностика нейродегенерации по голосу (болезнь Паркинсона)

В 2025 году в Scientific Reports вышла работа ^[8], где по голосовым признакам диагностировали болезнь Паркинсона. Так как болезнь нейродегенеративная, поражает она в том числе и мышцы гортани вместе с голосовыми связками. 

Поэтому, например, дрожание, нестабильность тона или даже паузы в речи могут сигнализировать о присутствии недуга. Исследования показали точность в 88—95%, и это только на предсимптомной стадии. Между прочим, раннее выявление помогает замедлить развитие Паркинсона на 20-50%.

Диагностика проводилась с помощью нескольких классических ML-моделей: метода опорных векторов, метода случайного леса, логистической регрессии и дерева решений. 

Авторы анализировали параметры вроде нестабильности тона, шума, дрожания голоса и других измеримых характеристик рече-голосового аппарата. Работает это так: аудиосигнал сначала преобразуют в числовые показатели, а уже потом модель учится отличать здоровый голос от паркинсонического. 

В другой статье ^[9] описан более сложный гибрид: многослойный перцептрон + свёрточная нейросеть + рекуррентная нейросеть. Затем добавляется многоканальная композиция ядер, чтобы всё это объединить, и метод Шепли (SHAP), чтобы объяснить получившийся вывод. 

Одна часть композиции ищет паттерны, другая — последовательности во времени, а SHAP показывает, какие признаки сильнее повлияли на результат теста.

Голос работает как биомаркер для определения болезни — человек просто говорит в микрофон, а система оценивает риск развития болезни и при необходимости отправляет на углубленную диагностику. 

• Декодирование речи из мозга ^[11]

Цель этой разработки — восстановить речь, например, после инсульта ^[12], используя только мозговую активность пациента. Система должна “читать мысли”, преобразовывать их в текст или непосредственно в речь с помощью синтезированного робо-голоса.

Здесь задача сложнее, ведь модель получает нейросигналы непосредственно из мозга, к примеру, данные электрокортикографии — метода мониторинга, при котором электроды размещаются на открытой поверхности коры головного мозга. 

Эти данные обрабатываются двумя моделями — сначала CTC Loss (Connectionist Temporal Classification) помогает сети “выучить”, как фонемы соотносятся с мозговой активностью, а затем лучевой поиск подбирает из всего многообразия вероятностей наиболее осмысленные предложения. Вот так движения нейронов превращаются в слова.

Нейронное декодирование попытки произнесения речи в режиме реального времени.

В целом это сильная исследовательская технология ^[14], но до массовой клинической рутины ей ещё далеко — необходима персонализированная калибровка и способ справиться с шумом от артефактов.

•  “Цифровой нос”

Название может показаться забавным, но зато здесь уже есть неплохая прикладная база.

Систематический обзор в JAMA Network Open ^[15] показал, что электронный анализ летучих органических соединений в выдохе помогает выявить рак. При некоторых болезнях меняется состав этих соединений в дыхании и тут сенсоры цифрового носа и могут уловить “химический отпечаток” грядущей болезни. Затем M-модель классифицирует профиль дыхания ^[16] как похожий на опухолевый или нет.

Сами сенсоры состоят из массива в 8-32 газовых мини-датчика, каждый из которых реагирует на ЛОС изменением частоты или сопротивления. Они улавливают частицы, затем метод главных компонент упрощает полученные данные, делая выборку из 10 паттернов, а лес вероятностей или CNN анализируют график и делают вывод.

Упрощенная схема принципа работы электронного носа.

Идея воплотима, но необходимы дополнительные исследования, так как выборки были относительно небольшими. 

Плюс качество внедрения зависит от многих факторов, например калибровки сенсоров, протоколов забора воздуха, объясняющие пациенту как подготовиться к процедуре, и внешней валидации. А еще прибор чувствителен к запахам ^[18] еды, табака и парфюма. Хотя при этом его точность заявляется на уровне 90%.

А минусы будут? 

ML в сфере медицины развивается стремительно, но говорить об идеальной машинной диагностике, конечно, рано.

• Зависимость от данных.

Любая из описанных выше технологий потерпит фиаско, если вдруг обучающая выборка сырая, плохо отсортированная или предвзятая. Это, прежде всего, риск неправильной постановки диагноза и лечения.

• Дрейф данных.

Очевидно, что со временем меняются протоколы, популяция пациентов, структура данных и объем этих данных, поэтому модель нужно регулярно переобучать. И делать это нужно добросовестно и вовремя.

• Конфиденциальность.

Медицинские данные очень чувствительны, поэтому необходимы строгие правила доступа. В частности, для этого в России есть целый Кодекс этики ^[19]применения искусственного интеллекта ^[20] в сфере охраны здоровья.

Московские рентгенологи начали определять сколиоз с помощью цифровых технологий.

Хотя технологии ML уже активно используются в сфере медицины, чаще всего это происходит там, где уже есть зрелая цифровая инфраструктура и контроль качества данных. Так что пока простор для исследований остается огромным.  

На данный момент главный минус в том, что медицинский ИИ дает результат только при наличии  хороших, как следует “отполированных” данных, а также при регулярной проверке и участии врача — без этого экспоненциально растет риск ошибки ^[22]. 

Несмотря на “несамостоятельность” мед-ИИ, можно заключить, что потенциальная польза несоизмеримо больше гипотетического вреда. Эта технология сможет разгрузить врачей и обеспечить персонализированное лечение для каждого пациента, на что раньше уходило гораздо больше времени. А когда речь заходит о здоровье, терять его нельзя.