ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ ОРГАНИЗАЦИИ ЛЕЧЕБНО-ДИАГНОСТИЧЕСКИХ МЕРОПРИЯТИЙ

Полный текст

ВВЕДЕНИЕ В 2019 г. Президент РФ Владимир Путин подписал национальную стратегию развития искусственного интеллекта (ИИ) на период до 2030 г. поручив Правительству РФ до 15 декабря 2019 года изменить национальную программу «Цифровая экономика» и утвердить федеральный проект «Искусственный интеллект». ИИ все чаще применяется в различных областях науки и практики. Важность применения ИИ в различных областях науки и сферах прикладных решений неоднократно отмечалась на всех уровнях управления государством в том числе в области обороны, таким образом определение перспектив применения ИИ в системе охраны здоровья военнослужащих является важной и актуальной задачей организации военного здравоохранения. В интересах медицины (и военной медицины в частности) применение ИИ на основе нейронных сетей различного типа уже нашло свое применение при анализе цифровых диагностических изображений, в основном в области рентгенологии и радиологии. ЦЕЛЬ На основе современных тенденций развития информационных технологий в здравоохранении определить перспективные направления применения искусственного интеллекта при организации лечебно-диагностических мероприятий. РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ В настоящий момент диагностические системы и системы поддержки принятия врачебных решений на основе ИИ активно развиваются. Во многом это обусловлено точностью диагностики, обеспечиваемой данными системами, а также сокращением времени, необходимого для ее проведения. Наличие достоверных расшифрованных данных с результатами диагностических обследований в электронном виде позволяют создавать действительно надежные и ценные программные продукты, не способные пока заменить врача, но использующиеся в качестве источника «второго мнения». Например, имеющиеся системы ИИ автоматически выявляют и обращают внимание врача на патологию, позволяют сокращать время и стоимость обследования, проводить дистанционную диагностику. Системы ИИ как правило функционируют на основе нейронных сетей. Прототипом для создания нейронных сетей послужили биологические нейронные сети. Все области, которые используются в нейронных сетях для распознавания образов, пришли из вентрального зрительного пути, где каждая маленькая зона отвечает за свою строго определенную функцию. Простейший элемент структуры нейронной сети, напоминающий клетку мозга - нейрон. Он имеет входные элементы, которые по умолчанию располагаются слева направо, изредка снизу вверх. Слева находятся входные части нейрона, справа выходные части нейрона, что формирует слой. Подобная система способна выполнять только самые простые операции. Для того, чтобы выполнять более сложные вычисления, нужна структура с большим количеством скрытых слоев между входом и выходом из сети (рис. 2). Имея входное изображение и возможность классификации на выходе (либо прописанные классы изображений, либо предложение системе классифицировать по признаку, который она сама определит), необходимо подобрать весовые коэффициенты для определения принадлежности к какому-либо классу. Задача эта не линейна и решается методом подбора, где шаг за шагом итеративно уменьшается ошибка до уровня, устраивающего пользователя (в идеале на выходе равная нулю). Входное изображение попадает в сеть слоев, которые можно назвать фильтрами разного размера и разной сложности элементов, которые они распознают. Эти фильтры составляют некий свой индекс или набор признаков, который потом попадает в классификатор. В настоящее время выделяется ряд классических задач для распознавания образов: Определение границ является самой низкоуровневой задачей, для которой уже классически применяются сверточные нейронные сети. Определение вектора к нормали позволяет реконструировать трехмерное изображение из двухмерного. Рис. 2. Схема нейронной сети Определение объектов внимания - то, на что обратил бы внимание человек при рассмотрении этой картинки. Семантическая сегментация позволяет разделить объекты на классы по их структуре, ничего не зная об этих объектах, то есть еще до их распознавания. Семантическое выделение границ - выделение границ, разбитых на классы. Выделение частей тела человека. Распознавание отдельных объектов (например, лиц). Нейронная сеть состоит из нескольких слоев нейронов, на первом из которых осуществляется ввод данных, на последнем - вывод, а промежуточные слои взаимодействия настраиваются так, чтобы обеспечить наилучший вывод результатов. Сверточный тип нейронной сети используется при необходимости извлечь вывод из данных, намного больших по объему, нежели сам вывод. Извлечение достигается путем уменьшения и преобразования данных с каждым шагом, пока их размер не станет соответствовать размеру вывода. Такие системы используются для обработки цифровых диагностических изображений, а также для обработки потоковой информации (звукозапись, кардиограмма и т.д.). Изображение разбивается либо на пиксели, либо на некие патчи: 2×2, 3×3, 5×5, 11×11 пикселей на выбор создателей системы, в которой они служат входным слоем в нейронную сеть. Сигналы с этих входных слоев передаются от слоя к слою с помощью синапсов, каждый из слоев имеет свои определенные коэффициенты. Происходит передача от слоя к слою до результата, определяющего принадлежность картинки к классу. Класс - это группа изображений с единым признаком. Чем больше классов, тем больше сил требуется для обучения нейросети, но тем полнее будет результат. Одной из целей создания ИИ в организации здравоохранения является создание новой комплексной системы поддержки принятия врачебных решений (СППВР), которая будет способна не только оперативно диагностировать патологии по визуальным данным, но и встроится в существующие медицинские информационные системы военномедицинских организаций СППВР представляет программный комплекс, состоящий из узкоспециализированных консультативно-диагностических модулей с использованием технологий глубокого машинного обучения, которые должны обеспечивать медицинским работникам получение консультативной поддержки в постановке диагноза. Данное техническое решение предназначено для программно-аппаратных комплексов автоматизированного анализа тематической медицинской информации в режиме реального времени, обеспечивающее достоверность результатов не ниже 80%. Указанная точность должна достигаться за счет машинного обучения системы - обработки обучающих матриц, содержащих следующие по количеству и составу дата-сеты. Технической основой СППВР должно стать клиент-серверное решение, в котором основная часть вычислительной нагрузки ложится на серверную часть (back-end). При этом должны быть предусмотрены базовые решения по обеспечению информационной безопасности, включая идентификацию пользователей, разграничение прав доступа к данным и функционалу (матрица ролей) и т. д., которые впоследствии могут быть вынесены в отдельную подсистему информационной безопасности перспективной информационно-аналитической системы. В целом, внедрение технологий ИИ на основе нейронных сетей позволит достичь следующих ожидаемых результатов: В области повышения качества медицинской помощи: технологии ИИ целесообразны для внедрения в существующие и перспективные медицинские информационные системы военно-медицинских организаций как элемент СППВР. В области совершенствования медицинского контроля (в т. ч. удаленного): анализ данных с носимых медицинских датчиков, в том числе входящих в современные системы экипировки военнослужащих, позволит оценивать функциональное состояние организма и тяжесть ранения. В области повышения качества диагностики: ретроспективный анализ данных, накопленных в центре обработки данных позволяет выявлять вовремя не диагностированную патологию. В области военно-медицинской науки в целом: сопоставление больших массивов клинических и диагностических данных с использованием технологий «big data» и ИИ позволит выявлять новые научные закономерности в области здоровья военнослужащих. В области организации военного здравоохранения: внедрение ИИ в анализ цифровых диагностических изображений повысит качество диагностики и выявляемость актуальных для ВС РФ болезней - в частности, туберкулеза, и онкологических заболеваний. ВЫВОДЫ Развитие диагностических систем и систем поддержки принятия врачебных решений на основе нейросетей активно развивается. Это обусловлено повышением точности диагностики и сокращением времени, необходимого для ее проведения. Точность существующих систем достигает 97%, однако на данный момент нет единой диагностической СППВР совместимой с информационными системами медицинских организаций. В условиях активной информатизации военного здравоохранения, развития единой медицинской информационной системы военно-медицинской службы и единой государственной информационной системы в сфере здравоохранения внедрение элементов ИИ в клиническую практику обеспечит унификацию и стандартизацию диагностики, повысит качество лечебно-диагностического процесса в подразделениях, частях и организациях медицинской службы ВС РФ.

Об авторах

Д Н Борисов

Военно-медицинская академия имени С. М. Кирова

Санкт-Петербург, Россия

С В Кульнев

Военно-медицинская академия имени С. М. Кирова

Санкт-Петербург, Россия

В В Севрюков

Военно-медицинская академия имени С. М. Кирова

Санкт-Петербург, Россия

И В Трошко

Военно-медицинская академия имени С. М. Кирова

Санкт-Петербург, Россия

Р Н Лемешкин

Военно-медицинская академия имени С. М. Кирова

Санкт-Петербург, Россия

Список литературы

Дополнительные файлы