Care Mentor AI — искусственный интеллект в медицине

Что такое Care Mentor AI и чем мы занимаемся?

Care Mentor AI - нейросеть, которая, анализируя медицинские исследования (рентген, КТ, МРТ, ПЭТ-КТ, маммограммы) в реальном времени находит признаки патологий, с высокой точностью определяет ее виды, описывает исследование и дает рекомендации. Это кратно сокращает рутинную нагрузку врача, приоритизирует находки для его внимания, снижает врачебные ошибки. Наше решение позволит интегрировать между собой больницы, клиники и пациентов, повысит качество и доступность медицинских услуг по всему миру.

Какие проблемы современной медицины мы решаем?

1. Рентгенологическое исследование — невероятно ресурсоёмкая область.

Лучевые методы исследования являются наиболее информативными методами диагностики. Вместе с тем, их высокая ресурсоёмкость ограничивает пациентопоток в медицинской организации и снижает доступность медицинской помощи. Кроме того, переход КТ и МРТ в область рутинной диагностики, и распространение ПЭТ-КТ — с одной стороны, повышают требования к подготовке специалистов, с другой — увеличивают время на анализ и описание одного исследования. Детальный анализ одной серии изображений ПЭТ-КТ требует около 90 мин.

2. Медицинские ошибки в настоящее время рассматриваются наряду с сердечно-сосудистыми и онкологическими заболеваниями как ведущая причина заболеваемости и смертности населения в мире.

В США по данным ряда авторов, на долю летальных исходов в результате медицинских ошибок приходится от 44 тыс. до 400 тыс. случаев в год. Дополнительные расходы из бюджетов всех уровней, ассоциированные с медицинскими ошибками, колеблются по оценкам ВОЗ между 17 и 29 млрд. долларов США ежегодно. Частота ложноотрицательных результатов при анализе рентгенограмм грудной клетки в развитых странах мира составляет в среднем 4%, тогда как вероятность ошибки выявления отдельных рентгенологических феноменов не опускается ниже 30%, начиная с 1949 года.

В России статистика врачебных ошибок рентгенологов не приводится, однако на своем опыте мы столкнулись со следующей картиной. Для обучения первой нейросети CMAI мы привлекли трех специалистов, уровень компетенций которых был не ниже заведующего рентгенологическим отделением московской клиники. Их задача заключалась в разметке первой 1000 рентгенологических снимков. Врачи работали независимо друг от друга, и только в 40% случаев их заключения совпали. В 30% случаев совпали результаты анализа у двух врачей из трех, по оставшимся 30% снимков мнения трех экспертов разделились. В таких случаях мы возвращаем спорные заключения на доработку. В результате в 50% случаев врачи останавливались на одной из выдвинутых ранее гипотез, а в 15% совместно приходили к новой, четвертой версии заключения. Данный пример иллюстрирует, что даже в результате анализа исследований опытными радиологами до 30% заключений могут оказаться неточными. Таким образом можно делать предположение, что в принципе метод визуальной оценки исследований имеет точность не более 70%.

3. Признан дефицит профессиональных рентгенологов в мире, что приводит к ограничениям в получении качественной и своевременной диагностики.

В России это в том числе препятствует полноценному обеспечению обязательных по национальному проекту "Здоровье" ежегодных профилактических скринингов. В нашей стране на одну вакансию приходится всего лишь 1,6 резюме рентгенологов, для сравнения на 1 вакансию по специальности врач-терапевт приходится 18,3 резюме (по данным hh.ru за май 2019 года).

Как мы можем с этим помочь?

1. Оптимизация трудозатрат врача на подготовку одного исследования.

Подготовка системой описания исследования экономит время врача. После изучения данных исследования, доктор должен сформулировать и описать все, что он увидел, в том числе описать все обнаруженные патологии. Описание и формализация результатов исследования, обычно занимает больше времени, чем само исследование. Использование Care Mentor AI на 50% и выше повышает скорость работы отделений лучевой диагностики за счёт предзаполнения протоколов исследования и отсеивания случаев без признаков патологий. Система формулирует описание, которое при необходимости доктор может откорректировать. Это в целом повышает пропускную способность и уровень сервиса медицинских учреждений (использующих продукт), и в конечном итоге ведет к повышает общей доступности качественной диагностики:
· Рост производительности рентгенолога за смену;
· Оптимизация кадровых ресурсов;
· Сокращение срока окупаемости оборудования.

2. Минимизация врачебных ошибок.

Точность заключения диагностов по приведенным нами данным - до 70%, это связано и с человеческим фактором, и, возможно с самой возможностью человеческого глаза безошибочно определять нюансы серого на снимках. В этом контексте мы допускаем мысль, что сам метод визуального анализа рентгенологических исследований имеет конечный предел около 70%. Нейронная сеть уже сейчас способна проводить скрининги с точностью 84%, она обучена на принципах предпочтения гипердиагностики, т.е. с большей вероятностью выдаст ложноположительный результат, чем пропустит патологию. Точность определения конкретных патологий сейчас на уровне от 80 до 99%. И, как уже обозначалось, точность сети растет, но уже сейчас она работает на 10-29% точнее среднестатистического врача, а значит именно на столько поможет увеличить точность работы существующих специалистов. Существуют ситуации при которых второе мнение может быть полезно самому врачу, например, когда он сталкивается с редким заболеванием или не уверен в своем заключении, а созвать консилиум нет возможности, второе мнение может позволить избежать серьезных ошибок. В своей типовой практике доктор может не встречать ряда патологий, и в этой ситуации благодаря второму мнению доктор не пропустит проблему пациента. Система поддержки решения, благодаря применению искусственного интеллекта и доступности второго мнения как для пациента так и для доктора, поможет значительно уменьшить вероятность ошибки диагностирования.

3. Решение вопроса дефицита специалистов-рентгенологов.

Как мы писали, дефицит профессиональных рентгенологов приводит к ограничениям в получении качественной и своевременной диагностики. Наш сервис не увеличивает количество рентгенологов, но серьезно повышает их эффективность. Во-первых, прямым сокращением временных затрат на анализ одного исследования, о котором мы писали. Во-вторых, позволяет проводить анализ рентгенологических исследований дистанционно без непосредственного участия рентгенолога на удаленных или мобильных скринингах, в этом случае фельдшер может делать снимок, получать немедленный ответ системы о наличии или отсутствии патологии, в случае с патологией он может сделать дополнительный снимок в другой проекции, а все снимки с готовым описанием от нейросети немедленно становятся доступны удаленному врачу, для которого случаи с обнаруженными рентгенологическими находками приоритизируются. В-третьих, обеспечивает возможность получения через сервис второго мнения как свободных удаленных врачей, так и самой системы. Нейронные сети позволяют сотрудникам клиники или страховой компании получить независимое мнение по результату исследования. Благодаря этому клиника получает возможность повысить качество обследования, и а также проконтролировать качество работы своих узких специалистов. Иногда проверить заключение врача необходимо самому пациенту, при этом повторение исследования может быть дорогой процедурой. В этой ситуации доступность недорогого по стоимости второго мнения позволит пациенту больше доверять врачу и быстрее начать лечение.

Из чего состоит система?

Базовым элементом системы искусственного интеллекта Care Menor AI являются нейронные сети, однако для того, чтобы их применение было эффективным, необходимо специфическое окружение для них. Окружение позволяет хранить и размечать данные, обучать и публиковать сети, осуществлять взаимодействие обученных сетей и пользователей.

Наша экосистема состоит из следующих частей:

• Сервис сбора и деперсонификации данных. Он позволяет осуществлять как отдельную инсталляцию, так и подключать клиента к веб сервису. Сервис позволяет настраивать поля и параметры деперсонификации для каждой инсталляции. В зависимости от ПАКСа или файлового хранилища сервис собирает данные необходимой модальности в формате DICOM, согласно настройкам проводит очистку необходимых тегов в контуре клиента и передает данные в хранилище либо с сохранением DICOM формата, либо в одном из графических форматов.

• Сервис разметки данных. Он необходим для создания графических и текстовых разметок, основанных на графических данных. Разметка производится на основе медицинского протокола описания исследования, в котором исполнитель описывает исследование в заранее сформулированном формате. Сервис поддерживает как графическую, так и текстовую разметку. В сервисе создан конструктор протоколов, позволяющий реализовывать и настраивать протоколы в зависимости от поставленной задачи. Сервис позволяет одновременно вести разметку нескольким группам специалистов, без пересечения их информационных пространств данных. После подтверждения разметки, итоги доступны для выгрузки.

• Хранилище данных. Распределенное хранилище данных, позволяющее организовать доступ всех элементов платформы к данным. Сервис позволяет безопасно хранить данные, получаемые из разных источников и используемые разными элементами и пользователями платформы. Сервис позволяет проводить обмен данными через разные протоколы.

• Сервис разработки сетей. Сервисы и распределенная инфраструктура, необходимые для обучения нейронных сетей и контроля качества их обучения. Позволяет создавать сети разной архитектуры, контролировать обучение на разных хранилищах, управлять параметрами обучения. Проводить последующее обучение сетей на новых наборах данных сохраняя предыдущие версии. Реализован режим ручного контроля качества, позволяющий определить контрольный набор данных для последующего анализа результатов врачом экспертом.

• Схема обучения нейронных сетей. В обучении наших сетей мы используем знание и опыт врачей радиологов. Основной приоритет в обучении сетей - это исключить возможность ложноположительной диагностики (ситуации когда патология была признана нормой) и уменьшить ошибки ложного определения патологии. При обучении сетей мы используем как полное исследование, так и его части, в которых патология наиболее ярко выражена, что позволяет приблизить работу сети к тому, как воспринимает исследование доктор. Один из ключевых факторов при обучении сети это качество разметки данных. Как показала практика, разные врачи могут видеть разные патологии в одном и том же исследовании, что может привести к некачественной разметке. Для подготовки максимально качественного набора данных мы используем следующие методы: - одно исследование размечается всегда несколькими врачами; - в случае расхождения по ключевым параметрам разметки, например диагнозу, по случаю собирается консилиум для формирования итогового заключения. Наиболее сложным с точки зрения реализации, но наиболее оптимальным с точки зрения результата является подход, когда разметка делается на базе данных, подтвержденных клиническим диагнозом. Таким образом, доктор не ищет патологию, а указывает ее локализацию и проводит описание.

Как это работает?

На первом этапе проектирования каждой сети используются известные архитектуры нейросетей, хорошо зарекомендовавшие себя в решении задач классификации как изображений окружающего мира, так и медицинских исследований. Чаще всего в качестве таких архитектур выступают наши модификации структур InveptionV3, ResNet, DenseNet и др. Полносвязные ансамбли слоев на верхнем уровне, методология использования ансамблей моделей разработаны Care Mentor. После этапа проектирования сети переписываются на собственное решение.

Кто работает над технологией?

Павел Ройтберг, Adviser, Руководитель разработки. Павел более 20 лет участвует в разработке программного обеспечения для здравоохранения. Создатель облачной истории болезни (Smart Medicina, 2014), экспертной медицинской системы поддержки принятия решений (2015) и системы контроля назначенных лекарственных препаратов (2015). Создатель облачной истории болезни (Smart Medicina, 2014), экспертной медицинской системы поддержки принятия решений (2015) и системы контроля назначенных лекарственных препаратов (2015). В настоящее время - член совета директоров клиники «Медицина», аккредитованной JCI.

Владимир Никольский, Adviser, Стратегический директор. Выступил основателем нескольких компаний, среди которых известные представители gamedev-индустрии IT Territory (2004) и холдинг Astrum Online Entertainment (2007). С 2009 по 2013 год в качестве вице-президента курировал игровое направление крупнейшей в Восточной Европе интернет-компании Mail.Ru Group. С 2013 по н.в. операционный директор Mail.ru Russia. Менеджер с более чем десятилетним опытом управления международными интернет-компаниями, умеющий создавать успешные технологичные продукты. Выступил основателем нескольких компаний, среди которых известные представители gamedev-индустрии IT Territory (2004) и холдинг Astrum Online Entertainment (2007). 2013 - настоящее время - операционный директор Mail Group.

Дмитрий Блинов, руководитель отдела научных исследований и разработок. Обладает большим опытов в области руководства медицинскими научными проектами, постановки научных задач, разработки методологической и методической основы их решения, анализа и интерпретации медицинских научных данных, их популяризации и трансляции в профессиональную информационную среду. Имеет более 200 научных статей, в том числе в зарубежных изданиях, соавтор 10 патентов на изобретения РФ. Последние публикации - в журналах Cells, Journal of Carcinogenesis (оба издания имеют Q1 квартиль Scopus). Индекс Хирша по отечественным публикациям - 8, по зарубежным - 3.