ИИ в медицине: 5 проверенных реальных применений с практическими примерами

Нельзя отрицать, что искусственный интеллект (ИИ) стал повсеместным. Он всё более изощрённо выполняет то, что люди делают эффективно — обучается, рассуждает и применяет логику.

Как и во многих других бизнес-секторах, ИИ имеет огромный потенциал для улучшения медицинской отрасли.

Возможно, вы уже используете несколько носимых устройств с ИИ для отслеживания здоровья — FitBit, умные часы или умный пояс.

Если присмотреться, можно найти множество отличных примеров ИИ в медицине. Он постепенно становится частью нашей экосистемы здравоохранения.

В этой статье мы обсудим реальные применения и сценарии использования ИИ в медицинской сфере.

ИИ в медицине: Рыночные тренды

Искусственный интеллект готов сыграть выдающуюся роль в медицине и здравоохранении.

Причин для этого множество, например:

• Прогресс в вычислительной мощности,
• Алгоритмы обучения,
• Доступность массивов данных из медицинских записей, и
• Носимые медицинские устройства.

Рынок здравоохранения для искусственного интеллекта растёт день ото дня, и рыночные тренды выглядят не просто многообещающе — они впечатляют.

Рыночная стоимость

По отчётам, стоимость ИИ на глобальном рынке здравоохранения прогнозируется ростом с 3,14 млрд долларов в 2019 году до 23,85 млрд долларов к 2025 году.

Ожидается, что он будет расти с годовой средней темпом роста (CAGR) 40,15% в прогнозируемый период с 2020 по 2025 год.

Инсайты по конечному использованию

Сегмент рекламы и медиа возглавлял рынок ИИ в 2019 году и занимал более 20% доли глобальной выручки. Ожидается, что сектор здравоохранения к 2027 году получит лидирующую долю на рынке ИИ.

Реальные применения ИИ в медицине

Благодаря большому объёму доступных данных ИИ готов стать движком, который приведёт к трансформации во всей медицинской сфере.

С искусственным интеллектом алгоритмы обучения становятся более точными и точными, позволяя нам, людям, получать инсайты в диагностику, лечение и процессы ухода.

Вот некоторые реальные применения искусственного интеллекта в медицине, которые могут принести пользу и пациентам, и врачам.

1. Диагностика заболеваний

Правильная диагностика — ключ к успешному лечению. В случае ошибочной диагностики многое может пойти не так. Поэтому точность крайне важна, но достичь её не всегда просто.

Применение искусственного интеллекта в медицинской диагностике приносит отрасли множество преимуществ.

Программное обеспечение на базе ИИ может оценить, есть ли у пациента определённое заболевание, ещё до появления явных симптомов. И в большинстве случаев эти прогнозы точны.

ИИ делает диагностику дешевле и доступнее.

Машинное обучение — особенно алгоритмы глубокого обучения — сейчас широко используется для автоматической диагностики заболеваний.

Машинное обучение в диагностике заболеваний

Алгоритмы машинного обучения учатся видеть паттерны так же, как это делают врачи. Существенное отличие в том, что алгоритмам нужно много конкретных примеров для обучения. И эти примеры должны быть оцифрованы, потому что машины не умеют читать между строк в учебниках.

Поэтому машинное обучение особенно полезно в областях, где диагностическая информация, которую изучает врач, уже оцифрована. Например, изображения от МРТ, КТ и рентгена содержат большие объёмы сложных данных, которые трудоёмко и долго оценивать человеку.

Машинное обучение может быть полезно в:

• Обнаружении опухолей мозга или рака лёгких по КТ-снимкам
• Оценке риска внезапной остановки сердца или других сердечных заболеваний по ЭКГ и кардиальным МРТ-снимкам
• Классификации кожных образований на изображениях кожи
• Поиске следов диабетической ретинопатии на изображениях глаз

Зачем использовать ИИ, если врачи могут делать всё вышеперечисленное?

Вы можете спросить: зачем нужен ИИ, если есть врачи?

Методы искусственного интеллекта, такие как машинное обучение, работают как вторые глаза, оценивающие здоровье пациента на основе знаний, извлечённых из доступных данных.

В вышеупомянутых случаях доступно множество полезных данных (КТ, МРТ, генотика, записи пациентов, рукописные файлы). Со всеми этими данными алгоритмы машинного обучения становятся такими же эффективными, как диагностика эксперта.

Алгоритмы машинного обучения выделяются тем, что они способны делать выводы гораздо быстрее, а модели можно реплицировать по низкой стоимости по всему миру.

Так ИИ скоро заменит врачей?

Нет.

Маловероятно, что ИИ заменит врачей в ближайшее время. ИИ будет использоваться для выявления потенциально злокачественных опухолей или опасных для жизни сердечных паттернов пациентов. Это позволит врачам сосредоточиться на интерпретации выявленных сигналов.

2. Ускоренная разработка лекарств

Разработка лекарства — это всё более конкурентный и дорогостоящий медицинский бизнес. Даже с технологическим прогрессом стоимость создания нового лекарства растёт каждые несколько лет. ИИ может сыграть здесь значительную роль.

Ведущие медицинские и фармацевтические компании используют ИИ для снижения затрат на НИОКР и предотвращения дорогостоящих ошибок.

Многие аналитические процессы в разработке лекарств можно сделать более эффективными с помощью машинного обучения. Это может сэкономить миллионы инвестиций.

К 2026 году применения ИИ в здравоохранении могут потенциально создавать 150 млрд долларов ежегодной экономики для экономики здравоохранения США.

Разработка лекарств делится на четыре стадии:

• Стадия 1 — Выявление мишени для вмешательства
• Стадия 2 — Поиск кандидатов в лекарства
• Стадия 3 — Ускорение клинических испытаний
• Стадия 4 — Поиск биомаркеров для диагностики заболевания

Вы удивитесь, но ИИ уже успешно используется на всех этих стадиях. Давайте пройдёмся по каждой и поймём, что они делают.

Стадия 1 — Выявление мишени для вмешательства

Первый шаг в разработке лекарства — понять биологическое происхождение заболевания и механизмы его резистентности. Затем нужно выявить подходящие мишени (обычно белки) для лечения заболевания.

Хотя с высокопроизводительными методами, такими как скрининг коротких волосовидных РНК (shRNA) и глубокое секвенирование, становится доступно огромное количество данных для обнаружения возможных мишеневых путей.

Но традиционными методами всё ещё сложно интегрировать большое количество и разнообразие источников данных — а затем искать в них релевантные паттерны.

Алгоритмы машинного обучения здесь быстро анализируют все доступные данные и учатся автоматически выявлять хорошие мишеневые белки.

Стадия 2 — Поиск кандидатов в лекарства

Следующий шаг — найти соединение, которое может взаимодействовать с выявленной мишеневой молекулой нужным образом.

Это подразумевает скрининг огромного числа потенциальных соединений на их воздействие на мишень (аффинность). Эти соединения могут быть натуральными, синтетическими или биоинженерными.

Однако текущая система может давать неточные и неадекватные предложения. Поэтому в реальности на финализацию лучших кандидатов в лекарства уходит очень много времени.

Алгоритмы машинного обучения помогают здесь: они учатся предсказывать пригодность молекулы на основе структурных отпечатков и молекулярных дескрипторов. Затем они просматривают миллионы потенциальных молекул и фильтруют их до лучших вариантов — тех, что имеют минимальные побочные эффекты.

Это значительно экономит время на проектировании лекарств.

Стадия 3 — Ускорение клинических испытаний

Нелегко найти подходящих кандидатов для клинических испытаний. Если выбрать неподходящих, это задержит испытание — и время, и ресурсы.

Машинное обучение может ускорить процесс клинических испытаний. Оно может выявить подходящих кандидатов и обеспечить правильное распределение для групп участников испытаний. Алгоритм можно обучать отделять хороших кандидатов от плохих.

ИИ-технология делает три вещи для процесса клинических испытаний: делает его быстрее, надежнее и безопаснее.

Она также может давать ранние предупреждения о клиническом испытании, которое не даёт однозначных результатов — позволяя исследователям вмешаться раньше и спасти разработку лекарства.

Стадия 4 — Поиск биомаркеров для диагностики заболевания

Лечение пациента от заболевания возможно только при уверенности в диагнозе.

Биомаркеры — это молекулы, найденные в биологических жидкостях, таких как человеческая кровь, которые подтверждают, есть ли у пациента заболевание. Их также можно использовать для отслеживания прогрессирования заболевания.

Но обнаружение подходящих биомаркеров для заболевания — непростая задача. Это дорогой и трудоёмкий процесс, включающий скрининг тысяч потенциальных молекулярных кандидатов.

ИИ автоматизирует большую часть ручной работы здесь и, в свою очередь, ускоряет процесс.

Алгоритмы могут классифицировать молекулы на хорошие и плохие кандидаты — что помогает экспертам анализировать лучшие перспективы.

Биомаркеры используются для выявления:

• Наличия заболевания на ранней стадии — диагностический биомаркер
• Риска развития заболевания у пациента — биомаркер риска
• Вероятного прогрессирования заболевания —прогностический биомаркер
• Ответ ли пациент на лекарство или нет — предиктивный биомаркер

Например, в 2017 году британская AstraZeneca сотрудничала с биофармацевтической компанией Berg и использовала ИИ для поиска биомаркеров и лекарств для неврологических заболеваний.

3. Виртуальный ассистент медсестры

Если бы был выбор, многие из нас предпочли бы не делать лишние визиты в больницы. Но это возможно?

С виртуальными ассистентами медсестр это выглядит реальной перспективой.

Виртуальные ассистенты медсестр снижают лишние визиты в больницы и дополнительно разгружают медицинских работников.

ИИ-ориентированный виртуальный ассистент медсестры может предложить пациентам персонализированный опыт. Он может помочь выявить заболевание по симптомам, отслеживать состояние здоровья, записывать на приём к врачу и делать многое другое. Он может предотвратить ухудшение хронического состояния.

Виртуальные ассистенты сейчас в тренде. Больницы и медицинские работники используют их для повышения вовлечённости пациентов и улучшения их навыков самоуправления.

4. Персонализированное лечение

Разные пациенты по-разному реагируют на лекарства и схемы лечения. С опциями персонализированного лечения есть огромный потенциал увеличить продолжительность жизни пациентов.

Машинное обучение используется для предоставления персонализированного лечения.

Как?

Оно может помочь обнаружить характеристики, указывающие на то, что пациент будет иметь специфический отклик на определённое лечение. Оно может предсказать вероятный отклик пациента на конкретное лечение.

Но как алгоритм МО это узнаёт?

Система учится этому, перекрёстно ссылаясь на данные похожих пациентов и сравнивая их лечение и исходы. Это очень помогает врачам разрабатывать правильный план лечения для пациента.

5. Улучшение генного редактирования

Кроме того, ИИ также используется в геномных исследованиях.

Методы машинного обучения продолжают находить пути в секвенирование и аннотацию генома, и в другие вещи. И это не конец.

Он также используется в диагностике на основе генома.

И если вы думаете, что ИИ не может изменить наши гены, придётся передумать.

Кластерные регулярно чередующиеся короткие палиндромические повторы (CRISPR), особенно система CRISPR-Cas9 для генного редактирования, обеспечили большой шаг вперёд в нашей способности редактировать ДНК экономично и точно. Помимо этого у нас есть TALENs и ZFNs, способствующие генному редактированию.

ИИ уже помогает нам во многих других аспектах. Но это лишь начало.

Чем больше мы сможем оцифровать и унифицировать наши медицинские данные, тем больше сможем использовать ИИ для принятия более точных и экономически эффективных решений в сложных аналитических процессах.

Будущее ИИ в медицине в 2021 году и далее

У искусственного интеллекта огромный потенциал, и для его полного реализации потребуются совместные усилия экспертов в медицине, информатике, математике и многих других областях.

1. Исследование потенциала ИИ в конкретных областях

Искусственный интеллект может трансформировать медицину в следующих областях:

• Снижение медицинских ошибок

Медицинские ошибки приводят к ошибочной диагностике. Например, при раке груди ложноотрицательные маммограммы могут задержать лечение для многих женщин. ИИ широко используется для обнаружения таких аномалий, которые не видит человеческий глаз.

• Возвращение человечности в здравоохранение

Это может стать самым полезным вкладом ИИ в здравоохранение. Лишняя работа по вводу данных может быть исключена. Врач может общаться с пациентом с сочувствием, не отвлекаясь на ввод данных.

• Диагностика с помощью фото

Будущее может стать эпохой «медицинских селфи» для диагностики только по селфи.

2. Делаем данные доступными для всех

Вы думаете, достаточно ли только создавать медицинские ИИ-продукты?

Нет. Что важнее — вывести эти продукты к людям.

Возьмём пример американских ИИ-моделей для болезней лёгких, которые не включают туберкулёз в свою разметку. Туберкулёз — проблема развивающихся стран, но не Америки, поэтому снимки туберкулёза не попадают в обучающую выборку.

Но ИИ должен работать везде для всех. Добавление изображений туберкулёза в датасеты поможет обобщить и демократизировать ИИ для других частей мира.

3. IoMT — Интернет медицинских вещей

Нам понадобятся гораздо больше устройств и мобильных приложений, которые сыграют критическую роль в отслеживании и предотвращении хронических заболеваний у пациентов и их врачей.

Растущий потенциал ИИ для синергии с другими медицинскими технологиями может открыть множество возможностей в отрасли.

Создайте умную ИИ-платформу для медицины с Imaginovation

Хотите трансформировать свой бизнес в здравоохранении и медицине с помощью ИИ? Если да, свяжитесь с нами.

Мы — награждённая технологическая компания с огромным опытом создания ИИ-ориентированных приложений. Давайте поговорим.