利用计算机视觉看懂病历(计算机视觉可提供临床治疗哪个阶段的病理筛查能力)
世界各国现代医疗保健面临的严峻挑战是人员配备，尤其是在流行病期间：医院和诊所不堪重负，医务人员本身也需要帮助。在这里，人工智能算法可以为医生提供帮助。如今，他们能够诊断许多疾病、分配患者流量、护理患者并帮助医生做出正确、及时的决策。
神经网络响应“制作MRI的人工智能”请求而生成的图像
伟大的均衡器
JeffreyHinton，反向传播方法的创建者之一（更多关于他和他的想法——“AI春天的梦想”）最近表示“医学院是时候停止培训放射科医生了”。在技术引入之前，工程师的特点往往是过度热情和对社会问题不敏感。当然，消灭医生是不可能的，因为一个好的人类临床医生的外表和经验是必不可少的。然而，Hinton是对的，现代算法可以非常有效地帮助医生解决一些医疗诊断任务。
医院日常流程的自动化和人工智能模型可以同时解决许多问题。一方面减轻了医生的日常工作，有助于提高诊断的准确性。另一方面，规范医疗服务，让医疗服务更好更快，纠正地区和财产不平等。
荧光图或心电图记录甚至可以在亚极地城镇进行，然后通过电子邮件发送到基于人工智能的系统，该系统将提供与三位杰出医生组成的委员会相同质量的诊断。不过，无论如何，最终的诊断都必须由专家来确认，但现在他将从人工智能那里得到可靠的第二意见。
外科医生使用5G连接进行远程手术/照片
护士和执业护士可以更轻松地使用视频分析和远程监控传感器——一名护士能够监控许多患者，并在第一时间快速为有需要的人提供帮助。世界上最优秀的人类外科医生可以在手术过程中使用5G控制超精准的机器人外科医生，在距离实际位置数千公里的地方进行复杂的手术。技术有史以来第一次能够在保持健康和长寿等重大问题上平衡人们的情绪。
发出声音
这里的起点可以认为是2017年2月2日权威科学期刊《自然》的一期。封面上，编辑展示了一项利用深度学习诊断皮肤癌的研究。在对130,000张图像的数据集进行训练后，该模型做出的诊断并不比对照组医生差，在某些情况下甚至更加准确。距离那时仅过去了五年，但医学诊断的进步却令人惊叹。
自然2017年2月2日
人工智能设定并最有效解决的首要任务之一是图像分类，包括医学图像。后者包括在射线照相、计算机断层扫描(CT)、超声波(超声波)、磁共振成像(MRI)过程中获得的图像。
此外，乍一看似乎令人惊讶的是，甚至非视觉信息也可以转换为图像。此外，它不仅记录个体器官及其系统的心电图、脑电图和其他功能活动，还记录声音等。
香港一家大型家禽养殖场的例子提供了一个很好的例证，尽管它涉及的是鸟类的健康而不是人类的健康。科学家记录了鸡舍里鸡的叫声。然后将其转换为频谱图——，该图像显示信号强度在不同频率下如何变化。生成的图像使用具有970万个参数的超精确神经网络进行处理。该模型能够以97%的准确率检测鸡的压力和缺乏食物的迹象，使兽医能够及时为鸡提供支持，并为公司所有者节省数百万元。
对鸡有益的可能对人类也更好。2021年，SberMedII的开发者发布了AIResp应用程序，该应用程序可以分析呼吸和咳嗽的声音，然后在一分钟内确定这些签名是感染冠状病毒的患者的签名。底层神经网络模型基于3,000多份COVID-19患者的匿名记录进行了训练，截至发布时准确度为82%。早在2022年，该应用程序就获得了数字通信奖，专家指出，此类工具的开发有助于普通人群的自我诊断，及早发现疾病，从而更有效地治疗和预防疾病的传播。病毒。
细节决定成败
回到实际的医学图像，值得注意的是，通过微小细节识别病理过程和形态的技能是诊断医生通过长期培训和临床实践而发展起来的。医生的经验越多，他“看到的”就越多。然而，诊断结论通常也基于患者有关受伤或疾病的上下文信息——，这些信息有时会缺失，并且在某些情况下可能会产生误导。
埃里克·托波尔(EricTopol)是一位执业心脏病专家、基因组学教授、加利福尼亚州拉霍亚斯克里普斯转化研究所所长，他报告说，2%的研究存在误报。人工智能系统将再次出手救援。——他们不会疲倦，而且总是很专心。他们能够快速处理大量信息并找到人眼无法始终看到的模式。同时，对于他们的训练，可以同时使用几位顶尖人物的经验——诊断。这就是诊断模型的巨大机遇和最大问题所在。
如您所知，为了训练模型，您需要一个大型训练样本——个标记数据集。如果您在摩托车照片中标记数据以识别摩托车-在数百甚至数千张图像上标记摩托车-任何无聊的家庭主妇都可以完成这项任务（顺便说一句，其中许多人通过Yandex.Toloka从Sberbank的TagMe等服务中赚取额外收入），那么使用X射线一切就已经困难得多。
现在不仅医生可以“读取”并理解这些数据，神经网络也可以
首先，只有具有适当专业的合格医生才能标记图像，这显着增加了准备训练数据集的成本。其次，诊断在很大程度上仍然是一门艺术，而不仅仅是一门科学，因此医生的评估具有很强的主观性。三位医生可以用不同的方式标记同一条数据，因为每个医生都有自己的经验、观点和教育。第三，背景既可能导致误判，也可能反过来帮助诊断。在标记时，由于对匿名数据的严格要求，医生不仅无法获取病史信息，甚至无法获取患者的性别和年龄（例如，此处描述了此类标记的规则）。
然而，以适当的成本，可以形成大量且高质量的训练数据集。然而，这是最昂贵的数据，只有大公司或大学的科学家才有能力在国家或私人赞助商的资助下收集这些数据。由于收集成本高且难度大，医疗数据集受到高度重视，任何向公众提供这些数据的举措都受到欢迎。
俄罗斯算法
在俄罗斯，几家公司在收集此类数据和开发有效的人工智能诊断算法方面取得了巨大成功。这包括上面提到的SberMedII，以及第三意见平台、Celsus和FtizisBioMed。因此，SberMedia提出了三种模型。第一个是肺部CT，于2021年接受了进一步培训，以检测并突出显示肺部CT扫描中的结节结构。如果算法“看到”4毫米的肿瘤，它会选择图像中的所有结节，无论其大小如何。医学数字诊断中心(MDDC)的医生接收之前通过算法分析的图像并形成最终结论。
肺部CT服务可在早期阶段识别肿瘤迹象/照片：莫斯科市政厅新闻服务
2021年，肺部CT模型回顾性分析了COVID-19大流行期间卡拉恰伊-切尔克斯共和国临床医院积累的1500份肺部CT扫描数据。结果，该算法检测到12名患者的病理迹象。经医生核实后，8名患者被送往Karachay-Cherkess肿瘤药房接受进一步检查。S.P.布托夫。2022年4月至5月，在下诺夫哥罗德地区，该系统又分析了3,155个CT扫描。在231例中，发现了可能的肿瘤。结果，125名患者被送往下诺夫哥罗德肿瘤中心接受进一步检查。
另一种SberMedII模型CTStroke能够识别脑部CT扫描中的出血情况。诊断的速度和准确性在这里极其重要，因为在这种情况下越早开始治疗措施，维持患者运动和认知功能的机会就越高。
那么，用于分析乳房图像的“乳房X光检查”模式正是全球女性乳腺癌筛查和早期发现的趋势。英国初创公司DeepMindAI在英国癌症研究慈善机构或美国麻省理工学院科学家的支持下，与GoogleHealth创建了类似的算法。他们的Mirai机器学习模型不仅可以确定患乳腺癌的风险，还可以预测乳房X光检查中缺失的女性数据（例如年龄、体重、血液激素水平），甚至可以在医院使用。它没有有关患者（包括第三世界国家患者）的完整信息。
顺便说一句，为了训练Mirai，研究人员使用了在马萨诸塞州总医院拍摄的211,000张图像。对来自麻省总医院、瑞典卡罗林斯卡研究所和台湾长庚医院的三个患者数据集进行了测试。所有这些都再次证明了在医学领域创建诊断和预测人工智能系统的复杂性。
斯科尔科沃基金会的第三意见平台同时提供九种模式的解决方案：从实验室测试（血细胞和骨髓的数字涂片）和眼底图像到放射研究（X射线、荧光图、胸部器官CT、MRI）头部和牙科系统）。ThirdOpinionAI算法能够检测从血癌到心血管疾病等70多种疾病的迹象。
该公司的创始人包括俄罗斯最大的私人医疗中心网络MEDSI集团，该网络允许在临床实践中测试和快速实施解决方案。该公司的人工智能算法已经在数十家医院运行，过去几年帮助俄罗斯联邦九个科室的医生处理了1,110,000种检查。
“第三意见”可以作为智能医生的助手，节省研究分析时间并提高诊断准确性，以及当疑似病理迹象的图像位于队列顶部时，在医生的工作列表中优先考虑患者，即处于危险之中。对于生命来说尤其有价值。此外，人工智能算法可以对研究进行回顾性分析，以识别以前医生未发现的病理，并用于在大规模人群筛查期间区分研究流程。所有这些都增加了疾病检测并优化了医生的工作量。
PhthisisBioMed专门开发自动分析数字荧光图像的系统，以确定是否存在可通过荧光照相术检测到的所有可能的病理。他们的云服务连接到ERISEMIAS综合体，并包含在莫斯科诊所的工作标准中。自2019年以来，它已在俄罗斯另外53个地区推出。据该公司本身称，自那时以来，他们的服务已处理了超过一百万张图像（数字透视照片和胸部X光照片）。
使用IMI绘制区域地图
Celsus也在上述所有传统医学图像分析领域中使用了计算机视觉，然而，其与众不同之处在于该服务与医疗决策支持系统的深度集成。Celsus产品不仅可以识别图像中是否存在良性或恶性变化，表明其定位，还可以根据国际标准解释结果。
在患者涌入的情况下
COVID-19大流行已持续三年。其特点是患者数量呈周期性波状激增。疫情高峰期，医疗设施面临巨大超负荷：病床、呼吸机和ECMO、氧气供应不足，医生和护士被迫两班甚至三班倒。除了引入备用床位和部署更多工作人员、优化分诊外，根据患者病情的严重程度、并发症的可能性和所需治疗对患者进行医疗分类也将有所帮助。然而，面对大量涌入的患者，不仅全科医生和肺科医生，而且非专科医生也不得不接受——名COVID-19患者。对他们来说，正确预测疾病的发展和可能的并发症并不总是那么容易。因此，患者的分布并不总是最优的。这给医疗保健系统带来了额外的压力。人工智能可以显着改善风险评估。
为此，SberAILabs决定在2020年创建一个模型，可以预测每位COVID-19或肺炎患者的并发症风险。除了预测准确性之外，该程序还必须能够轻松集成到医院现有的电子医疗登记系统中，并“理解”各种格式的医疗报告。
事实上，患者住院期间会收集大量文本数据。其中包括病史、初步检查和测试结果、病史和既往治疗策略。然后将诊断放射学和实验室测试的结果添加到其中。通常，患者入院后24小时内收到的所有这些信息足以让主治医生评估疾病进展的风险——患者是否需要机械通气或转移到重症监护病房。
人工智能模型取得了类似的结果。为此，Sberbank使用了“Transformers”——，这是一种使用“内部注意力”或“自注意力”机制来提高学习率的算法。换句话说，该层允许模型编码器同时查看输入序列（例如句子）中的所有单词，从而更准确地对特定单词进行编码。
我们在包含Sberbank的25,000份医疗记录和患者登记卡信息的数据集上训练了我们的开发。我们像往常一样检查模型：通过回顾性分析。该算法从1,000多名患者的总样本中识别出了100名具有高并发症风险的人。检查显示，最终，其中55人实际上住进了重症监护室。这几乎比整个样本高出三倍——55%比20%，证实了模型预测分析的预测价值。
你们有很多人，但我们是一个
护士和护理人员是世界上许多国家高薪且紧缺的专家。俄罗斯正在做大量工作，以尽可能接近该声明第一部分的对应关系（特别是国家项目“医疗保健”也是为了解决这个问题而设计的），但无论如何，第二部分是肯定的：医院肯定应该有更多的初级员工。很难及时照顾和帮助所有患者。
人工智能可以用来解决这个问题。计算机视觉并不止于对单个图像的分析。视频分析已成为一个发达的领域。上面提到的俄罗斯公司“第三意见平台”在这里也取得了巨大的成功。它将视频监控系统与自主设计的人工智能算法集成在一起。这样，一名值班护士就可以有效控制多个病区。她现在始终是人工智能。
同时，护士也不需要持续监控病房内十多个摄像头的转播。相机图像上的智能算法将确定是否发生了异常情况，例如，患者从床上摔下来或失去知觉。推送通知会立即发送到护士的手表上，她将能够立即帮助患者。
此外，视频分析允许主治医生跟踪护士和主治医生如何利用他们的工作时间：他们是否履行职责，他们是否关注所有患者，以及他们探望患者和提供帮助的频率。因此，可以识别效率低下的员工，并优化现有医务人员的劳动力成本和职责。
有效的进口替代
在当前条件下，重要的是，几乎所有医疗保健人工智能的发展都有国内同行，而俄罗斯在这方面处于进展的前沿。是的，良好的医疗数据集存在困难，但这也是一个可以解决的问题，特别是在国家支持和国家计划实施的背景下。
最重要的是，在数学和算法方面，俄罗斯继续保持高水平。这意味着，在医疗保健数字化转型的背景下，我们不仅有机会跟上，而且就像银行服务或交付服务已经发生的那样，简单地获得先进和可靠的药物基于其他原则-旨在预测疾病、早期诊断和预防性治疗，而不是治疗已经运行的形式。