Онлайн-обучение медицинских специалистов
Чаты с коллегами
+7 499 213-05-00
Использование нейросетей в медицине и фармакологии

Использование нейросетей в медицине и фармакологии

Нейронные сети в медицине и фармакологии

Про искусственный интеллект раньше писали только фантасты, а теперь нейронные сети и машинное обучение проникли, кажется, во все сферы профессиональной деятельности – от искусства до юридической практики. Способны ли нейросети помочь медицинским  работникам? 

Что такое нейросеть?

Нейросеть (нейронная сеть) – это подвид машинного обучения, который имитирует работу человеческого мозга. В упрощенном варианте она выглядит как несколько слоев искусственных нейронов (процессоров), в каждом из которых происходит обработка информации. Основным отличием нейросети от стандартных алгоритмов программирования является ее способность к обучению, которая основана на нахождении коэффициентов связей между “нейронами”, отражающих значимость получаемой информации. На основе этих коэффициентов нейросеть способна анализировать входные данные и находить определенные взаимосвязи между ними, а также обобщать информацию. Обычно нейросеть состоит из входного слоя нейронов, одного или нескольких скрытых слоев нейронов и выходного слоя. Входной слой обрабатывает поступающую информацию и передает на следующие (скрытые) нейроны, которые связаны между собой посредством синапсов. Скрытый слой еще иногда называют черным ящиком, поскольку человек не может отследить, по каким связям в данном слое прошла информация и каким образом она обработалась в нейронах. После скрытого/скрытых слоев информация поступает в выходной нейрон, где формируется общий результат анализа. Данные, полученные каждым последующим нейроном, представляют собой сумму всей обработанной ранее информации, перемноженной на свой коэффициент значимости.

Нейронные сети отчасти сходны с работой человеческого мозга. Так, например, между нейронами скрытого слоя нейронных сетей есть связи, и если информация прошла через один нейрон, то она пройдет и через связанные с ним, как и в случае распространения сигнала в мозге. Как и в работе нервной системы человека, у нейронов нейросети есть аналог порога возбуждения нейронов мозга (вес коэффициента), необходимого для передачи сигнала на последующий нейрон [1]. 

Преимущества нейросетей:

- самообучение;- быстрый анализ большого количества данных;- возможность анализа нескольких параметров одновременно;- способность фильтровать шум [2].

Применение нейросетей в медицинской сфере

Основное преимущество нейросетей – быстрая обработка большого количества входных данных. В медицинской сфере основными направлениями для внедрения нейросетей являются диагностика (включая также самодиагностику), прогноз, разработка лекарственных средств и поиск для них терапевтических мишеней. Пожалуй, наиболее перспективная область для применения нейросетей является диагностика. Благодаря быстрому анализу сразу множества параметров, нейросети можно научить писать заключение к МРТ или КТ, обобщать результаты исследований, проведенных пациенту, анализировать элементы на коже человека и т.д. Внедрение нейросетей в различные методы визуализации, такие как рентген, МРТ, ПЭТ и другие, может значительно повысить качество диагностики. В последствии приложения на основе нейросетей могут позволить пациентам, анализировать образования у себя на коже, что повысит вероятность обнаружения меланомы на ранних стадиях и не только.

Примеры успешного использования нейросетей в диагностике

Существует несколько нейросетей, которые направлены на определение риска меланомы по внешнему виду новообразования. Так, например, нейросеть, построенная на архитектурах ResNet50 и InceptionV3, продемонстрировала более высокую точность диагностики дерматоскопических изображений по сравнению со специалистами, у которых опыт  в диагностике меньше 10 лет, и на уровне врачей с опытом более 10 лет [3, 4].  Нейросеть TzanckNet анализирует пробы Тцанка (мазки Тцанка для диагностики герпеса) с точностью 94,3% [5].  Нейросеть, разработанная Хьюстонским медицинским научно-исследовательским институтом, интерпретирует маммограммы с точностью 99% [6]. 

Технология ускорения создания МРТ изображений на основе глубокого машинного обучения, разработанная Meta AI и NYU Langone Health, позволяет в несколько раз сократить время проведения сканирования без потери качества изображения [7]. Ученые из Стэнфордского университета, совместно с UCSF и Rhythm Technologies разработали нейросеть, которая способна классифицировать аритмию с высокой чувствительностью и специфичностью[8]. 

Цельс — разработка российской компании «Медицинские скрининг системы». Сервис использует компьютерное зрение для анализа маммографии, флюорографии, КТ легких и гистологии. Врач загружает в систему изображения исследований, а система маркирует области, в которых предположительно визуализируются признаки патологии, и дает заключение, в которое врач, при желании, может внести изменения. При этом если загрузить в систему снимки нескольких пациентов, то система отсортирует список по приоритетности — от наибольшей вероятности наличия патологии до наименьшей, чтобы врач обратил внимание на пациентов с наибольшим риском заболевания [9]. 

И это только малая часть нейросетей, предложенных для диагностики в медицине.

Примеры успешного применения нейросетей в фармакологии

Разработка новых лекарственных средств требует большого количества времени и средств, однако нейросети, обрабатывая большое количество имеющихся данных, могут значительно сократить это время. Так, например, поиск перспективных молекул веществ с заданными характеристиками может быть ускорен в несколько раз. Кроме того, с помощью нейросетей, анализирующих множество исследований, можно лучше понять механизмы развития болезней и определить вероятные терапевтические мишени, против которых можно начать разработку ЛС. Использование нейросетей для интеграции разнообразных омиксных данных (геном, транскриптом, метаболом и пр.) позволяет составить лучшее понимание механизмов болезней и определить потенциальные лекарственные мишени.

Разработка лекарства DSP-1181 (агонист 5-HT1A рецептора серотонина, предназначенный для лечения обсессивно-компульсивного расстройства) с использованием нейросети заняла 12 месяцев вместо обычных 4 лет [10]. 

Нейросети помогли найти новый антибиотик галицин, а также группы других веществ, которые потенциально обладают антибактериальными свойствами [10, 11]. 

AlphaFold способна предсказывать структуру белков [12], а платформа Deep Docking проводит экономичный молекулярный докинг и обеспечивает ускорение скрининга с помощью QSAR-модели в 50-100 раз [13]. 

Нейросеть GENTRL, разработанная Insilico Medicine, способна находить перспективные молекулы лекарств в течение 3 недель, а суммарно разработка лекарства, по заявлениям разработчиков, будет занимать 46 дней [14]. 

Project Saturn, предназначенный для открытия новых методов устранения последствий генетических мутаций, уже протестировал 69 миллиардов молекул олигонуклеотидов (в сравнении с 1 миллионом в стандартных исследованиях in silico) для создания библиотеки из 1000 соединений, которые экспериментально подтверждены для терапевтического использования [15]. 

Заполнение и ведение медицинской документации

Информация о пациенте (результаты анализов, назначенное лечение, данные прошлых госпитализаций, заключение от других специалистов и т.д.) часто представляет собой довольно большой объем данных, которые врач должен проанализировать. Искусственный интеллект Watson for Oncology от компании IBM мог моментально выдать лечащему врачу историю болезни пациента, членов его семьи, структурировать генетическую предрасположенность к тем или иным патологиям, а также предложить свои рекомендации по лечению заболеваний [16]. Сейчас IBM передала свои технологии Watson Health компании Merative, которые продолжают заниматься искусственным интеллектом в медицинской сфере.

Другой пример – Olive, который также предназначен для проверки медицинских назначений, передачи необходимых медицинских данных специалистам, обновлении данных в медкартах пациентов и прочее [17]. Распознавание речи может помочь врачам быстрее заполнять медицинскую документацию, примером такого применения искусственного интеллекта является программа Voice2Med, которая ускоряет время работы врачей на 22% [18]. 

Прогнозирование заболеваний

В конце декабря 2021 года эпидемиологический искусственный интеллект BlueDot предсказал вспышку коронавируса в Китае на основе сводки новостей и постов в соцсетях на неделю раньше, чем о ней сообщила ВОЗ, а до этого – вспышку вируса Зика во Флориде в 2016 году, за шесть месяцев до того, как это произошло. Еще раньше BlueDot предсказал вспышку лихорадки Эбола в 2014 году и ее распространение за пределами Африки [19]. 

Нейронная сеть HealthMap, сканирующая социальные сети, новости и поисковые запросы в интернете на наличие признаков вспышек заболеваний, засекла COVID-19, когда уханьские врачи только начали обсуждать странное заболевание на сайте ProMED-mail [20]. 

Другой пример – платформа Metabiota, которая помогла остановить распространение лихорадки Эбола в Сьерра-Леоне [21]. Она моделирует частоту и масштабы будущих пандемий, потенциальные финансовые потери, а также вероятное влияние вмешательств, и сообщает о результатах African Risk Capacity — специализированному агентству Африканского союза, которое помогает правительствам лучше планировать стихийные бедствия и реагировать на них.

Это не все возможные направления применения нейросетей в медицине. Сфера искусственного интеллекта активно развивается, и, вероятно, нас ждут еще более фантастические разработки.

Ограничения

Первое препятствие связано не столько с применением нейросети в медицине, сколько с её разработкой. Для обучения искусственного интеллекта необходимо большое количество данных, поэтому необходимо создание дата-сетов, для чего требуется длительное время. Кроме того, нейросети очень чувствительны к информации, на которой они проходят обучение. От ее качества напрямую зависит, как хорошо нейросеть будет выполнять свою функцию. Например, известен случай, в котором нейросеть обучали обнаруживать танки на изображениях, однако для обучения использовали картинки с танками на одном и том же ландшафте. В итоге нейросеть идеально научилась распознавать ландшафт вместо танков. Другой пример – Норман [22]. Это искусственный интеллект, разработанный сотрудниками Массачусетского технологического института, который обучали на изображениях и описаниях насильственных смертей, аварий, катастроф и т.д. Когда Норману предложили пройти тест Роршаха, он увидел в пятнах только сцены насилия и смерти, в отличие от «нормального» искусственного интеллекта, который видел, например, птиц или нечто подобное. И если для определения кошек и собак на изображениях ошибка искусственного интеллекта не фатальна, то в медицине ошибка может стать роковой. Например, уже упоминаемый IBM Watson Health, обученный преимущественно на гипотетических случаях и ограниченном количестве реальных кейсов, иногда выдавал ошибочные рекомендации по лечению [23]. Нейросети, используемые для диагностики меланомы, не учитывают цвет кожи пациента, потому что обучены на изображениях пациентов с европеоидной внешностью [23]. При этом особую проблему составляет наличие у нейросетей черного ящика (скрытого слоя) – если человек легко объяснит, на каком основании поставил диагноз, то в нейросети отследить процесс установления диагноза невозможно.

Другим важным аспектом является отсутствие законодательной базы, регулирующей работу нейросетей. Использование для их обучения баз данных, в том числе закрытых или с открытым доступом, но разрешенных для использования только в некоммерческих целях, может являться нарушением авторских прав. В законодательстве не существует также никаких стандартов, которые бы регламентировали использование нейросетей в медицине. Тем не менее, возможности нейронных сетей очень велики, и после решения обозначенных проблем, они смогут стать важными помощниками для врачей и других работников медицинской и фармакологической сферы.

Источники:

  1. Нейронные сети — будущие помощники врачей
  2. Сергеев Ю.А., Стерлева Е.А., Ниазян Д.А. Применение нейросетей в медицине. Сравнение методов нейросетевого и группового анализа патологий. StudNet, 2021, Т.4, №9.
  3. Гаврилов Д.А., Закиров Э.И., Гамеева Е.В., Семенов В.Ю., Александрова О.Ю. Автоматизированная диагностика меланомы кожи на основе математической модели искусственной сверточной нейронной сети. Исследование и практика в медицине, 2018, Т.5, №3, с. 110-116. 
  4. Tschandl P., Rosendahl C., Akay B.N., Argenziano G., Blum A., et al. Expert-Level Diagnosis of Nonpigmented Skin Cancer by Combined Convolutional Neural Networks. JAMA Dermatol. 2019;155(1):58-65.
  5. Noyan M.A., Durdu M., Eskiocak A.H. TzanckNet: a convolutional neural network to identify cells in the cytology of erosive-vesiculobullous diseases. Sci Rep. 2020;10(1):18314.
  6. This AI software can tell if you're at risk from cancer before symptoms appear
  7. Johnson P.M., Lin D.J., Zbontar J., Zitnick C.L., Sriram A., et al. Deep Learning Reconstruction Enables Prospectively Accelerated Clinical Knee MRI. Radiology. 2023;307(2):e220425. 
  8. Hannun A.Y., Rajpurkar P., Haghpanahi M., Tison G.H., et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med. 2019;25(1):65-69.
  9. https://celsus.ai/
  10. Farghali H., Kutinová Canová N., Arora M. The potential applications of artificial intelligence in drug discovery and development. Physiol Res. 2021;70(Suppl4):S715-S722. 
  11. Stokes J.M., Yang K., Swanson K., Jin W., Cubillos-Ruiz A., et al. A Deep Learning Approach to Antibiotic Discovery. Cell. 2020;180(4):688-702.e13.
  12. AlphaFold: нейросеть для предсказания структуры белков от британских ученых
  13. Gentile F., Agrawal V., Hsing M., Ton A.T., Ban F., et al. Deep Docking: A Deep Learning Platform for Augmentation of Structure Based Drug Discovery. ACS Cent Sci. 2020;6(6):939-949.
  14. Zhavoronkov A., Ivanenkov Y.A., Aliper A., Veselov M.S., Aladinskiy V.A., et al. Deep learning enables rapid identification of potent DDR1 kinase inhibitors. Nat Biotechnol. 2019;37(9):1038-1040. 
  15. https://www.deepgenomics.com/project-saturn/
  16. Jie Z., Zhiying Z., Li L. A meta-analysis of Watson for Oncology in clinical application. Sci Rep. 2021;11:5792
  17. https://oliveai.com/
  18. Голосовое заполнение медицинской документации
  19. An AI Epidemiologist Sent the First Warnings of the Wuhan Virus
  20. Cho A. AI systems aim to sniff out coronavirus outbreaks. Science. 2020;368(6493):810-811.
  21. How might probability inform policy on pandemics? Metabiota has ideas
  22. NORMAN World's first psychopath AI

Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56.

Image by rawpixel.com on Freepik

Досье
Фото профиля
Вы успешно зарегистрированы!
На вашу почту отправлено письмо с подтверждением регистрации
Вам отправлено письмо с подтверждением регистрации.
Перейдите по ссылке в письме для подтверждения вашей почты
Вам отправлено письмо с восстановлением пароля.
Перейдите по ссылке в письме для создания нового пароля
Ваша почта успешно подтверждена