5 реальных примеров применения ИИ в медицине (с примерами)
В этой статье вы узнаете, как ИИ меняет медицину: диагностика, быстрая разработка лекарств, виртуальные помощники, персонализированное лечение, редактирование генов, снижение ошибок, доступность данных и IoMT. Мы объясняем этапы и пользу машинного обучения, влияние на клинические испытания, поиск биомаркеров, экономию затрат и будущее здравоохранения. Показываем реальные кейсы, риски и лучшие практики.
Нет сомнений, что искусственный интеллект стал повсеместным. Он всё лучше справляется с тем, что люди делают эффективно: учится, рассуждает и применяет логику.
Как и во многих других отраслях, у ИИ огромный потенциал улучшить медицинскую сферу.
Возможно, вы уже пользуетесь несколькими носимыми устройствами с ИИ, чтобы следить за здоровьем — умными часами, фитнес-браслетом или умным ремнём.
Если присмотреться, можно найти немало отличных примеров ИИ в медицине. Он постепенно становится частью нашей системы здравоохранения.
В этом материале мы обсуждаем реальные применения и кейсы ИИ в медицинской сфере.
Как и во многих других отраслях, у ИИ огромный потенциал улучшить медицинскую сферу.
Возможно, вы уже пользуетесь несколькими носимыми устройствами с ИИ, чтобы следить за здоровьем — умными часами, фитнес-браслетом или умным ремнём.
Если присмотреться, можно найти немало отличных примеров ИИ в медицине. Он постепенно становится частью нашей системы здравоохранения.
В этом материале мы обсуждаем реальные применения и кейсы ИИ в медицинской сфере.
Хотите узнать, как лидеры российского рынка используют наши решения?
Ознакомьтесь с маркетинг-китом AllSee, где собраны реальные кейсы и решения, доказавшие свою эффективность в бизнесе!
ИИ в медицине: рыночные тенденции
Искусственный интеллект готов играть заметную роль в медицине и здравоохранении.
Есть много причин этому, например:
Рыночная стоимость
По данным отчётов, объём мирового рынка ИИ в здравоохранении должен вырасти с 3,14 млрд долларов США в 2019 году до 23,85 млрд долларов США к 2025 году.
Ожидается среднегодовой темп роста (CAGR) 40,15% в прогнозный период с 2020 по 2025 годы.
Сегменты использования
Сегмент рекламы и медиа лидировал на рынке ИИ в 2019 году и занял более 20% мировой выручки. Ожидается, что сектор здравоохранения получит лидирующую долю на рынке ИИ к 2025 году.
Есть много причин этому, например:
- Прорывы в вычислительной мощности,
- Обучающие алгоритмы,
- Наличие огромных массивов данных из медицинских записей, и
- Носимые устройства для здоровья.
Рыночная стоимость
По данным отчётов, объём мирового рынка ИИ в здравоохранении должен вырасти с 3,14 млрд долларов США в 2019 году до 23,85 млрд долларов США к 2025 году.
Ожидается среднегодовой темп роста (CAGR) 40,15% в прогнозный период с 2020 по 2025 годы.
Сегменты использования
Сегмент рекламы и медиа лидировал на рынке ИИ в 2019 году и занял более 20% мировой выручки. Ожидается, что сектор здравоохранения получит лидирующую долю на рынке ИИ к 2025 году.
Реальные применения ИИ в медицине
При большом объёме доступных данных ИИ готов стать двигателем преобразований во всей медицинской отрасли.
С помощью искусственного интеллекта обучающие алгоритмы становятся всё точнее, так как помогают нам, людям, лучше понимать диагностику, лечение и процессы ухода.
Вот несколько реальных примеров использования искусственного интеллекта в медицине, которые могут принести пользу и пациентам, и врачам.
1. Диагностика заболеваний
Точный диагноз — ключ к успешному лечению. Если диагноз ошибочен, многое может пойти не так. Поэтому важно поставить его правильно, но это не всегда просто.
Применение ИИ к медицинской диагностике приносит много пользы отрасли.
Программы на основе ИИ могут определить, есть ли у пациента конкретное заболевание, ещё до появления явных симптомов. И в большинстве случаев такие прогнозы точны.
ИИ делает диагностику дешевле и доступнее.
Машинное обучение — особенно алгоритмы глубокого обучения — сегодня часто используют для автоматической диагностики заболеваний.
Машинное обучение в диагностике заболеваний
Алгоритмы машинного обучения учатся видеть закономерности так же, как их видят врачи. Важное отличие в том, что алгоритмам нужно много конкретных примеров для обучения. Эти примеры оцифрованы, потому что машины не умеют «читать между строк» в учебниках.
Поэтому машинное обучение особенно полезно там, где диагностическая информация, которую изучает врач, уже оцифрована. Например, изображения с МРТ, КТ и рентгена содержат большие объёмы сложных данных, которые человеку трудно и долго оценивать.
Машинное обучение может быть полезно в:
Может возникнуть вопрос: зачем ИИ, если есть врачи?
Методы ИИ, такие как машинное обучение, — это как «вторая пара глаз», которая оценивает состояние пациента на основе знаний, извлечённых из доступных данных.
В описанных выше случаях есть много полезных данных (КТ, МРТ, геномика, записи пациентов и рукописные документы). И с таким объёмом данных алгоритмы машинного обучения становятся по эффективности сопоставимы с диагностикой эксперта.
Алгоритмы машинного обучения выделяются тем, что делают выводы гораздо быстрее, а модели можно недорого тиражировать по всему миру.
Значит, ИИ скоро заменит врачей?
Нет.
Маловероятно, что ИИ в ближайшее время заменит врачей. Вместо этого ИИ будет выделять потенциально злокачественные опухоли или опасные сердечные сигналы у пациентов. Это позволит врачам сосредоточиться на интерпретации отмеченных сигналов.
С помощью искусственного интеллекта обучающие алгоритмы становятся всё точнее, так как помогают нам, людям, лучше понимать диагностику, лечение и процессы ухода.
Вот несколько реальных примеров использования искусственного интеллекта в медицине, которые могут принести пользу и пациентам, и врачам.
1. Диагностика заболеваний
Точный диагноз — ключ к успешному лечению. Если диагноз ошибочен, многое может пойти не так. Поэтому важно поставить его правильно, но это не всегда просто.
Применение ИИ к медицинской диагностике приносит много пользы отрасли.
Программы на основе ИИ могут определить, есть ли у пациента конкретное заболевание, ещё до появления явных симптомов. И в большинстве случаев такие прогнозы точны.
ИИ делает диагностику дешевле и доступнее.
Машинное обучение — особенно алгоритмы глубокого обучения — сегодня часто используют для автоматической диагностики заболеваний.
Машинное обучение в диагностике заболеваний
Алгоритмы машинного обучения учатся видеть закономерности так же, как их видят врачи. Важное отличие в том, что алгоритмам нужно много конкретных примеров для обучения. Эти примеры оцифрованы, потому что машины не умеют «читать между строк» в учебниках.
Поэтому машинное обучение особенно полезно там, где диагностическая информация, которую изучает врач, уже оцифрована. Например, изображения с МРТ, КТ и рентгена содержат большие объёмы сложных данных, которые человеку трудно и долго оценивать.
Машинное обучение может быть полезно в:
- Выявлении опухоли мозга или рака лёгких по КТ
- Оценке риска внезапной остановки сердца или других болезней сердца по ЭКГ и кардиологическим МРТ-изображениям
- Классификации кожных поражений на снимках кожи
- Поиске признаков диабетической ретинопатии на снимках глаз
Может возникнуть вопрос: зачем ИИ, если есть врачи?
Методы ИИ, такие как машинное обучение, — это как «вторая пара глаз», которая оценивает состояние пациента на основе знаний, извлечённых из доступных данных.
В описанных выше случаях есть много полезных данных (КТ, МРТ, геномика, записи пациентов и рукописные документы). И с таким объёмом данных алгоритмы машинного обучения становятся по эффективности сопоставимы с диагностикой эксперта.
Алгоритмы машинного обучения выделяются тем, что делают выводы гораздо быстрее, а модели можно недорого тиражировать по всему миру.
Значит, ИИ скоро заменит врачей?
Нет.
Маловероятно, что ИИ в ближайшее время заменит врачей. Вместо этого ИИ будет выделять потенциально злокачественные опухоли или опасные сердечные сигналы у пациентов. Это позволит врачам сосредоточиться на интерпретации отмеченных сигналов.
2. Более быстрая разработка лекарств
Разработка лекарств — всё более конкурентный и дорогой медицинский бизнес. Даже при технологическом прогрессе стоимость создания нового препарата каждые несколько лет растёт. Здесь ИИ может сыграть заметную роль.
Крупные медицинские и фармацевтические компании используют ИИ, чтобы снижать затраты на исследования и разработки и избегать дорогих ошибок.
Многие аналитические процессы при создании лекарств можно сделать эффективнее с помощью машинного обучения. Это способно сэкономить миллионы инвестиций.
К 2025 году приложения ИИ в здравоохранении потенциально могут приносить экономию в 150 миллиардов долларов США в год для экономики здравоохранения США.
Разработка лекарств делится на четыре этапа.
Этап 1 – Определение мишени для вмешательства
Первым шагом в разработке лекарства должно быть понимание биологического происхождения болезни и механизмов её устойчивости. Затем нужно уметь определить подходящие мишени (обычно белки) для лечения болезни.
Хотя высокопроизводительные методы, такие как скрининг с использованием коротких шпилечных РНК (shRNA) и глубокое секвенирование, дают огромные массивы данных для поиска возможных путей-мишеней,
традиционными способами всё ещё трудно объединить большое число и разнообразие источников данных и затем найти в них нужные закономерности.
Алгоритмы машинного обучения быстро анализируют все доступные данные и учатся автоматически находить подходящие белки-мишени.
Этап 2 – Поиск кандидатов на роль лекарства
Далее нужно найти соединение, которое сможет взаимодействовать с выбранной мишенью нужным образом.
Это предполагает проверку огромного числа потенциальных соединений по их влиянию на мишень (аффинность). Эти соединения могут быть природными, синтетическими или биоинженерными.
Однако текущая система может давать неточные и неполные предложения. Поэтому на практике очень долго уходит на то, чтобы выбрать лучшие кандидаты на роль лекарства.
Алгоритмы машинного обучения помогают так: они учатся предсказывать пригодность молекулы по структурным «отпечаткам» и молекулярным дескрипторам. Затем они просматривают миллионы потенциальных молекул и отбирают лучшие варианты — те, у которых минимальные побочные эффекты.
В итоге это значительно экономит время при дизайне лекарства.
Этап 3 – Ускорение клинических испытаний
Найти подходящих участников для клинических испытаний непросто. Если выбрать неподходящих, испытание затянется — это стоит времени и ресурсов.
Машинное обучение может ускорить процесс клинических испытаний. Оно помогает находить подходящих участников и обеспечивать правильное распределение по группам. Алгоритм можно обучить отделять хороших кандидатов от плохих.
Технологии ИИ делают процесс клинических испытаний быстрее, надёжнее и безопаснее.
Они также могут заранее предупредить о том, что испытание не даёт убедительных результатов, — это позволяет исследователям вмешаться раньше и спасти разработку препарата.
Этап 4 – Поиск биомаркеров для диагностики болезни
Лечение пациента возможно только тогда, когда диагноз точно установлен.
Биомаркеры — это молекулы, которые находят в биологических жидкостях, например в крови, и по ним судят, есть ли у пациента заболевание. Их также используют для отслеживания прогрессирования болезни.
Но подобрать подходящие биомаркеры для болезни непросто. Это дорогой и долгий процесс, где приходится проверять тысячи потенциальных молекул-кандидатов.
ИИ автоматизирует значительную часть ручной работы и тем самым ускоряет процесс.
Алгоритмы могут разделять молекулы на хорошие и плохие кандидаты — это помогает экспертам сосредоточиться на лучших вариантах.
Биомаркеры используют, чтобы определить:
Разработка лекарств — всё более конкурентный и дорогой медицинский бизнес. Даже при технологическом прогрессе стоимость создания нового препарата каждые несколько лет растёт. Здесь ИИ может сыграть заметную роль.
Крупные медицинские и фармацевтические компании используют ИИ, чтобы снижать затраты на исследования и разработки и избегать дорогих ошибок.
Многие аналитические процессы при создании лекарств можно сделать эффективнее с помощью машинного обучения. Это способно сэкономить миллионы инвестиций.
К 2025 году приложения ИИ в здравоохранении потенциально могут приносить экономию в 150 миллиардов долларов США в год для экономики здравоохранения США.
Разработка лекарств делится на четыре этапа.
- Этап 1 – Определение мишени для вмешательства
- Этап 2 – Поиск кандидатов на роль лекарства
- Этап 3 – Ускорение клинических испытаний
- Этап 4 – Поиск биомаркеров для диагностики болезни
Этап 1 – Определение мишени для вмешательства
Первым шагом в разработке лекарства должно быть понимание биологического происхождения болезни и механизмов её устойчивости. Затем нужно уметь определить подходящие мишени (обычно белки) для лечения болезни.
Хотя высокопроизводительные методы, такие как скрининг с использованием коротких шпилечных РНК (shRNA) и глубокое секвенирование, дают огромные массивы данных для поиска возможных путей-мишеней,
традиционными способами всё ещё трудно объединить большое число и разнообразие источников данных и затем найти в них нужные закономерности.
Алгоритмы машинного обучения быстро анализируют все доступные данные и учатся автоматически находить подходящие белки-мишени.
Этап 2 – Поиск кандидатов на роль лекарства
Далее нужно найти соединение, которое сможет взаимодействовать с выбранной мишенью нужным образом.
Это предполагает проверку огромного числа потенциальных соединений по их влиянию на мишень (аффинность). Эти соединения могут быть природными, синтетическими или биоинженерными.
Однако текущая система может давать неточные и неполные предложения. Поэтому на практике очень долго уходит на то, чтобы выбрать лучшие кандидаты на роль лекарства.
Алгоритмы машинного обучения помогают так: они учатся предсказывать пригодность молекулы по структурным «отпечаткам» и молекулярным дескрипторам. Затем они просматривают миллионы потенциальных молекул и отбирают лучшие варианты — те, у которых минимальные побочные эффекты.
В итоге это значительно экономит время при дизайне лекарства.
Этап 3 – Ускорение клинических испытаний
Найти подходящих участников для клинических испытаний непросто. Если выбрать неподходящих, испытание затянется — это стоит времени и ресурсов.
Машинное обучение может ускорить процесс клинических испытаний. Оно помогает находить подходящих участников и обеспечивать правильное распределение по группам. Алгоритм можно обучить отделять хороших кандидатов от плохих.
Технологии ИИ делают процесс клинических испытаний быстрее, надёжнее и безопаснее.
Они также могут заранее предупредить о том, что испытание не даёт убедительных результатов, — это позволяет исследователям вмешаться раньше и спасти разработку препарата.
Этап 4 – Поиск биомаркеров для диагностики болезни
Лечение пациента возможно только тогда, когда диагноз точно установлен.
Биомаркеры — это молекулы, которые находят в биологических жидкостях, например в крови, и по ним судят, есть ли у пациента заболевание. Их также используют для отслеживания прогрессирования болезни.
Но подобрать подходящие биомаркеры для болезни непросто. Это дорогой и долгий процесс, где приходится проверять тысячи потенциальных молекул-кандидатов.
ИИ автоматизирует значительную часть ручной работы и тем самым ускоряет процесс.
Алгоритмы могут разделять молекулы на хорошие и плохие кандидаты — это помогает экспертам сосредоточиться на лучших вариантах.
Биомаркеры используют, чтобы определить:
- Наличие болезни на самых ранних стадиях — диагностический биомаркер
- Риск развития болезни у пациента — риск-биомаркер
- Вероятное течение болезни — прогностический биомаркер
- Ответит ли пациент на препарат — предиктивный биомаркер
3. Виртуальный помощник-медсестра
Если бы у нас был выбор, многие предпочли бы не ходить в больницу без необходимости. Но возможно ли это?
С виртуальными помощниками-медсёстрами это выглядит реальным.
Виртуальные помощники-медсёстры сокращают лишние визиты в больницы и дополнительно снижают нагрузку на медработников.
Виртуальный помощник-медсестра на базе ИИ может давать пациентам персонализированный опыт. Он помогает определять болезнь по симптомам, отслеживать состояние здоровья, записывать к врачу и делать многое другое. Он может не допустить ухудшения хронического состояния.
Виртуальные ассистенты сейчас в тренде. Больницы и медицинские специалисты используют их, чтобы повышать вовлечённость пациентов и улучшать их навыки самоуправления.
4. Предоставление персонализированного лечения
Разные пациенты по-разному реагируют на лекарства и схемы терапии. С персонализированными вариантами лечения есть огромный потенциал увеличивать продолжительность жизни пациентов.
Для персонализации лечения используют машинное обучение.
Как?
Оно помогает находить признаки, по которым видно, что пациент даст определённый ответ на конкретную терапию. Оно может предсказать вероятную реакцию пациента на конкретное лечение.
Но как алгоритм машинного обучения этому учится?
Система учится, сопоставляя данные похожих пациентов и сравнивая их лечение и результаты. Это очень помогает врачам составлять правильный план терапии для пациента.
Если бы у нас был выбор, многие предпочли бы не ходить в больницу без необходимости. Но возможно ли это?
С виртуальными помощниками-медсёстрами это выглядит реальным.
Виртуальные помощники-медсёстры сокращают лишние визиты в больницы и дополнительно снижают нагрузку на медработников.
Виртуальный помощник-медсестра на базе ИИ может давать пациентам персонализированный опыт. Он помогает определять болезнь по симптомам, отслеживать состояние здоровья, записывать к врачу и делать многое другое. Он может не допустить ухудшения хронического состояния.
Виртуальные ассистенты сейчас в тренде. Больницы и медицинские специалисты используют их, чтобы повышать вовлечённость пациентов и улучшать их навыки самоуправления.
4. Предоставление персонализированного лечения
Разные пациенты по-разному реагируют на лекарства и схемы терапии. С персонализированными вариантами лечения есть огромный потенциал увеличивать продолжительность жизни пациентов.
Для персонализации лечения используют машинное обучение.
Как?
Оно помогает находить признаки, по которым видно, что пациент даст определённый ответ на конкретную терапию. Оно может предсказать вероятную реакцию пациента на конкретное лечение.
Но как алгоритм машинного обучения этому учится?
Система учится, сопоставляя данные похожих пациентов и сравнивая их лечение и результаты. Это очень помогает врачам составлять правильный план терапии для пациента.
5. Улучшение редактирования генов
Более того, ИИ также используют в геномных исследованиях.
Методы машинного обучения продолжают находить применение в секвенировании и аннотации генома и не только. И на этом дело не заканчивается.
ИИ также применяют в диагностике на основе генома.
И если вы думаете, что ИИ не может менять наши гены, вам придётся подумать ещё раз.
Технология CRISPR (Clustered Regularly Interspaced Short Palindromic Repeats), особенно система CRISPR-Cas9 для редактирования генов, стала большим шагом вперёд в нашей возможности редактировать ДНК недорого и точно. Кроме того, есть ещё TALEN и ZFN, которые тоже помогают в редактировании генов.
ИИ уже помогает нам многими другими способами. Но это только начало.
Чем больше мы сможем оцифровать и объединить наши медицинские данные, тем активнее мы сможем использовать ИИ, чтобы принимать более точные и экономичные решения в сложных аналитических процессах.
Более того, ИИ также используют в геномных исследованиях.
Методы машинного обучения продолжают находить применение в секвенировании и аннотации генома и не только. И на этом дело не заканчивается.
ИИ также применяют в диагностике на основе генома.
И если вы думаете, что ИИ не может менять наши гены, вам придётся подумать ещё раз.
Технология CRISPR (Clustered Regularly Interspaced Short Palindromic Repeats), особенно система CRISPR-Cas9 для редактирования генов, стала большим шагом вперёд в нашей возможности редактировать ДНК недорого и точно. Кроме того, есть ещё TALEN и ZFN, которые тоже помогают в редактировании генов.
ИИ уже помогает нам многими другими способами. Но это только начало.
Чем больше мы сможем оцифровать и объединить наши медицинские данные, тем активнее мы сможем использовать ИИ, чтобы принимать более точные и экономичные решения в сложных аналитических процессах.
Хотите быть в курсе актуальных новостей о внедрении AI?
Подписывайтесь на телеграм-канал AllSee и читайте наши свежие новости о трендах и решениях каждый день!
Будущее искусственного интеллекта в медицине в 2025 году и далее
Искусственный интеллект обладает большим потенциалом, и чтобы реализовать его полностью, нам потребуются совместные усилия специалистов в медицине, компьютерных науках, математике и во многих других областях.
1. Изучение потенциала ИИ в конкретных направлениях
Искусственный интеллект может преобразить медицину в следующих сферах:
Медицинские ошибки приводят к неверной диагностике. Например, при раке груди ложноотрицательные результаты маммографии могут задержать лечение у многих женщин. ИИ широко используют, чтобы находить такие отклонения, которые человеческий глаз может не заметить.
Это может быть самым полезным вкладом ИИ в медицину. Можно избежать лишней рутины по вводу данных. Врач сможет уделять время пациенту с вниманием и сочувствием, не отвлекаясь на заполнение полей.
Будущее может стать эпохой «медицинского селфи», когда диагноз ставят по одному снимку.
2. Сделать данные доступными для всех
Достаточно ли просто создавать медицинские продукты на базе ИИ?
Нет. Ещё важнее — сделать так, чтобы у людей был к ним доступ.
Например, модели ИИ для заболеваний лёгких, обученные в США, часто не включают туберкулёз в разметку. Туберкулёз — проблема стран, что развиваются, а не США, поэтому снимков с туберкулёзом нет в обучающих данных.
Но ИИ должен работать везде и для всех. Добавление изображений с туберкулёзом в наборы данных поможет обобщить и распространить ИИ на другие части мира.
3. IoMT — Интернет медицинских вещей
Нам понадобится больше устройств и мобильных приложений, которые сыграют ключевую роль в отслеживании и предотвращении хронических заболеваний для пациентов и их врачей.
Растущий потенциал ИИ в сочетании с другими медицинскими технологиями открывает много возможностей для отрасли.
1. Изучение потенциала ИИ в конкретных направлениях
Искусственный интеллект может преобразить медицину в следующих сферах:
- Снижение медицинских ошибок
Медицинские ошибки приводят к неверной диагностике. Например, при раке груди ложноотрицательные результаты маммографии могут задержать лечение у многих женщин. ИИ широко используют, чтобы находить такие отклонения, которые человеческий глаз может не заметить.
- Сделать здравоохранение снова человечным
Это может быть самым полезным вкладом ИИ в медицину. Можно избежать лишней рутины по вводу данных. Врач сможет уделять время пациенту с вниманием и сочувствием, не отвлекаясь на заполнение полей.
- Диагностика с помощью снимка
Будущее может стать эпохой «медицинского селфи», когда диагноз ставят по одному снимку.
2. Сделать данные доступными для всех
Достаточно ли просто создавать медицинские продукты на базе ИИ?
Нет. Ещё важнее — сделать так, чтобы у людей был к ним доступ.
Например, модели ИИ для заболеваний лёгких, обученные в США, часто не включают туберкулёз в разметку. Туберкулёз — проблема стран, что развиваются, а не США, поэтому снимков с туберкулёзом нет в обучающих данных.
Но ИИ должен работать везде и для всех. Добавление изображений с туберкулёзом в наборы данных поможет обобщить и распространить ИИ на другие части мира.
3. IoMT — Интернет медицинских вещей
Нам понадобится больше устройств и мобильных приложений, которые сыграют ключевую роль в отслеживании и предотвращении хронических заболеваний для пациентов и их врачей.
Растущий потенциал ИИ в сочетании с другими медицинскими технологиями открывает много возможностей для отрасли.
Готовы внедрить ИИ, но не знаете, с чего начать?
Забронируйте консультацию с экспертами AllSee, чтобы получить индивидуальный подход и проверенные временем решения.
Создайте новое будущее с нашими решениями
Похожие статьи