Концепция использования компьютеров для имитации разумного поведения и критического мышления была впервые описана Аланом Тьюрингом в 1950 году. В книге «Компьютеры и интеллект» Тьюринг описал простой тест, позже известный как «тест Тьюринга», чтобы определить, способны ли компьютеры к человеческому интеллекту. Шесть лет спустя Джон Маккарти описал термин «искусственный интеллект» (ИИ) как «науку и технику создания интеллектуальных машин».
ИИ начинался как простая серия правил «если-то» и в течение нескольких десятилетий развивался, включая все более сложные алгоритмы, работающие аналогично человеческому мозгу. В ИИ есть много технологий, похожих на медицинские специальности (таблица 1), такие как машинное обучение (machine learning, ML), глубокое обучение (deep learning, DL) и компьютерное зрение.
Машинное обучение — это использование определенных признаков для выявления шаблонов, которые можно использовать для анализа конкретной ситуации. Машина может «учиться» и применять эту информацию в будущих подобных сценариях. Этот инструмент прогнозирования можно применять динамически для принятия клинических решений, чтобы персонализировать уход за пациентом, а не следовать статическому алгоритму.
Машинное обучение превратилось в широко известное глубокое обучение, состоящее из алгоритмов для создания искусственной нейронной сети (Artificial Neural Network, ANN), которая затем может обучаться и принимать решения самостоятельно, подобно человеческому мозгу. Компьютерное зрение — это процесс, посредством которого компьютер получает информацию из серии изображений или видео.
В этом обзоре представляется краткий исторический обзор появления ИИ в медицине и его хронологическая эволюция за последние полвека, включая его роль в гастроэнтерологии и эндоскопии (рис. 1).
ИИ В МЕДИЦИНЕ
ИИ в медицине претерпел значительные изменения за последние 5 десятилетий. С появлением машинного обучения и глубокого обучения возможности применения ИИ в медицине расширились, включая перспективы для персонализированной медицины, а не основанной только на алгоритмах. Прогностические модели можно использовать для диагностики заболеваний, прогнозирования терапевтического ответа и профилактической медицины. ИИ может увеличить точность диагностики, эффективность рабочего процесса и клинических операций, облегчить мониторинг заболеваний и лечения, а также повысить точность процедур и общие результаты лечения пациентов.
Прогрессивный рост и развитие платформы ИИ в медицине описаны ниже и организованы по конкретным периодам времени фундаментальной трансформации.
Таблица 1. Технологии искусственного интеллекта
| Машинное обучение (ML): идентификация и анализ шаблонов; модели улучшаются, обучаясь на предоставленных наборах данных |
| Глубокое обучение (DL): состоит из многослойных нейронных сетей, которые позволяют машинам учиться и принимать решения самостоятельно |
| Обработка естественного языка (NLP): процесс, который позволяет компьютерам извлекать данные из человеческой речи и принимать решения на основе этой информации |
| Компьютерное зрение (CV): процесс, с помощью которого компьютер получает информацию и понимание из серии изображений или видео |
От 1950х до 1970х
Ранний ИИ был сосредоточен на разработке машин, способных делать выводы или принимать решения, которые раньше мог принимать только человек. Первый промышленный робот-манипулятор (Unimate; Unimation, Данбери, Коннектикут, США) выполнял автоматизированное литье под давлением на сборочной линии General Motors в 1961 году. Unimate мог выполнять пошаговые команды. Несколько лет спустя (1964) Джозеф Вейценбаум представил Eliza. Используя обработку естественного языка, Eliza смогла общаться, используя методологию сопоставления шаблонов, чтобы имитировать человеческий разговор (поверхностное общение), что послужило основой для будущих чат-ботов.
В 1966 году был разработан Shakey, «первый электронный человек». Созданный в Стэнфордском научно-исследовательском институте, это был первый мобильный робот, способный интерпретировать инструкции. Вместо того, чтобы просто выполнять одношаговые команды, Shakey мог обрабатывать более сложные инструкции и выполнять соответствующие действия. Это была важная веха для робототехники и ИИ.
Несмотря на эти инновации, медицина не спешила внедрять ИИ. Однако этот ранний период был важным временем для оцифровки данных, которые позже послужили основой для будущего роста и использования ИИ в медицине. Разработка в 1960-х годах Системы анализа и поиска медицинской литературы и веб-поисковика PubMed Национальной медицинской библиотекой стала важным цифровым ресурсом для дальнейшего развития биомедицины. Базы данных клинической информатики и системы медицинской документации также были впервые разработаны в это время и помогли заложить основу для будущих разработок ИИ в медицине.
От 1970х до 2000х
Большую часть этого периода времени называют «зимой ИИ», что означает период сокращения финансирования и интереса и, как следствие, меньшего количества значительных событий.
Многие признают две основные «зимы»: первая в конце 1970-х годов, вызванная предполагаемыми ограничениями ИИ, вторая - с конца 1980-х до начала 1990-х годов, связанная с чрезмерными затратами на разработку и обслуживание экспертных баз данных цифровой информации. Несмотря на отсутствие всеобщего интереса в этот период, сотрудничество первопроходцев в области ИИ продолжалось. Это способствовало разработке Солом Амарелом в 1971 году в Университете Рутгерса «Исследовательских ресурсов по компьютерам в биомедицине». В 1973 году в Стэнфордском университете была создана компьютерная система с разделением времени «Медицинские эксперименты и искусственный интеллект в медицине», которая расширила сетевые возможности клинических и биомедицинских исследователей из нескольких учреждений. Семинар по ИИ в медицине был проведен в Университете Рутгерса в 1975 году. Эти мероприятия представляют собой первое сотрудничество между первопроходцами в ИИ в медицине.
Одним из первых прототипов, демонстрирующих возможность применения ИИ в медицине, была разработка программы консультаций по глаукоме с использованием модели CASNET. Модель CASNET представляет собой причинно-ассоциативную сеть, состоящую из 3 отдельных программ: построение модели, консультация, и база данных, которая была создана и поддерживается сотрудниками. Эта модель могла применять информацию о конкретном заболевании к отдельным пациентам и давать врачам советы по ведению пациентов. Она была разработана в Университете Рутгерса и официально продемонстрирована на собрании Академии офтальмологии в Лас-Вегасе, штат Невада, в 1976 году.
Система искусственного интеллекта с обратным выводом (backward chaining), MYCIN, была разработана в начале 1970-х годов. Основываясь на информации о пациентах, введенной врачами, и базе знаний, содержащей около 600 правил, MYCIN может предоставить список потенциальных бактериальных патогенов, а затем рекомендовать скорректированные варианты лечения антибиотиками в соответствии с массой тела пациента. MYCIN стал основой для более поздней системы, основанной на правилах, EMYCIN. INTERNIST-1 был позже разработан с использованием той же структуры, что и EMYCIN, и большей базы медицинских знаний для поддержки врачей-терапевтов при постановке диагноза.
В 1986 году Массачусетский университет выпустил систему поддержки принятия решений DXplain. Эта программа использует введенные симптомы для проведения дифференциальной диагностики. Она также служит электронным медицинским учебником, содержащим подробные описания заболеваний и дополнительные ссылки. При первом выпуске DXplain мог предоставить информацию примерно о 500 заболеваниях. С тех пор он расширился до более чем 2400 заболеваний. К концу 1990-х интерес к машинному обучению возобновился, особенно в здравоохранении, что наряду с вышеупомянутыми технологическими разработками подготовило почву для современной эры ИИ в медицине.
От 2000 до 2020: основополагающие достижения в области искусственного интеллекта
В 2007 году IBM создала открытую систему ответов на вопросы под названием Watson, которая конкурировала с участниками-людьми и заняла первое место в телевизионном игровом шоу Jeopardy! в 2011 году. В отличие от традиционных систем, которые использовали либо прямое рассуждение (forward reasoning, следование правилам от данных к выводам), обратное рассуждение (backward reasoning, следование правилам от выводов к данным), либо созданные вручную правила «если-то», эта технология, называемая DeepQA, использовала обработку естественного языка и различные поиски для анализа неструктурированного контента для получения вероятных ответов. Эта система была доступна для использования, проще в обслуживании и более рентабельна.
Извлекая информацию из электронной медицинской карты пациента и других электронных ресурсов, можно применить технологию DeepQA для предоставления ответов, основанных на доказательной медицине. Таким образом, он открыл новые возможности для принятия клинических решений на основе фактических данных. В 2017 г. Баккар и соавт. использовали IBM Watson для успешной идентификации новых РНК-связывающих белков, которые были изменены при боковом амиотрофическом склерозе.
Учитывая этот прорыв, наряду с улучшенным компьютерным оборудованием и программным обеспечением, цифровая медицина стала более доступной, и ИИ в медицине начал быстро расти. Обработка естественного языка превратила чат-ботов из средства поверхностного общения (Eliza) в интерфейсы, основанные на осмысленных беседах. Эта технология была применена к виртуальному помощнику Apple, Siri, в 2011 году и виртуальному помощнику Amazon, Alexa, в 2014 году. Pharmabot был чат-ботом, разработанным в 2015 году обучения пециатрических пациентов и их родителей информации о лекарствах, а Mandy был создан в 2017 году как автоматизированный процесс приема пациентов в учреждения первичной медицинской помощи.
Глубокое обучение ознаменовало собой важное достижение в ИИ для медицины. В отличие от машинного обучения, которое использует определенное количество признаков и требует участия человека, глубокое обучение можно научить самостоятельно классифицировать данные. Хотя глубокое обучение впервые обсуждалось в 1950-х годах, его применение в медицине было ограничено проблемой «переобучения». Переобучение происходит, когда машинное обучение слишком сосредоточено на конкретном наборе данных и не может точно обрабатывать новые наборы данных, что может быть результатом недостаточной вычислительной мощности и отсутствия обучающих данных. Эти ограничения были преодолены в 2000-х годах с появлением больших наборов данных и значительными улучшениями вычислительной мощности.
Сверточная нейронная сеть (Convolutional Neural Network, CNN) — это тип алгоритма глубокого обучения, применяемого для обработки изображений, который имитирует поведение взаимосвязанных нейронов человеческого мозга. CNN состоит из нескольких слоев, которые анализируют входное изображение для распознания шаблонов и создания определенных фильтров. Окончательный результат достигается за счет объединения всех функций полностью подключенных слоев. Сейчас доступно несколько алгоритмов CNN, включая Le-NET, AlexNet, VGG, GoogLeNet и ResNet.
Применение глубокого обучения в медицине
Применение ИИ к медицинской визуализации было предложено для повышения точности, согласованности и эффективности отчетов. В 2017 году Arterys стала первым одобренным Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) клиническим облачным приложением с применением глубокого обучения в сфере здравоохранения. Первый продукт Arterys, CardioAI, смог за считанные секунды анализировать магнитно-резонансные изображения сердца, предоставляя такую информацию, как фракция сердечного выброса. С тех пор это приложение было расширено за счет включения изображений печени и легких, рентгеновских изображений органов грудной клетки и опорно-двигательного аппарата, а также неконтрастных изображений КТ головы.
Глубокое обучение можно применять для обнаружения поражений, постановки дифференциальных диагнозов и составления автоматических медицинских отчетов. В 2017 году Gargeya и Leng использовали DL для скрининга диабетической ретинопатии, достигнув чувствительности 94% и специфичности 98% с 5-кратной перекрестной проверкой (AUC 0,97). Точно так же Esteva et al. обучили CNN идентифицировать немеланомный и меланомный рак кожи, и результаты показали, что производительность CNN сопоставима с результатами экспертов. Weng et al. показали, как CNN можно использовать для прогнозирования сердечно-сосудистого риска в когортной популяции. Было показано, что ИИ повышает точность прогнозирования сердечно-сосудистого риска по сравнению с установленным алгоритмом, определенным в рекомендациях Американского колледжа кардиологов. ИИ также применялся для надежного прогнозирования прогрессирования болезни Альцгеймера путем анализа данных визуализации амилоида и точного прогнозирования ответа на лекарственную терапию.
Применение ИИ в гастроэнтерологии
Применение ИИ в гастроэнтерологии значительно расширилось за последнее десятилетие. Компьютерная диагностика может быть применена к колоноскопии, чтобы улучшить обнаружение и дифференциацию доброкачественных и злокачественных полипов толстой кишки. В платформе EUS ИИ был использован для того, чтобы помочь дифференцировать хронический панкреатит от рака поджелудочной железы, что является распространенной клинической проблемой.
Глубокое обучение также может быть использовано для разработки моделей прогнозирования прогноза и ответа на лечение. Было создано и протестировано несколько искусственных нейронных сетей для моделей диагностики и прогнозирования в гастроэнтерологии. В ретроспективном исследовании 150 пациентов использовали 45 клинических переменных для постановки диагноза ГЭРБ со 100% точностью. Rotondano et al. представили проспективное многоцентровое исследование 2380 пациентов, в котором искуственная нейронная сеть использовала 68 клинических переменных для прогнозирования смертности при неварикозном кровотечении из верхних отделов ЖКТ с точностью 96,8%. ИИ использовался для прогнозирования выживаемости при аденокарциноме пищевода, для прогнозирования рецидива и тяжести воспалительного заболевания кишечника, а также для информирования о вероятности отдаленных метастазов плоскоклеточного рака пищевода, среди других подобных применений. Эти ранние исследования дают надежду на будущее применение в клинической практике.
Эндоскопия с применением ИИ
Эндоскопия с искусственным интеллектом — это развивающаяся область с многообещающим будущим. Первоначальные приложения включали компьютерную диагностику (computer-aided diagnosis, CAD) для обнаружения, дифференциации и характеристики неопластических и неопухолевых полипов толстой кишки. Недавнее рандомизированное контролируемое исследование с участием 1058 пациентов продемонстрировало значительное увеличение частоты выявления аденомы при использовании компьютерной диагностики по сравнению со стандартной колоноскопией (29 % против 20 %, P < 0,001) с повышенным выявлением миниатюрных аденом (185 против 102, P <0,001) и гиперпластических полипов (114 против 52, P <0,001). Не было статистических различий в обнаружении более крупных аденом. Оптическая биопсия колоректальных полипов также оценивалась несколькими группами с использованием моделей компьютерной диагностики на изображениях и видео с узкоспектральной визуализацией, хромоэндоскопией и эндоцистоскопией. Сообщалось, что диагностическая точность этих моделей составляет от 84,5% до 98,5%. CNN была разработана для определения инвазивности колоректальных объемных образований, подозреваемых в раке, была достигнута диагностическая точность 81,2%.
ИИ также применялся для улучшения визуализации пищевода Барретта. De Groof et al. недавно разработали систему компьютерной диагностики с чувствительностью 90% и специфичностью 88% (точность 89%) при классификации изображений как неопластического или недиспластического пищевода Барретта. Система компьютерной диагностики показала более высокую точность, чем у 53 неэкспертов-эндоскопистов (88% против 73%). Точно так же система компьютерной диагностики в реальном времени была разработана и обучена с использованием 1480 узкополосных изображений злокачественных новообразований и 5191 узкополосных изображений предраковых состояний и была способна дифференцировать раннюю плоскоклеточную карциному пищевода из предраковых поражений с чувствительностью 98% и специфичностью 95% (AUC 0,989).
Модели на основе CNN также применялись для выявления аномалий эндоскопии капсулы тонкой кишки и рака желудка cо специфичностью 94%.
Роль ИИ в эндоскопической практике продолжает развиваться быстрыми темпами, чему способствовала общая технологическая революция в области эндоскопии и визуализации в последние годы. Несмотря на то, что большая часть технологий, о которых было рассказано, только прототипы, 2 системы одобрены для использования. ENDOANGEL (Wuhan EndoAngel Medical Technology Company, Ухань, Китай), система на основе CNN, разработанная в 2019 году, может обеспечить объективную оценку подготовки кишечника каждые 30 секунд во время колоноскопии, с точностью 91,89%. В рандомизированном контролируемом исследовании устройство использовалось для мониторинга времени колоноскопии и продемонстрировало значительное улучшение показателей выявления аденомы с помощью ENDOANGEL по сравнению с колоноскопией без посторонней помощи (17% против 8%; отношение шансов 2,18; доверительный интервал 95%, 1,31-3,62; PZ 0,0026).
Вторая система, GI Genius (Medtronic, Миннеаполис, Миннесота, США), представляет собой эндоскопическое вспомогательное устройство с применением ИИ, разработанное для выявления колоректальных полипов путем предоставления визуального маркера на видео в реальном времени во время эндоскопического исследования. Она одобрена для использования в Европе и проходит клиническую оценку в США. В валидационном исследовании GI Genius имела общую чувствительность 99,7% и обнаруживала полипы быстрее, чем эндоскописты, в 82% случаев. В недавнем рандомизированном контролируемом исследовании Repici и соавт. продемонстрировали увеличение частоты обнаружения аденомы на 14% с использованием этой системы компьютерной диагностики.
Вывод
ИИ прошел долгий путь от теста Тьюринга до сегодня. Вступая в «ревущие двадцатые», мы находимся на заре новой эры в медицине, когда ИИ начинает внедряться в повседневную клиническую практику. Потенциальные применения роли ИИ в заболеваниях желудочно-кишечного тракта в настоящее время не имеют границ. Они варьируются от улучшения наших диагностических возможностей в эндоскопии, повышения эффективности рабочего процесса эндоскопии и даже помощи в более точной стратификации риска у пациентов с распространенными желудочно-кишечными заболеваниями, такими как желудочно-кишечное кровотечение и неоплазия.
Однако алгоритмы ИИ и их приложения потребуют дальнейшего изучения и проверки. Кроме того, потребуются дополнительные клинические данные, чтобы продемонстрировать его эффективность, ценность и влияние на уход за пациентами и клинические результаты. Наконец, нам нужно будет разработать экономически эффективные модели и продукты ИИ, чтобы позволить врачам и больницам использовать ИИ на повседневной основе. Врачи должны рассматривать это не как противостояние «человек-машина», а как партнерство в целях дальнейшего улучшения клинических результатов для пациентов с желудочно-кишечными заболеваниями.
Оригинал статьи: https://www.giejournal.org/article/S0016-5107(20)34466-7/pdf