Конкурс «Био/Мол/Текст»-2020/2021

Эта работа опубликована в номинации «Академия & бизнес» конкурса «Био/Мол/Текст»-2020/2021.

---

Генеральный партнер конкурса — ежегодная биотехнологическая конференция BiotechClub, организованная международной инновационной биотехнологической компанией BIOCAD.

---

Спонсор конкурса — компания SkyGen: передовой дистрибьютор продукции для life science на российском рынке.

---

Спонсор конкурса — компания «Диаэм»: крупнейший поставщик оборудования, реагентов и расходных материалов для биологических исследований и производств.

---

«Книжный» спонсор конкурса — «Альпина нон-фикшн»

Ловкость рук и никакого мошенничества

Когда мы думаем об успешных компаниях и стартапах-единорогах, в голову приходят венчурные инвестиции и бизнес-модель прямых продаж [1]. Яркий пример наукоемких решений в коммерческом секторе «умных» медицинских услуг — довольно старый стартап 23andme. О продукте компании мы знаем еще с 2007 года [2], и сегодня в архиве 23andme более 26 миллионов образцов генетических данных клиентов, которые хотели узнать больше о своей родословной или потенциальных генетических заболеваниях.

Медицинская интерпретация результатов такого теста и диагностика на его основании до сих пор находятся под знаком вопроса [3]. Однако с коммерческой точки зрения на генетические тесты есть спрос. Именно поэтому десятки и сотни аналогов этого сервиса существуют в разных странах, являя собой хрестоматийный пример совместной работы бизнеса и науки.

А ведь не только генетические тесты могут стать продуктом в сфере автоматизированных медицинских услуг на основе искусственного интеллекта (ИИ). И не только венчурные фонды могут выступать их инвесторами.

Клиентами компаний вроде 23andme не обязательно должны быть отдельные люди, а могут и хотят стать целые государства. В этом тексте речь пойдет об услугах диагностики на основе медицинских изображений, которую предоставляют стартапы по всему миру, а потребителем в данном случае оказалось... правительство города Москвы.

А что, так можно было?

B2G-сегмент открывает для медицинских стартапов возможности масштабного тестирования своих продуктов. А возможно, и централизованного доступа к еще бóльшим данным. Государство таким образом выступает покупателем услуг автоматизированной медицинской диагностики, интегрируя сервисы сторонних компаний в систему государственного централизованного хранилища данных.

Business-to-government — отношения между бизнесом и государством.

А что, если мы скажем, что некоторые компании уже зарабатывают в России на предсказаниях своих ИИ-систем?

Как отечественные, так и зарубежные компании уже год, как имеют возможность тестировать свои решения в диагностике медицинских изображений на площадке Единого радиологического информационный сервиса. И даже получать прибыль с каждого произведенного предсказания. Звучит как science fiction, однако это выгодное предложение для ИИ-стартапов в области здравоохранения и удачное вложение для государства. Давайте разбираться, почему?

Наука говорит нам о потенциале ИИ в задачах распознавания изображений, в том числе медицинских. Применение методов машинного обучения к анализу снимков позволяет как извлекать новую информацию [4], так и автоматизировать рутинную диагностику — например, в чтении медицинских снимков. Да, такие решения доступны не во всех областях радиологии. Но некоторые ИИ-системы уже сейчас проходят клинические испытания и показывают точность распознавания патологий выше, чем у среднего врача , [5]. Получается, что отдельные решения уже стоят на пороге внедрения в клиническую практику [6], а в перспективе это означает ускорение, удешевление и уточнение (повышение точности диагностики) оказываемых услуг.

В этой статье мы пишем о том, как результаты ИИ-диагностики будут использованы в поликлиниках. Но что это за результаты, как ИИ по снимкам (и по каким снимкам?) будет делать диагностику, мы нарочно здесь не обсуждаем. Про это можно прочитать в другой нашей статье про применение ИИ в диагностике медицинских изображений [6]. Там все развернуто и очень подробно, welcome!

Также наука говорит, что ранняя диагностика заболеваний сохраняет деньги страховым и медицинским службам [7]. Это относится не только к выявлению рака, как в случае уже рутинной диагностики молочных желез или простаты. 2020 год показал важность распознавания патологий легких на снимках флюорографии и открыл огромный спрос на такие услуги. Далее этот список будет только расширяться.

Государству выгодно инвестировать в здоровье своих граждан. А если раннюю диагностику проведет система распознавания изображений (она же — искусственный интеллект) — это становится еще выгоднее. Системы на основе машинного обучения не заменят врача, но помогут сэкономить время и зарплату на рутинный анализ медицинских снимков.

Таким образом, симбиоз коммерческих предприятий и структур здравоохранения в разных странах порождает новые (B2G) схемы монетизации для систем искусственного интеллекта — оплата предсказаний поштучно per se, подписка на использование модели машинного обучения, лизинг, покупка прав на решение и так далее. При выше описанных схемах монетизации возможен молниеносный выход на огромные масштабы реализации продукта, без затрат на привлечение отдельных пользователей, как это было в случае 23andme.

Для разработчиков умных систем работа с государственными структурами интересна из-за доступа к многочисленным данных из самых разных источников. При налаженной обратной связи с врачами разработчики получат возможность постоянного совершенствования продукта, делая его все более устойчивым к различиям в рентгенологическом оборудовании, возможным аномалиям и артефактам изображений. Ведь догма машинного обучения: чем больше данных видела модель ИИ, тем она сильнее [8]. Или, переводя на коммерческий язык: если модель протестирована на большом количестве данных, работает стабильно и с высокой точностью — ее предсказания стоят дороже.

И здесь государство говорит: «Беру! Только кому платить?».

Москва «открывает двери» ИИ

В конце 2019 года Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения г. Москвы (для краткости — НПКЦ), на тот момент известный больше как «Радиология Москвы», задумал провести масштабный эксперимент по использованию ИИ в практической медицине. Для этого совместно с Информационно-аналитическим центром Департамента информационных технологий г. Москвы в начале 2020 года был запущен «Эксперимент». Его основная задача — изучить применимость алгоритмов автоматического распознавания патологий на медицинских снимках в условиях реальной работы.

Для этих целей к участию московское правительство приглашает компании, уже разработавшие действующие прототипы или готовые диагностические сервисы на основе ИИ, которые могут заменить часть рутинных задач, связанных с анализом медицинских изображений (например, разделение «нормальных» снимков и тех, которые содержат патологические изменения).

Чтобы попасть в «Эксперимент», необходимо пройти отбор: сначала подать формальную заявку на сайте, а затем выдержать ряд испытаний: начиная от самостоятельной проверки своего сервиса на совместимость с медицинскими диагностическими устройствами в московских поликлиниках (не каждый алгоритм ИИ умеет сходу обрабатывать сложные медицинские данные) и заканчивая проверкой эффективности работы сервиса с точки зрения диагностики: насколько точно он определяет патологические признаки той или иной болезни на медицинских изображениях. Для этих целей в НПКЦ была разработана целая методика.

В 2020 году «Эксперимент» проводился сначала по четырем направлениям диагностики, но с началом пандемии COVID-19 их количество выросло до пяти; в 2021 году их число постоянно увеличивается (на момент написания статьи — семь):

1. Выявление рака легкого, признаков COVID-19, остеопороза позвоночника, коронарного кальция на компьютерной томографии органов грудной клетки;
2. Диагностика инсультов на компьютерной томографии головного мозга;
3. Выявление инсультов, злокачественных новообразований, признаков рассеянного склероза и других болезней на магнитно-резонансной томографии головного мозга;
4. Выявление протрузий и стенозов позвоночного канала на магнитно-резонансной томографии пояснично-крестцового отдела позвоночника;
5. Выявление рака молочной железы на маммографии;
6. Выявление патологий легких на рентгенограммах и флюорограммах органов грудной полости;
7. Определение артрозов, переломов, плоскостопия на рентгенограммах костей туловища и конечностей.

С технической точки зрения «Эксперимент» устроен так. После того как обследование закончено, а пациента отпустили из рентгенологического кабинета, изображения поступают в единое хранилище, синхронизированное с электронными медицинскими картами. К этому хранилищу уже подключены все поликлиники и многие городские стационары г. Москвы.

Речь пока идет только о лучевой диагностике — компьютерной, магнитно-резонансной, позитронно-эмиссионной томографиях, а также различных рентгеновских аппаратах, флюорографах и денситометрах, — и только о городской системе здравоохранения, не касаясь федеральных институтов и частных организаций.

Врачи-рентгенологи «достают» из этого хранилища снимки и смотрят их, оформляя протокол в текстовом виде (описывают обследование и делают медицинское заключение). Часть врачей с 2020 года делают это удаленно, даже не появляясь рядом с самим диагностическим аппаратом.

Параллельно с этим, уже привычным, процессом изображение, предварительно очищенное от персональных данных пациента, из хранилища автоматически отправляется на другой сервер, где установлен программный комплекс одной из компаний-участниц «Эксперимента». После того как исследование «прилетело» на сервер, у компании есть определенное время (например 15 минут) на то, чтобы отправить обратно результат анализа медицинских снимков.

Например, если приходит исследование молочной железы, то задача ИИ — найти на изображении очаги, похожие на рак молочной железы, и отправить обратно вероятность наличия рака у пациента (в виде нормализованного численного значения). Результат анализа попадает обратно в хранилище, и любой врач, изучающий электронную карту больного, может увидеть не только заключение врача-человека, но и модели ИИ. Во многих случаях вероятностное (числовое) предсказание сопровождается его визуализацией, и врач может видеть, «куда конкретно на снимке смотрела нейросеть», чтобы принять решение.

Что же привлекает компании-разработчики сервисов на основе ИИ к участию в «Эксперименте»? Как и все в этом мире... Деньги. За выполненный анализ Москва выделяет финансовую поддержку в виде грантов (рис. 1). Получить деньги за обработанные исследования можно только спустя три месяца успешной работы: в течение этого времени сервис должен успевать обрабатывать все поступающие на анализ исследования в установленные временные промежутки, при этом возвращая корректные результаты как с технической точки зрения (включая требования, например: текст результата — на русском), так и с практической. Например, модель не сможет начать выдавать случайные результаты, лишь бы прогнать через себя как можно больше исследований ради получения денег. Если врачи будут недовольны результатами, сервис могут отключить, и тогда «овчинка выделки не стоит».

У многих разработчиков возникает страх раскрытия их моделей: «это что, придется Москве подарить свою коммерческую тайну?». На самом деле, с точки зрения интеллектуальной собственности все достаточно продумано: сами модели машинного обучения компании должны разместить на сервере, чтобы анализ изображений происходил внутри границ Российской Федерации, тогда можно не бояться трансграничной передачи медицинских данных. При этом государству не требуется доступ непосредственно к алгоритму — достаточно настроить взаимообмен исследованиями и результатами анализа с системой хранения данных медицинских исследований.

На текущий момент «Эксперимент» не разрабатывает искусственный интеллект самостоятельно, а обращается к внешним разработчикам. Не удивительно, так как затраты на разработку ИИ чрезвычайно высоки, а конкурентная обстановка на мировом рынке распознавания медицинских изображений уже сложилась. Очень возможно, что стратегия «Эксперимента» окажется более эффективной с точки зрения расходования ресурсов. И конкуренция за распределение грантов будет только стимулировать малые предприятия в области инновационных технологий.

Больше экспериментов богу экспериментов

Промежуточные результаты обнадеживают. В рамках «Эксперимента» на день написания статьи уже проанализировано более 1,4 млн исследований, работают 18 ИИ-сервисов (среди них — Botkin AI, Care Mentor, RADLogics, «Третье мнение» и Philips), а результатами анализа с помощью ИИ пользуются более 500 врачей. Обратная связь от них будет проанализирована и опубликована организаторами «Эксперимента» в виде научных публикаций. Организаторы сообщают о позитивной оценке работы ИИ в качестве медицинского помощника [6] как с точки зрения практикующих рентгенологов, так и с позиции организаторов здравоохранения, а руководство города заявляет о переходе к опытной эксплуатации в медучреждениях: ИИ зарекомендовал себя как достойный диагност и может продолжать анализировать снимки параллельно с врачами-рентгенологами на постоянной основе.

Успех «Эксперимента» в 2020 году обеспечил продолжение масштабных исследований в 2021-м: количество видов медицинских данных, которые отправляются на анализ ИИ, будет увеличено до 10 (включая компьютерную и магнитно-резонансную томографии различных органов и систем: суставов, головного и спинного мозга, почек и надпочечников), а значит, еще больше компаний-разработчиков медицинского ИИ смогут попробовать свои силы и заработать на своих решениях.

Но как и у любого проекта, у «Эксперимента» есть конечная цель — исследовать возможность использования методов поддержки принятия решений на основе результатов анализа данных с применением передовых инновационных технологий (другими словами, ИИ) в городской системе здравоохранения: пока речь идет только о Москве, но уже можно предположить, что опыт будет транслироваться в другие регионы России. Однако как именно будет развиваться внедрение ИИ после того, как цель будет достигнута, и главное, как будет формироваться бюджет на использование передовых технологий, — пока открытый вопрос.

Литература

1. Большие гонки, или Открытые инновации для новых молекул;
2. В генетическом контакте;
3. Код жизни: прочесть не значит понять;
4. Увидеть то, что неподвластно глазу: как радиомика помогает врачам в диагностике опухолей;
5. Scott Mayer McKinney, Marcin Sieniek, Varun Godbole, Jonathan Godwin, Natasha Antropova, et. al.. (2020). International evaluation of an AI system for breast cancer screening. Nature. 577, 89-94;
6. Народные сказки об искусственном интеллекте в распознавании медицинских изображений;
7. Bruce S. Pyenson, Samantha M. Tomicki. (2018). Lung Cancer Screening: A Cost-Effective Public Health Imperative. Am J Public Health. 108, 1292-1293;
8. Christopher J. Kelly, Alan Karthikesalingam, Mustafa Suleyman, Greg Corrado, Dominic King. (2019). Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 17.