Увидеть жизнь

Сегодня в России зарегистрировано более 50 медицинских изделий, использующих технологии искусственного интеллекта. Значительная часть сервисов предназначена для анализа с помощью ИИ медицинских изображений — компьютерной томографии и магнитно-резонансной томографии

Выйти из полноэкранного режима

Развернуть на весь экран

Решений для ультразвуковой диагностики, а особенно для пренатального скрининга, среди зарегистрированных в России пока нет. Ученый Дмитрий Самофалов, старший аналитик совместной лаборатории Центра искусственного интеллекта Сколтеха и Университета Шарджи ОАЭ «ИИ в биомедицинских исследованиях», в материале для «Ъ-Науки» поделился, почему ИИ-инструменты для УЗИ еще не получили массового распространения и над чем сегодня работают исследователи, чтобы это исправить.

Почему УЗИ отстает с точки зрения внедрения ИИ? Первая причина — сама специфика УЗИ-изображений. Во время КТ и МРТ идет трехмерное сканирование, а пациент статично лежит в аппарате. На выходе мы получаем объемное изображение, которое можно детально анализировать, сегментировать, использовать для обучения моделей. Эти данные предсказуемы и стандартизированы для машинного обучения.

УЗИ — это принципиально иная история. Это динамическое исследование в режиме реального времени: врач водит датчиком по пациенту, меняет угол, наклон, давление и фиксирует либо отдельные снимки, либо короткие видеопетли. Изображение двумерное, и качество картинки критически зависит от того, насколько правильно выведен срез. Один и тот же орган у одного и того же пациента можно снять десятком разных способов — и не все они будут ценными. Для модели ИИ, которая обучается на статичных картинках, это серьезный вызов: нужно не просто распознать структуру, но и оценить, правильно ли она визуализирована.

Вторая причина — отсутствие накопленных данных. В лучевой диагностике (КТ, МРТ, рентген) снимки сохраняются всегда — это стандарт, закрепленный в протоколах. С УЗИ сложилась иная практика: врач посмотрел, заполнил протокол, зафиксировал заключение — и все. Изображения чаще всего никуда не сохраняются, а без данных невозможно обучить модель, верифицировать алгоритмы, создать качественный датасет, на котором ИИ мог бы учиться распознавать как норму, так и патологию.

Третья причина — отсутствие стандартизированных протоколов хранения и передачи данных. Даже там, где снимки сохраняются, возникает вопрос: что с ними делать дальше? Это персональные данные, чувствительная медицинская информация. Где они должны храниться? На каких серверах обрабатываться? Кто имеет к ним доступ? С точки зрения информационной безопасности здесь много нерешенных вопросов.

Особенно остро эта проблема встала после ухода с российского рынка ведущих производителей УЗИ-оборудования. Их аппараты продолжают работать, их ИИ-модули, где они есть, тоже могут функционировать, но с передачей данных, их обработкой и обновлением программного обеспечения возникают серьезные сложности. Непонятно, где реально обрабатывается информация, на каких серверах, не уходят ли персональные данные пациентов за пределы страны. Это создает запрос на собственное, отечественное ПО. Но разработка такого ПО — это не просто написание кода, а выстраивание всей инфраструктуры: от защиты каналов передачи данных до интеграции с медицинскими информационными системами.

Четвертая причина — разрыв между разработчиками и практикующими врачами. Даже когда ИИ-решения появляются, они не всегда находят отклик у врачебного сообщества. Ведущие производители стремятся добавить в свои аппараты как можно больше функций, но с точки зрения реальной клинической практики многие из этих возможностей остаются невостребованными. Врачи продолжают делать измерения вручную, не доверяют автоматике или просто не видят в ней необходимости.

Чтобы ИИ действительно работал, задача должна идти от реальной потребности врача, а не от инженеров. Именно так родился проект нашей команды из Центра искусственного интеллекта Сколтеха. К нам обратилась одна из частных московских клиник, специализирующаяся на пренатальной диагностике. У них была конкретная, четко сформулированная проблема: при проведении скрининговых УЗИ врач обязан зафиксировать порядка 15 обязательных срезов. Это стандарт. Но когда клиника проводила внутренний аудит работы своих специалистов или пыталась вернуться к ранее проведенным исследованиям, выяснялось, что далеко не все срезы выведены корректно. Где-то изображение смазано, где-то датчик стоял под неправильным углом, где-то срез просто пропущен.

От качества выведенного среза зависят измерения органов, а от них, в свою очередь, оценка рисков патологий, включая хромосомные аномалии. Ошибка в позиционировании датчика может привести к тому, что риск будет рассчитан неверно или патологическое изменение будет не замечено.

Мы обучили модель, которая решает две задачи. Первая — классификация: определяет, к какому именно срезу относится полученное изображение (сагиттальная плоскость головы, поперечный срез живота и так далее). Вторая — оценка качества: модель проверяет, нет ли смазанности, правильно ли визуализированы необходимые структуры.

Прототип мы внедрили в их медицинскую информационную систему в пилотном режиме. Теперь врач, заполняя протокол исследования, видит чек-лист. По каждому обязательному срезу стоит либо зеленая галочка (все в порядке, срез зафиксирован), либо красный крестик (срез нужно переснять, исследование повторить). Только убедившись, что все срезы качественные, можно завершить исследование.

Отработав технологию на задаче для второго триместра, мы начали двигаться дальше. Сейчас развиваем аналогичные модели для первого и третьего триместров беременности. И здесь нас ждали новые вызовы.

Первый триместр — это, пожалуй, самый сложный этап с точки зрения ультразвуковой диагностики. На ранних сроках структуры органов плода еще только формируются, на снимках они различимы гораздо хуже, чем во втором или третьем триместрах. Многие врачи — даже опытные — испытывают трудности с правильной визуализацией. Не всегда понятно, где заканчивается одна структура и начинается другая, корректно ли выведен срез, все ли необходимые анатомические ориентиры попали в поле зрения датчика.

Для модели искусственного интеллекта это задача максимальной сложности. Нужно обучить алгоритм не просто распознавать срез, но и понимать очень тонкие различия: где изображение достаточно качественное для диагностики, а где — нет, все ли критически важные структуры визуализированы, не смазано ли изображение из-за движения плода или неправильной установки датчика. По сути, мы учим модель тому, чему учат будущих врачей годы практики и тысячи просмотренных снимков.

Но если нам удастся решить эту задачу, открываются колоссальные возможности. Модель, которая уверенно ориентируется в структурах первого триместра, может стать основой для раннего выявления патологий. Причем не только распространенных, но и редких, орфанных заболеваний.

Параллельно с развитием моделей мы прорабатываем вопрос их интеграции в российские аппараты ультразвуковой диагностики и активно сотрудничаем с несколькими регионами. Один из ключевых партнеров — Сахалинская область, где мы отрабатываем все аспекты, связанные с передачей снимков. Как снимок с аппарата УЗИ попадает в облако? Как обеспечивается безопасность передачи? Где хранятся данные? Как результат обработки возвращается на рабочую станцию врача и в каком виде он должен быть представлен?

В завершение хочется подчеркнуть, что любой проект в области медицинского искусственного интеллекта должен идти от врача — от реальной, сформулированной им потребности. Ученые, инженеры, разработчики могут предложить много решений, но без понимания того, что реально нужно на входе, какой результат должен получаться на выходе и какое решение на основе этого результата будет принимать врач, они не смогут найти реального применения и улучшать жизнь пациентов.

Подготовлено при поддержке Сколтеха, редактор материала — Олег Щербаков, Сколтех