Ранее я подробно писал о том, куда вкладывать средства в радиологический искусственный интеллект и как преодолеть пропасть, на которую накручивается кривая ажиотажа. Для тех, кто не читал мой предыдущий блог, мое краткое изложение состоит в следующем:
Выбирайте компании, специализирующиеся на клинически обоснованных вариантах использования с большими наборами данных, которые соблюдают нормативные требования и не преувеличивают себя.
Проблема в том, что… вряд ли существуют какие-либо инвестиционные возможности в подобном искусственном интеллекте в радиологии, особенно в Великобритании. Я подумал, что пора записать свои идеи относительно того, что я на самом деле построю (если бы у меня было финансирование), или в какие компании я бы посоветовал инвестировать венчурным капиталом (если они существуют).
Удивительно, но ни одна из компаний на самом деле не интерпретирует медицинские изображения - в конце я объясню почему!
1. Радиологическое моделирование онтологии
Хорошо, это может показаться немного простым и очевидным, но на самом деле это самая важная из всех попыток ИИ в радиологии.
Во-первых, мне нужно кое-что объяснить о радиологии - это не просто клиническая специализация интерпретации медицинских изображений, это умелый процесс преобразования этих экспертных интерпретаций в текст. Радиологи, по сути, действуют как преобразователи Фурье - преобразовывают цифровые изображения в аналоговые слова и предложения, написанные на их собственном «радиологическом» языке. Как радиолог, я научился говорить «радиология» - я могу говорить такие вещи, как «скопление гиперэхогенных кальцификатов желчных путей с задней акустической затенением» с невозмутимым лицом, и любой другой радиолог будет точно знать, что я только что описал и о чем модальность. (Перевод - я имел ввиду камни в желчном пузыре, видимые на УЗИ).
Этот язык, или онтология, уникален для данной области и является довольно однородным в разных странах. В соответствии с передовой практикой для каждого отдельного медицинского сканирования должен быть составлен отчет в этом онтологическом формате. Это означает, что существует достаточно стандартизированное радиологическое описание почти каждого медицинского сканирования, когда-либо сделанного по всему миру, которое хранится где-то в базах данных. (Если это не воодушевит специалистов по данным, то я не знаю, что будет). Речь идет о миллиардах точек данных! Еще лучше - миллиарды точек данных в оцифрованных медицинских записях!
Итак, первая компания, занимающаяся радиологическим искусственным интеллектом, которую я бы построил или в которую я инвестировал бы, может применять современную векторизацию обработки естественного языка (NLP) и концептуальное моделирование к радиологическим отчетам. Эта технология выходит за рамки простого распознавания концепции LSTM, встраивания Word2vec и других моделей концептуализации языка, путем добавления в рекуррентные нейронные сети для углубления понимания. При использовании вместе с RadLex (официальный «словарь» радиологии) и другими базами данных медицинских онтологий компания могла бы создать мощный инструмент для эффективного аннотирования и концептуального моделирования каждого радиологического отчета, к которому у них есть доступ.
Тот, кто создаст это и первым выйдет на рынок с API plug-and-play, потенциально может стать основой для большинства других исследований в области ИИ в области радиологии, услуг и других компаний, занимающихся медицинской визуализацией ИИ.
2. Радиология - непрофессиональный перевод
Основная проблема «радиологии» как языка заключается в том, что немногие люди могут его понять (включая многих врачей). Радиологи часто помещают резюме в конце отчета, чтобы выделить основные моменты, однако это резюме является упрощением основной части отчета и часто не охватывает его деталей и нюансов. Значение может быть потеряно, краткое изложение может быть воспринято как евангельская истина, а клинические ошибки могут (и имели место) происходить из-за отсутствия деталей.
Во-вторых, в последнее время наблюдается стремление к более ориентированной на пациента, ориентированной на ценности радиологической службе, которая позволяет осуществлять прямое взаимодействие радиолога и пациента для объяснения результатов визуализации. Неудивительно, что внедрение было медленным, в основном из-за того, что радиологи слишком перегружены, чтобы отвлекаться от чтения сканированных изображений.
Моя вторая компания решила бы эти две проблемы, опираясь на первую часть онтологической работы и выполняя радиологические переводы отчетов для непрофессионалов. Преимущества очевидны - как врачи, не занимающиеся радиологией, так и пациенты выиграют от более доступного отчета без потери качества или изменения рабочего процесса радиолога. По сути, это был бы радиологический вавилонский рыбок, который, казалось бы, переводился между радиологами и нерадиологами.
Улучшение межпрофессиональной коммуникации таким образом могло бы уменьшить количество запросов на повторные чтения и мнения, обеспечить более надежное и полное понимание клинического состояния, а также предоставить пациентам лучшее понимание и уверенность.
Дополнительным бесплатным бонусом этой технологии является возможность продвигать отчеты через службы перевода, мгновенно глобализировать отчеты и открывать возможность передачи британских радиологических услуг на аутсорсинг иностранным телерадиологическим компаниям для использования радиологов, не говорящих по-английски.
3. Предиктивная семантика
Давным-давно радиологи писали от руки свои собственные отчеты в истории болезни пациента. Затем появились диктофон и секретарь / машинистка-рентгенолог, до недавнего внедрения программного обеспечения для распознавания голоса (которое само по себе является формой ИИ). В конце концов, прогресс есть прогресс. Я хочу сказать, что современные радиологи очень привыкли говорить в микрофон четко и понятно в течение всего дня и видеть, как их слова появляются на экране.
У радиологов также есть несколько экранов и множество отвлекающих внимание действий, от реальных изображений, которые они читают, до экрана системы PACS и отчета, а также доступа к книгам и ссылкам на веб-сайты. Именно на этих ссылках и сосредоточится моя третья компания, занимающаяся радиологическим искусственным интеллектом.
Основываясь на языковом моделировании и концептуальном моделировании, я бы стремился разработать (или инвестировать в) систему, в которой был бы встроен агрегатор концепций с возможностями логического вывода. Такая система могла бы теоретически предсказать, какими будут итоговые результаты отчета, основываясь на том, что говорит радиолог. Примером может быть радиолог, описывающий поражение, и система, предлагающая список возможных патологий поражения (например, неосифицирующая фиброма, аневризматическая киста кости, фиброзный кортикальный дефект; все они могут выглядеть очень похожими!). Все это можно было делать в режиме реального времени.
У этого есть две функции: 1) обеспечение поддержки принятия решений радиологами в форме возможных дифференциальных патологий и 2) ускорение процессов диктовки за счет устранения необходимости диктовать резюме. Оба добавляют ценность, улучшая рабочий процесс и уменьшая диагностические ошибки.
4. Поиск изображений на основе содержимого
В каждой больнице есть архив PACS - огромное хранилище данных всех изображений, когда-либо сделанных за последние 10 лет (невероятно, что это обычная практика, когда архивные изображения удаляются из-за проблем с емкостью!). По сути, этот архив представляет собой темную яму, в которую брошены миллиарды ценных клинических данных, которые больше никогда не увидят. Какая трата!
В настоящее время поиск в архиве PACS определенного клинического содержания невозможен. Да, вы можете выполнить поиск по имени или идентификатору пациента или выполнить фильтрацию по модальности и дате визуализации, но это означает, что вам нужно иметь представление о том, когда / как и кому было выполнено сканирование, прежде чем выполнять поиск. Однако вы не узнаете, какая патология обнаружена на скане, пока не откроете его. Нет функции поиска по клинической концепции, патологии или, что еще лучше, по самому поиску изображений.
Есть много причин, по которым больница может захотеть выполнить поиск в своем архиве изображений для конкретных клинических патологий: аудит, исследования, обработка ошибок, обучающие примеры, перекрестные ссылки… и это лишь некоторые из них. В настоящее время единственный способ вести журнал определенных типов клинических случаев (например, вести журнал всех пациентов с редкой опухолью кости) - это для того, чтобы рентгенолог вручную добавил случай в файл во время сообщения. После этого он теряется где-то в архиве (если кто-то не помнит данные о пациенте).
Моя четвертая радиологическая компания, занимающаяся искусственным интеллектом, будет обеспечивать поиск в архивах PACS как по тексту, так и по изображениям. Текстовый поиск был бы простым случаем запуска API моделирования концепций нашей первой компании по всему архиву и подключения результатов к функции интеллектуального поиска. Клиницисты могли мгновенно искать «подростков с метастатической остеосаркомой» и возвращать для просмотра десятки случаев. Честно говоря, за время моей академической карьеры я просмотрел миллионы архивов, и эта простая функциональность сэкономила бы месяцы исследовательского времени!
Но я бы хотел пойти еще дальше. Используя простую неинтерпретирующую технологию восприятия изображений, такую как Manifold Ranking, я хотел бы создать систему, которая позволит рентгенологам выполнять поиск в архиве PACS на основе содержимого изображения. (У Google уже есть подобный сервис, который позволяет загружать изображения и находить похожие - и это ничем не отличается).
Представьте, что рентгенолог смотрит на сложный случай опухоли почек со странным сосудистым рисунком, но не знает, что это такое. Наш радиолог мог бы использовать инструмент в программном обеспечении для чтения PACS, чтобы обрезать область, нажать кнопку поиска и через несколько секунд получить десятки аналогичных исследований, о которых сообщалось ранее. Это мгновенное сравнение, основанное на содержании, изменит рабочий процесс, уменьшит зависимость от внешних справочных источников, станет отличным учебным пособием, уменьшит количество ошибок и предоставит надежную методологию для анализа процессов принятия клинических решений на основе предыдущих случаев.
5. Цифровые красные точки
Давным-давно, до того, как радиология стала цифровой услугой, радиологи работали с бумажными копиями простых пленок. Эти листы кремнезема и химикатов обрабатывались в темных комнатах, развешивались от влаги к суше, а затем аккуратно помещались в листы коричневой бумаги для транспортировки в читальный зал. За этот процесс отвечали рентгенологи (технологи) (а не радиолог). Со временем, когда рентгенологи стали более квалифицированными в чтении изображений, была разработана система, при которой рентгенолог помещал небольшую круглую красную наклейку в углу пленки, чтобы отметить, что, по их мнению, изображение содержит патологию, требующую клинической проверки. Эта система «красной точки» работала хорошо, особенно под наблюдением опытных рентгенологов. Пленки с красной точкой будут помещены в верхнюю часть стопки отчетов, чтобы гарантировать, что срочные клинические данные будут сначала представлены дежурному радиологу, и, в свою очередь, самые тяжелые пациенты будут своевременно сообщать о своих изображениях соответствующей клинической бригаде.
К сожалению, после того, как была введена цифровая PACS, эта простая система оповещения исчезла. Да, рентгенологи могут помечать изображения в цифровом виде, но чаще всего изображение остается на своем обычном месте в очереди отчетов. Радиолог понятия не имеет, какие фильмы содержат патологию, а какие нет, прежде чем фактически открыть их в своем PACS для чтения.
Моя пятая и, вероятно, самая значимая с клинической точки зрения компания, занимающаяся искусственным интеллектом в области радиологии, разработала бы цифровую систему красной точки, чтобы вернуть раннюю сортировку. Обучая сверточные нейронные сети на наборах данных изображений, аннотированных просто как «нормальные» и «аномальные», можно построить простую систему сортировки с высокой чувствительностью к отклонениям, но низкой патологической специфичностью. Срочные фильмы будут отображаться в верхней части списка для чтения, над менее важными «нормальными» исследованиями.
Преимущества говорят сами за себя - сканированные изображения с новыми результатами будут регистрироваться и использоваться в качестве приоритетных по сравнению с «обычными» исследованиями. Безопасность пациентов резко повысится в одночасье. Больницы с невыполненными отчетами (то есть каждая больница в Великобритании) могли бы более эффективно и уверенно обрабатывать важные сканированные изображения в первую очередь, потенциально уменьшая количество случаев рака и другие списки ожидания на несколько порядков. Экономия затрат потенциально огромна. Самое захватывающее то, что такая система заложит основы для разработки патологических классификаторов, что позволит нам, наконец, увидеть начало ИИ, который интерпретирует патологию на медицинских изображениях.
Итак, вот оно. Пять компаний, использующих искусственный интеллект для получения медицинских изображений, которые абсолютно необходимо создать, нуждаются в инвестициях и заботе. Искусственный интеллект в радиологии не должен заниматься исключительно интерпретацией изображений - это задача высокоспециализированных людей и, возможно, гораздо более сложная технологическая задача. Вместо этого мы должны создать инструменты, которые помогут рентгенологам, уменьшат болевые точки и улучшат безопасность и рабочий процесс. Фактически, я бы сказал, что настоящая интерпретация изображений просто не может произойти без этих пяти технологий, существующих в первую очередь.
Однако все это невозможно без доступа к данным изображений, основы для исследований, разработок, одобрения регулирующих органов, маркетинга и запуска. Для этого нам нужен инкубатор с радиологическим искусственным интеллектом - и у меня тоже есть план на это ...
Если вы, как и я, взволнованы будущим радиологического искусственного интеллекта, и хотите обсудить эти идеи, пожалуйста, свяжитесь с нами. Я в Твиттере @drhughharvey
Если вам понравилась эта статья, будет действительно полезно, если вы нажмете "Рекомендовать" и поделитесь ею.
Об авторе:
Д-р Харви - сертифицированный радиолог и клинический академик, прошел обучение в Национальной службе здравоохранения и ведущем европейском научно-исследовательском институте рака, ICR, где он дважды был удостоен звания научного писателя года. Он работал в Babylon Health, возглавляя команду по нормативно-правовым вопросам, получил первую в мире маркировку CE для службы сортировки, поддерживаемой искусственным интеллектом, а теперь является радиологом-консультантом, членом комитета по информатике Королевского колледжа радиологов и советником стартапа AI. компании, в том числе Kheiron Medical.
