Проблеми, що виникають при застосуванні систем комп’ютерного зору в медичній візуалізації

Системи медичної візуалізації щодня генерують величезні обсяги візуальних даних. Радіологічні відділення безперервно обробляють КТ, МРТ, рентгенівські знімки, ультразвукові дослідження та гістологічні зразки, тоді як від медиків очікується швидкий і точний аналіз випадків у умовах зростаючого навантаження.

У таких умовах застосування комп’ютерного зору в медичній візуалізації здається очевидним рішенням. Системи штучного інтелекту можуть аналізувати знімки швидше, ніж люди, виявляти найдрібніші візуальні закономірності та допомагати визначати пріоритетність термінових випадків.

Однак на практиці медична візуалізація є одним із найскладніших середовищ для впровадження комп’ютерного зору. Технічні виклики виходять далеко за межі точності моделей. Системи охорони здоров’я передбачають суворі нормативні вимоги, непослідовні набори даних, обмеження робочих процесів та очікування щодо надійності, які значно відрізняються від тих, з якими стикаються компанії у сфері роздрібної торгівлі чи промислової автоматизації.

Дані медичної візуалізації є дуже неоднорідними

Однією з найбільших проблем в аналізі медичних зображень є відсутність стандартизації. Медичні дані надходять з різних лікарень, пристроїв візуалізації та протоколів сканування. Навіть скани однієї й тієї ж ділянки тіла можуть значно відрізнятися залежно від виробника апарату, налаштувань роздільної здатності, використання контрасту або положення пацієнта. Знімок МРТ, зроблений в одній лікарні, може помітно відрізнятися від знімка, зробленого в іншому місці, навіть якщо обидва є технічно правильними. Це стає проблемою для систем машинного навчання, оскільки моделі часто вивчають закономірності, пов’язані з самим середовищем навчання, а не лише з анатомією. Це одна з причин, чому модель, яка добре працює під час внутрішнього тестування, може мати труднощі після впровадження в іншій клініці.

Інфраструктура також є хаотичною. Дані візуалізації часто розпорошені по системах PACS, лікарняних базах даних, хмарних сховищах та старих системах, які ніколи не були розроблені для робочих процесів ШІ. Ще до початку навчання команди можуть витратити місяці на консолідацію та очищення наборів даних. І на відміну від стандартних завдань комп’ютерного зору, розмічення медичних зображень вимагає залучення фахівців. Неправильно розмічене зображення товару в роздрібній торгівлі є незручністю. Неправильно розмічені межі пухлини в онкології є клінічною проблемою.

Високоякісні розмічені дані важко отримати

Системи медичної візуалізації на основі глибокого навчання значною мірою залежать від анотованих наборів даних, але їх отримання є дорогим і повільним процесом. Правила щодо конфіденційності пацієнтів обмежують обмін даними між установами. Рідкісні захворювання можуть зустрічатися в архіві лікарні лише кілька разів. Крім того, для анотування зазвичай потрібні радіологи або спеціалісти з багаторічним досвідом.

Навіть у цьому випадку розмітка зображень не завжди є послідовною. Два фахівці можуть по-різному інтерпретувати сумнівні випадки, особливо в тих сферах, де аномалії є ледь помітними або суб’єктивними. Ця непослідовність стає частиною навчальних даних і впливає на те, як моделі поводитимуться надалі.

Багато робіт у сфері медичного штучного інтелекту в результаті більше нагадують не «розробку штучного інтелекту», а довгострокові проєкти з підготовки даних. У багатьох випадках підготовка наборів даних займає більше часу, ніж сама розробка моделі.

Вимоги до точності набагато вищі, ніж в інших галузях

Більшість галузей може допустити окремі помилки прогнозування. У медицині це часто неможливо. Хибнонегативний результат може затримати діагностику або спричинити непотрібні подальші процедури чи додаткові обстеження. Через це системи ШІ для діагностичної візуалізації працюють за набагато суворішими вимогами до надійності, ніж типові комерційні додатки ШІ.

Основна складність полягає в балансі між чутливістю та практичною корисністю. Модель із високою чутливістю може виявляти більше патологій, але якщо вона постійно створює хибні спрацювання, лікарі починають втрачати до неї довіру. А разом із довірою знижується і рівень впровадження.

Узагальнення між лікарнями залишається серйозною проблемою

Однією з найпоширеніших технічних проблем у комп’ютерному зорі в галузі охорони здоров’я є зміна домену. Моделі, навчені в одній лікарні, часто втрачають точність при застосуванні в інших закладах. На поведінку моделі впливають відмінності в апаратному забезпеченні для візуалізації, популяціях пацієнтів, налаштуваннях збору даних та процесах попередньої обробки.

Наприклад, модель рентгенівського знімка грудної клітки, навчена переважно на дорослих пацієнтах, може не працювати належним чином у педіатричних умовах. Аналогічно, системи, навчені на даних з одного географічного регіону, можуть поводитися по-різному при застосуванні до іншої популяції.

Щоб зменшити цю проблему, команди все частіше покладаються на:

• переносному навчанні
• федеративному навчанні
• наборах даних з різних установ
• методів адаптації до домену

Але ці підходи додають ще один рівень складності в інженерії та управлінні. Обмін медичними даними між установами рідко буває простим.

Регулювання уповільнює впровадження

Системи штучного інтелекту в галузі охорони здоров’я працюють під суворим регуляторним наглядом, особливо коли вони впливають на діагностику або рішення щодо лікування. У багатьох юрисдикціях системи комп’ютерного зору, що використовуються для підтримки клінічних рішень, можуть кваліфікуватися як медичні пристрої. Це означає, що перед впровадженням компанії повинні пройти валідаційні дослідження, процеси документації, вимоги аудиту та процедури постійного моніторингу.

Нормативні вимоги щодо конфіденційності додають ще один рівень складності. Набори даних медичної візуалізації містять конфіденційну інформацію про пацієнтів, тому організаціям потрібні безпечне зберігання, процеси анонімізації, контроль доступу та ведення журналів аудиту. У порівнянні з більшістю комерційних проєктів у сфері штучного інтелекту, терміни впровадження в галузі охорони здоров’я набагато повільніші. І, чесно кажучи, така обережність має сенс. Помилки в цьому середовищі впливають на реальні результати лікування пацієнтів.

Обмеження інфраструктури часто недооцінюють

Файли медичної візуалізації мають великий розмір, особливо це стосується КТ- та МРТ-досліджень. Для їх ефективної обробки потрібна потужна інфраструктура. Лікарням доводиться керувати системами зберігання даних, ресурсами графічних процесорів, обмеженнями пропускної здатності, а іноді й вимогами щодо інференції в режимі реального часу для невідкладних випадків.

Проблема полягає в тому, що багато медичних закладів досі покладаються на застарілу інфраструктуру, яка ніколи не була призначена для сучасних робочих навантажень ШІ. Це створює незручні гібридні середовища, де системи ШІ мають одночасно інтегруватися як із сучасною хмарною інфраструктурою, так і зі старими лікарняними системами. Як результат, багато розгортань поєднують:

• локальні системи для обробки конфіденційних даних
• периферійні обчислення для обробки в режимі реального часу
• хмарну інфраструктуру для навчання моделей та аналітики

Збалансування продуктивності, безпеки та відповідності вимогам стає постійним компромісом для інженерів.

Інтеграція робочих процесів є такою ж важливою, як і точність

Навіть технічно досконала модель може виявитися неефективною, якщо лікарям буде незручно нею користуватися. Радіологи вже працюють у складних умовах, що передбачають використання платформ PACS, систем формування звітів, програмного забезпечення для електронних медичних карт, систем планування та лікарняних баз даних. Якщо результати роботи ШІ вимагають додаткових ручних операцій або використання окремих інтерфейсів, рівень їхнього впровадження зазвичай знижується.

Це одна з менш привабливих сторін штучного інтелекту в охороні здоров’я, але вона має велике значення. Успішні системи природно вписуються в існуючі робочі процеси, замість того щоб змушувати лікарів змінювати спосіб роботи. На практиці проблеми зручності використання часто стають такими ж важливими, як і ефективність алгоритмів.

Упередженість та справедливість – постійні ризики

Упередженість залишається серйозною проблемою в системах медичної візуалізації на основі глибокого навчання. Якщо навчальні набори даних недостатньо представляють певні групи пацієнтів, ефективність моделі може відрізнятися залежно від демографічних показників. Це створює ризик нерівномірних результатів у сфері охорони здоров’я.

Приклади, які вже обговорювалися в дослідженнях, включають:

• гіршу роботу систем виявлення шкірних уражень на темніших відтінках шкіри
• недостатня представленість певних вікових груп
• географічна упередженість у наборах даних лікарень

Вирішення цієї проблеми вимагає не лише технічної оптимізації. Організації все частіше розглядають тестування на справедливість, різноманітність наборів даних та постійний аудит як основні вимоги до управління, а не як додаткові теми для досліджень.

Висновок

Комп’ютерний зір у медичній візуалізації має величезний потенціал для поліпшення діагностики та зменшення клінічного навантаження, але реальні виклики набагато складніші, ніж стандартні сценарії впровадження штучного інтелекту. Непослідовність даних, обмеженість мічених наборів даних, суворі вимоги до точності, проблеми з інтеграцією робочих процесів, питання пояснюваності та регуляторні обмеження – все це впливає на те, як ці системи працюють на практиці.