Вице-президент NVIDIA Кимберли Пауэлл — об использовании ИИ в здравоохранении
Компания NVIDIA уже давно перестала ассоциироваться только с игровыми компьютерами и видеокартами — в последние несколько лет она активно занимается исследованиями в области ускорения вычислений, развитием искусственного интеллекта и автономного вождения. Еще одна сфера применения технологий NVIDIA — здравоохранение: вот уже несколько лет компания использует свои суперкомпьютеры для улучшения методов медицинской визуализации. В рамках конференции GTC Europe 2018 мы поговорили с Кимберли Пауэлл, вице-президентом NVIDIA по решениям для здравоохранения, рассказавшей нам о применении современных технологий для улучшения результатов медицинской диагностики.
N + 1: В обывательском понимании компания NVIDIA выпускает видеокарты и процессоры, но в последние годы она также занимается исследованиями искусственного интеллекта и беспилотного транспорта. Теперь NVIDIA ведет разработки и в области здравоохранения. А какие именно?
Кимберли Пауэлл: Мы занимаемся здравоохранением уже больше десяти лет, и наш основной фокус — это медицинская визуализация (речь идет о получении изображений с помощью технологий рентгенографии, компьютерной, магнитной томографии и ряда других, а также их последующего анализа. — Прим. N + 1). В последние годы эти методики стали очень технологически развитыми: к примеру, для того, чтобы создать качественное трехмерное изображение внутренних органов, необходимы довольно сложные алгоритмы.
Скажем, мы хотим снизить дозу радиации, которую получает пациент, но это приведет к тому, что изображение будет очень низкого качества. При этом существуют компьютерные методы, которые позволяют вернуть качество. Именно этим мы и занимаемся последние десять лет совместно с медицинскими центрами: графические процессоры NVIDIA используются для реконструкции изображений.
Можете рассказать о своих последних крупных проектах и ближайших планах в области визуализации?
Наш последний крупный проект — сотрудничество с Королевским колледжем Лондона. Университет тесно работает с несколькими больницами, входящими в систему под контролем Национальной службы здравоохранения Великобритании. Их руководство обеспокоено тем, что в популяции возрастает доля пожилых людей и, соответственно, также растет число зарегистрированных хронических заболеваний. При этом диагностика требует использования различных методов визуализации, а объемы полученных данных с каждым годом возрастают на 10-15 процентов. Однако число профессионалов, занятых в этой сфере, например радиологов (речь идет о специалистах, занятых в области медицинской визуализации и диагностики. — Прим. N + 1), увеличивается всего на один процент.
Зачем использовать ИИ в медицинской визуализации?
В области радиологии наблюдается недостаток квалифицированных специалистов. Причем это заметно даже в развитых странах: например, в США на 10 тысяч человек приходится один радиолог, а на каждый миллион жителей Японии — всего 35; число специалистов такого профиля в развивающихся странах еще меньше. При этом радиологи важны для диагностики рака, в особенности сейчас, когда количество больных растет: по оценкам специалистов из Американского онкологического общества, к 2030 году количество онкобольных вырастет до 21,7 миллиона человек (на 7 миллионов больше, чем в 2012 году).
Задача, таким образом, заключается в разработке методов, которые позволили бы ограниченному числу радиологов взаимодействовать с большим количеством данных. Наша работа здесь заключается в том, чтобы помочь в создании алгоритмов для обработки данных трехмерной визуализации — очень важной для радиологов. Задача эта очень затратная в плане вычислений, поэтому сейчас Королевский колледж использует DGX-2 (первая двухпетафлопсная система NVIDIA с 16 взаимосвязанными графическими процессорами. — Прим. N + 1) — один из самых продвинутых на сегодняшний день суперкомпьютеров для обучения искусственного интеллекта.
Мы также планируем создавать специальные средства, которые позволят радиологам и разработчикам пользоваться трехмерной визуализацией для различных целей.
Кроме того, мы активно применяем так называемое федеративное машинное обучение: когда используются данные о пациентах, остро встает вопрос о безопасности. Именно поэтому мы стараемся сделать так, чтобы алгоритмы обучались, но данные при этом не распространялись (федеративное машинное обучение, разработанное в Google, позволяет использовать единую модель для прогнозирования при машинном обучении, но при этом не делиться первично использованными для обучения данными. — Прим N + 1). Мне кажется, что это та проблема, которую пытается решить весь технологический мир, но конкретно мы нацелены на то, чтобы защитить именно клинические данные.
Наконец, стоит вопрос о том, как, разработав алгоритмы, можно использовать их в дальнейшем. Для этого мы будем использовать нашу платформу Clara.
Платформа Clara, представленная компанией в этом году, сочетает в себе систему-на-чипе Xavier и несколько графических процессоров Turing.
Также в этом году разработчики компании представили Clara SDK — набор библиотек и алгоритмов для создания систем обработки медицинских изображений на основе технологий NVIDIA. При этом сама медицинская система не обязательно строится на Clara целиком: платформу можно подключить и использовать в уже существующем оборудовании для визуализации.
В январе в Стэнфордском университете собрали базу данных из более чем 40 тысяч рентгеновских снимков поврежденных конечностей. На этой базе данных обучили нейросеть, впоследствии доказавшую свою эффективность в определении травм конечностей и обогнавшую по этому показателю профессионального радиолога. Планируете ли вы заняться тем же самым — заменить медицинских профессионалов на искусственный интеллект?
Не думаю. Как я уже говорила, в Королевском колледже мы работаем вместе с радиологами: именно благодаря этому наше взаимодействие с медицинскими центрами настолько успешно. Визуализация — это многошаговый процесс. Если пациент чувствует себя плохо, медицинский работник заказывает, например, МРТ-исследование. Затем специальный человек проверяет работу аппарата и делает снимок, а затем уже его интерпретируют врачи. Получается некое мини-исследование по визуализации, в результате которого радиолог ставит диагноз. И путей для улучшения с помощью ИИ-алгоритмов здесь очень много.
К примеру, существует статистика, в соответствии с которой около 75 процентов всех данных при визуализации оказываются нормальными. Возможно, новые алгоритмы могут помочь с этим: отфильтровать нормальные изображения так, чтобы остались только те, которые представляют реальный интерес для радиологов: это позволит специалистам тщательнее изучать снимки и тратить больше времени на пациента. Поэтому, я думаю, что тут стоит вопрос не о том, как заменить врачей искусственным интеллектом, но, скорее — как он может им помочь.
В радиологии и в медицинской визуализации вообще существует очень важная проблема, которая называется «удовлетворение поиска»: в случае, если специалист нашел на снимке симптомы какого-то заболевания (скажем, опухоль или перелом), он останавливается и не ищет дальше, потенциально упуская другие нарушения. Как искусственный интеллект может помочь с этим?
На сегодняшний день алгоритмы, используемые для визуализации, — даже те, которые одобрены, например, Министерством здравоохранения США и активно применяются в клиниках, — очень ограничены в плане применения и по большей части посвящены решению только одной проблемы — скажем, того же «удовлетворения поиска». Я думаю, что в будущем — и именно этим мы и занимаемся в NVIDIA — сразу несколько алгоритмов (от 10 до 50) будут использоваться одновременно, помогая в поиске самых разных проблем, которые могут возникнуть при диагностике.
В обычной ситуации врач замечает какой-то симптом и занимается поиском того, что этот симптом вызывает; но кроме этого может быть еще множество потенциальных проблем и нарушений. При этом эти проблемы упускаются: анализируя симптоматику, врач может изучать только необходимую часть из всех существующих данных, скажем, компьютерной томографии, упуская до 90 процентов всей информации, которая, пусть и не релевантна для изучаемого заболевания, но может быть важна. А вот ИИ-алгоритмы могут заняться этим, потенциально отвечая на вопрос: есть ли там что-то, о поиске чего мы даже не задумывались? Думаю, что это очень поможет в диагностике.
Какие, на ваш взгляд, существуют главные ограничения при использовании алгоритмов искусственного интеллекта в здравоохранении?
Я думаю, что самое главное ограничение — это использование алгоритмов в тех технологиях, которые уже активно применяются. Огромное количество стартапов, занимающихся автоматизацией процессов визуализации, — это хорошо и полезно, но вопрос в том, каким образом максимально эффективно внедрить алгоритмы в рабочий процесс радиологов. Мы точно не хотим повторять ошибок, которые совершались несколько лет назад при применении автоматического постановки диагноза: при статистическом анализе применения этого метода в маммографии возникало множество ошибок первого рода (ошибочное отклонение от нулевой гипотезы — Прим. N + 1). Нам, поэтому, нужно быть очень аккуратными, потому что основная задача все-таки состоит в том, чтобы облегчить работу специалистов и помочь им в постановке диагноза, а не наоборот.
ИИ и маммография
Согласно небольшому исследованию, проведенному в 2009 году корейскими учеными, количество ошибок первого рода (то есть ошибочного обнаружения чего-либо) при компьютерной диагностике данных маммографии составляло около 70 процентов. Это означает, что при диагностике здоровых молочных желез несуществующие опухоли были выявлены в более чем половине случаев.
Кроме того, исследование, проведенное итальянскими учеными два года назад, показало, что в диагностике злокачественных опухолей груди более чем в половине случаев (всего в исследовании приняло участие 250 больных раком и 250 здоровых женщин) признаки болезни ускользают от внимания специалистов.
Использованием ИИ в области маммографии уже долгое время занимается компания Zebra Medical Vision (в тесном сотрудничестве с подразделением здравоохранения NVIDIA). Они занимаются разработкой алгоритмов, которые в будущем помогут уменьшить количество необязательных медицинских процедур. В частности, компания сообщает, что из тысячи женщин, которые приходят к маммологу, сотню отправляют на биопсию для проверки диагноза, но при этом наличие злокачественной опухоли подтверждается только у семи. С помощью ИИ компания намерена улучшить процесс диагностики по снимкам груди, что позволит с более высокой точностью выявлять заболевание еще до биопсии.
Алгоритм для эффективной диагностики рака груди на основе работы сверточной нейросети также недавно разработали специалисты из Университета Неймегена (Нидерланды).
Очень важная часть здравоохранения — психическое здоровье: такие заболевания порой очень сложно диагностировать даже не автоматически. Как вы думаете, могут ли современные технологии помочь в этом?
Визуализация — это невероятно полезный инструмент. Так как наблюдается рост численности стареющей популяции, то МРТ, к примеру, может помочь изучить болезнь Альцгеймера и деменцию. И здесь возникает вопрос, на который мы и пытаемся ответить: как можно использовать собранные данные и современные технологии для того, чтобы предупредить развитие неройдегенеративных заболеваний? Это же касается и анализа данных вне визуализации: к примеру, депрессию потенциально можно диагностировать, изучая различные записи о поведении и здоровье пациентов.
Повторюсь, наша задача заключается в том, чтобы ускорить процесс внедрения технологических решений в здравоохранение. В будущем будет возможность улучшить сенсоры и датчики, которые используют люди — умные часы, пульсометры и так далее — сделать их более эффективными, а также использовать полученные данные для помощи специалистам. Мы все очень этого ждем.
Редакция выражает благодарность Ирине Шеховцовой и компании NVIDIA за помощь в подготовке материала.
Беседовала Елизавета Ивтушок