Как развивается ИИ-рынок в медицине и что важно учитывать ИТ-компаниям в этом сегменте?

Логотип компании
Как развивается ИИ-рынок в медицине и что важно учитывать ИТ-компаниям в этом сегменте?
Поговорим о нюансах разработки и внедрения решений на основе ИИ для анализа визуальных данных.

Сервисы на базе искусственного интеллекта (ИИ) помогают избавить врача от рутинных повторяющихся задач, чтобы уделить больше времени общению с пациентами и анализу наиболее сложных диагностических случаев. Уже сегодня новые технологии используются во врачебной практике, но существуют и определенные трудности, которые необходимо преодолеть для того, чтобы ускорить развитие ИИ-рынка в медицине. Сегодня поговорим о нюансах разработки и внедрения решений на основе ИИ для анализа визуальных данных.

Во-первых, существуют барьеры, связанные с качеством данных для обучения ИИ-моделей, а также высокой стоимостью экспертной оценки снимков.

Создание качественных и востребованных ИИ-сервисов для здравоохранения возможно только в тесном взаимодействии с медицинским сообществом. В рамках диалога с врачами формулируются задачи, затем определяется, какие из них можно решить с помощью технологий на существующем уровне их развития. Обучение модели схоже с процессом, когда более опытные врачи обучают молодых коллег. Они показывают на примере конкретных пациентов, как выглядят те или иные заболевания на снимках, подсказывают, корректируют ошибки, то есть передают свою экспертизу. Чтобы обучить машину, нужно собрать необходимое количество исследований, размеченных врачами-экспертами. Это трудоемкий и затратный процесс. Для этого необходимо было объединить экспертизу врачей и разработчиков и привлечь рентгенологов, функциональных диагностов, терапевтов, кардиологов, а каждое ИИ-решение отдать под присмотр медицинским product owner.

В региональных медицинских информационно-аналитических центрах России накоплены большие массивы визуальных данных, и их продолжают собирать. К тому же экспериментально-правовые режимы использования таких данных масштабируются в другие регионы по примеру успешного опыта Москвы. Еще одно решение — прямое взаимодействие стартапов с медицинскими организациями. Чтобы облегчить разработчикам выход на medtech-рынок, создаются референсные наборы данных для обучения и тестирования ИИ-решений. Например, в 2022 году на портале https://mosmed.ai/datasets/ правительство Москвы открыло доступ к 40 дата-сетам обезличенных медданных. Также была представлена MedBench — бесплатная платформа для решения ИИ-задач в медицине. На сайте платформы любой желающий может скачать размеченные датасеты для построения моделей искусственного интеллекта.

Во-вторых, существенным барьером становится сложность предметной области и выявления действительных потребностей участников процесса.

Оказывается, что разработка алгоритма — это не такой сложный процесс, как его внедрение, отвечающее всем интересам пользователя. ML-специалисты часто сфокусированы на разработке продукта, а не на области применения технологии. Поэтому очень важно поговорить с достаточным количеством потенциальных пользователей алгоритма: выявить проблемы, ошибки, найти преимущества и эффективные решения для его внедрения.

Сценариев применения одной и той же модели может быть несколько (в зависимости от реальных потребностей конечного пользователя!): это может быть первое или второе мнение, приоритизация исследований по сложности клинического случая, массовый скрининг и фильтрация нормы, ретроспективный анализ или проспективный в реальном времени. Получается, разработчик не просто должен предложить ИИ-сервис, а продумать, как встроиться в существующие медицинские бизнес-процессы, ИТ-инфраструктуру каждого региона, персонализировать продукт таким образом, чтобы он помогал повысить эффективность работы конкретного звена. А для этого снова нужно не забывать о проблемах и метриках эффективности, принятых в конкретном регионе или медицинской организации. Из-за новизны технологии еще мало опыта решения типовых задач — пока нет единых стандартов решений в части инфраструктуры. Эти моменты, безусловно, преодолимы, но многое зависит от подхода и проактивности самих разработчиков. При создании медицинских сервисов мы большое внимание уделяем именно customer development.

Ну и наконец, наблюдается недостаточность доверия к технологиям со стороны врачебного сообщества.

Врачи — крайне консервативные люди. Это во многом объясняется высоким уровнем образования, подготовки и самой сферой деятельности, где цена ошибки очень велика. Лояльность и доверие к новым технологиям строится на активной и долгосрочной популяризации ИИ-технологий, поддержке развития отрасли государством. В этом направлении наблюдаются положительные тенденции: так, в конце января Президент РФ Владимир Путин поручил обеспечить использование результатов медицинских исследований, получаемых с применением искусственного интеллекта, в клинических рекомендациях и системе ОМС, что, безусловно, позволит ускорить развитие ИИ-технологий для здравоохранения.

Читайте также
Являясь частью искусственного интеллекта, машинное обучение (Machine Learning, ML) открывает все больше возможностей бизнесу. Его внедряют для трансформации процессов, развития транспорта, логистики, АПК и других отраслей, а экономический эффект применения ИИ составляет более триллиона рублей. Рассмотрим, какие прикладные задачи компаний решает ML, приведем примеры внедрения, поговорим про подход Retrieval-Augmented Generation (RAG) и дадим чек-лист качественной интеграции и использования ИИ в реальном секторе.

Опубликовано 28.02.2023

Похожие статьи