Применение искусственного интеллекта в медицине: достижения и перспективы. Обзор литературы. Часть 2

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В глобальном масштабе прямо на наших глазах происходит коренная трансформация сферы здравоохранения. Последние несколько лет стали переломными, если рассуждать о количестве новых направлений, появившихся лечебно-диагностических методиках и внедрении цифровых платформ. Цифровая медицина использует информационно-коммуникационные технологии, чтобы уже сегодня успешно решать многочисленные проблемы, связанные с обеспечением качества и доступности медицинской помощи. Стремительное развитие нейросетей и технологий искусственного интеллекта (англ. «artificial intelligence», AI) предоставляет врачу широкие возможности при прогнозировании течения заболеваний и расчёте рисков здоровью пациентов. Производители медицинских гаджетов предлагают потребителям широкий ассортимент программного обеспечения и товаров с элементами AI. Носимые устройства подобного рода постепенно становятся обыденными средствами поддержки лечебного процесса и мониторинга состояния человека. Несмотря на грандиозные успехи в деле применения AI в медицине, врачебное сообщество весьма обеспокоено некоторыми сложноразрешаемыми проблемами, связанными со слишком быстрым и повсеместным использованием указанных цифровых платформ. Глубокая нейронная сеть представляет собой крайне сложно устроенную компьютерную программу, состоящую из большого числа внутренних скрытых слоёв с настраиваемыми параметрами. Чем сложнее устроена нейросеть и чем больше вычислительных операций она выполняет, тем труднее разобраться, что происходит в её внутренних слоях. Функционирование систем AI в формате «чёрного ящика» делает объяснение результатов их работы весьма нетривиальной задачей. Именно поэтому в будущем наверняка потребуются дополнительные исследования в области оценки надёжности и интерпретации процессов принятия решений в этих системах, что в первую очередь коснётся нейросетей самых последних поколений.

Об авторах

Виталий Анатольевич Бердутин

Приволжский окружной медицинский центр

Email: vberdt@gmail.com
ORCID iD: 0000-0003-3211-0899
SPIN-код: 8316-7111

к.м.н.

Россия, Нижний Новгород

Ольга Петровна Абаева

Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский Университет)

Автор, ответственный за переписку.
Email: abaevaop@inbox.ru
ORCID iD: 0000-0001-7403-7744
SPIN-код: 5602-2435

д.м.н.

Россия, Москва

Татьяна Евгеньевна Романова

Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский Университет)

Email: romanova_te@mail.ru
ORCID iD: 0000-0001-6328-079X
SPIN-код: 4943-6121

к.м.н.

Россия, Москва

Сергей Владимирович Романов

Приволжский окружной медицинский центр

Email: pomcdpo@mail.ru
ORCID iD: 0000-0002-1815-5436
SPIN-код: 9014-6344

д.м.н.

Россия, Нижний Новгород

Список литературы

  1. Kim H., Goo J.M., Lee K.H., et al. Preoperative CT-based Deep Learning Model for Predicting Disease-Free Survival in Patients with Lung Adenocarcinomas // Radiology. 2020. Vol. 296, N 1. P. 216–224. doi: 10.1148/radiol.2020192764
  2. Phillips M., Marsden H., Jaffe W., et al. Assessment of accuracy of an artificial intelligence algorithm to detect melanoma in images of skin lesions // JAMA Netw Open. 2019. Vol. 2, N 10. P. e1913436. doi: 10.1001/jamanetworkopen.2019.13436
  3. Questions and Answers on FDA’s Adverse Event Reporting System (FAERS) [Internet]. FDA [дата обращения: 23.01.2023]. Доступ по ссылке: https://www.fda.gov/drugs/surveillance/questions-and-answers-fdas-adverse-event-reporting-system-faers
  4. Liu X., Faes L., Kale A.U., et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis // Lancet Digital Health. 2019. Vol. 1, N 6. P. e271–e297. doi: 10.1016/S2589-7500(19)30123-2
  5. Sabottke C.F., Spieler B.M. The effect of image resolution on deep learning in radiography // Radiol Artif Intell. 2020. Vol. 2, N 1. P. e190015. doi: 10.1148/ryai.2019190015
  6. Heaven D. Why deep-learning AIs are so easy to fool // Nature. 2019. Vol. 574, N 7777. P. 163–166. doi: 10.1038/d41586-019-03013-5
  7. Habli I., Lawton T., Porter Z. Artificial intelligence in health care: accountability and safety // Bull World Health Organ. 2020. Vol. 98, N 4. P. 251–256. doi: 10.2471/BLT.19.237487
  8. Adamson A.S., Smith A. Machine learning and health care disparities in dermatology // JAMA Dermatol. 2018. Vol. 154, N 11. P. 1247–1248. doi: 10.1001/jamadermatol.2018.2348
  9. Finlayson S.G., Bowers J.D., Ito J., et al. Adversarial attacks on medical machine learning // Science. 2019. Vol. 363, N 6433. P. 1287–1289. doi: 10.1126/science.aaw4399
  10. Zou J., Schiebinger L. AI can be sexist and racist — it’s time to make it fair // Nature. 2018. Vol. 559, N 7714. P. 324–326. doi: 10.1038/d41586-018-05707-8
  11. Kelly C.J., Karthikesalingam A., Suleyman M., et al. Key challenges for delivering clinical impact with artificial intelligence // BMC Med. 2019. Vol. 17, N 1. P. 195. doi: 10.1186/s12916-019-1426-2
  12. Nagendran M., Chen Y., Lovejoy C.A., et al. Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies // BMJ. 2020. N 368. P. m689. doi: 10.1136/bmj.m689
  13. Willitts-King B., Bryant J., Holloway K. The humanitarian «digital divide». HPG Working Paper. London, 2019. P. 15.
  14. Филиппов Ю.Н., Абаева О.П., Филиппов А.Ю. Проблемы компенсации морального вреда, связанного с оказанием медицинской помощи // Медицинское право. 2014. № 1. С. 21–24.
  15. Voss C., Schwartz J., Daniels J., et al. Effect of wearable digital intervention for improving socialization in children with autism spectrum disorder: a randomized clinical trial // JAMA Pediatr. 2019. Vol. 173, N 5. P. 446–454. doi: 10.1001/jamapediatrics.2019.0285
  16. He J., Baxter S.L., Xu J., et al. The practical implementation of artificial intelligence technologies in medicine // Nat Med. 2019. Vol. 25, N 1. P. 30–36. doi: 10.1038/s41591-018-0307-0
  17. Решетников А.В. Социальный институт медицины (часть 1) // Социология медицины. 2018. Т. 17, № 1. С. 4–11. doi: 10.18821/1728-2810-2018-17-1-4-11
  18. Решетников А.В. Социальный институт медицины (часть 2) // Социология медицины. 2018. Т. 17, № 2. С. 68–79. doi: 10.18821/1728-2810-2018-17-2-68-79

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© ООО "Эко-Вектор", 2023


 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».