Искусственный интеллект: как работает и критерии оценки

Обложка

Цитировать

Полный текст

Аннотация

Искусственный интеллект – это термин, используемый для описания компьютерных технологий в моделировании интеллектуального поведения и критического мышления, сравнимого с человеческим. На сегодняшний день одними из первых областей медицины, на которые повлияют достижения в области технологий искусственного интеллекта, будут те, которые больше всего зависят от визуализации. К ним относятся офтальмология, радиология и дерматология. В связи с появлением многочисленных приложений медицинской направленности учеными сформулированы критерии их оценки. В этот список включены: проведение клинической валидации, регулярное обновление приложений, функциональная направленность, стоимость, наличие информационного блока для специалистов и пациентов, соответствие условиям государственного регулирования и регистрации. Одним из приложений, отвечающих всем требованиям, является программный комплекс «ПроРодинки», разработанный для использования пациентами и специалистами на территории Российской Федерации. С учетом широкого распространения и стремительной развивающейся конкурентной среды необходимо трезво относиться к ресурсам подобных приложений, не преувеличивая их возможности и не расценивая как замену специалисту.

Об авторах

Ирена Леонидовна Шливко

ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России

Email: irshlivko@gmail.com
ORCID iD: 0000-0001-7253-7091

д-р мед. наук, доц., зав. каф. кожных и венерических болезней

Россия, Нижний Новгород

Оксана Евгеньевна Гаранина

ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России

Автор, ответственный за переписку.
Email: oksanachekalkina@yandex.ru
ORCID iD: 0000-0002-7326-7553

канд. мед. наук, доц. каф. кожных и венерических болезней

Россия, Нижний Новгород

Ирина Александровна Клеменова

ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России

Email: iklemenova@mail.ru
ORCID iD: 0000-0003-1042-8425

д-р мед. наук, проф., проф. каф. кожных и венерических болезней

Россия, Нижний Новгород

Ксения Александровна Ускова

ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России

Email: k_balyasova@bk.ru
ORCID iD: 0000-0002-1000-9848

ассистент каф. кожных и венерических болезней

Россия, Нижний Новгород

Анна Михайловна Миронычева

ФГБОУ ВО «Приволжский исследовательский медицинский университет» Минздрава России

Email: mironychevann@gmail.com
ORCID iD: 0000-0002-7535-3025

ассистент каф. кожных и венерических болезней

Россия, Нижний Новгород

Вениамин Иосифович Дардык

ООО «AIMED»

Email: ben@aimedpro.ru
ORCID iD: 0000-0002-1473-6241

IT-специалист, ген. дир.

Россия, Москва

Виктор Николаевич Ласьков

Карлов университет

Email: viktor.laskov@fnkv.cz
ORCID iD: 0000-0002-0226-4945

врач отд-ния изотопной диагностики, мл. науч. сотр.

Чехия, Прага

Список литературы

  1. Amisha, Malik P, Pathania M, Rathaur VK. Overview of artificial intelligence in medicine. J Family Med Prim Care. 2019;8(7):2328-31.
  2. Dzobo K, Adotey S, Thomford NE, Dzobo W. Integrating artificial and human intelligence: a partnership for responsible innovation in biomedical engineering and medicine. Omics. 2020;24(5):247-63.
  3. Stanford University. Available at: http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html. Accessed: 23.07.2021.
  4. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436-44.
  5. Goodfellow IJ, Shlens J, Azegedy C. Explaining and harnessing adversarial examples. arXiv:1412.6572
  6. Chockley K, Emanuel E. The end of radiology? Three threats to the future practice of radiology. J Am Coll Radiol. 2016;13(12 Pt. A):1415-20.
  7. Li Z, Keel S, Liu C. An automated grading system for detection of vision-threatening referable diabetic retinopathy on the basis of color fundus photographs. Diabetes Care. 2018;41(12):2509-16.
  8. Ting DSW, Cheung CY, Lim G, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA. 2017;318(22):2211-23.
  9. Li Z, He Y, Keel S, et al. Efficacy of a deep learning system for detecting glaucomatous optic neuropathy based on color fundus photographs. Ophthalmology. 2018;125(8):1199-206.
  10. Lakhani P, Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology. 2017;284(2):574-82.
  11. Halicek M, Lu G, Little JV, et al. Deep convolutional neural networks for classifying head and neck cancer using hyperspectral imaging. J Biomed Opt. 2017;22(6):60503.
  12. Rajpurkar P, Irvin J, Ball RL, et al. Deep learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt algorithm to practicing radiologists. PLoS Med. 2018;15(11):e1002686.
  13. Haenssle HA, Fink C, Toberer F, et al. Man against machine reloaded: performance of a market-approved convolutional neural network in classifying a broad spectrum of skin lesions in comparison with 96 dermatologists working under less artificial conditions. Ann Oncol. 2020;31(1):137-43.
  14. Tschandl P, Codella N, Akay BN, et al. Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, web-based, international, diagnostic study. Lancet Oncol. 2019;20(7):938-47.
  15. Abràmoff MD, Lavin PT, Birch M, et al. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1:39.
  16. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56.
  17. Pinto Dos Santos D, Giese D, Brodehl S, et al. Medical students’ attitude towards artificial intelligence: a multicentre survey. Eur Radiol. 2019;29(4):1640-6.
  18. Sit C, Srinivasan R, Amlani A, et al. Attitudes and perceptions of UK medical students towards artificial intelligence and radiology: a multicentre survey. Insights Imaging. 2020;11(1):14.
  19. Waymel Q, Badr S, Demondion X, et al. Impact of the rise of artificial intelligence in radiology: What do radiologists think? Diagn Interv Imaging. 2019;100(6):327-36.
  20. Van Hoek J, Huber A, Leichtle A, et al. A survey on the future of radiology among radiologists, medical students and surgeons: Students and surgeons tend to be more skeptical about artificial intelligence and radiologists may fear that other disciplines take over. Eur J Radiol. 2019;121:108742.
  21. Houghton LC, Howland RE, McDonald JA. Mobilizing breast cancer prevention research through smartphone apps: a systematic review of the literature. Front Public Health. 2019;7:298.
  22. Sarwar S, Dent A, Faust K, et al. Physician perspectives on integration of artificial intelligence into diagnostic pathology. NPJ Digit Med. 2019;2:28.
  23. Doraiswamy PM, Blease C, Bodner K. Artificial intelligence and the future of psychiatry: Insights from a global physician survey. Artif Intell Med. 2020;102:101753.
  24. Blease C, Kaptchuk TJ, Bernstein MH, et al. Artificial intelligence and the future of primary care: exploratory qualitative study of UK general practitioners’ views. J Med Internet Res. 2019;21(3):e12802.
  25. Oh S, Kim JH, Choi SW, et al. Physician confidence in artificial intelligence: an online mobile survey. J Med Internet Res. 2019;21(3):e12422.
  26. Gong B, Nugent JP, Guest W, et al. Influence of artificial intelligence on Canadian medical students’ preference for radiology specialty: a national survey study. Acad Radiol. 2019;26(4):566-77.
  27. Collado-Mesa F, Alvarez E, Arheart K. The role of artificial intelligence in diagnostic radiology: a survey at a single radiology residency training program. J Am Coll Radiol. 2018;15(12):1753-7.
  28. Pakdemirli E. Artificial intelligence in radiology: friend or foe? Where are we now and where are we heading? Acta Radiol Open. 2019;8(2):2058460119830222.
  29. Statista. Number of smartphone users worldwide from 2016 to 2021 (in billions). Available at: https://www.statista.com/statistics/330695/number-of-smartphone-users-worldwide. Accessed: 03.08.2019.
  30. IQVIA. Evidence and Impact on Human Health and the Healthcare System. 2017.
  31. Kong FW, Horsham C, Ngoo A, et al. Review of smartphone mobile applications for skin cancer detection: what are the changes in availability, functionality, and costs to users over time? Int J Dermatol. 2021;60(3):289-308.
  32. Ngoo A, Finnane A, McMeniman E, et al. Fighting melanoma with smartphones: a snapshot of where we are a decade after app stores opened their doors. Int J Med Inform. 2018;118:99-112.
  33. Kassianos AP, Emery JD, Murchie P, Walter FM. Smartphone applications for melanoma detection by community, patient and generalist clinician users: a review. Br J Dermatol. 2015;172(6):1507-18.
  34. Börve A, Terstappen K, Sandberg C, Paoli J. Mobile teledermoscopy-there’s an app for that! Dermatol Pract Concept. 2013;3(2):41-8.
  35. Petrie T, Samatham R, Goodyear SM, et al. MoleMapper: an application for crowdsourcing mole images to advance melanoma early-detection research. Semin Cutan Med Surg. 2019;38(1):E49-56.
  36. Wadhawan T, Situ N, Lancaster K, et al. SkinScan©: A portable library for melanoma detection on handheld devices. Proc IEEE Int Symp Biomed Imaging. 2011;2011:133-6.
  37. Thissen M, Udrea A, Hacking M, et al. mHealth app for risk assessment of pigmented and nonpigmented skin lesions – a study on sensitivity and specificity in detecting malignancy. Telemed J E Health. 2017;23(12):948-54.
  38. 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;2(10):e1913436.
  39. Steeb T, Wessely A, Mastnik S, et al. Patient attitudes and their awareness towards skin cancer-related apps: cross-sectional survey. JMIR Mhealth Uhealth. 2019;7(7):e13844.
  40. Giunti G, Giunta DH, Guisado-Fernandez E, et al. A biopsy of breast cancer mobile applications: state of the practice review. Int J Med Inform. 2018;110:1-9.
  41. Bender JL, Yue RY, To MJ, et al. A lot of action, but not in the right direction: systematic review and content analysis of smartphone applications for the prevention, detection, and management of cancer. J Med Internet Res. 2013;15(12):e287.
  42. Bini SA. Artificial intelligence, machine learning, deep learning, and cognitive computing: what do these terms mean and how will they impact health care? J Arthroplasty. 2018;33(8):2358-61.
  43. Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-8.
  44. Ana FA, Loreto MS, José LM, et al. Mobile applications in oncology: a systematic review of health science databases. Int J Med Inform. 2020;133:104001.
  45. Kessel KA, Vogel MM, Kessel C, et al. Mobile health in oncology: a patient survey about app-assisted cancer care. JMIR Mhealth Uhealth. 2017;5(6):e81.
  46. Abbott LM, Smith SD. Smartphone apps for skin cancer diagnosis: implications for patients and practitioners. Australas J Dermatol. 2018;59(3):168-70.
  47. IMDRF/SaMDWG/N10:2013 Software as a medical device: key definitions. 18.12.2013. Available at: http://www.imdrf.org/docs/imdrf/final/technical/imdrf-tech-131209-samd-key-definitions-140901.pdf. Accessed: 23.07.2021.
  48. IMDRF/SaMDWG/N12:2014 Software as a medical device: possible framework for risk categorization and corresponding considerations. 14.09.2014. Available at: http://www.imdrf.org/docs/imdrf/final/technical/imdrf-tech-140918-samd-framework-risk-categorization-141013.pdf. Accessed: 23.07.2021.
  49. IMDRF/SaMDWG/N23:2015 Software as a medical device: application of quality management system. 02.10.2015. Available at: http://www.imdrf.org/docs/imdrf/final/technical/imdrf-tech-151002-samd-qms.pdf. Accessed: 23.07.2021.
  50. IMDRF/SaMDWG/N41:2017 Software as a medical device: clinical evaluation. 21.09.2017. Available at: http://www.imdrf.org/docs/imdrf/final/technical/imdrf-tech-131209-samd-key-definitions-140901.pdf. Accessed: 23.07.2021.
  51. Номенклатурная классификация медицинских изделий по видам. Режим доступа: http://www.roszdravnadzor.ru/services/mi_reesetr/documents/46242. Ссылка активна на 23.07.2021 [Nomenklaturnaia klassifikatsiia meditsinskikh izdelii po vidam. Available at: http://www.roszdravnadzor.ru/services/mi_reesetr/documents/46242. Accessed: 23.07.2021 (in Russian)].
  52. Kim DW, Jang HY, Kim KW, et al. Design characteristics of studies reporting the performance of artificial intelligence algorithms for diagnostic analysis of medical images: results from recently published papers. Korean J Radiol. 2019;20(3):405-10.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Рукописные цифры.

Скачать (44KB)
Метаданные
3. Рис. 2. Пример возможного пути фрагментации вводных данных.

Скачать (71KB)
Метаданные
4. Рис. 3. Визуализация архитектуры нейросеть – многослойный перцептрон.

Скачать (151KB)
Метаданные
5. Рис. 4: а – пример возможных фрагментов рукописных цифр, активирующих один из скрытых слоев перцептрона; б – демонстрация схожести расположения фрагментов данных (схожесть написания) в разных рукописных цифрах.

Скачать (56KB)
Метаданные
6. Рис. 5. Вариант активации скрытых слоев перцептрона, ведущий к результату классификации – цифре 9.

Скачать (160KB)
Метаданные
7. Рис. 6. Демонстрация изменения результата классификации нейронных сетей при зашумлении вводных данных.

Скачать (112KB)
Метаданные

© ООО "Консилиум Медикум", 2021

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

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».