Роль искусственного интеллекта и медицинской визуализации в борьбе с зоонозными заболеваниями

Машинное обучение (МО) — развивающаяся сфера искусственного интеллекта (ИИ) — используется для решения сложных задач с помощью компьютеров, но не путем использования заранее запрограммированных решений, а путем создания моделей, которые могут учиться на примерах. В последние годы этот подход достиг больших успехов. Теперь модели МО могут распознавать людей и предметы на изображениях, понимать, переводить и воспроизводить устную речь, а также определять неявные взаимосвязи в биологических данных. Став более эффективными, эти модели вошли в нашу повседневную жизнь.

В сфере здравоохранения модели МО играют все более важную роль в точной медицине: с их помощью принимаются решения о лечении на основании данных медицинской визуализации (например компьютерной томографии (КТ), магнитно-резонансной томографии (МРТ), позитронно-эмиссионной томографии (ПЭТ) и рентгенографии), геномики и других объективных клинических показателей. Выявляя неочевидные закономерности, признаки развития болезни и реакцию на лечение, модели могут предсказывать риски и будущее течение болезни у отдельных пациентов. В медицине модели МО позволяют проводить новые измерения и количественные наблюдения, а также получать ранее не известную информацию о болезни.

Модели МО позволили выявить новую динамику заболеваний легких, связанную с течением болезни и реакцией организма. С помощью МО можно измерить незначительные изменения в легочной ткани и ее визуализационных характеристиках, составив на основании этого новую номенклатуру признаков болезни. Эти признаки образуют комплекс различных взаимосвязей, регулярно наблюдаемых у разных пациентов. Их постепенное изменение позволяет лучше понимать болезнь и с большей точностью прогнозировать риск для отдельных пациентов. Кроме того, МО позволяет учитывать дополнительную информацию, полученную с помощью методов визуализации, и сведения о сопутствующих заболеваниях, чтобы повысить точность прогноза для отдельных пациентов.

МО становится инструментом исследований и открытий в медицине, поскольку оно позволяет определять закономерности даже в разрозненных явлениях. Вместе с тем, хотя мы и понимаем принципы прогнозирования, мы лишь начинаем постигать принципы воспроизведения основанной на этих моделях механики биологических процессов, лежащих в основе болезни и реакции на лечение. В ближайшие годы можно ожидать значительного прогресса в этой области.

Медицинская визуализация, используемая вместе с МО, позволяет получить точное представление о фенотипическом многообразии болезни у отдельных пациентов и ее индивидуальном течении. Она дополняет другие методы наблюдения, такие как характеризация вирусов, геномное и эпигеномное профилирование и протеомика, а также результаты лабораторных исследований, которые отражают системные процессы. В ходе плановых обследований генерируется огромный объем данных медицинской визуализации. По мере расширения нашего понятийного аппарата использования этой информации вычислительные модели позволяют нам получить точное представление о вариабельности заболевания, новых клинически значимых фенотипах и взаимосвязи между конкретным пациентом, болезнью и лечением.

Во время пандемии COVID-19, спустя всего несколько недель после описания возбудителя, были опубликованы проявления, обнаруженные на рентгенограммах и снимках КТ грудной клетки, которые были признаны весьма характерными для COVID-19, в отличие от относительно неспецифических клинических респираторных симптомов. На снимках были видны ранее не заметные особенности, и на ранней стадии пандемии КТ служила средством диагностики. По мере роста доступности тестирования роль КТ менялась от вспомогательного средства диагностики до способа получения информации для лечения и ведения отдельных пациентов.

Это обуславливает возможную роль ИИ в будущей борьбе с зоонозными заболеваниями, становящимися пандемией: раннее обнаружение нового фенотипа заболевания в клинической группе и эффективное руководство лечением пациентов уже на раннем этапе.

Проблема превращения зоонозной болезни в пандемию заключается в том, что, на первый взгляд, парадигма обучения на примерах тут неприменима. У нас нет многолетних наблюдений, на основании которых можно обучить машину, и мы не знаем, на что обращать внимание, когда мы пытаемся обнаружить вспышку нового заболевания или варианта уже существующего. Поэтому роль МО заключается в выявлении и определении взаимосвязей, наблюдаемых в гетерогенной группе пациентов.

Во-первых, МО все шире применяется для обнаружения аномалий — структур изображений, их конфигураций или их одновременного появления с результатами, не относящимися к визуализации. Такие методы, как генеративные состязательные сети могут изучать, как меняются изображения в контролируемой группе, так что становится возможным обнаружение новых проявлений или особенностей даже при отсутствии маркированных обучающих данных. В настоящее время это используется для расширения уже существующего набора маркеров, но это может привести также и к выявлению новых фенотипов.

Во-вторых, модели МО могут помочь лучше понять взаимосвязь между наблюдаемыми характеристиками пациента, течением заболевания, а также потребностями в лечении и реакцией на него на основе ранних случаев заболевания в обычной группе до того, как была определена наилучшая практика. Это может помочь в определении эффективного лечения и подготовке руководящих принципов на ранней стадии пандемии.

Чтобы обеспечить эффективное использование ИИ и визуализации для лечения зоонозных заболеваний в будущем, мы должны устранить несколько преград. Во время пандемии COVID-19 препятствия, мешающие оперативному обмену клиническими данными (и данными визуализации) и снижающие их доступность для исследовательского сообщества, крайне негативно отразились на эффективности и надежности созданных моделей МО. Нам необходимо собирать и отбирать такие данные в глобальном масштабе оперативным и транспарентным образом, чтобы сделать их доступными для исследовательского сообщества. Обмен данными и контрольными показателями оказывает каталитическое воздействие на скорость и качество разработки.

Что же касается методологических исследований, то мы должны наращивать наш потенциал по борьбе с факторами, вызывающими смещение в данных или искажающими их, вызванными неоднородностью и многообразием мира. Модели МО должны не просто воспроизводить результаты, но объективно отличать биологические взаимосвязи от неоптимальных и, возможно, предвзятых решений о лечении. Мы должны убедиться, что обучение моделей основано на всеобъемлющих наборах данных и служит на благо всего населения, не исключая отдельные сообщества, регионы или группы.

Наконец, мы должны работать с сообществом специалистов в области МО, чтобы помогать новаторам по всему миру, вдохновляя их на решение задач по превращению наблюдений в инструменты, которые помогут нам раньше обнаруживать новые зоонозные заболевания и лучше бороться с уже распространенными. Это сообщество может способствовать определению оптимальных и наиболее точных схем лечения отдельных пациентов и разработке подходов, позволяющих ускорить создание новых и инновационных методов лечения.

Георг Лангс — руководитель исследовательской лаборатории вычислительной визуализации на кафедре биомедицинской визуализации и терапии с визуальным контролем Венского медицинского университета. Профессор и исследователь в области искусственного интеллекта и его применения в медицине, а также член исследовательской группы ?Медицинское зрение? при лаборатории информатики и искусственного интеллекта Массачусетского технологического института (МТИ).