17 марта 2021

Предиктивная аналитика перинатального риска и искусственный интеллект

3 643

В настоящее время отмечается повышенный интерес к применению технологий искусственного интеллекта (Artificial Intelligence, ИИ) в различных областях медицины и здравоохранения, включая акушерство и гинекологию. В журнале «Вопросы гинекологии, акушерства и перинатологии» опубликована статья «Искусственный интеллект: предиктивная аналитика перинатального риска», в которой представлено применение ИИ в перинатологии, указаны потенциальные ограничения интеллектуальных технологий в медицине и намечен вектор развития ИИ в оценке перинатальных рисков.

Прогресс в машинном обучении, доступность больших наборов данных и увеличение вычислительной мощности компьютеров активно способствуют повышению интереса к технологиям искусственного интеллекта. Машинное обучение (Machine Learning, ML), как разновидность ИИ, позволяет автоматически формировать математические модели на больших наборах данных и использовать их для решения актуальных задач, в том числе – для прогнозирования различных событий в акушерстве и неонатологии. Дальнейшая интеграция искусственного интеллекта в перинатологию будет способствовать развитию этого важного направления медицины.

Преимущество машинного обучения, в т.ч. глубокого обучения (Deep learning, DL), заключается в способности эффективно обучаться на большом количестве сложных выборок и хорошо справляться с обработкой медицинских данных. Накопление сведений из медицинских, лабораторных и диагностических информационных систем и их структуризация с помощью обработки естественного языка (Natural language processing, NLP), позволяет формировать масштабные размеченные наборы данных по репродуктивному здоровью. С помощью комплексного применения ML и других методов интеллектуального анализа исследователи создают развитые модели для отработки результатов прогнозирования, диагностики и лечения осложнений беременности и профилактики неблагоприятных перинатальных исходов. Одним из перспективных направлений является улучшенное персонализированное лечение пациенток с помощью машинного обучения (Siristatidis C et al. 2016). Пациенткам с неблагоприятным акушерско-гинекологическим анамнезом может быть персонально подобрана наиболее адекватная терапия, повышающая успешность наступления и вынашивания беременности и снижающая финансовое бремя расходов на медицинские услуги (Senders JT et al. 2018). С помощью ML врачи все чаще и успешнее прогнозируют и диагностируют акушерскую патологию, однако главным недостатком ML, по-прежнему, является необходимость обучения моделей на чрезвычайно больших наборах данных. Кроме того, исследователи могут управлять только входными данными и отдельными параметрами модели, поэтому модель «черного ящика» лишена интерпретируемости (Ching T et al. 2018).

Глубокое обучение демонстрирует большой потенциал и продолжает активно развиваться в области перинатальной медицины, в том числе – в анализе диагностических данных (Miotto R et al. 2018). Lei B и соавт. (Lei B et al. 2014) автоматизировал определение стандартизованных плоскостей УЗ-сканирования при исследовании лицевых структур плода с помощью SVM-классификатора. В 2017 году Yu Z и соавт. (Yu Z et al. 2017) использовали потенциал глубоких сверточных нейронных сетей (CNN) для автоматического распознавания стандартизованных плоскостей лица плода во время рутинного УЗ-обследования. Подобным же образом Rahmatullah B и соавт. (Rahmatullah B et al. 2011, 2012) обучили адаптивную модель бустинга (AdaBoost) для обнаружения указанных структур в 2-D УЗ-изображениях с целью оценки качества изображений. Ещё более амбициозный проект с использованием CNN был нацелен на классификацию широкого набора плоскостей изображений плода путем автоматического распознавания 14 фетальных структур в 2-D УЗ-изображениях (Sridar P et al. 2019). Raynaud C и соавт. (Raynaud C et al. 2017) предложили DL для выделения признаков и RF для классификации анатомии органов при 3-D УЗ-сканировании с целью автоматического кодирования изменений в анатомических структурах. Следующим шагом на пути к автоматизации фетального УЗ-сканирования намечено объединение распознавания плоскостей изображений плода с роботизированной рукой, выполняющей сканирование (Wang S et al. 2019).

Точная оценка веса плода и его гестационного возраста имеют важное значение для выявления любой аномальной модели роста плода. Kim HP и соавт. в 2019 году опубликовали модель DL для автоматического измерения окружности головы (ОГ) и бипариетального размера по 2-D УЗ-изображениям (Kim HP et al. 2019). Li J и соавт. использовали другой подход, который сначала предусматривал RF для локации головки плода, а затем эллипсную подгонку для оценки ОГ по 2-D УЗ-изображениям (Li J et al. 2018). Van den Heuvel TL и соавт. внедрили модель DL, которая вычисляла ОГ по данным протокола акушерского исследования (van den Heuvel TL et al. 2019). Эти данные, скорее всего, не содержали сведения о стандартных плоскостях, и поэтому их метод имеет большой потенциал для применения в странах с ограниченными ресурсами, где ощущается нехватка квалифицированных врачей в области пренатальной диагностики. В последние десятилетия были предложены методы ИИ для улучшения оценки гестационного возраста плода у женщин с неопределенными или неизвестными сроками менструации (Papageorghiou AT et al. 2016) и для уточнения массы плода во время беременности. Например, Naimi AI и соавт. проверили гипотезу, могут ли данные, полученные при рождении, быть использованы для точного прогнозирования предполагаемой массы плода в течение беременности с использованием различных методов ИИ, таких как RF или регрессионные деревья в базе данных более чем 10 000 нормальных беременностей и беременностей высокого риска (Naimi AI et al. 2018). Авторы обнаружили, что алгоритмы ИИ оценивают вес плода лучше, чем другие широко используемые методы. Chuang L и соавт. разработали ANN для оценки массы плода с использованием морфометрических данных от 991 плода, сообщив о средней абсолютной ошибке 6,15% (Chuang L et al. 2002).

Помимо фетометрии, оценки веса плода и его гестационного возраста, методы ИИ были направлены исследователями на оценку фетальных структур и органов для своевременного обнаружения аномалий плода и принятия необходимых мер. Namburete AI и соавт. использовали радиочастотный классификатор для сегментации краниальных пикселей в 2-D УЗ-изображениях (Namburete AI et al. 2013). В 2017 году Li Y и соавт. использовали подход DL для автоматического УЗ-сегментирования тела плода и околоплодных вод по данным 2-D сканирования (Li Y et al. 2017). Другие примеры DL для сегментации были нацелены на мозг плода и легкие (Rajchl M et al. 2017, Burgos-Artizzu XP et al. 2019); указанные органы и системы, плацента и почки матери при магнитно-резонансной томографии (Wang G et al. 2018). Наконец, ансамбль деревьев решений был использован для автоматического сегментирования мозговых структур плода на трехмерных УЗ-изображениях (Wang G et al. 2018). Для получения дополнительной информации о биометрических измерениях мы отсылаем читателя к недавнему обзору автоматизированных методов выявления аномалий развития плода (Rawat V et al. 2018).

Таким образом, имеющиеся публикации наглядно демонстрируют, что в последнее время ИИ в акушерстве и перинатологии используется в основном в качестве инструмента предиктивной аналитики для повышения эффективности пренатальной диагностики и оценки риска неблагоприятных исходов. В большинстве исследований данные моделей малочисленны, единичны по источникам и ретроспективны. По-прежнему не хватает крупномасштабных рандомизированных контролируемых исследований для внешней валидации моделей и оптимизации использования ограниченных исследовательских ресурсов. Вместе с тем, большинство исследований исчерпывается применением алгоритмов классификации и прогнозирования без интеграции полученных данных анализа. Одним из главных отрицательных моментов глубокого машинного обучения является модель «черного ящика», а это означает, что мы не знаем, как результаты генерируются внутри модели.

В клинической практике недостаточно получить точные результаты, нужно объяснить их, учитывая, что исследования по внедрению технологий ИИ в медицину часто связаны с принятием ответственных врачебных решений и лечением пациентов. Однако, многие работы игнорируют интерпретацию модели, несмотря на неоднозначность выводов. Важно обеспечить «объяснимость» моделей, поскольку хорошая интерпретируемость имеет решающее значение для клинических приложений и является важным элементом для успешного взаимодействия между пациентами и клиницистами. По нашему мнению, необходимы дополнительные исследования в области диагностики, профилактики и персонализированного лечения на основе дистанционной медицинской экспертной автоматической ИИ-ассоциированной системы.

Ссылка на публикацию: Ившин А.А., Гусев А.В., Новицкий Р.Э. Искусственный интеллект: предиктивная аналитика перинатального риска. Вопросы гинекологии, акушерства и перинатологии. 2020; 19(6): 133-144. https://doi.org/10.20953/1726-1678-2020-6-133-144

 

Пожалуйста, оцените эту статью
( 4,86 из 5,
оценили: 126)
Ваша оценка: Не ставилась

Еще по этой теме

Обратите внимание на похожие статьи

06 Окт 2020

Интерпретация результатов машинного обучения

Альберт Эйнштейн: «Если вы не можете объяснить что-то простым языком, вы этого не понимаете». Зачем нужно объяснимое машинное обучение Модели …

08 Июл 2020

Основные метрики задач классификации в машинном обучении

В каждой задаче машинного обучения ставится вопрос оценки результатов моделей. Без введенных критериев, невозможно будет ни оценить “успешность” модели, ни …

11 Мар 2020

Валидация и тестирование прогностических моделей: пришло время менять подходы

Jama опубликовало очень интересную статью «Validation and Utility Testing of Clinical Prediction ModelsTime to Change the Approach» группы авторов во …

Подпишитесь на нашу рассылку

Хотите получать интересную и полезную информацию о цифровом здравоохранении и искусственном интеллекте для медицины?
Включайтесь в нашу рассылку!

Мы рекомендуем

Нормативно-правовое регулирование искусственного интеллекта в здравоохранении России

Просмотров 16 064 1 месяц, 1 неделя назад

Применение AutoML и MLflow при создании прогнозных моделей в медицине: опыт Webiomed

Просмотров 1 612 11 месяцев, 1 неделя назад

Стандартизованная отчетность в разработках систем искусственного интеллекта

Просмотров 1 159 1 год назад

Калибровка моделей: зачем и как?

Просмотров 2 681 1 год, 1 месяц назад

Присоединяйтесь

Наши группы в соц сетях