Искусственный интеллект и математические методы в медицинской диагностике: преимущества и риски автоматизированного анализа медицинских изображений

Аннотация

The article objective is to identify the advantages and drawbacks of the two approaches to automated diagnostics of diseases by the data of medical images: with the help of mathematical methods of analysis and artificial intelligence technologies. The author also considers the problems which may accompany the introduction of automated diagnostics technologies in the future, as well as the issue of a subject of legal liability for medical errors which may occur. The issue under study becomes increasingly relevant due to the intensive development of artificial intelligence technologies and improved mathematical methods of image analysis. Keywords: artificial intelligence, mathematical methods of analysis, analysis of images, medical diagnostics, legal liability, medical error, image transformation, diagnostics automation 141 Мультидисциплинарные (неюридические) аспекты цифровой трансформации Мультидисциплинарные (неюридические) аспекты цифровой трансформации Multidisciplinary (Non-Legal) Aspects оf Digital Transformation Multidisciplinary (Non-Legal) Aspects оf Digital Transformation Задача автоматизированной диагностики по данным медицинских изображе- ний далека от своего разрешения. В данный момент актуальны вопросы, связан- ные с внедрением технологий автоматизированной диагностики, их функциони- рованием и последствиями возможных ошибок. В данной статье рассматривается применение традиционных математических методов анализа при автоматизиро- ванной диагностике по изображениям, предоставленным медицинским учрежде- нием [2], а также применение анализа этих изображений при помощи технологии искусственного интеллекта. Необходимо сравнить эти способы диагностики как с точки зрения их функциональности и точности, так и в аспекте минимизации ошибок при оценке медицинских изображений. Актуальным является также ре- шение вопроса о субъекте юридической ответственности за возможные меди- цинские ошибки, связанные с применением технологий автоматизированной диагностики. В статьях, затрагивающих тему автоматизированной диагностики по дан- ным медицинских изображений, авторы, как правило, рассматривают техноло- гию искусственного интеллекта как основной инструмент для анализа изобра- жения и постановки диагноза. Однако стоит помнить, что эта технология, при впечатляющей точности и скорости работы, имеет ряд недостатков, которые сто- ит учитывать, в особенности тогда, когда речь идет об оказании медицинской помощи. Процесс принятия решений искусственным интеллектом непрозрачен, что создает определенные сложности, когда речь заходит о выявлении и исправ- лении ошибок. Другими словами, если алгоритм, обученный на тестовом наборе изображений (рис. 1), поставит неверный диагноз, будет практически невозмож- но проанализировать его досконально, выявить и исправить ошибку, тем самым исключая повторение случившегося. Исключить же риск ошибки искусственно- го интеллекта невозможно, даже используя самую совершенную архитектуру из существующих. Хотя технология и сводит риск неверной постановки диагноза к минимуму, нельзя полностью исключить его, если полагаться только на реше- ния искусственного интеллекта. Разумеется, врачи должны перепроверять диа- гноз, поставленный автоматически, но предпочтительнее было бы иметь возмож- ность влиять на вероятность ошибки алгоритма для дальнейшей минимизации этой вероятности. Преимущество математических методов анализа перед алгоритмами машин- ного обучения состоит в том, что при их применении не возникает необходимости использования сверточных сетей. Это позволяет сохранить большую прозрачность преобразований данных. Помимо описанного выше контроля в вопросе пониже- ния вероятности ошибки алгоритма, это облегчает обучение молодых специали- стов, которые будут применять эту технологию в дальнейшем, а также упрощает поиск ошибок в процессе технической реализации метода и путей его дальнейшей модификации. При применении математических методов, как правило, не производится пре- образование исходного изображения, за исключением алгоритма Лукаса-Канаде, для применения которого может быть необходимо уменьшить разрешение изо- бражения, если сдвиг объекта на двух смежных снимках был слишком большим. 142 Мультидисциплинарные (неюридические) аспекты цифровой трансформации Multidisciplinary (Non-Legal) Aspects оf Digital Transformation Исходное изображение также может быть преобразовано при применении ком- плекса методов. Одно из самых часто используемых преобразований – это филь- трация от шумов. Однако фильтрация от шумов применяется и при визуальном анализе специалистом полученной от приборов информации, то есть без исполь- зования прочих алгоритмов, упрощающих его работу. Рис. 1. Тестовый набор изображений, имитирующих МРТ снимки мозга. Сгенерирован нейронной сетью Таким образом, необработанные изображения, как правило, не подверга- ются преобразованию в процессе анализа при помощи математических методов, однако при использовании некоторых алгоритмов рекомендуется предварительно сохранять изображения