Важные правила выбора медизделий с ИИ

Правило первое

Разработка моделей ИИ начинается с выявления реальных потребностей врачебного сообщества, анализа медицинских процессов, глубинных интервью с конечными потребителями продукта. Вся эта важная информация используется для определения клинической задачи, которую предстоит решить.

Если разобрать этот тезис на примере сервиса для диагностики рака молочной железы, то формулировка задачи «модель должна «читать» маммограммы с высокой точностью» — не клиническая. Клиническая задача в этом случае звучит так: «снижение показателей смертности от рака молочной железы». Это значит, что основная цель для AI-модели — увеличить выявляемость рака молочной железы на 0 и I стадиях, в частности, нарастить долю обнаружения новообразований размером до 10—15 мм, а также карцином in situ (0 стадия), которые в большинстве случаев имеют типичные признаки на маммограммах. Поэтому важна не только суммарная точность модели по всем классам, но и высокая точность именно в этих классах новообразований.

Второе правило

Данные и разметка — основа качества AI-модели. При выборе важно понимать, на каком количестве данных она обучена и насколько согласована разметка между специалистами. Это означает, что одно исследование должно быть размечено несколькими врачами-экспертами, и необходимо оценить, насколько схожи их разметки. Согласованность разметки измеряется в процентах: чем она выше, тем точнее модель. Например, если несколько врачей размечают один и тот же снимок одинаково или близко к этому, это говорит о высоком качестве данных для обучения. Важно также, чтобы снимки, используемые для обучения, были получены с оборудования различных производителей. Такой подход снизит вероятность того, что метрики точности модели в опытной эксплуатации будут хуже, чем при внутреннем тестировании во время разработки.

Правило третье

AI-модель должна иметь высокий уровень клинической безопасности. В области диагностики рака молочной железы это означает, что необходимы максимально высокие показатели чувствительности и специфичности, особенно для определения наиболее агрессивных подтипов новообразований, характеризующихся быстрым ростом. Именно это определяет уровень клинической безопасности модели.

Правило четвертое

Использование модели должно быть бесшовно встроено в существующий медицинский процесс, чтобы приносить максимальный эффект без лишней нагрузки на медработников. Например, чтобы снизить количество исследований с техническими неточностями и риск пропуска рака молочной железы, AI-сервис для технического контроля маммографии должен работать в кабинете лаборанта.

В режиме реального времени программа оценивает качество снимков, анализирует возможные погрешности при выполнении исследования. Лаборант сразу же может переделать снимок, чтобы не допустить описание некачественного снимка или необходимость повторного вызова пациентки на исследование. Более того, сервис оценивает работу каждого лаборанта и формирует персональную программу обучения.

AI-модель для анализа маммографии и определения патологических изменений на снимках может использоваться для «перепроверки» всех случаев, которые врач оценил как норму. По данным международных исследований, внедрение ИИ в качестве третьего независимого мнения позволяет выявить на 13% больше случаев рака молочной железы, чем при стандартном двойном чтении маммограмм врачами-рентгенологами. Правильное использование таких сервисов в рабочем процессе учреждения открывает возможность синергии между медицинскими алгоритмами и врачами.

Пятое правило

Инфраструктура сначала, модель — потом. Чтобы решить клиническую задачу при помощи искусственного интеллекта, должен быть достигнут высокий уровень цифрового развития инфраструктуры медучреждения.

Это базовые требования, которые позволят сервисам встраиваться в существующие процессы и помогать работе врачей.