«Мы постепенно приходим к использованию искусственного интеллекта в принятии решений врачами»
— Расскажите, пожалуйста, чем занимается лаборатория Philips Research?
— В России лаборатория занимается применением алгоритмов машинного обучения к задачам в медицине, например, анализ и обработка медицинских изображений, получаемых при помощи МРТ, КТ ,рентгена, цифровая гистология, также это разработка методов автоматического выделения событий, оптимизация процессов в отделениях лучевой диагностики, или же аналитика в области популяционного здравоохранения. Примерно такой спектр задач по анализу данных в медицине, применения машинного обучения и искусственного интеллекта в медицине.
— Как Вы оказались в лаборатории и чем занимаетесь в настоящее время?
— Я являюсь сопровождающим проектов, которые здесь реализуются, и координатором лаборатории Philips Research. Занимаюсь всеми административными процессами: документооборот, передача результатов интеллектуальной деятельности лаборатории в штаб-квартиру, а также работа с поставщиками и партнёрами. Лаборатория не стоит на месте и постоянно развивается, налаживая научно-исследовательское партнёрство с клиническими центрами и сотрудничая с университетами.
В 2017 году, когда я училась в магистратуре, меня позвали на собеседование, потому что до этого я уже работала в Philips на позиции секретаря, а на тот момент, так как они только открывали первую лабораторию в России, человек, который знает людей центрального офиса и обладает сетью социальных связей в нем, был крайне желателен.
Больше всего запомнился этап подготовки лаборатории к открытию. Нужно было операционализировать все процессы с нуля, причём особенность была в том, что с одной стороны, лаборатория Philips Research — это новое юридическое лицо и новое для России направление — исследовательское, а с другой стороны — это часть международной компании. Это можно отчасти сравнить с франшизой в области исследований — у вас уже имеются процедуры и бизнес-процессы, но вместе с командой вы адаптируете это к новым реалиям.
— Получается, Вы в лаборатории с самого момента её основания в России, как она развивалась за эти годы?
— Помимо укрупнения лаборатории и увеличения количества партнёрских отношений, мы стараемся активно включаться в локальные проекты. Например, в настоящее время лаборатория участвует в эксперименте г. Москвы по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения. Смысл этого эксперимента в том, что у Москвы есть довольно много данных по лучевой диагностике, которые необходимо собрать в сервис на основе алгоритмов машинного обучения, для дальнейшей обработки в режиме реального времени. На таком сервисе агрегируется информация, которая проходит оценку точности, собирает обратную связь от врачей и т.д. Таким образом, происходит наращивание технологической платформы, и мы постепенно приходим к использованию искусственного интеллекта в принятии решений врачами.
— Каковы были предпосылки использования машинного обучения в медицине?
— Прежде всего, количество населения растёт, т.к. мы научились лечить различные заболевания, люди живут дольше, а это, в свою очередь, ставит перед институтом здравоохранения новые задачи и вызовы, которых ранее не было: нужно обеспечить доступ к медицинской помощи, желательно вообще всем, да и к тому же, чтобы она была качественная. Предпосылкой активного использования машинного обучения в здравоохранении стало то, что в XXI веке мы научились собирать, хранить и обрабатывать большие данные. С переходом к цифровизации (электронные очереди и электронные амбулаторные карты – яркие примеры), произошло накопление огромной базы данных, но самое главное — появились вычислительные мощности, которые позволяют этот большой объём анализировать, потому что многие алгоритмы машинного обучения были известны ещё в 50-ых годах, и с математической точки зрения не было привнесено глобально чего-то нового с того времени, но именно в последние годы мы смогли, используя высокопроизводительные сервера, с приемлемой скоростью получать результаты экспериментов, из которых можно делать какие-то выводы.
— Какие треки применения машинного обучения в медицине Вы можете выделить?
— В первую очередь это снижение нагрузки с администраторов здравоохранения и с самого медицинского персонала. Идея в том, чтобы оптимизировать большинство процессов, забрать у людей всю рутинную работу и оставить на них только принятие решений и выполнение сложных задач. Например, возьмём палату реанимации, где может происходить множество разных случайных событий, при этом медсестре необходимо отслеживать различные показатели нескольких пациентов, параллельно выполнять предписания врачей о вводе лекарств и многое другое. Эти условия создают вероятность того, что в работу вмешается «человеческий фактор» - ошибка, недочёт в действиях, отвлечение внимания, которые могут повлиять на исход. В качестве примера для таких ситуаций Philips занимается разработкой комплексных решений, где на усовершенствованное оборудование устанавливается программное обеспечение со «вшитыми» алгоритмами машинного обучения, которые помогают всю информацию о пациенте агрегировать на соответствующих мониторах, тем самым оставляя за врачом и медсестрами только необходимость принимать конкретные решения и действия в соответствии с показателями.
Кроме того, мы живём в эпоху COVID-19, и сейчас в здравоохранении большую роль сыграло то, что машинные модели обучены предсказывать распространение заболевания на основе исторических данных и других факторов, которые вводят в модель. Благодаря такой модели, мы можем узнать прогноз того, сколько людей заболеет сегодня, завтра, через месяц и принимать соответствующие решения, как от лица государства, так и от лица бизнеса.
Третий пример — разработка лекарственных средств. Основная проблема фармацевтических компаний — трата большого объёма средств на разработку и поиск активных веществ для создания новых препаратов, имея при этом очень низкую отдачу от вложенных инвестиций. Применение алгоритмов машинного обучения на этапе разработки лекарственных препаратов позволяет сократить затраты путём отсечения нежизнеспособных структур активного вещества, то есть время на поиск активной молекулы сокращается, а приоритет для проведения доклинических испытаний смещается на образцы, с большей вероятностью обладающие нужными нам фармакодинамическими свойствами.
Ну и наконец, могу сказать, что машинное обучение может применяться в решении задач персонализированной медицины — когда мы даём модели на вход большие «исторические» данные и множество параметров про конкретного человека, а на выходе получаем рекомендацию для пациента о том, что будет наиболее рабочим и эффективным лечением.
— Звучит как очень далёкое будущее, но в то же время в Москве и в Питере это уже применяется в этот самый момент. Как думаете, дойдут ли эти тенденции до регионов?
— Это прежде всего вопрос инфраструктуры, который решается властями регионального уровня. К тому же сами врачи и организаторы здравоохранения должны быть соответствующим образом обучены и готовы к освоению новых технологий. На это понадобится много времени и ресурсов однозначно.
— Хотелось бы спросить про Ваши планы на будущее, уж очень интересная карьерная траектория — экономическое образование в медицине.
— Планы продолжают оставаться в русле здравоохранения, но уже в несколько другой области. Моё давнее увлечение медициной дало о себе знать. После школы я не пошла в медицинский университет, потому что как-то пришла с братом к стоматологу, а он так сильно кричал из кабинета, что я поняла: клиническая медицина – не моё. Шло время, это мое предположение не раз подтверждалось, а к медицине я все равно вернулась, но как исследователь. Сейчас планирую развиваться в сфере биотехнологий, конкретно меня интересуют вирусология и иммунология. Мне интересно понимать механизмы патологии, узнавать, как у нас в организме что-то «ломается», что с этим можно делать, и, соответственно, пытаться искать пути решения проблемы. В планах получать образование и реализовывать свои задумки.