Приложения искусственного интеллекта в кардиологии: обзор

Существует две категории искусственного интеллекта (ИИ): слабый ИИ и сильный ИИ. Слабый ИИ, также называемый узким, специализированным ИИ, ориентирован на выполнение определенного набора задач. Специализированный ИИ сегодня является наиболее распространенной формой ИИ — это подход к исследованиям и разработкам в области ИИ, при котором учитывается, что ИИ есть имитация и всегда будет лишь симуляцией когнитивных функций человека, и что компьютеры могут только казаться думающими, но на самом деле не обладают сознанием [1]. Специализированный ИИ просто действует и подчиняется навязанным ему правилам, и он не может выйти за рамки этих правил, установленных оператором. Хорошим примером прикладного ИИ являются герои компьютерной игры, которые действуют правдоподобно в контексте своего игрового персонажа, но не могут выполнить никаких действий, кроме прописанных разработчиком. Универсальный ИИ или общий ИИ, с другой стороны, представляет собой форму ИИ, которая очень похожа на общий интеллект человеческого разума, способна к рассуждениям и формулированию оригинальных мыслей. Пока исследователи лишь изучают универсальный ИИ, это теоретическая эталонная форма технологии, примеры которой пока неизвестны общественности, однако для удобства в обзоре варианты ИИ будут разграничены именно по силе интеллекта [2].

Связь ИИ и кардиологии в настоящее время перерастает во всестороннюю интеграцию. Дискуссии среди медицинских работников об ИИ чаще всего касаются возможных применений в принятии клинических решений. В основном, они относятся к алгоритмам, применяемым при диагностике и лечении заболеваний, которые прогнозируют определенные результаты/исходы, используя разнообразные (мультимодальные) источники данных [2][3].

Целью обзора является установление конкретных вариантов применения специализированного и универсального ИИ в области кардиологии.

Методология исследования

Этап I: Обоснование исследования.

1.1. Выявление и анализ существующих систематических обзоров, касающихся проблемы исследования.

1.2. Определение оснований и характеристик исследуемой проблемы.

Этап II: Составление протокола проверки.

2.1. Разработка соответствующего, четкого исследовательского запроса.

Запрос: "Обзор использования ИИ в различных областях кардиологии".

2.2. Разработка стратегии для выявления первичных исследований.

Поиск упоминаний использования ИИ (специального и универсального) в кардиологических исследованиях и практике, а также организации медицинской помощи.

Источники/ресурсы: PubMED, MEDLINE, Springerlink, MedRXiv, researchgate.net.

Определены условия поиска по запросам "AI in cardiology", "Artificial intelligence in cardiology".

2.3. Определение критериев включения/исключения источников.

Определены даты выхода работ: 1990-2023гг.

Определена принадлежность изданий: без привязки к стране или континенту, журналу, издательству.

Определен язык: английский.

Определен статус публикации: статья, обзор, препринт, книга, серийная монография, глава в монографии, рецензируемые материалы конференций, включенные в международные базы данных, клиническое исследование.

Неопубликованные (необнародованные) работы не учитываются, поскольку данный тип материалов крайне труднодоступен из-за принадлежности их к содержащим коммерческую тайну.

2.4. Разработка схемы извлечения данных.

Извлечение данных происходит в результате прочтения оригинальных статей, монографий, глав монографий, обзоров и препринтов. Извлекаются факты применения ИИ в различных областях кардиологии.

2.5. Разработка стратегии обобщения.

Обобщение производится в соответствии с инструментальным подходом, например, все факты применения ИИ в электрокардиографии (ЭКГ) организуются в один раздел и обсуждаются.

Предполагается, что обзор не включает процедуры метаанализа, поскольку применение ИИ не является распространенной интервенцией в лечебный или диагностический процесс и набрать необходимое и достаточное для составления статистики количество исследований пока не представляется возможным, как и стандартизировать данные вмешательства. Затруднительным в настоящее время видится в т. ч. и контроль/отрицательный контроль результативности исследований с применением ИИ, воспроизводимость подобных исследований также пока под вопросом, поскольку чаще всего код самих моделей является закрытым.

2.6. Рассмотрение полученной информации коллективом.

Этап III: Изучение литературы, источников информации и данных.

3.1. Изучение литературных обзоров/статей/отчетов по клиническим исследованиям.

3.2. Работа с поисковой документацией.

3.3. Отбор подходящих источников, соответствующих установленным параметрам отбора, путем оценки заголовка и краткого содержания, а также полнотекстового прочтения.

Результаты

Технологии машинного обучения, специализированный ИИ в кардиологии

Машинное обучение (МО) — это базовая практика использования алгоритмов для прогнозирования путем анализа данных и обучения на их основе. Модели такого рода способны самостоятельно обучаться на основе предыдущего опыта или накопленных данных. Алгоритмы могут извлекать важные задачи из команд оператора, которые необходимо выполнить, путем обобщения примеров, предоставленных им в качестве обучающих наборов данных. В настоящее время развиты различные типы алгоритмов МО. Они сгруппированы либо по стилю обучения (т. е. обучение с учителем, обучение без учителя и полуконтролируемое обучение), либо по сходству, либо по их функционированию (т. е. классификация, регрессия, дерево решений, кластеризация, глубокое обучение и т. д.). Все алгоритмы МО состоят из трех различных компонентов, а именно [4]:

1. Представление: набор классификаторов в понятной компьютеру форме.

2. Оценка: цель, определенная для модели классификатора (алгоритма) — баллы.

3. Оптимизация: метод поиска классификатора с наибольшим количеством баллов.

Основная цель алгоритмов МО — сделать обобщение за пределами предоставленных им обучающих выборок, что предполагает успешную интерпретацию данных, которые они никогда раньше не обрабатывали. Основное различие между МО и ИИ заключается в том, что МО работает для повышения точности, а ИИ — для увеличения шансов на успех [3].

Основными тремя типами методов МО являются: обучение с учителем, обучение без учителя и полуконтролируемое обучение. Выбор алгоритма и типа обучения может осуществляться с использованием разных подходов, например, в зависимости от решаемой задачи, (или) объема задействованных данных, (или) различных типов доступных данных. МО демонстрирует динамическую роль, которая проявляется в приложениях медицинской диагностики, поскольку предполагает создание алгоритмов самообучения. Прогнозирование сердечно-сосудистых заболеваний (ССЗ) включает в себя метод обучения с учителем, поскольку для обучения модели слабого ИИ необходимы размеченные данные, например, кардиограммы [3].

ИИ в ЭКГ

Целью внедрения ИИ в ЭКГ является полная автоматизация анализа снимаемой медицинским персоналом кардиограммы для экономии времени врача функциональной диагностики и средств на оплату труда специалистов [3][5]. Применение обучения с учителем и без учителя для анализа и интерпретации ЭКГ показало значительные перспективы [6]. Контролируемое МО, такое как искусственные нейронные сети и метод опорных векторов, можно обучить функции классификации с учетом набора размеченных данных. Напротив, неконтролируемое МО может обнаруживать потенциальные корреляции в неразмеченных данных [7]. В дополнение к МО, недавнее появление анализа ЭКГ на основе глубокого обучения может помочь врачам в различных клинических сценариях ССЗ в диагностике, определении прогноза и стратификации риска [8-11]. Вместо созданных вручную векторов, на которые опираются алгоритмы МО, подход глубокого обучения использует стратегию сквозного обучения, которая программирует систему на изучение необходимых функций из необработанных данных. Преимущество глубоких нейронных сетей заключается в их способности выявлять новые взаимозависимые отношения независимо от извлечения признаков, выбранных человеком, что открывает огромный массив не установленных и не осмысленных ранее данных [12].

ИИ в эхокардиографии

Стандартное распознавание срезов сердца при эхокардиографии (ЭхоКГ) необходимо для оценки структуры сердца. Однако точное определение различных разделов может оказаться сложной задачей для неопытных врачей. Технология ИИ была разработана для улучшения этого процесса за счет использования свёрточных нейронных сетей для классификации изображений сердца. Исследования показывают, что подходы глубокого обучения могут классифицировать ЭхоКГ-изображения и достигать удовлетворительной точности распознавания. Быстрое распознавание cрезов с помощью ИИ может сократить время оценки, улучшить возможности обнаружения и повысить точность. Эта технология имеет потенциал для применения в регионах с ограниченными кадровыми ресурсами врачей [13]. Функциональная оценка левого желудочка (ЛЖ) имеет решающее значение в ЭхоКГ-диагностике [14]. Коммерческие пакеты программного обеспечения поддерживают точные измерения и хорошую корреляцию с данными магнитно-резонансной томографии (МРТ) сердца (МРТС). Новые алгоритмы, основанные на ИИ, могут быстро выполнять оценку ЛЖ, например, определять стандартные апикальные проекции и измерять глобальную продольную деформацию [15]. ИИ также может улучшить навыки диагностической визуализации молодых специалистов и служить лучшим предиктором смертности по сравнению с ручными измерениями. Точная сегментация камер сердца важна для клинической диагностики. Программное обеспечение для автоматической сегментации уменьшает ручную работу и субъективность полученных данных. ИИ используется для распознавания стенки эндокарда и точного измерения размера камер сердца [16]. Сегментация ЛЖ обычно используется для измерения фракции выброса (ФВ) и оценки движения миокарда. Ручная сегментация требует много времени, в то время как автоматические методы сталкиваются с проблемами из-за быстрых движений, дыхательных помех и шума/артефактов на ультразвуковых изображениях. Были предложены различные методы для уточнения границы эндокарда и повышения точности сегментации [17].

Сегментация правого желудочка (ПЖ) является более сложной задачей из-за его сложной структуры, более тонких стенок и худшего качества изображения. Точная оценка функции ПЖ важна для клинического анализа. Для решения этих проблем были разработаны методы автоматической сегментации, такие как использование преобразования разреженной матрицы и ограничений толщины стенок [18]. Также были представлены многокамерные модели для повышения точности сегментации за счет учета взаимодействия камер сердца. В случаях плохого качества изображения точность сегментации ПЖ зависит от ранее полученной информации и корреляции с другими структурами сердца. В целом технология ИИ потенциально может улучшить распознавание срезов, функциональную оценку и сегментацию при ЭхоКГ, что приведет к более быстрой и точной постановке диагноза [19].

Кардиосонография и аускультация, анализ шумов сердца при помощи ИИ

ИИ используется для оптимизации диагностического потенциала ЭхоК Г. Ниже представлено несколько способов использования ИИ в ЭхоКГ [20]: ИИ может ускорить оценку состояния пациентов за счет автоматизации подсчетов деформации эхо-сигнала, ФВ и других измерений. Этот тип автоматизации может увеличить пропускную способность кабинета ультразвукового исследования. Слепое рандомизированное исследование оценки функции сердца с помощью ЭхоКГ и ИИ показало, что рабочий процесс под руководством ИИ для первоначальной оценки сердечной функции при ЭхоКГ не уступал и даже превосходил первоначальную оценку, проводимую специалистом [21]. Значительно возрос интерес к использованию технологии ИИ для аускультации сердца для выявления ишемической болезни сердца (ИБС). Алгоритмы ИИ добились большого прогресса в обнаружении шумов в сердце [22]. Однако для подтверждения их точности необходимы многочисленные клинические исследования, прежде чем допустимо будет рекомендовать их клиническое использование. Предыдущие исследования подтвердили точность диагнозов, предполагаемых ИИ. Однако размер их выборки был небольшим. В самом крупном исследовании были записаны тоны сердца 1362 пациентов, что, насколько нам известно, является самым большим размером выборки. Авторы сравнили аускультацию с помощью ИИ с аускультацией опытными кардиологами и обнаружили, что аускультация с помощью ИИ правильно идентифицирует изменения тонов сердца с чувствительностью 97% и специфичностью 89%. Аускультация ИИ обладает высокой чувствительностью и специфичностью для обнаружения аномальных тонов сердца, аналогичных уровням, определяемым при аускультации врачом. Это делает аускультацию ИИ потенциально полезным инструментом скрининга ИБС. По сравнению с традиционными алгоритмами, метод использует свёрточные нейронные сети для изучения представления признаков [23].

ИИ-анализ результатов компьютерной томографии и МРТС

Для прогнозирования дебюта, течения и исходов ССЗ очень важна точная диагностика, что, в свою очередь, снижает связанные с ней риски. Наиболее распространенные и жизненно важные диагностические тесты включают МРТ и компьютерную томографию (КТ) [13]. Высококачественные изображения сердца создаются с помощью МРТ и КТ, однако они имеют длительное время получения, ограниченную доступность и предполагают использование излучений.

ИИ в расшифровке МРТС

МРТС является жизненно важным не инвазивным инструментом для оценки заболеваний сердца. Однако это занимает много времени из-за необходимости получения высококачественных изображений и учета движений сердца и дыхания. Такие методы, как параллельное получение изображений и сжатое зондирование, ускорили МРТС за счет сбора меньшего количества данных и использования предварительных знаний. Сейчас ИИ, в частности, глубокое обучение, исследуется для дальнейшего ускорения МРТС.

Прежде чем ИИ сможет широко использоваться, необходимо преодолеть технические проблемы. В работе Bustin А, et al. [24] представлен развернутый обзор последних достижений в области ИИ, ассистирующего при МРТС. В нем обобщаются общепринятые методы, и основное внимание уделяется и глубокому обучению для двух- и трехмерных изображений. В статье также обсуждаются ограничения, проблемы и потенциальные будущие направления этих методов. Особенный интерес для кардиологов представляет МРТ-фенотипирование сердечной недостаточности и ИБС [25].

ИИ при проведении КТ

Применение ИИ при КТ сердца [26][27], вероятно, сыграет ключевую роль в будущем для уменьшения времени предоставления отчетности [28], предоставления информации о коронарных атеросклеротических бляшках [29], и выявление ишемии миокарда посредством оценки перфузии [30].

ИИ для анализа позитронно-эмиссионной томографии сердца

Позитронно-эмиссионная томография (ПЭТ) дает абсолютную количественную оценку перфузии миокарда. Результаты обычно обобщаются в топологических представлениях, известных как полярные карты. В настоящее время глубокое обучение повышает производительность классификации за счет итеративного обучения сложных многомерных шаблонов ¹.

В настоящее время ПЭТ может помочь в выявлении ССЗ на фоне в т. ч. атеросклероза. ПЭТ-визуализация с фтордезоксиглюкозой является хорошим инструментальным решением для обнаружения атеросклеротических бляшек, поскольку в патогенетических механизмах участвуют легко регистрируемые метаболически активные макрофаги. Исследования показали, что ПЭТ всего тела при атеросклерозе является многообещающим методом. ИИ может улучшить выявляемость атеросклероза при визуализации с коррекцией затухания. Хотя КТ-сканы с коррекцией затухания обычно создаются для ПЭТ, новые методы ИИ (современные свёрточные нейронные сети) могут преобразовывать магнитно-резонансные изображения в КТ-изображения, которые полезны для коррекции затухания для ПЭТ-сканирований¹ [31].

Прочие подходы (тонометрия, измерения скорости пульсовой волны)

Стоит заметить, что специализированный ИИ и МО внедрены в методы диагностики, контроля и предотвращения артериальной гипертензии, а именно, нейронные сети обрабатывают разноплановые данные и формируют интегральную оценку риска развития гипертонической болезни, либо способны предсказать риски неблагоприятного исхода по данным анализа динамики клинических, лабораторных и других показателей [32].

Специализированный ИИ уточняет данные измерений скорости пульсовой волны, делая более доступными исследования этого показателя [33].

ИИ в организации специализированной кардиологической медицинской помощи и в превентивной кардиологии

ИИ способен анализировать поступившие на станцию скорой помощи звонки на предмет голосовых биомаркеров инфаркта миокарда [34].

Также в исследовании клиники Мэйо методы ИИ были применены к новому инструменту скрининга людей с определенным типом ССЗ, не имеющей явных симптомов. В фокусе оказалась дисфункция ЛЖ. Инструмент скрининга с помощью ИИ выявлял людей, подверженных риску этого заболевания, в 93% случаев. Для сравнения: маммография точна лишь в 85% случаев. ИИ, разработанный в клинике Мэйо в сотрудничестве с Северным государственным медицинским университетом (Российская Федерация предоставляла обучающий массив данных по результатам исследования "Узнай своё сердце", полученных совместно с Университетом Трёмсо, Норвегия), был интегрирован в программное обеспечение смарт-часов "Apple Watch", для обнаружения низкой ФВ желудочков [35][36].

ИИ играет фундаментальную роль в открытии новых терапевтических агентов для кардиологии, точной стратификации ССЗ, интеграции мультимодальных постгеномных данных, повышении эффективности и результативности врачей, непрерывном удаленном мониторинге и диагностике, а также оптимизированном распределении ресурсов в области профилактики ССЗ [37][38].

Универсальный ИИ, его приложения в кардиологии

Хотя существует множество примеров моделей ИИ, разработанных для медицинского использования, в последние несколько месяцев наблюдается рост осведомленности общественности о больших языковых моделях (БЯМ), таких как генеративные предварительно обученные преобразователи, например, "ChatGPT", который был выпущен в ноябре 2022г [39]. "ChatGPT" был провозглашен революцией [39] в области ИИ. Обученные на большом массиве текстов, размещенных в Интернете, такие ИИ, как БЯМ, похоже, дают ответы высокого уровня. Этот тип ИИ может демонстрировать медицинские знания и генерировать рекомендации [40]. Благодаря расширенным возможностям глубокого обучения и обработки естественного языка, такие как ChatGPT и последующие, более продвинутые версии, такие как генеративный предварительно обученный преобразователь-4, "GPT-4", генерируют разговорные вопросы и ответы, подобные человеческим, и могут быть использованы в опросе для клинического использования [41]. При этом важно, чтобы пользователи, включая врачей и пациентов, знали, как критически оценивать такие БЯМ, понимали нормативную среду и в целом осознавали потенциальные слабые стороны и скрытую от неспециалиста опасность использования [42].

БЯМ в организации кардиологической помощи

В здравоохранении кардиологического профиля имеется множество административных приложений ИИ. Использование ИИ в этой области несколько менее революционно по сравнению с применением в диагностике и уходе, но оно может обеспечить существенную эффективность лечебно-профилактического учреждения (табл. 1). В среднем, медсестра в смену тратит 25% рабочего времени на нормативную и административную деятельность. Технология, которая, скорее всего, будет иметь отношение к этой цели, — это универсальный ИИ и чат-боты. Их можно использовать для различных приложений в здравоохранении, включая обработку претензий, ведения клинической документации, управления экономической деятельностью лечебно-профилактического учреждения и ведения автоматизированной системы медицинских записей, записи на прием [43][44].

Некоторые организации использовали чат-боты для взаимодействия с пациентами в рамках телемедицины. Эти приложения на основе моделей естественного языка могут быть полезны для простых процедур, таких как обновление рецептов или запись на прием. Однако в ходе опроса 500 американских пользователей пяти наиболее популярных чат-ботов, используемых в здравоохранении, пациенты выразили обеспокоенность по поводу раскрытия конфиденциальной информации, обсуждения сложных состояний здоровья и низкого удобства использования [2][43][44].

Внедрение ИИ чат-ботов в практику организации оказания кардиологической помощи

В качестве стратегических инвестиций ИИ может потребовать реконфигурации существующих моделей оказания медицинской помощи или разработки новых моделей предоставления медицинских услуг. Внедрение ИИ может оказаться весьма дорогостоящим, например, из-за потенциальных дополнительных затрат на переподготовку персонала и переоснащение больниц и поликлиник в дополнение к первоначальным затратам на внедрение ИИ в клиническую практику. Поскольку расходы на здравоохранение продолжают поглощать все большую долю национального валового внутреннего продукта, становится все более важным, чтобы новые технологии здравоохранения демонстрировали свою эффективность. То есть в контексте ограниченных ресурсов здравоохранения при оценке ценности дополнительные затраты, связанные с новой технологией, сопоставляются с потенциальными клиническими преимуществами, такими как улучшение качества жизни или увеличение продолжительности жизни. Эти затраты затем сравниваются с социальными пороговыми значениями стоимости медицинской помощи. Однако имеется мало доступных экономических оценок сердечно-сосудистых технологий ИИ [45][46].

Ускоренное развитие и прогрессирование технологии ИИ могут потребовать новых рамок для оценки полезности такого подхода к усовершенствованию здравоохранения по сравнению с традиционной оценкой технологий, новая модель представлена на рисунке 1.

Заключение

Следует отметить, что специализированный ИИ на базе нейронных сетей уже вошел в обиход кардиологов, специалистов по функциональной и лучевой диагностике по всему миру, все более распространенными становятся алгоритмы, включающие МО, но все еще слишком редки клинически одобренные методы ИИ-прогноза и диагностики; рандомизированные исследования этих подходов лишь планируются.

При всей инновационности ИИ и алгоритмов использования "сильного" ИИ в клинической практике, а также в организации здравоохранения остается множество ограничений, в т. ч. технического и этического характера, для БЯМ это:

1. Отсутствие точной настройки алгоритмов сбора и форматов записи медицинских данных может привести к получению неточной или нерелевантной клинической информации.

2. БЯМ не могут полностью отразить нюансы и контекстно-зависимую природу человеческого общения, поскольку им не хватает способности передавать тонкости и сложности языка.

3. Хотя БЯМ могут помочь в составлении клинических обзоров или обучении пациентов, они не могут заменить суждения и опыт специалистов в области здравоохранения.

4. Могут возникнуть этические проблемы в отношении использования ИИ в исследованиях, особенно в научных статьях или заявках на получение грантов. Крайне важно, чтобы эксперты в области человеческой деятельности проверяли информацию, генерируемую БЯМ, при помощи специально разработанных для этого алгоритмов.

Несмотря на необходимость учитывать ограничения и риски, связанные с ИИ, мы твердо верим в их потенциал для совершения прорыва в медицинской коммуникации.

Отношения и деятельность: все авторы заявляют об отсутствии потенциального конфликта интересов, требующего раскрытия в данной статье.