世界各国现代医疗保健面临的一个严峻挑战是人员问题，尤其是在流行病期间：那时医院和诊所超负荷运转，医务人员自己也需要帮助。在这里，人工智能算法可以帮助医生。今天，他们能够诊断许多疾病、分配病人流量、照顾他们并帮助医生做出正确和及时的决定。

神经网络响应“制作 MRI 的 AI”请求而生成的图像

伟大的均衡器

反向传播方法的创造者之一 Jeffrey Hinton（更多关于他和他的想法—— “人工智能之春的梦想”）最近表示“医学院是时候停止培养放射科医生了”。在引入技术之前，工程师通常具有过分的热情和对社会问题不敏感的特点。当然，取消医生是不可能的，因为优秀的人类临床医生的外貌和经验是必不可少的。然而，Hinton 是正确的，现代算法可以非常有效地帮助医生应对一些医学诊断任务。

医院中常规流程的自动化和人工智能模型可以同时解决许多问题。一方面，减轻医生的日常工作，帮助提高诊断的准确性。另一方面，规范医疗服务，使之更好更快，同时纠正地区和财产不平等。

荧光图或心电图记录甚至可以在亚极地城镇完成，然后通过电子邮件发送到基于人工智能的系统将给出与三位著名医生组成的委员会相同质量的诊断的地方。然而，最终的诊断无论如何都必须由专科医生确认，但现在他将获得来自 AI 的可靠的第二意见。

外科医生使用 5G 连接进行远程手术/照片

对于护士和护士来说，使用视频分析和远程监控传感器工作要容易得多——一名护士能够监控许多病人，并在第一时间迅速为需要帮助的人提供帮助。世界上最优秀的人类外科医生可以通过 5G 控制手术期间的超精准机器人外科医生，在距离其实际位置数千公里的地方执行复杂的手术。历史上第一次，技术能够在主要问题上平衡人们——保持健康和长寿。

发出声音

这里的出发点可以被认为是2017年2月2日的权威科学期刊《自然》的问题。在封面上，编辑展示了一项使用深度学习诊断皮肤癌的研究。在包含 130000 张图像的数据集上进行训练后，该模型做出的诊断并不比对照组的医生差，在某些情况下甚至准确得多。从那时起仅过去了五年，但医学诊断领域的进步简直令人惊叹。

自然杂志 2017 年 2 月 2 日

人工智能设定并最有效解决的首要任务之一是图像分类，包括医学图像。后者包括射线照片、计算机断层扫描 (CT)、超声波 (ultrasound)、磁共振成像 (MRI) 期间获得的图像。

此外，乍听之下令人惊讶的是，即使是非视觉信息也可以转化为图像。此外，这不仅仅记录心电图、脑电图和单个器官及其系统的其他功能活动，还包括声音等。

香港一个大型家禽养殖场的例子提供了一个很好的例证，尽管它与鸟类而非人类的健康有关。科学家们在养鸡的鸡舍里记录了鸡叫声。然后它被转换成频谱图——显示信号强度在不同频率下如何变化的图像。生成的图片又使用超精确神经网络处理 970 万个参数。该模型学会以 97% 的准确率检测鸡的压力和缺乏食物信号，这使兽医能够及时为鸟类提供支持，并为公司所有者节省了数百万元人民币。

对鸡有益的东西可能对人类更好。2021 年，SberMedII 的开发者发布了 AI Resp 应用程序，它分析呼吸和咳嗽的声音，然后在一分钟内确定其中的特征是新冠病毒感染患者的特征。底层神经网络模型接受了 3000 多份 COVID-19 患者匿名记录的训练，在发布时准确率为 82%。早在 2022 年，该应用程序就获得了数字通信奖，专家指出，此类工具的开发有助于普通人群的自我诊断、疾病的早期发现，从而更有效地治疗和预防病毒传播。

细节决定成败

回到实际的医学图像，需要注意的是，通过细微的细节识别病理过程和形成的技能是诊断医生由于长期训练和临床实践而发展起来的。医生的经验越多，他“看到”的就越多。然而，诊断结论通常也是基于上下文——来自患者的有关受伤或疾病情况的信息，有时会丢失，在某些情况下可能会产生误导。

埃里克·托波尔 (Eric Topol) 是执业心脏病专家、基因组学教授和加利福尼亚州拉霍亚斯克里普斯转化研究所所长，他报告说，2% 的研究出现假阳性。在这里，人工智能系统将再次出手相救——它们不会感到疲倦，而且总是很专心。他们能够快速处理大量信息，并找到人眼并不总是可用的模式。同时，对于他们的训练，可以同时使用几位极品人物的经验——诊断。这就是诊断模型的巨大机遇和最大问题所在。

如您所知，为了训练模型，您需要一个大的训练样本——一个带标签的数据集。如果您在摩托车照片中标记数据以识别摩托车 - 在数百甚至数千张图像上标明摩托车 - 任何无聊的家庭主妇都可以完成这项任务（顺便说一句，其中许多人通过Yandex.Toloka等服务赚取额外收入或来自 Sberbank 的TagMe），然后使用 X 光片一切都已经困难得多。

现在不仅医生可以“阅读”和理解这些数据，神经网络也可以“阅读”和理解这些数据

首先，只有具有适当专业的合格医生才能标记图像，这大大增加了准备训练数据集的成本。其次，诊断在很大程度上仍然是一门艺术，而不仅仅是一门科学，因此，医生的评估具有很高的主观性。三位医生可以用不同的方式标记同一份数据，因为每个人都有自己的经验、观点和教育。第三，上下文既可以导致错误判断，也可以反过来帮助做出诊断。在标记时，由于对匿名数据的严格要求，医生不仅无法获得病史中的信息，甚至无法知道患者的性别和年龄（例如，此处描述了此类标记的规则）。

然而，以适当的成本，有可能形成一个大而高质量的训练数据集。然而，这是最昂贵的数据，只有大公司或大学的科学家才有能力在国家或私人赞助人的资助下收集这些数据。由于收集成本高且难度大，医学数据集受到高度重视，欢迎任何将其提供给公众的倡议。

俄罗斯算法

在俄罗斯，几家公司在收集此类数据和开发有效的人工智能诊断算法方面取得了巨大成功。这包括上面提到的SberMedII，以及Third Opinion Platform，Celsus和FtizisBioMed。因此，SberMedia 提出了三种模式。第一个，肺 CT，在 2021 年接受了进一步训练，以检测和突出显示肺部 CT 扫描中的结节结构。如果算法“看到”一个 4 毫米大小的肿瘤，那么它会选择图像中的所有结节，而不管它们的大小。医学数字诊断中心 (MDDC) 的医生接收先前经过算法分析的图像并形成最终结论。

肺部 CT 服务可在早期识别肿瘤迹象/图片：莫斯科市政厅新闻服务

2021 年，肺部 CT 模型回顾性分析了 COVID-19 大流行期间在 Karachay-Cherkess 共和国临床医院积累的 1500 次肺部 CT 扫描。结果，该算法检测到 12 名患者的病理迹象。经医生核实后，8名患者被送往Karachay-Cherkess Oncological Dispensary做进一步检查。S.P. 布托夫。2022 年 4 月至 5 月，在下诺夫哥罗德地区，该系统分析了另外 3155 次 CT 扫描。在 231 例中，发现了可能的肿瘤。结果，125 名患者被送往下诺夫哥罗德肿瘤中心进行进一步检查。

另一个 SberMedII 模型 CT Stroke 能够识别大脑 CT 扫描中的出血。在这里，诊断的速度和准确性极为重要，因为在这种情况下越早开始采取治疗措施，维持患者运动和认知功能的机会就越高。

嗯，用于分析乳腺图像的“乳房 X 线照相术”模型在于女性乳腺癌筛查和早期发现的全球趋势。在慈善组织英国癌症研究中心或美国麻省理工学院科学家的支持下，英国初创公司 DeepMind AI 与 Google Health 共同创建了类似的算法。他们的Mirai机器学习模型不仅可以确定患乳腺癌的风险，还可以从乳房 X 线照相术中预测有关女性的缺失数据（例如年龄、体重、血液激素水平），这使得即使在医院中也可以使用它没有关于患者的完整信息，包括第三世界国家的患者。

顺便说一句，为了训练 Mirai，研究人员使用了在麻省总医院拍摄的 211,000 张图像。对来自麻省总医院、瑞典卡罗林斯卡研究所和台湾长庚纪念医院的三个患者数据集进行了测试。所有这一切再次证实了在医学中创建诊断和预测 AI 系统的复杂性。

Third Opinion Platform 是 Skolkovo 基金会的居民，它同时为九种模式提供解决方案：从实验室测试（血细胞和骨髓的数字涂片）和眼底图像到辐射研究（X 射线、荧光图、胸部器官 CT、头部和牙科系统的 MRI）。Third Opinion AI 算法能够检测 70 多种病症的迹象，从血癌到心血管疾病。

该公司的创始人包括俄罗斯最大的私人医疗中心网络 MEDSI 集团，该集团允许在临床实践中测试和快速实施解决方案。该公司的人工智能算法已经在数十家医院运行，在过去几年中帮助俄罗斯联邦九个主体的医生处理了 1110000 种类型的检查。

“第三意见”可以用作智能医生的助手，以节省研究分析时间并提高诊断准确性，以及当具有疑似病理迹象的图像排在队列首位时，优先考虑医生工作列表中的患者，即在危及生命的情况下尤其有价值。此外，人工智能算法还可以对研究进行回顾性分析，以识别以前未被医生发现的病理，并用于在人群大规模筛查期间区分研究流程。所有这些都增加了疾病的检测并优化了医生的工作量。

PhthisisBioMed 专注于自动分析数字荧光图像的系统，以确定是否存在可通过荧光照相术检测到的所有可能的病理。他们的云服务连接到 ERIS EMIAS 综合体，并包含在莫斯科诊所的工作标准中。自2019年以来，它已在俄罗斯另外53个地区推出。据该公司自己称，从那时起，他们的服务已经处理了超过一百万张图像（数字荧光照片和胸片）。

使用 IMI 绘制区域地图

Celsus 还将计算机视觉用于上述所有传统医学图像分析领域，但是，它的特点是服务与医学决策支持系统的深度集成。Celsus 产品不仅可以识别图像中良性或恶性变化的存在，指示其定位，还可以根据国际标准解释结果。

在患者涌入的情况下

COVID-19 大流行已经持续了三年。其特征是患者数量呈周期性的波浪状激增。在疾病的高峰期，医疗设施面临着巨大的超负荷：病床、呼吸机和ECMO、氧气供应不足，医生和护士被迫两班甚至三班轮班工作。
除了引入备用床位和部署额外人员外，优化分诊，即根据患者病情的严重程度、并发症的可能性和所需治疗对患者进行医学分类，也会有所帮助。然而，面对大量涌入的患者，不仅是全科医生和肺科医生，非专科医生也不得不接受 COVID-19 患者——他们并不总是很容易正确预测疾病的发展和可能的并发症。因此，患者的分布并不总是最佳的。这给医疗保健系统带来了额外的压力。人工智能可以显着改善风险评估。

为此，Sber AI Labs 在 2020 年决定创建一个模型，可以预测每位 COVID-19 或肺炎患者出现并发症的风险。除了预测的准确性外，该程序还必须能够轻松集成到医院现有的电子医疗登记系统中，并“理解”各种格式的医疗报告。

事实上，在患者住院期间收集了大量文本数据。这些包括病史、初步检查和测试的结果、病史和以前的治疗策略。然后将放射诊断和实验室测试的结果添加到其中。通常，在患者入住医疗机构后 24 小时内收到的所有这些信息足以让主治医师评估疾病恶化的风险——患者是否需要机械通气或转移到重症监护室护理单位。

人工智能模型也取得了类似的结果。为此，Sberbank 使用了“变形金刚”——一种使用“内部注意力”或“自我注意力”（self-attention）机制来提高学习率的算法。换句话说，这一层允许模型编码器同时查看输入序列（例如，一个句子）中的所有单词，从而更准确地编码特定单词。

我们在 Sberbank 使用包含 25000 个病历和患者登记卡信息的数据集对我们的开发进行了培训。我们像往常一样检查模型：通过回顾性分析。该算法从 1000 多名患者的总样本中识别出一组 100 人，这些人具有高并发症风险。检查显示，最终，其中有55人实际上进入了重症监护室。这几乎是整个样本的三倍 - 55% 对 20%，这证实了模型预测分析的预测价值。

你们有很多人，但我们是一个

在世界许多国家，护士和护理人员是高薪且紧缺的专家。俄罗斯正在做很多工作以尽可能接近本声明第一部分的对应关系（特别是国家项目“医疗保健”也旨在解决这个问题），但无论如何第二部分都是是的：医院肯定应该有更多的初级员工。很难及时照顾和帮助所有患者。

人工智能可以用来解决这个问题。计算机视觉并不止于对单个图像的分析。视频分析已成为一个发达的领域。上面提到的俄罗斯公司 Third Opinion Platform 在这里也取得了巨大的成功。它将视频监控系统与自己设计的人工智能算法集成在一起。如此一来，一名值班护士就可以有效管控多间病房。她现在总是人工智能。

同时，护士也不需要从病房连续监控十几台摄像机的广播。相机图像的智能算法将确定发生了异常情况，例如，患者从床上掉下来或失去知觉。推送通知会立即传到护士的手表上，她将立即能够为患者提供帮助。

此外，视频分析还允许主治医师跟踪护士和主治医师的工作时间使用情况：他们是否履行职责、是否关注所有患者、探访患者并提供帮助的频率。因此，可以识别效率低下的员工，优化当前医务人员的劳动力成本和职责。

有效的进口替代

在当前条件下，重要的是几乎所有医学和医疗保健领域的人工智能发展都有国内同行，而俄罗斯在这方面处于进步的最前沿。是的，好的医学数据集存在困难，但这也是一个可以解决的问题，尤其是在国家支持和国家项目实施的背景下。

最重要的是，在数学和算法方面，俄罗斯继续保持高水平。这意味着，在医疗保健数字化转型的背景下，我们不仅有机会跟上，而且，就像银行服务或送货服务已经发生的那样，仅仅基于其他原则，我们就有机会获得先进可靠的药物- 旨在预测疾病，对其进行早期诊断和预防性治疗，而不是用于治疗已经运行的形式。