Введение

Искусственный интеллект (ИИ) — это разработка компьютерных систем, способных выполнять задачи, обычно требующие человеческого интеллекта, такие как визуальное восприятие, распознавание речи, принятие решений и перевод с языка на язык [1]. ИИ стал неотъемлемой частью нашей повседневной жизни, проникая во все сферы человеческой деятельности (например, в медицину, транспорт, сферу услуг) [2]. Эволюция ИИ включает в себя классический ИИ, за которым следует машинное обучение (МО) [3]. В МО алгоритмы обучаются выполнению задач путем изучения данных, а не точных инструкций программирования [4]. Сейчас сфера ИИ сталкивается с эволюцией так называемого глубокого обучения — подмножества МО, которое использует структуру искусственной нейронной сети, основанной на принципе работы биологической нейронной сети [5]. В этой форме МО есть возможность использовать неограниченное количество слоев, где каждый слой в нейронной сети может быть обучен распознавать различные особенности, характерные для набора информационных данных [6]. Сверточные нейронные сети¹ (СНН) — это особая форма нейронных сетей, которые доминируют в области обработки изображений [7].

Сверточная нейронная сеть состоит из полностью связанных слоев. Основной целью сверточного слоя является обнаружение отличительных визуальных особенностей, что жизненно важно для успешной обработки изображений [8]. Для того чтобы СНН могли самостоятельно распознавать эти визуальные особенности, им изначально требуется большое количество данных, на которых они будут «обучаться» [9].

В настоящее время основные достижения были достигнуты главным образом в области радиологии и кардиологии, где медицинские устройства на основе ИИ позволяют медицинским работникам совершенствовать свою медицинскую практику [10]. В радиологии алгоритмы считывания изображений на основе МО используются на снимках головного мозга для выявления кровоизлияний и инсультов для улучшения обработки изображений, а также в неотложной помощи для оценки пневмоторакса и травм. Эти алгоритмы расширяют практику радиологов, обеспечивая более быструю диагностику. Кроме того, существуют доступные алгоритмы для маммографического анализа и выявления очагов поражений. Медицинские устройства на основе ИИ в кардиологии проводят анализ электрокардиограммы для выявления нарушений сердечного ритма [10]. В области эндокринологии, в частности сахарного диабета, существуют медицинские устройства для контроля уровня глюкозы в крови с использованием систем мониторинга с предиктивными оповещениями [11], а также для выявления диабетической ретинопатии в офтальмологии [12]. Следует также упомянуть о существовании в клинической практике алгоритмов для выявления нарушений сна [10]. Более того, существуют системы здравоохранения, которые используют простые модели МО, основанные на электронных медицинских картах, для разделения госпитализированных пациентов на нуждающихся в интенсивной терапии и не нуждающихся в ней [13].

Индийские коллеги недавно опубликовали статью, в которой анализируется опыт использования технологий на основе ИИ в контексте диагностики и лечения колоректального рака [14].

Кроме того, проводятся научные исследования, посвященные внедрению технологий на основе ИИ в изучение микробиома кожи. Так, в статье T. Sun и соавт. [15] обсуждается комбинированное применение секвенирования микробного генома и МО, а также применение ИИ в диагностике кожных заболеваний, связанных с осью «кишечник—кожа». Таким образом, улучшение диагностики с помощью ИИ может свести к минимуму диагностические ошибки врачей [16].

Однако в его нынешнем виде преимущества ИИ не учитывают некоторые реальные аспекты установления клинического диагноза. Эти факторы включают фундаментальные клинические навыки, необходимые для верификации клинического диагноза, такие как сбор анамнеза и физикальное обследование, а также личное сопереживание и общение с пациентом [17].

Искусственный интеллект в дерматологии

Дерматология является областью медицины, основанной на изображениях, и сохраняет доминирующее положение в эволюции ИИ. Основным аспектом дерматологии, где ИИ продемонстрировал многообещающие результаты, является распознавание злокачественных новообразований (ЗНО) кожи [18—22]. ЗНО кожи включают немеланомный рак (базально-клеточную карциному, плоскоклеточную карциному) и меланому. Немеланомный рак — наиболее распространенный вид ЗНО кожи во всем мире, в то время как меланома является пятой по значимости причиной смерти пациентов от ЗНО кожи [23]. Основой лечения всех подтипов меланомы остается раннее ее распознавание и хирургическое удаление [24]. При этом 5-летняя выживаемость при меланоме in situ составляет 99,5% и, к сожалению, снижается до 31,9% при более глубоких стадиях инвазии меланомы [23]. Следовательно, ранняя диагностика ЗНО кожи является краеугольным камнем для улучшения показателей как смертности, так и заболеваемости.

Дерматоскопия — это неинвазивный метод визуализации, который использует поляризованный и неполяризованный свет для повышения чувствительности и специфичности диагностики ЗНО кожи [25—27]. Соответственно, большая часть исследований ИИ сосредоточена на дермоскопических изображениях для раннего выявления ЗНО кожи [18—22]. Основанием для этого является тот факт, что диагностическая точность врачей даже при использовании дерматоскопии остается сравнительно низкой [28]. Кроме того, есть 2 основные проблемы, связанные с ранней диагностикой меланомы, которые необходимо преодолеть. Во-первых, в некоторых странах доступ населения к дерматологам затруднен (пациенты не могут попасть на прием к узкому специалисту, в том числе дерматологу, без направления от терапевта или семейного врача, что значительно замедляет скорость получения консультации и снижает мотивацию пациентов) и приводит к тому, что менее 25% взрослого населения когда-либо проходили полное обследование кожного покрова у опытного дерматолога, которое позволяет выявить недиагностированные ЗНО кожи [29, 30]. Во-вторых, только 25% случаев меланомы диагностируется медицинским работником [31]. Исходя из этого, ИИ мог бы оказать неоценимую помощь в ранней оценке и диагностике ЗНО кожи.

Почему искусственный интеллект может ошибаться

За последнее десятилетие произошел прорыв в новых научных исследованиях и разработках в области ИИ. Подобная эволюция ИИ привела к бурной дискуссии в научном сообществе относительно потенциальной роли, которую мог бы сыграть ИИ [32]. Существование общедоступной базы данных (International Skin Image Collaboration Archive — ISIC) проложило дорогу к важнейшим исследованиям и стало эталонным стандартом для исследований в этой области [33]. Однако в работе с изображениями из этой базы есть некоторые сложности.

Многие научные исследования свидетельствуют, что системы ИИ чувствительны к присутствию мешающих факторов, негативно влияющих на эффективность их анализа [34—38]. Эти факторы в основном связаны с переменными, касающимися качества изображения. Искажения при увеличении изображения, посторонний «шум», поворот изображения, манипуляции с яркостью/контрастом [34], наличие линейных полос, чернильные пометки, размытые фотографии и темные углы на фото через дерматоскоп [35] — все это переменные, которые зависят от качества изображения, предоставляемого врачом. В частности, установлено, что алгоритм ИИ с большей вероятностью интерпретирует изображения с «белыми линейными полосами» как злокачественные (shiny white lines — дерматоскопические признаки, которые появляются при использовании поляризованного света и незаметны при неполяризованном свете, являющиеся характерными для меланомы) [36]. Алгоритм непреднамеренно был обучен распознавать такие находки как ЗНО кожи, поскольку изображения, представляющие собой меланому, имели такие признаки чаще, чем доброкачественные поражения [36]. В другом научном исследовании авторы установили, что любые артефакты на коже значительно препятствовали правильной диагностике невусов, увеличивая показатели вероятности меланомы и, следовательно, частоту ложноположительных результатов [37]. Наконец, в другом научном исследовании авторы демонстрируют, что диагностическая точность алгоритмов ИИ в значительной степени зависит от того, находится ли изображение в фокусе и хорошо ли оно отцентрировано [38]. Но данные предубеждения в моделях ИИ имеются только в том случае, если особое внимание не уделяется обработке входных данных и использованию необходимых стандартов [36].

Кроме того, пузырьки воздуха, волоски, фоновые кожные заболевания, поврежденная солнцем кожа и особые анатомические участки [36] являются мешающими факторами, влияющими на работу нейронных сетей, которые не могут быть устранены человеком. S.M. Swetter и соавт. [22] установили, что образования, которые обычно не сопровождаются корками (сосудистые поражения, дерматофибромы и невусы) часто неправильно классифицируются при наличии корок. Авторы утверждают, что наличие волос повлияло на неправильную классификацию актинического кератоза (36% против 56% без волос) [22]. C. Navarrete-Dechent и соавт. [38] в своем исследовании установили, что анатомическое расположение поражения играет решающую роль в работе нейронных сетей. Авторы других научных исследований [21, 39—41] указывают, что для особых анатомических участков, таких как лицо, ладони и подошвы, которые имеют различные нормальные дермоскопические признаки, необходимы более обширные и разнообразные базы данных, а также дальнейшие исследования, чтобы расширить применение ИИ в редких анатомических участках (например, в области гениталий) и повысить успешную диагностику редких подтипов ЗНО кожи (например, рака слизистой оболочки или десмопластической меланомы) [20]. С другой стороны, банально выглядящие доброкачественные кожные образования, такие как ангиомы, дерматофибромы или невусы, встречаются редко либо же вообще отсутствуют в наборах для обучения нейронной сети, что приводит к низкой эффективности алгоритмов [21]. Включение типичных доброкачественных кожных поражений позволяет избежать предвзятости при верификации и, таким образом, устранить подобные ограничения [42].

Необходимы также дополнительные исследования клинических изображений крупным планом в сочетании с дерматоскопическими изображениями, определяемыми комбинированными СНН (кСНН — сверточные нейронные сети, анализирующие как макроскопическое изображение клинической картины новообразования, так и дерматоскопическое изображение), чтобы обеспечить более точное и реалистичное представление исследуемого кожного поражения. Эти изображения крупным планом могут предоставить дополнительные данные для будущего использования ИИ в доклинических оценках [16], поскольку МО может быть настолько успешным, насколько высоко качество используемых данных.

Клинические ограничения искусственного интеллекта

Многие научные исследования признают отсутствие у ИИ учета факторов, связанных с клинической картиной конкретного пациента, таких как возраст, пол, степень повреждения солнечными лучами, анатомическое расположение, а также личный и семейный анамнез [42—44].

В клинических условиях дерматологи проводят полной осмотр кожи тела, опираясь не только на дерматоскопическую картину каждого отдельного невуса или новообразования, но и учитывая «общую картину». Так, например, проводится выявление такого макроскопического признака, как «гадкий утенок» (невус, выделяющийся на фоне остальных у данного пациента) [45], или признака «красной шапочки» (невуса, выглядящего доброкачественным, но отличающегося от остальных у данного пациента) [46]. То есть врач благодаря комплексной оценке и клиническому мышлению может выявить преобладающие дерматоскопические признаки у невусов конкретного пациента и тем самым скорректировать свой прогноз и тактику относительно одного конкретного невуса. ИИ, в свою очередь, не обладает в данный момент способностью оценивать картину в целом, т.е. ИИ анализирует каждый невус отдельно от «общей картины», что может привести к гипердиагностике ЗНО [46, 47].

Безусловно, это повышает чувствительность и специфичность, но требует более целостного подхода [42]. Кроме того, в экспериментальном проекте установлено, что дерматоскопия in vivo по своей сути лучше, чем в искусственных условиях, основанных исключительно на цифровых изображениях [48].

Наконец, пока неизвестно, могут ли все эти усилия по раннему выявлению ЗНО кожи принести больше пользы, чем вреда. Дилемма определяется двумя основными проблемами, связанными с выявлением меланоцитарных опухолей на ранней стадии, которые имеют неопределенный злокачественный потенциал [49] и чрезмерным выявлением немеланомных ЗНО кожи у пожилых пациентов. Это может привести к негативному психологическому воздействию на пациентов с ранними стадиями меланомы [50] и избыточным хирургическим иссечениям в отношении немеланомных ЗНО кожи у пациентов с короткой продолжительностью жизни, что делает сомнительной пользу таких хирургических иссечений [51].

Стратегии преодоления ограничений

Для того чтобы ИИ стал инструментом, на который любой практикующий врач мог опираться, необходимо расширить учебные наборы нейронных сетей, на которых происходит «обучение» этих нейронных сетей. В таких наборах должно быть отражено разнообразие населения в целом (люди разных национальностей, разных цветов кожи, разных возрастов, с различными сопутствующими дерматозами и фоновыми состояниями кожи и т.д.). Сейчас большинство алгоритмов обучаются на пациентах либо европеоидной, либо азиатской национальности [9, 38, 40, 52], но ранний скрининг пациентов других национальностей (например, афроамериканской) мог бы быть более полезным, поскольку дал бы информацию о более запущенных формах заболевания и более низких показателях выживаемости из-за задержек в диагностике в этой популяции [53]. Алгоритмы, как правило, работают неэффективно, когда им предоставляются данные из разных групп населения, которые не включены в набор данных. Это подчеркивает необходимость обучения одному и тому же алгоритму на более широком спектре изображений разных этнических групп [52]. Клинические изображения крупным планом также могут быть использованы для более качественного обучения нейронных сетей [54]. Макроскопическое исследование поражения является первым подходом для клинициста, который принимает решение о том, приступать к дерматоскопии или нет. Комбинация клинического и дермоскопического анализа изображений, как уже упоминалось, называется комбинированной сверточной нейронной сетью (кСНН) и, вероятно, станет преобладающей точкой отсчета в будущих исследованиях.

Прецизионная медицина — это практика персонализированной медицины. Персонализация пациентов на основе генетических, биомаркерных, фенотипических и психосоциальных характеристик направлена на то, чтобы обеспечить рациональное лечение [55]. Поскольку МО обладает возможностью неограниченного хранения данных, то такая информация о пациентах может быть сохранена и проанализирована в алгоритмах ИИ для получения целостного прогнозирующего результата и достижения наилучших клинических результатов [55]. Этот подход направлен на раннее выявление меланомы у пациентов, в том числе с высоким риском развития ЗНО кожи, и сводит к минимуму гипердиагностику [56, 57].

Заключение

Искусственный интеллект становится самой обсуждаемой технологией в мире. МО играет огромную роль в дерматологии и выявлении ЗНО кожи. Возможности, которые открываются перед специалистами уже сегодня, безграничны, начиная от автоматизированной классификации ЗНО кожи с помощью СНН, автоматизированной фотосъемки кожи всего тела и последовательной цифровой дерматоскопии. Однако даже самые современные из этих систем по-прежнему демонстрируют внутренние искажения и нуждаются в больших и разнообразных базах данных для оптимизации своей производительности.

Базы данных изображений, включение метаданных и изображений крупным планом помогут устранить существующие ограничения для будущих научных исследований. Помимо этого, роль клинициста, особенно у онкологических пациентов, остается основополагающей.

Наконец, научное сообщество должно отдавать предпочтение исследованиям, способствующим сотрудничеству человека с ИИ, вместо того чтобы рассматривать их как оппонентов. Так, в нескольких научных исследованиях авторами доказано, что когда установление диагноза врачом поддерживается алгоритмом ИИ, то точность диагностики значительно повышается по сравнению с результатами работы отдельно как ИИ, так и только специалиста [18, 58, 59].

Авторы заявляют об отсутствии конфликта интересов.

¹Сверточная нейронная сеть - тип искусственной нейронной сети, используемой в распознавании и обработке изображений, которая специально предназначена для обработки пиксельных данных.