Artificial intelligence in neuroscience: opportunities and prospects: A review

Full Text

Введение

Искусственный интеллект (ИИ) стремительно развивается и используется во многих странах, все больше интегрируясь в нашу повседневную жизнь. В сфере здравоохранения ИИ улучшает общее качество оказываемой помощи, анализируя и прогнозируя риски, связанные со здоровьем населения, помогая оптимизировать потоки пациентов и составлять для них логистические маршруты, проводя дистанционный мониторинг больных, выступая вторым мнением в диагностике и лечении болезней, а также ускоряя разработку лекарственных средств [1].

Учитывая широкий спектр неврологических заболеваний и сложности в их диагностике и лечении, применение цифровых технологий, оснащенных ИИ, открывает возможности в выявлении ранних форм, прогнозировании рецидивов и прогрессировании неврологической патологии, интерпретации сложных нейровизуализационных данных, а также в подборе оптимальной терапии. К настоящему времени уже разработаны многочисленные ИИ-системы для ведения пациентов с острым нарушением мозгового кровообращения, нейродегенеративными заболеваниями, включая болезнь Альцгеймера и болезнь Паркинсона, эпилепсией, нарушением сна. С целью оценки возможностей ИИ в области неврологии и определения возможных направлений для развития данной отрасли нами проведен анализ существующих программ.

Таким образом, ИИ представляет собой перспективную, динамично развивающуюся технологию помощи врачам, способствующую улучшению качества медицинской помощи, сокращению расходов и времени на выполнение рутинных процессов, а также снижению нагрузки на врачей и систему здравоохранения.

Что такое ИИ и как он работает?

ИИ (англ. artificial intelligence) – вычислительная система, направленная на имитацию человеческого интеллекта, является разделом науки о данных (англ. Data Science).

Data Science – это междисциплинарная область, которая помогает обрабатывать, управлять, анализировать и ассимилировать множество структурированных и неструктурированных данных [2]. Накопление в здравоохранении больших данных (англ. Big Data), таких как электронные медицинские карты пациентов, результаты клинических исследований, в том числе в виде изображений и записей сигналов, фармакологические сведения о лекарственных средствах, экономические и трудовые показатели организации, открывает простор для творчества исследователей и программистов, специально с этой целью создаются общедоступные базы данных. В неврологии примерами таких баз являются OASISBrains, OpenNeuro, предоставляющие доступ к снимкам компьютерной (КТ), магнитно-резонансной томографии (МРТ) различных когорт людей, ADNI, содержащий коллекции данных нейровизуализации при болезни Альцгеймера, и мн. др. [3].

Огромный объем данных можно эффективно анализировать с помощью ИИ. В ИИ выделяют два основных подхода: машинное обучение (англ. machine learning) и глубокое обучение (англ. deep learning).

Характерной чертой машинного обучения является обучение в процессе решения сходных задач. В машинном обучении существуют два основных метода:

1) обучение с учителем – система обучается на размеченных данных, где известны правильные ответы, а затем предсказывает ответы для новых примеров. Таким «учителем» может быть, например, коллекция МРТ-снимков мозга с заключениями;

2) обучение без учителя заключается в самостоятельном выявлении системой закономерностей в исходных данных без меток, в которых нет правильных ответов. Такой метод помогает выявить скрытые паттерны в данных и установить новые гипотезы для дальнейших исследований.

Глубокое обучение является подразделом алгоритмов машинного обучения и ведущим направлением большинства инструментов ИИ для интерпретации изображений. Оно использует для анализа данных многослойные нейронные сети, работающие по принципу биологического нейрона, и способно извлекать и преобразовывать признаки через несколько уровней обработки. Процесс подразумевает получение каждым последующим слоем на входе выходных данных предыдущего слоя [4]. Результатом работы сети является многомерный вектор признаков. Он подается на вход классификатора, который в соответствии со своим алгоритмом относит его к той или иной категории, например к «норме» или «патологии». Полученный результат носит вероятностный характер: компьютер, как правило, выдает процент своей «уверенности» в результате [5].

В настоящее время разработано множество систем машинного обучения, которые находят широкое применение в неврологии и призваны значительно улучшить диагностику различных неврологических заболеваний.

Применение ИИ в неврологии

Острое нарушение мозгового кровообращения

По данным Всемирной организации здравоохранения, инсульт занимает второе место среди наиболее распространенных заболеваний, приводящих к смерти [6]. Своевременная диагностика инсульта крайне важна ввиду узкого временного окна для медицинского вмешательства. В России уже успешно применяются ИИ-системы в оценке данных нейровизуализации при инсульте. Например, ЦЕЛЬС®, NTechMed CT Brain, «КТ головного мозга» от MedSberAI и «Третье Мнение» помогают выявлять на КТ-снимках головного мозга очаги ишемического инсульта и оценивать их по шкале ASPECTS, а при геморрагическом инсульте определять кровоизлияния и их объем. Тестируется в различных регионах программное обеспечение ArchiMed PRO Chronos, позволяющее на основе перфузионного КТ-исследования получить оценку мозгового кровотока, зон инфаркта мозга и пенумбры, что способствует скорому принятию решения о проведении механической тромбоэкстракции. За рубежом аналогичные функции выполняют системы Brainomix 360 Stroke (Великобритания), RapidAi (США), Avicenna.AI (Франция), Viz.ai (США), AiOS (Израиль).

 

Рис. 1. Диаграмма методов ИИ.

 

Черепно-мозговые травмы

Черепно-мозговая травма (ЧМТ) – одна из самых тяжелых и опасных травм, несущая высокий риск как летального исхода, так и долгосрочных последствий. Ежегодно в мире регистрируется от 64 до 74 млн новых случаев ЧМТ [7].

Современные технологии на базе ИИ уже активно применяются для выявления ЧМТ. Например, устройства NeuroSync (США) и NeuroFlex (Канада) в виде очков виртуальной реальности отслеживают движения глаз и используются на спортивных соревнованиях для обнаружения ЧМТ, мобильное приложение Reflex (США) помогает диагностировать ЧМТ через измерение реакции зрачка. Brainscope (США) с помощью анализа электроэнцефалограммы способен выявлять паттерны электрической активности, которые связаны с вероятностью структурного повреждения головного мозга. Icobraintbi (Бельгия) применяет глубокое обучение для количественной оценки клинически важных показателей на КТ, включая гиперплотные объемы, компрессию базальных цистерн и смещение срединной линии, а по МРТ может отслеживать диффузные последствия повреждения головного мозга, в том числе в соответствии с классификацией Адамса–Джентри.

Нейродегенеративные заболевания

В связи со старением населения и увеличением числа случаев нейродегенеративных заболеваний возрастает потребность в ранней диагностике таких состояний. Такие ИИ-программы, как Icobraindm (Бельгия), QP-Brain (Испания), Neurophet AQUA (Южная Корея), Quantib® ND (Нидерланды), NeuroQuant (США), Neuroreader® (Дания), VUNO Med-DeepBrain (Южная Корея), CorInsights® (США), AirAscore (Германия), способны на автоматическую сегментацию и количественный анализ объемов структур головного мозга, выявление асимметрии, а также гиперинтенсивности белого вещества на основе МРТ, формируя по результатам обследования подробные отчеты, которые помогают в оценке и мониторинге атрофии коры. Полученные данные можно использовать в ходе лонгитюдного исследования, что позволяет отслеживать изменения в мозге на протяжении времени и персонализированно оценивать прогрессирование нейродегенеративного заболевания.

Применение ИИ не обходит стороной возможные побочные явления, возникающие в рамках терапии нейродегенеративных заболеваний, в частности это «амилоид-связанные аномалии визуализации» – АСАВ (Amyloid-RelatedImaging Abnormalities), возникающие при применении моноклональных антител к β-амилоиду при болезни Альцгеймера. АСАВ охватывают два вида аномалий МРТ-сигнала:

1) АСАВ-отек, представляющий выпот жидкости и проявляющийся в виде гиперинтенсивности паренхимы или борозд;

2) АСАВ-гемосидероз, относящийся к геморрагиям, наблюдаемым как гипоинтенсивное отложение гемосидерина. Аномалии обратимы с помощью коррекции дозы или отмены препарата и в большинстве случаев протекают бессимптомно [8]. Благодаря программному инструменту IcobrainAria (Бельгия) эффективность обнаружения и оценки тяжести АСАВ-отека и АСАВ-гемосидероза становится значительно выше [9], что важно для мониторинга безопасности терапии болезни Альцгеймера.

Проблема стремительного прогрессирования болезни Паркинсона продолжает оставаться актуальной. Одной из ключевых трудностей в ее решении при этом является отсутствие надежных биомаркеров, приводящее к недостаточной точности диагностики, что в свою очередь подчеркивает необходимость в дополнительных методах раннего выявления заболевания. В ближайшем будущем свою помощь смогут предложить российские сервисы на основе ИИ, обученные обнаружению признаков болезни Паркинсона: Eyemove – по движению глаз, BRAINPHONE – по голосу и речи. MoDAS (Китай) обрабатывает видеоданные (движение лица, пальцев к носу, равновесие в положении стоя, осанка, походка и другие), полученные от людей с потенциальной или существующей двигательной дисфункцией как в статическом, так и в специфическом состоянии движения, а затем с помощью нейронной сети оценивает характеристики движений. Приложения Parky (Турция), StrivePD (США), CYPD (Россия), NeuroRPM-Rx (США) могут извлекать данные с датчиков фитнес-трекеров для определения тремора и дискинезий.

В отношении рассеянного склероза (РС) – одной самых из основных причин стойкой утраты трудоспособности у лиц молодого возраста – разработаны специализированные ИИ-инструменты для анализа МРТ-маркеров РС, позволяющие обнаружить очаги демиелинизации и дать им количественную оценку в соответствии с критериями Макдональда: QMENTA (США), Pixyl.Neuro.MS (Франция), mdbrain (Германия), IQMS (Австралия), NeuroQuantMS (США), IcobrainMS (Бельгия), пилотируемый IMVMS (Россия). Свою помощь в мониторинге и прогнозировании прогрессирования РС предлагает Retitrack – устройство, представляющее собой компактный монитор, отслеживающий по движению глаз саккады и показатели фиксации. Инструмент основан на исследованиях, выявивших закономерности между показателями инвалидности при РС и повышенными микросаккадами, усиленной вертикальной амплитудой и специфическими аномалиями движения глаз (например, нистагмом, прямоугольными подергиваниями) [10].

Эпилепсия

Ежегодно у 5 млн человек в мире диагностируется эпилепсия [11]. Использование методов ИИ открывает возможности в анализе электроэнцефалографии (ЭЭГ).

Например, программа autoSCORE (Норвегия) с помощью сверточной нейросетевой модели способна отличать патологические ЭЭГ-записи от нормальных и классифицировать их по основным категориям: эпилептиформно-фокальные, эпилептиформно-генерализованные, неэпилептиформно-фокальные и неэпилептиформно-диффузные аномалии. Persyst (США), снижая количество артефактов на записи, упрощает интерпретацию данных и помогает в обнаружении приступов, спайков и в количественном анализе признаков на ЭЭГ. ClarityPro™ (США) специализируется на диагностике электрографического эпилептического статуса, а также позволяет указывать текущий прием лекарств и проводить мониторинг реакции на них. Медицинские носимые устройства Neureka (США), EpiMonitor (Италия) в виде часов выявляют паттерны движения больного, которые могут быть связаны с генерализованными тонико-клоническими судорогами, и с помощью сопутствующего приложения на смартфоне присылают оповещение о приступе необходимым лицам, родственникам пациента или специалисту. Устройства также позволяют анализировать качество сна и вести дневник эпилептиформной активности. Финской компанией разработана камера Nelli®, записывающая время сна и отдыха пациента. По результатам анализа движений и звуков с помощью обученных алгоритмов ИИ формируется отчет с оценкой о судорожном поведении у взрослых и детей.

Нарушения сна

Нарушения сна затрагивают значительную долю населения во всем мире, оказывая негативное влияние на работоспособность, качество жизни и когнитивные способности пациента. Помочь в диагностике нарушений сна, связанных с дыханием, может SomnoMetry (США) – программное обеспечение, которое анализирует сигналы полисомнографии, зарегистрированные во время исследований сна, и создает отчет с результатами. Dream 3S (США), устройство в виде повязки на голову с интегрированными алгоритмами машинного обучения, создано для сбора данных ЭЭГ головного мозга и применяется для исследования архитектуры сна (в том числе веретен сна, пробуждения и т.д.). Модель глубокого обучения EnsoSleep PPG (США), используя данные, собранные с помощью пульсоксиметров pulseox, автоматически обнаруживает нарушения дыхания во сне, такие как апноэ или гипопноэ, а также определяет стадии сна. Бесконтактная система мониторинга HoneyCube (Южная Корея) состоит из двух частей: блока со стороны головы (модуля температуры тела и видеомодуля) и прикроватного блока (модуля сердечного ритма и частоты дыхания), и анализирует физиологические показатели и архитектуру сна взрослых с нарушением дыхания во сне.

Текущее положение ИИ: проблемы и перспективы

ИИ обладает очевидными преимуществами, такими как автоматизированная работа с большими объемами данных, объективная количественная оценка, распознавание паттернов, сокращение скорости выполнения работы. Однако есть важные проблемы, связанные с его использованием, которые необходимо признавать и учитывать:

1. Требовательность к собираемым данным. Алгоритмы машинного обучения требуют десятки тысяч наблюдений для достижения приемлемого уровня точности, а ошибки при сборе данных могут существенно снижать качество результатов. Так, неполные или нерепрезентативные данные могут приводить к неверным диагнозам. Возможен процесс переобучения, когда ИИ в ходе анализа данных, на которых проводится обучение, начинает распознавать часть фоновой информации (шума) как сигнал, что приводит к гипердиагностике [12].
2. Проблема «черного ящика». Методы глубокого обучения страдают от недостатка прозрачности: модель генерирует результат, но как именно она к нему пришла, зачастую не ясно. Простые модели легче интерпретировать, но они уступают в мощности. Одним из подходов к открытию черного ящика является использование объяснимого ИИ (Explainable AI, XAI). Им преследуется цель создать стеклянный ящик, в котором процесс принятия решений можно отследить и понять. Методы XAI (например, карты активации) пытаются сделать процесс более понятным, однако их интерпретация требует участия специалистов. Именно врач должен интерпретировать, являются ли эти признаки, идентифицированные с помощью модели Глубокого обучения, теми же признаками, которые врач использовал бы для диагностики заболевания, и каковы последствия таких результатов [13].
3. Правовое регулирование ИИ. Сложным остается вопрос ответственности за принятие неверных решений технологией ИИ, повлекших причинение вреда здоровью или смерть пациента. Кто должен нести ответственность за ошибочный диагноз ИИ – врач, медицинское учреждение или разработчик, остается не ясным. В случае серьезных последствий возможна уголовная ответственность, но пока она касается только физических лиц, юридические лица могут быть привлечены лишь по административным статьям. На данный момент врачи вынуждены проверять вручную всю поступающую к ним информацию, а ИИ применяется в рамках экспериментального правового режима и результаты аналитики ИИ носят рекомендательный характер [14].

В 2019 г. Президентом РФ утверждена Национальная стратегия развития искусственного интеллекта на период до 2030 г., в пункте 22 которой описана необходимость использования ИИ для повышения качества услуг в сфере здравоохранения (включая прогнозирование рисков и неблагоприятных событий, снижение уровня непосредственного участия человека в процессах, связанных с повышенным риском для его жизни и здоровья). Главным инструментом реализации Стратегии является «дорожная карта», которая излагает задачи по развитию ИИ и нейротехнологий [15].

Врачи понимают клинические процессы и нюансы интерпретации изображений, а разработчики ИИ обладают техническими навыками для создания и оптимизации алгоритмов. Их совместная работа необходима для разработки безопасных и эффективных инструментов ИИ, учитывающих реальные клинические потребности. Клиницистам также необходимо освоить новые навыки, такие как работа с данными и этика ИИ для безопасного применения этих технологий. Эти навыки позволят врачам грамотно вводить данные, интерпретировать алгоритмические результаты и доводить до сведения пациентов информацию, основанную на ИИ [16].

Заключение

Таким образом, ИИ уже демонстрирует значительный потенциал в области неврологии, предлагая новые возможности для автоматизации диагностики, прогнозирования и лечения различных неврологических заболеваний. Внедрение технологий ИИ, основанных на методах машинного обучения, позволяет повысить точность и скорость обработки данных, снизить нагрузку на медицинский персонал и сделать его работу более эффективной и адекватной, определив приоритетность задач.

Однако, несмотря на успехи, остаются значительные вызовы, такие как необходимость сбора качественных данных, интерпретируемость алгоритмов, вопросы права и этики. Перспективы дальнейшего развития ИИ в неврологии обещают еще больше инноваций, которые могут существенно улучшить уход за пациентами с неврологическими заболеваниями и качество медицинской помощи.

Раскрытие интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

Disclosure of interest. The authors declare that they have no competing interests.

Вклад авторов. Авторы декларируют соответствие своего авторства международным критериям ICMJE. Все авторы в равной степени участвовали в подготовке публикации: разработка концепции статьи, получение и анализ фактических данных, написание и редактирование текста статьи, проверка и утверждение текста статьи.

Authors’ contribution. The authors declare the compliance of their authorship according to the international ICMJE criteria. All authors made a substantial contribution to the conception of the work, acquisition, analysis, interpretation of data for the work, drafting and revising the work, final approval of the version to be published and agree to be accountable for all aspects of the work.

Источник финансирования. Авторы декларируют отсутствие внешнего финансирования для проведения исследования и публикации статьи.

Funding source. The authors declare that there is no external funding for the exploration and analysis work.

About the authors

Anastasiya A. Rezvanova

Sechenov First Moscow State Medical University (Sechenov University)

Author for correspondence.
Email: kovalchuk_n_a@staff.sechenov.ru
ORCID iD: 0009-0002-7585-2817

Student

Russian Federation, Moscow

Nadezhda A. Kovalchuk

Sechenov First Moscow State Medical University (Sechenov University)

Email: kovalchuk_n_a@staff.sechenov.ru
ORCID iD: 0000-0002-8437-7205

Cand. Sci. (Med.)

Russian Federation, Moscow

References

Supplementary files