По итогам RSNA - крупнейшей выставки в сфере радиологии, прошедшей в конце 2023 года, Стефан Брауневелл, управляющий партнер SynWisery, подготовил обзор, в котором поделился размышлениями о самых популярных темах и трендах в области искусственного интеллекта в рентгенологии. Я подготовил очень-0чень вольный перевод его статьи со своими комментариями.
Если вы хотите узнать ещё больше об организации процессов ML-разработки, подписывайтесь на мой Телеграм-канал Варим ML
Генеративный ИИ и LLM расширяют сферу применения ИИ
Генеративные модели и большие языковые модели (LLM) сейчас на пике популярности - благодаря успеху ChatGPT, Midjourey и других подобных инструментов. Новые технологии начинают проникать и в сферу радиологии. Один из примеров применения - генерация текстовых отчётов, которая может позволить упростить интеграцию результатов работы ИИ-системы в процесс работы врача.
Успех генеративных сетей также влияет на положительное восприятие ИИ-систем в целом. У руководителей медицинских учреждений теперь есть личный успешный опыт взаимодействия с ИИ-инструментами - так что ИИ-разработчикам теперь проще общаться с ними и находить общий язык по вопросам внедрения.
Ещё одна горячая тема - так называемые foundation models или базовые модели. Это модели с очень большим количеством параметров, обученные на огромных массивах (часто неразмеченных) данных, которые могут работать с изображениями разных модальностей. В реальном мире всё-таки пока господствуют “узкие” модели, предназначенные для применения на конкретном типе изображений для поиска ограниченного списка патологий, но ситуация может измениться.
Комментарий:
Про LLM для генерации отчётов я уже высказывался, а вот foundation models - даже более интересная тема. Думаю, в ближайшем будущем большие базовые модели вряд ли целиком вытеснят специализированные решения, но они точно будут продолжать появляться и точно повлияют на процессы разработки ИИ-систем в рентгенологии. Простой пример такого влияния - MedSAM, о котором я рассказывал на Дата-Ёлке.
Реальная ценность ИИ - в центре внимания
Количество областей, где ИИ может применяться в сфере здравоохранения, растёт из года в год. Однако, со временем растут и ожидания от ИИ-систем - какой экономический эффект они могут принести, какая будет рентабельность инвестиций (ROI), какие схемы страховых возмещений могут применяться.
До сих пор экономические расчёты в основном проводились индивидуально для каждого кейса внедрения - ведь много зависит от нюансов применения ИИ-системы. Умение быстро продемонстрировать потенциальным клиентам экономическую эффективность системы сейчас становится ключевым преимуществом.
Никакой речи о замене радиологов (такие дискуссии возникали несколько лет назад) сейчас нет - ИИ-системы призваны уменьшить нагрузку на врачей и повысить доступность здравоохранения.
Ещё один важный вопрос - стоимость и сложность интеграции. Некоторые страны (Нидерланды, Франция) вырвались вперёд в плане степени проникновения ИИ в медицину, но впереди ещё большой путь.
Комментарий:
Расчёт экономического эффекта - до сих пор большая боль в индустрии. Да, проводятся масштабные исследования с расчётами, публикуются статьи, но, на мой взгляд, пока нет прозрачного метода расчёта экономического эффекта, который бы учитывал все важные факторы и подходил бы для разных сценариев применения. Кроме того, проведение таких исследований - дорогое удовольствие в ситуации, когда большую часть ресурсов нужно вкладывать в улучшение существующих решений, чтоб не дать конкурентам опередить себя.
Упрощение интеграции - один из важных шагов, который ускорит внедрение ИИ в радиологию. С этой точки зрения интересно будет понаблюдать на развитием недавно появившейся платформы МосМедИИ, во многом похожей по принципам и целям на зарубежные ИИ-платформы типа Blackford Analysis.
Платформенные игры
Есть разные варианты “доставки” ИИ-продуктов до пользователей - специализированные ИИ-платформы (Blackford Analysis, INCEPTO, deepc, CARPL), интеграция с PACS-системами, интеграция через крупных ИИ-вендоров (Aidoc, Viz.ai).
Важный фактор при выборе способа интеграции - удобство валидации и мониторинга ИИ-систем. Качество работы ML-моделей может изменяться и зависеть от разных факторов (оборудование, пациенты), и необходимо уметь быстро и удобно тестировать и наблюдать за их клиническим качеством.
Комментарий:
Мне нравится идея с платформами - это избавляет от боли множества различных интеграций с разными требованиями и проблемами. Но и нюансы тоже есть - обычно ИИ-сервис разворачивается на мощностях платформы, и платформа должна предоставлять удобные средства для мониторинга работы систем разработчик. Такая функциональность есть сейчас далеко не у всех платформ.
Фокус смещается от узких диагностических инструментов к более широким решениям
Расширяется понимание роли ИИ-продуктов - они должны стать не просто продуктом для решения какой-то узкой проблемы, а средством улучшения качества здравоохранения в целом.
Пример - скрининг рака молочной железы. От ИИ-вендоров сейчас ожидается не просто “хороший ССПВР”, а система, которая может быть внедрена в реальные скрининговые сценарии в разных странах и которая будет оказывать ощутимое влияние на исходы для пациентов.
Сценарии применения ИИ, которые могут повлиять на качество и стоимость услуг (например, через уменьшение времени госпитализации или выбор подходящих процедур), имеют больший экономический потенциал. Сюда же можно отнести и кросс-дисциплинарный подход, который связывает радиологов и других врачей - например, онкологов, через создание общего представления пациента, основанного на данных.
Комментарий:
Наша компания изначально была нацелена на разработку как раз таких скрининговых систем, которые нацелены на широкое применение и большой экономический эффект. Вместе с тем, я думаю, что найдётся место и для очень узко специализированных экспертных ИИ-систем - например, направленных на стадирование и определение гистологического подтипа рака без инвазивных процедур.
Взгляд с высота птичьего полёта на индустрию
Бизнес-ландшафт ИИ в радиологии довольно сложный. Ожидания по консолидации рынка были довольно высоки, но сделки по слиянию и поглощению всё ещё довольно редки. Несмотря на сокращения в ряде компаний и даже полное исчезновение некоторых разработчиков, количество игроков на рынке продолжает увеличиваться.
Ситуация с инвестициями при этом непростая, особенно для небольших стартапов. Фокус внимания в индустрии смещается в сторону богатых лидеров, а небольшие компании вынуждены искать источники дохода и надеяться на дальнейшее поглощение крупной компанией.
Необходимость зарабатывать и оставаться в плюсе может подталкивать компании к нескольким механизмам:
фокус на способах заработка, специфичных для внутреннего рынка вендора
сокращение собственных продаж и партнёрство с компаниями, которые могут дать доступ к потенциальным клиентам
поиск источников дохода вне сферы диагностической радиологии
Комментарий:
Наверное, и добавить нечего - ситуация на рынке действительно непростая, конкуренция ожесточённая (даже слишком), и большинство игроков продолжает находиться в поиске своих ниш и способов заработка. Думаю, что пережить бурю смогут те, кто умеет выстраивать диалог как с клиентами, так и с конкурентами.
Если вы хотите узнать ещё больше об организации процессов ML-разработки, подписывайтесь на мой Телеграм-канал Варим ML.
