Искусственный интеллект и математическое моделирование в эндокринологии: прорывные технологии и перспективы

АКТУАЛЬНОСТЬ

История развития искусственного интеллекта (ИИ) начинается с зарождения кибернетики в середине XX века. Первые шаги были сделаны в 1950-х годах, когда Алан Тьюринг сформулировал тест Тьюринга, а исследователи в Дартмутском колледже провели первую конференцию по ИИ (Dartmouth workshop), заложившую основы этой области. Ранние работы фокусировались на символическом ИИ, решении логических задач и обработке естественного языка.

В 1980-е годы произошел бум развития экспертных систем, которые имитировали знания специалистов в определенных областях. Однако эти системы не обладали способностью к самообучению. Новый прорыв связан с развитием глубокого обучения (Deep Learning) в 2010-х годах благодаря росту вычислительных мощностей и доступу к большим наборам данных. Глубокие нейронные сети позволили достичь прорыва в распознавании изображений, обработке естественного языка и других задачах.

ИИ начал проникать в медицину относительно недавно, в основном с развитием глубокого обучения. Первоначально применение сосредотачивалось на обработке двухмерных медицинских изображений (рентгеновские снимки) для обнаружения патологий. В дальнейшем ИИ начал применяться для анализа трехмерных изображений (КТ-, МРТ-изображения), а также больших медицинских данных (электронные медицинские карты (ЭМК), результаты лабораторных исследований), что позволило разрабатывать прогностические модели и персонализировать лечение.

Актуальность данной статьи обусловлена стремительным развитием и внедрением ИИ в медицину, в частности в эндокринологию. Сложности диагностики и лечения эндокринных заболеваний, характеризующихся разнообразием симптомов и необходимостью длительного мониторинга, делает ИИ особенно перспективным инструментом. Это обеспечивается имеющимися возможностями ИИ.

Персонализация терапии

Анализ ЭМК с помощью ИИ позволяет подойти к разработке персонализированных схем лечения, учитывающих индивидуальные особенности пациентов, что повышает эффективность терапии и снижает риск побочных эффектов.

Так, в работе Елфимовой А.Р. [1] описаны разработанные и реализованные в программном виде системы поддержки принятия врачебных решений (СППВР) на основе математических моделей. Первая модель, построенная с использованием категориального градиентного бустинга, прогнозирует гипокальциемию на 1–3-е сутки после паратиреоидэктомии у пациентов с первичным гиперпаратиреозом с точностью 81% (95% ДИ: 73–87%) и исключает ее в 83% (95% ДИ: 75–90%). Вторая модель, использующая метод случайного леса, позволяет правильно исключить снижение расчетной скорости клубочковой фильтрации через 12 месяцев после операции с точностью 94% (95% ДИ: 88–98%).

Улучшение прогнозирования и мониторинга

ИИ-алгоритмы способны прогнозировать риск развития эндокринных заболеваний и их осложнений, что позволяет проводить профилактические мероприятия и своевременно корректировать лечение. Кроме того, ИИ позволяет осуществлять непрерывный удаленный мониторинг состояния пациентов, повышая качество жизни и снижая частоту госпитализаций.

Zhu Y. и соавт. [2] использовали алгоритмы машинного обучения для прогнозирования риска развития диабетической нефропатии у пациентов с сахарным диабетом 2 типа (СД2). Учитывая индивидуальные параметры пациентов, ИИ позволил выделить группу пациентов высокого риска и рекомендовать превентивные меры для замедления прогрессирования заболевания.

В статье Викуловой О.К. и соавт. [3] для прогнозирования хронической болезни почек (ХБП) разработан калькулятор [4], основанный на результатах логистической регрессионной модели. Калькулятор позволяет рассчитывать 5-летний риск снижения скорости клубочковой фильтрации (СКФ) до уровня <60 мл/мин/1,73 м² на основе интегрированного уравнения, разработанного для пациентов с сахарным диабетом 1 и 2 типов. Для расчета необходимо ввести значения определенных параметров, согласно моделям для каждого типа диабета. Риск развития ХБП (в %) рассчитывается автоматически, учитывая операционные характеристики модели и ограничения доверительных интервалов. На основании полученного результата в процентах вероятность развития ХБП классифицируется как высокая (риск 50–100%), средняя (риск 25–50%) или низкая (риск <25%).

В работе Лаптева Д.Н. и Сорокина Д.Ю. [5] предложено обоснование для разработки СППВР в области первичной настройки инсулиновой помпы, поскольку в настоящее время общепринятые рекомендации отсутствуют и процесс носит субъективный характер. Целью исследования являлась разработка СППВР, формирующей первичные настройки инсулиновой помпы, сопоставимые с экспертным мнением врачей. Модель, в основе которой лежит нейронная сеть, разработана на данных 2850 детей с сахарным диабетом 1 типа (СД1), переведенных на помповую инсулинотерапию, учитывая их возраст, массу тела, суточную потребность в инсулине и уровень гликированного гемоглобина. Проспективная оценка согласованности рекомендаций СППВР и врачей проводилась на 35 пакетах данных детей с СД1 (медиана возраста 9,3 года [ 6,4; 11,5]) с использованием 4 степеней согласованности. Результаты показали, что полная согласованность между СППВР и рекомендациями врачей составляет 29,8–43,8%, а полная несогласованность — 33,7–41,1%, допустимая согласованность достигла 58,9–66,3%, при этом значимых различий в медианных показателях параметров инсулиновой помпы между СППВР и врачами относительно исходных значений не выявлено. Полученные данные свидетельствуют о приемлемой производительности разработанного алгоритма и сопоставимости рекомендаций СППВР с мнением врачей-экспертов, что соответствует ранее проведенным исследованиям.

Оптимизация процесса принятия решений

Системы, основанные не только на технологиях ИИ, но и на методах математического моделирования, могут выступать в качестве вспомогательного инструмента для врачей-эндокринологов, предоставляя рекомендации по диагностике и лечению, что улучшает качество медицинской помощи и снижает вероятность врачебных ошибок.

Например, в статье Ковалевой Е.В. и соавт. [6] разработана СППВР, экспертный алгоритм которой анализирует показатели фосфорно-кальциевого обмена и их отклонения от референсных интервалов (внесенных специалистом или преднастроенных на основании клинических рекомендаций) и формирует «подсказки» по коррекции терапии гипопаратиреоза и необходимости дополнительного обследования. Кроме того, данная система оценивает статус заболевания (компенсация / субкомпенсация / декомпенсация), сигнализируя о возможной суб- или декомпенсации при отклонениях. Дополнительно СППВР контролирует полноту внесения данных в электронную анкету пациента, напоминая о необходимости дообследования в случае отсутствия ключевых лабораторных показателей.

Таким образом, актуальность применения ИИ и математического моделирования в эндокринологии не вызывает сомнений, поскольку позволяет повысить эффективность диагностики и лечения эндокринных заболеваний, персонализировать терапию, улучшить возможности прогнозирования и мониторинга.

Обработка и интерпретация медицинских изображений с помощью искусственного интеллекта

Анализ медицинских изображений (например, УЗИ) — одна из самых активных областей применения ИИ в эндокринологии. Глубокое обучение, особенно сверточные нейронные сети (CNN), доказало свою эффективность в автоматической детекции и классификации патологий. CNN — это тип искусственных нейронных сетей, специально разработанных для обработки данных с пространственной структурой, таких как изображения и видео, а их архитектура позволяет эффективно извлекать пространственные иерархические признаки из входных данных, что делает их особенно полезными для задач компьютерного зрения [7].

Повышение точности диагностики

ИИ-технологии позволяют автоматизировать анализ медицинских изображений (УЗИ, КТ, МРТ), что повышает точность выявления патологии щитовидной железы, надпочечников, поджелудочной железы и других органов эндокринной системы, сокращая необходимость инвазивных процедур и улучшая своевременность и качество диагностики.

Например, в исследовании, проведенном Wang L. и соавт. [8], ИИ использован для анализа ультразвуковых изображений щитовидной железы, его применение демонстрирует высокую точность в обнаружении и классификации узловых образований, что потенциально может снизить количество биопсий. Авторы продемонстрировали, что модель глубокого обучения превосходила в точности группу опытных врачей-радиологов в дифференциальной диагностике доброкачественных и злокачественных образований (общая точность 87% против 82%).

Диагностика заболеваний щитовидной железы

В исследовании Wang L. и соавт. [8] показана высокая точность сверточных нейронных сетей в выявлении и классификации узловых образований щитовидной железы по степени злокачественности. В перспективе использование подобных классификаторов может существенно повысить точность диагностики, сократив число необоснованных пункционных биопсий. Однако учитывая, что ультразвуковое исследование является оператор-зависимым методом, хорошо обученный ИИ способен выступить в качестве стандарта и независимого «третьего мнения», повышая объективность диагностики. В этом исследовании, чтобы сделать процесс автоматизированного проектирования более согласованным с заключениями клиницистов, авторы предложили новую систему глубокого обучения, основанную на знаниях и опыте врачей ультразвуковой диагностики, для автоматического обнаружения и классификации узлов щитовидной железы на ультразвуковых изображениях. Предлагаемая система автоматизированного проектирования состоит из двух основных этапов: обнаружении узлов с помощью многомасштабной пирамидальной сети и классификации обнаруженных узлов с помощью модели, использующей специализированную архитектуру и несколько ветвей, основанной на экспертных знаниях. Результаты эксперимента показывают, что такой подход эффективен при диагностике узловых образований щитовидной железы.

В работе Трухина А.А. и соавт. [9] описаны результаты работы с интеллектуальным ассистентом врача ультразвуковой диагностики в отношении узловых образований щитовидной железы. ИИ классифицирует новообразования в щитовидной железе человека на основе снимков УЗИ и по системе TI-RADS (Thyroid Imaging Reporting and Data System) — международной стандартизированной системы описания и обработки данных лучевых исследований щитовидной железы.

В исследовании Лысухина Д.Д. с соавт. [10] рассматривается применение ИИ для морфологической диагностики новообразований щитовидной железы (ЩЖ). Авторами проанализированы изображения, полученные от 966 пациентов, перенесших геми- или тиреоидэктомию. Анализ проводился на основе случаев с уже установленным диагнозом: «доброкачественное или злокачественное новообразование ЩЖ». Для классификации цифровых слайдов использован метод Attention-MIL (Multiple-Instance Learning), который позволяет обрабатывать изображения высокого разрешения, используя только общую разметку, без необходимости указания конкретных областей интереса. В результате исследования подтверждена эффективность применения схемы Attention-MIL, разработан прототип инструмента визуализации, который может помочь в детальном анализе и обосновании полученных результатов, что значительно ускорит процесс установки диагноза.

Анализ изображений надпочечников

ИИ-алгоритмы успешно применяются для обнаружения аденом надпочечников на изображениях КТ и МРТ. Обзор Barat M. и соавт. [11] демонстрирует потенциал ИИ для повышения точности диагностики и минимизации инвазивных процедур. Большинство исследований разработки ИИ в области надпочечников являются предварительными, но подающими надежды для последующего внедрения в рутинную клиническую практику.

Аналогичным образом, у пациентов с известным диагнозом «рак» анализ последовательных структурированных отчетов может помочь выявить отдаленные метастазы. Используя набор данных из 714 454 структурированных радиологических заключений, включающих 404 пациента с метастазами в надпочечниках, Batch K.E. и соавт. разработали и протестировали несколько моделей для выявления метастазов в надпочечниках. Наиболее точной моделью оказалась расширенная CNN (т.е. с реализованным слоем для увеличения весовых значений), которая обеспечила точность диагностики метастазов в надпочечниках на уровне 99,97% (±0,06%) [12].

ИИ В ЛЕЧЕНИИ ЭНДОКРИННЫХ ЗАБОЛЕВАНИЙ

ИИ-системы могут выступать в качестве вспомогательного инструмента для врачей-эндокринологов, предоставляя рекомендации по диагностике и лечению.

Диагностика и лечение эндокринных заболеваний

В обзорной статье Абдуллаевой М.А. и соавт. [13] показаны перспективы использования ИИ в фармакогенетических исследованиях и отмечается, что применение технологий глубокого обучения потенциально позволяет расширить представление о фармакодинамике лекарственных средств, показаниях и противопоказаниях в назначении, что, возможно, приведет к обновлению учебно-методической литературы по фармакологии и существенно улучшит качество фармакотерапии у пациентов.

В работе Tarumi S. и соавт. [14] на основе данных 27 904 пациентов с сахарным диабетом был разработан аналитический метод, позволяющий прогнозировать вероятность достижения целей лечения при использовании различных стратегий. Сформирована СППВР на основе ИИ, интегрированная с ЭМК. Интеграция осуществлялась путем инкапсуляции прогностических моделей в модуль веб-сервиса OpenCDS и предоставления результатов моделирования через веб-панель SMART на FHIR. СППВР позволяет анализировать параметры пациентов, выбирать цели лечения и оценивать альтернативные стратегии лечения, основываясь на прогнозных данных.

Мониторинг пациентов и удаленное наблюдение

Интеграция ИИ с носимыми датчиками и мобильными приложениями расширяет возможности мониторинга пациентов в режиме реального времени.

Мониторинг уровня глюкозы в крови

Системы непрерывного мониторинга глюкозы (НМГ) с интегрированными ИИ-алгоритмами позволяют оптимизировать терапию сахарного диабета, своевременно предупреждая о гипо- или гипергликемии.

Chan PZ. и соавт. [15] был проведен систематический обзор, направленный на выявление вариантов использования ИИ в неинвазивном мониторинге уровня глюкозы в крови. Авторы показали, что ИИ может точно прогнозировать уровень глюкозы на основании неинвазивных данных, повышая комфорт и удобство использования для пациентов. Однако общий диапазон точности был широким из-за неоднородности моделей и входных данных. Авторы пришли к выводу, что для обеспечения качества и безопасности систем мониторинга, использующих искусственный интеллект, необходима стандартизация и регулирование применения ИИ-технологий, а также разработка унифицированных рекомендаций и протоколов.

Заключение

ИИ демонстрирует значительный потенциал для улучшения диагностики, лечения и мониторинга эндокринных заболеваний. В 2024 году альянсом в сфере ИИ, Аналитическим центром при правительстве РФ и Минэкономразвития [16] был разработан кодекс этики ИИ, который подчеркивает необходимость ответственной разработки и применения ИИ и основан на принципах прозрачности, справедливости, подотчетности и уважении прав человека. Он призывает к предотвращению предвзятости и дискриминации, обеспечению безопасности и надежности систем ИИ, а также к защите конфиденциальности и автономии пользователей. Кодекс акцентирует важность постоянного мониторинга и оценки этических последствий использования ИИ и призывает к широкому обсуждению и сотрудничеству между разработчиками, пользователями и регуляторами.

Несмотря на впечатляющие результаты, необходимо продолжать исследования для валидации алгоритмов, решения этических вопросов и интеграции ИИ в клиническую практику. Междисциплинарное сотрудничество эндокринологов, инженеров и специалистов по ИИ необходимо для полной реализации потенциала ИИ в этой важной области медицины.

Дополнительная информация

Источники финансирования. Работа выполнена по инициативе авторов без привлечения финансирования.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с содержанием настоящей статьи.

Участие авторов. Все авторы одобрили финальную версию статьи перед публикацией, выразили согласие нести ответственность за все аспекты работы, подразумевающую надлежащее изучение и решение вопросов, связанных с точностью или добросовестностью любой части работы.