Развитие технологий искусственного интеллекта в онкологии и лучевой диагностике

Введение. Индустриальная революция 4.0 произошла во многом благодаря внедрению методов искусственного интеллекта.
Цель исследования. Показать качественные перемены, которые произошли в последние 3 года в реализации методов искусственного интеллекта в здравоохранении путем исследования трендов по публикациям в базе данных PubMed.
Материалы. Все резюме статей с ключевым словом “artificial intelligence” были загружены в текстовые файлы из базы данных https://www.ncbi.nlm.nih.gov/pubmed/. Путем обобщения ключевых слов мы классифицировали современные применения искусственного интеллекта в медицине. 78 420 резюме были извлечены из базы данных PubMed, в том числе 5558 обзоров, 304 рандомизированных исследования, 247 многоцентровых исследований. Затем были классифицированы типичные сферы применения.
Результаты. Интерес к теме искусственного интеллекта в индексированных в PubMed публикациях растет согласно закону развития инноваций. Количество неанглоязычных публикаций увеличивалось до 2008 года и было представлено на китайском, немецком, французском и русском языках. После 2008 года количество неанглоязычных публикаций снизилось в пользу англоязычных.
Выводы. В последние два-три года искусственный интеллект в практике принятия решений в медицине стал иметь реальное практическое применение. Кроме того, инструменты для создания систем принятия решений на базе методик искусственного интеллекта стали уже не диковинными и доступны не только математикам. Американское управление пищевыми продуктами и лекарственными препаратами (FDA) одобрило ряд приложений к клинической практике. Это еще одна перемена, которая затронула не только ученых, но и практиков. Большинство таких приложений используется для анализа медицинских изображений, в том числе и в онкологии, и демонстрирует сравнимую точность с человеком специалистом. В статье представлена разработанная классификация применения технологий искусственного интеллекта.

1. Ожегов С.И., Шведова Н.Ю. Толковый словарь русского языка. 4-е изд. М., 1997–1999.

2. Stevenson A. (ed.) Oxford Dictionary of English. Oxford University Press, 2010.

3. Kruger J., Dunning D. Unskilled and unaware of it: how difficulties in recognizing one’s own incompetence lead to inflated self-assessments. J Pers Soc Psychol. 1999;77(6):1121–34. PMID: 10626367

4. Tversky A., Kahneman D. Judgement under uncertainty: Heuristics and biases. Sciences. 1974;185(4157):1124–31. DOI: 10.1126/science. 185.4157.1124

5. Kosfeld M., Heinrichs M., Zak P.J., Fischbacher U., Fehr E. Oxytocin increases trust in humans. Nature. 2005;435(7042):673–6. DOI: 10.1038/nature03701

6. Clarke A.M., Friedrich J., Senn W., Tartaglia E.M., Marchesotti S., Herzog M.H. Human learning in non-Markovian decision making. Available from: http://www.stat.columbia.edu/~johannes/docs/rldm2013.pdf

7. Clarke A.M., Friedrich J., Tartaglia E.M., Marchesotti S., Senn W., Herzog M.H. Human and machine learning in non-markovian decision making. PLoS One. 2015;10(4):e0123105. DOI: 10.1371/journal.pone.0123105

8. Kotler P., Keller K.L. Marketing Management. 15-th ed. Edinburgh: Pearson Education Limited, 2016.

9. Jiang F., Jiang Y., Zhi H., Dong Y., Li H., Ma S. et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017;2(4):230–43. DOI: 10.1136/svn-2017-000101

10. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.

11. Chollet F., Allaire J.J. (eds) Deep Learning with R. Manning Publications, 2017.

12. Селиванов С.Г., Гузаиров М.Б., Кутин А.А. Инноватика: учебник для вузов. 2-е изд. М.: Машиностроение, 2008.

13. Poole D., Mackworth A., Goebel R. Computational Intelligence: a logical approach. New York: Oxford University Press, 1998.

14. Duque A., Stevenson M., Martinez-Romo J., Araujo L. Co-occurrence graphs for word sense disambiguation in the biomedical domain. Artif Intell Med. 2018;87:9–19. DOI: 10.1016/j.artmed.2018.03.002

15. Tsopra R., Lamy J.-B., Sedki K. Using preference learning for detecting inconsistencies in clinical practice guidelines: Methods and application to antibiotherapy. Artif Intell Med. 2018;89:24–33. DOI: 10.1016/j.artmed.2018.04.013

16. Yazdanparast R., Abdolhossein Zadeh S., Dadras D., Azadeh A. An intelligent algorithm for identification of optimum mix of demographic features for trust in medical centers in Iran. Artif Intell Med. 2018;88:25–36. DOI:10.1016/j.artmed.2018.04.006

17. De Rossi D., Domenici C., Chiarelli P. Analogs of biological tissues for mechanoelectrical transduction: tactile sensors and muscle-like actuators. In: Sensors and sensory systems for advanced robots. Springer, 1988. P. 201–18.

18. Giorgino T., Quaglini S., Lorassi F., De Rossi D. Experiments in the detection of upper limb posture through kinestetic strain sensors. In: International Workshop on Wearable and Implantable Body Sensor Networks (BSN’06). Cambridge, MA, 2006. P. 4–12. DOI: 10.1109/BSN.2006.25

19. Riul A., dos Santos D.S., Wohnrath K., Di Tommazo R., Carvalho A.C.P.L.F., Fonseca F.J. et al. Artificial taste sensor: efficient combination of sensors made from Langmuir — Blodgett films of conducting polymers and a ruthenium complex and self-assembled films of an azobenzene-containing polymer. Langmuir. 2002;18(1):239–45. DOI: 10.1021/la011017d

20. Liang F., Qian P., Su K.H., Baydoun A., Leisser A., Van Hedent S. et al. Abdominal, multi-organ, auto-contouring method for online adaptive magnetic resonance guided radiotherapy: An intelligent, multi-level fusion approach. Artif Intell Med. 2018;90:34–41. DOI: 10.1016/j.artmed.2018.07.001

21. Piórkowski A. A statistical dominance algorithm for edge detection and segmentation of medical images. In: Piętka E., Badura P., Kawa J., Wieclawek W. (eds) Information Technologies in Medicine. Springer;2016:3–14.

22. Gandomkar Z., Brennan P.C., Mello-Thoms C. MuDeRN: Multicategory classification of breast histopathological image using deep residual networks. Artif Intell Med. 2018;88:14–24. DOI:10.1016/j.artmed.2018.04.005

23. Bardou D., Zhang K., Ahmad S.M. Lung sounds classification using convolutional neural networks. Artif Intell Med. 2018;88:58–69. DOI: 10.1016/j.artmed.2018.04.008

24. Sundgren H., Winquist F., Lukkari I., Lundstrom I. Artificial neural networks and gas sensor arrays: quantification of individual components in a gas mixture. Measur Sci Technol. 1991;2(5):464. DOI: 10.1088/0957-0233/2/5/008

25. Gardner J.W., Shin H.W., Hines E.L. An electronic nose system to diagnose illness. Sensors Actuators B: Chemical. 2000;70(1):19–24. DOI: 10.1016/S0925-4005(00)00548-7

26. Di Francesco F., Fuoco R., Trivella M.G., Ceccarini A. Breath analysis: trends in techniques and clinical applications. Microchem J. 2005;79(1):405–10. DOI: 10.1016/j.microc.2004.10.008

27. Копылов Ф.Ю., Сыркин А.Л., Чомахидзе П.Ш., Быкова А.А., Щекочихин Д.Ю., Шалтаева Ю.Р. и др. Протонная масс-спектрометрия выдыхаемого воздуха в диагностике хронической сердечной недостаточности. Кардиология. 2016;56(5):37–41. DOI: 10.18565/cardio.2016.5.37-41

28. AlAgha A.S., Faris H., Hammo B.H., Al-Zoubi A.M. Identifying β-thalassemia carriers using a data mining approach: The case of the Gaza Strip, Palestine. Artif Intell Med. 2018;88:70–83. DOI: 10.1016/j.artmed.2018.04.009

29. Richter A.N., Khoshgoftaar T.M. A review of statistical and machine learning methods for modeling cancer risk using structured clinical data. Artif Intell Med. 2018;90:1–14. DOI: 10.1016/j.artmed.2018.06.002

30. Askari E., Setarehdan S.K., Ali Sheikhani, Mohammadi M.R., Teshnehlab M. Modeling the connections of brain regions in children with autism using cellular neural networks and electroencephalography analysis. Artif Intell Med. 2018;89:40–50. DOI: 10.1016/j.artmed.2018.05.003

31. He B., Guan Y., Dai R. Classifying medical relations in clinical text via convolutional neural networks. Artif Intell Med. 2018 May 18 [in Press]. DOI: 10.1016/j.artmed.2018.05.001

32. Epure E.V., Compagno D., Salinesi C., Deneckere R., Bajec M., Žitnik S. Process models of interrelated speech intentions from online healthrelated conversations. Artif Intell Med. 2018 July 18 [in Press]. DOI: 10.1016/j.artmed.2018.06.007

33. Denecke K., van Harmelen F. Recent advances in extracting and processing rich semantics from medical texts. Artif Intell Med. 2018 Aug 3. pii: S0933-3657(18)30441-X. DOI: 10.1016/j.artmed.2018.07.004

34. Koopman B., Zuccon G., Nguyen A., Bergheim A., Grayson N. Extracting cancer mortality statistics from death certificates: A hybrid machine learning and rule-based approach for common and rare cancers. Artif Intell Med. 2018;89:1–9. DOI: 10.1016/j.artmed.2018.04.011

35. Gerevini A.E., Lavelli A., Maffi A., Maroldi R., Minard A.-L., Serina I. et al. Automatic classification of radiological reports for clinical care. Artif Intell Med. 2018. June 7 [in Press]. DOI: 10.1016/j.artmed.2018.05.006

36. García M.A.M., Rodríguez R.P., Rifón L.A. Leveraging Wikipedia knowledge to classify multilingual biomedical documents. Artif Intell Med. 2018;88:37–57. DOI: 10.1016/j.artmed.2018.04.007

37. da Costa C.A., Pasluosta C.F., Eskofier B., da Silva D.B., da Rosa Righi R. Internet of Health Things: toward intelligent vital signs monitoring in hospital wards. Artif Intell Med. 2018;89:61–9. DOI: 10.1016/j.artmed.2018.05.005

38. Hela S., Amel B., Badran R. Early anomaly detection in smart home: A causal association rule-based approach. Artif Intell Med. 2018 June 29 [in Press]. DOI: 10.1016/j.artmed.2018.06.001

39. Akbar Sh., Akram M.U., Sharif M., Tari A., Khan Sh.A. Decision support system for detection of hypertensive retinopathy using arteriovenous ratio. Artif Intell Med. 2018;90:15–24. DOI: 10.1016/j.artmed.2018.06.004

40. Buzaev I.V., Plechev V.V., Nikolaeva I.E., Galimova R.M. Artificial intelligence: Neural network model as the multidisciplinary team member in clinical decision support to avoid medical mistakes. Chronic Dis Transl Med. 2016;2(3):166–72. DOI: 10.1016/j.cdtm.2016.09.007

41. Jun Guo, Xuan Yuan, Xia Zheng, Pengfei Xu, Yun Xiao, Baoying Liu. Diagnosis labeling with disease-specific characteristics mining. Artif Intell Med. 2018;90:25–33. DOI: 10.1016/j.artmed.2018.06.006

42. Luo M., Zhao R. A distance measure between intuitionistic fuzzy sets and its application in medical diagnosis. Artif Intell Med. 2018;89:34–9. DOI: 10.1016/j.artmed.2018.05.002

43. Yamada Y., Kobayashi M. Detecting mental fatigue from eye-tracking data gathered while watching video: evaluation in younger and older adults. Artif Intell Med. 2018. DOI: 10.1016/j.artmed.2018.06.005

44. Valmarska A., Miljkovic D., Konitsiotis S., Gatsios D., Lavrač N., RobnikŠikonja M. Symptoms and medications change patterns for Parkinson’s disease patients stratification. Artif Intell Med. 2018 May 23. pii: S0933-3657(17)30587-0. DOI: 10.1016/j.artmed.2018.04.010

45. Mendez J.A., Leon A., Marrero A., Gonzalez-Cava J.M., Reboso J.A., Estevez J.I. et al. Improving the anesthetic process by a fuzzy rule based medical decision system. Artif Intell Med. 2018;84:159–70. DOI: 10.1016/j.artmed.2017.12.005

46. AI Is Here — Are You Ready? Chinafrica. 2018;10:24.

47. Capodanno D., Di Salvo M.E., Cincotta G., Miano M., Tamburino C., Tamburino C. Usefulness of the SYNTAX score for predicting clinical outcome after percutaneous coronary intervention of unprotected left main coronary artery disease. Circ Cardiovasc Interv. 2009;2(4):302–8. DOI: 10.1161/CIRCINTERVENTIONS.108.847137

48. FDA permits marketing of artificial intelligence-based device to detect certain diabetes-related eye problems [Internet]. April 11, 2018. Available from: https://www.fda.gov/NewsEvents/Newsroom/PressAnnouncements/ucm604357.htm

49. FDA permits marketing of clinical decision support software for alerting providers of a potential stroke in patients [Internet]. February 13, 2018. Available from: https://www.fda.gov/NewsEvents/Newsroom/PressAnnouncements/ucm596575.htm

50. FDA permits marketing of artificial intelligence algorithm for aiding providers in detecting wrist fractures [Internet]. May 24, 2018. Available from: https://www.fda.gov/NewsEvents/Newsroom/PressAnnouncements/ucm608833.htm

51. Павлов В.Н., Билялов А.Р., Гильманова Р.Ф., Якупов Р.Р., Ковтуненко А.С., Биемеев А.Т. и др. Использование интеллектуальных методов обработки данных раман-спектроскопии для диагностики злокачественных опухолей. Медицинский вестник Башкортостана. 2018;13(3):43–7.

52. Третье мнение — платформа для распознавания медицинских изображений. [cited 26.10.2018]. Available from: https://3opinion.ru/ru