В глобальном масштабе прямо на наших глазах происходит коренная трансформация сферы здравоохранения. Последние несколько лет стали переломными, если рассуждать о количестве новых направлений, появившихся лечебно-диагностических методиках и внедрении цифровых платформ. Цифровая медицина использует информационно-коммуникационные технологии, чтобы уже сегодня успешно решать многочисленные проблемы, связанные с обеспечением качества и доступности медицинской помощи. Стремительное развитие нейросетей и технологий искусственного интеллекта (англ. artificial intelligence, AI) предоставляет врачу широкие возможности при прогнозировании течения заболеваний и расчёте рисков здоровью пациентов. Производители медицинских гаджетов предлагают потребителям широкий ассортимент программного обеспечения и товаров с элементами AI. Носимые устройства подобного рода постепенно становятся обыденными средствами поддержки лечебного процесса и мониторинга состояния человека. Несмотря на грандиозные успехи в деле применения AI в медицине, врачебное сообщество весьма обеспокоено некоторыми сложноразрешаемыми проблемами, связанными со слишком быстрым и повсеместным использованием указанных цифровых платформ. Глубокая нейронная сеть представляет собой крайне сложно устроенную компьютерную программу, состоящую из большого числа внутренних скрытых слоёв с настраиваемыми параметрами. Чем сложнее устроена нейросеть и чем больше вычислительных операций она выполняет, тем труднее разобраться, что происходит в её внутренних слоях. Функционирование систем AI в формате чёрного ящика делает объяснение результатов их работы весьма нетривиальной задачей. Именно поэтому в будущем наверняка потребуются дополнительные исследования в области оценки надёжности и интерпретации процессов принятия решений в этих системах, что в первую очередь коснётся нейросетей самых последних поколений.
Kim H., Goo J.M., Lee K.H., et al. Preoperative CT-based Deep Learning Model for Predicting Disease-Free Survival in Patients with Lung Adenocarcinomas // Radiology. 2020. Vol. 296, N 1. P. 216–224. doi: 10.1148/radiol.2020192764.
DOI: 10.1148/radiol.2020192764
Phillips M., Marsden H., Jaffe W., et al. Assessment of accuracy of an artificial intelligence algorithm to detect melanoma in images of skin lesions // JAMA Netw Open. 2019. Vol. 2, N 10. P. e1913436. doi: 10.1001/jamanetworkopen.2019.13436.
DOI: 10.1001/jamanetworkopen.2019.13436
Questions and Answers on FDA’s Adverse Event Reporting System (FAERS) [Internet]. FDA [дата обращения: 23.01.2023]. Доступ по ссылке: https://www.fda.gov/drugs/surveillance/questions-and-answers-fdas-adverse-event-reporting-system-faershttps://www.fda.gov/drugs/surveillance/questions-and-answers-fdas-adverse-event-reporting-system-faers
Liu X., Faes L., Kale A.U., et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis // Lancet Digital Health. 2019. Vol. 1, N 6. P. e271–e297. doi: 10.1016/S2589-7500(19)30123-2.
DOI: 10.1016/S2589-7500(19)30123-2
Sabottke C.F., Spieler B.M. The effect of image resolution on deep learning in radiography // Radiol Artif Intell. 2020. Vol. 2, N 1. P. e190015. doi: 10.1148/ryai.2019190015.
DOI: 10.1148/ryai.2019190015
Heaven D. Why deep-learning AIs are so easy to fool // Nature. 2019. Vol. 574, N 7777. P. 163–166. doi: 10.1038/d41586-019-03013-5.
DOI: 10.1038/d41586-019-03013-5
Habli I., Lawton T., Porter Z. Artificial intelligence in health care: accountability and safety // Bull World Health Organ. 2020. Vol. 98, N 4. P. 251–256. doi: 10.2471/BLT.19.237487.
DOI: 10.2471/BLT.19.237487
Adamson A.S., Smith A. Machine learning and health care disparities in dermatology // JAMA Dermatol. 2018. Vol. 154, N 11. P. 1247–1248. doi: 10.1001/jamadermatol.2018.2348.
DOI: 10.1001/jamadermatol.2018.2348
Finlayson S.G., Bowers J.D., Ito J., et al. Adversarial attacks on medical machine learning // Science. 2019. Vol. 363, N 6433. P. 1287–1289. doi: 10.1126/science.aaw4399.
DOI: 10.1126/science.aaw4399
Zou J., Schiebinger L. AI can be sexist and racist — it’s time to make it fair // Nature. 2018. Vol. 559, N 7714. P. 324–326. doi: 10.1038/d41586-018-05707-8.
DOI: 10.1038/d41586-018-05707-8
Kelly C.J., Karthikesalingam A., Suleyman M., et al. Key challenges for delivering clinical impact with artificial intelligence // BMC Med. 2019. Vol. 17, N 1. P. 195. doi: 10.1186/s12916-019-1426-2.
DOI: 10.1186/s12916-019-1426-2
Nagendran M., Chen Y., Lovejoy C.A., et al. Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies // BMJ. 2020. N 368. P. m689. doi: 10.1136/bmj.m689.
DOI: 10.1136/bmj.m689
Willitts-King B., Bryant J., Holloway K. The humanitarian «digital divide». HPG Working Paper. London, 2019. P. 15.
Филиппов Ю.Н., Абаева О.П., Филиппов А.Ю. Проблемы компенсации морального вреда, связанного с оказанием медицинской помощи // Медицинское право. 2014. № 1. С. 21–24.
Voss C., Schwartz J., Daniels J., et al. Effect of wearable digital intervention for improving socialization in children with autism spectrum disorder: a randomized clinical trial // JAMA Pediatr. 2019. Vol. 173, N 5. P. 446–454. doi: 10.1001/jamapediatrics.2019.0285.
DOI: 10.1001/jamapediatrics.2019.0285
He J., Baxter S.L., Xu J., et al. The practical implementation of artificial intelligence technologies in medicine // Nat Med. 2019. Vol. 25, N 1. P. 30–36. doi: 10.1038/s41591-018-0307-0.
DOI: 10.1038/s41591-018-0307-0
Решетников А.В. Социальный институт медицины (часть 1) // Социология медицины. 2018. Т. 17, № 1. С. 4–11. doi: 10.18821/1728-2810-2018-17-1-4-11.
DOI: 10.18821/1728-2810-2018-17-1-4-11
Решетников А.В. Социальный институт медицины (часть 2) // Социология медицины. 2018. Т. 17, № 2. С. 68–79. doi: 10.18821/1728-2810-2018-17-2-68-79.
DOI: 10.18821/1728-2810-2018-17-2-68-79