Растущая медтех-компания «Третье мнение» использует технологии компьютерного зрения и машинного обучения для создания эффективных цифровых помощников врача — алгоритмов, которые помогают освободить медиков от рутины и сосредоточить их внимание на тех исследованиях, где их опыт и знания действительно необходимы. Точность алгоритмов компании превышает 90%, и во многом благодаря именно им московским больницам не пришлось в 5 раз увеличивать штат рентгенологов в 2020 году. О возможностях технологии, поиске бизнес-модели и стремительном росте выручки, несмотря на кризис, INNOVATIONS рассказала CEO компании Анна Мещерякова.
– Как давно появился ваш проект? Кто стоял у его истоков?
– В 2017 году я занималась импортозамещением и много встречалась с компаниями, которые вели разработку программного обеспечения. Одна, под руководством Вадима Конушина, специализировалась на распознавании лиц (биометрии). У нас возникла мысль: а что если применить эту технологию для распознавания патологий на медицинских изображениях? Так в самом конце 2017 года и появилось «Третье мнение». Надо сказать, что эта идея тогда витала в воздухе: на рынке практически одновременно с нами появились еще две компании, которые занялись этим же направлением.
Но проблема заключалась в том, что для проверки нашей гипотезы необходимы были данные. Мы стали искать, где их раздобыть, и оказались в центре онкогематологии имени Дмитрия Рогачева. Под научным руководством профессора, заведующего кафедрой онкологии, гематологии и лучевой терапии, советника ректора РНИМУ им. Н.И.Пирогова Сергея Румянцева мы стали формировать датасет из оцифрованных мазков крови и костного мозга, а затем создали первую нейросеть и получили первый патент.
– В чем суть вашего сервиса?
– Медицина – это та область, в которой очень много зависит от врача. Человеку важно доверять своему врачу. И тут важны не только его знания, но и опыт. А что такое нейросети, которые мы как разработчики создаем и на базе которых затем создаются готовые продукты? Это оцифрованный медицинский опыт.
Для того, чтобы создать такую нейросеть-помощника, компания-разработчик сначала должна собрать большой объем релевантных медицинских данных. Если речь идет о диагностике рака легкого, например, то для датасета следует набрать массив КТ органов грудной клетки с различными случаями рака легкого. Чтобы научить нейросеть отличать норму от «ненормы» и показать, какие виды «ненормы» существуют. И так же важно, чтобы данные были верифицированы. В данном конкретном случае диагноз должен быть подтвержден гистологически (для этого врач-патоморфолог исследует опухолевую ткань).
Далее необходимо привлечь команду высококвалифицированных и опытных врачей, которые в своей жизни отсмотрели много тысяч таких сырых данных. В специальной программе они размечают эти снимки и буквально очерчивают патологические процессы, расставляя цифровые метки. Затем мы можем приступать к обучению нейросети и созданию алгоритма анализа.
Выходит, что цифровой помощник сокращает региональное медицинское неравенство. Ведь не секрет, что самые квалифицированные специалисты, как правило, сосредоточены в федеральных центрах, больших городах. А также он нивелирует разницу в опыте и «насмотренности».
Нейросеть дает пользователю точное числовое значение, что придает уверенности в наличии или отсутствии той или иной патологии. Никто из нас не может с такой математической точностью – до единицы процента утверждать, что на снимке признаки заболевания. Коллега-врач, который предоставляет второе мнение, тоже этого сделать не в состоянии. Врачи, которые получили опыт взаимодействия с нейросетью, говорят, что этот момент формирования уверенности очень важен для них в процессе работы.
– Исследования показывают, что если дать врачам размечать одни и те же медицинские изображения, то их мнения сходятся примерно в 60% случаев. Кто-то из них видит то, чего не видят другие. Кто-то «перестраховывается». Можно ли в таком случае говорить о надежности метода?
– Скепсис есть и не только со стороны медицинского сообщества. Мы частенько сталкиваемся с утверждением, бытующем в IT-сообществе, что то, что мы делаем, это очень просто, что с этой работой может справиться студент старшего курса IT-вуза. Мол, достаточно взять открытый датасет – такие действительно есть, и на его основе «написать» нейросеть.
Что я на это обычно отвечаю? «Написать» нейросеть, опираясь на общедоступный набор исследований, студент, наверное, сможет. Но вот рискнет ли больница такой алгоритм применить в клинической практике? Потому что уже на этапе калибровочных тестирований выяснится, что набор известных ИИ-алгоритму признаков – более чем скромный, распознает он эти признаки плохо, часто ошибается, выдает за патологию здоровые участки и, наоборот, не умеет отфильтровывать помехи. Потому что архитектура нейросети так собрана: ее обучали на малой выборке, которую еще неизвестно кто составлял. Тут и кроется огромная разница между пусть даже талантливыми одиночками и междисциплинарной командой. Мы собираем профессионалов и в направлении обучения алгоритмов, и в отделе продуктовой разработки и специалистов-медиков. И все они работают с датасетами, которые в десятки и сотни раз превышают общедоступные.
– Предположу, что размер и качество датасета – не единственное отличие.
– Если мы говорим о продукте для помощи в диагностике рака молочной железы, то в команде должны работать не только врачи-рентгенологи, но и клиницисты, рентген-лаборанты. Далее необходимо выделить классификатор: вся команда, участвующая в разметке, должна придерживаться одной методологии. В идеале должны быть представители разных медицинских школ: чтобы исключить ошибку в нейросети, нужно учесть разные мнения.
Наши врачи работают у нас в офисе, и я периодически наблюдаю, как они спорят между собой. Например, кто-то видит на изображении патологический процесс, тогда как его коллега, видя тот же снимок с анонимными данными, считает, что это артефакт, то есть искажение, брак. Если они не приходят к единому мнению, то этот вопрос выносится на широкий консилиум с подключением дополнительных экспертов. На все это нужно время. Сервис вбирает в себя результаты разборов тысяч сложных кейсов. Представляете, какой массив опыта аккумулируется?
В реальной жизни ситуации, когда врач что-то не разглядел или просто счел нормой, случаются. Но серьезные ошибки в диагностике приводят к нерелевантному протоколу лечения, а впоследствии могут стать предметом для судебного разбирательства. Сейчас эта тема крайне актуальна. Наша задача – как раз таки минимизировать субъективизацию и риски неправильной диагностики.
– Часто ли вам приходится слышать скепсис врачей, сравнивающих AI с черным ящиком? Дескать, никто не знает, чему и на каком материале он обучался.
– Эпитет «черный ящик», по моим наблюдениям, чаще используют потенциальные заказчики, которые еще не имели опыта использовать систему поддержки принятия врачебных решений (СППВР). Те, кто уже пробовал подобные сервисы, понимают, что у каждого цифрового помощника есть четкие параметры: какие данные он принимает на вход, какие отклонения он распознает, а какие – нет, в каком виде он выдает результат. Вся эта информация разработчиком предоставляется.
Самое главное – решения, подобные нашему, сертифицируются Росздравнадзором. Регистрация медицинского изделия, к коим относится и программное обеспечение, – длительный, ответственный процесс, который эффект черного ящика полностью исключает.
– По какой бизнес-модели вы развиваетесь?
– В Москве мы применяем транзакционную модель: получаем оплату за обработанное исследование. В основном же продаем лицензии. Раньше это были лицензии на один или три года, которые включают в себя обновления и техническую поддержку. Пока не могу сказать, какие пользуются большим спросом, так как у нас маловато опыта. А в последнее время мы поняли, что со стороны небольших медицинских центров, которые живут в условиях более узкого горизонта планирования и на более «коротких» деньгах, есть спрос на месячные лицензии. Так что теперь мы предлагаем и такой вариант.
– Какова последовательность работы пользователя с вашим продуктом? На каком этапе и в каких случаях он получает AI заключение?
– Врач работает в своей привычной среде, в обычной компьютерной программе/информационной системе (МИС, PACS). Интеграция нашего сервиса для него проходит незаметно. При этом, когда он открывает рабочий стол, то видит в верхней части списка выполненных исследований те, которые требуют его особого внимания. Они, по принципу светофора, окрашены в красный цвет. Те, что могут бы отработаны позже, – желтого цвета. Если AI не выявил патологии – зеленого. Цветовой индикатор фактически является гиперссылкой, щелкнув по которой, врач попадает в сформированный алгоритмом протокол заключения с клиническими рекомендациями.
Готовое заключение экономит время медицинского персонала. А в случае с ургентной помощью, например, при диагностике инсульта, эта экономия имеет решающее значение для исхода лечения.
Другой пример, плановая диагностика – еще одно интересное нам направление. Проводится скрининговое исследование, рентгенограмма или флюорограмма, и, если сервис обнаружил какие-то отклонения, как и в случае с некачественным изображением, рентген-лаборант моментально получает извещение: исследование необходимо переделать. При повторном положительном заключении мы получаем возможность «поймать» патологические процессы на старте, когда они ещё успешно поддаются лечению.
– Как вы перешли от онкогематологии к радиологии?
– В нашем сегменте есть компании, которые отталкивались от других, предыдущих направлений бизнеса. Одни выросли из телемедицинских сервисов, другие – из патоморфологических лабораторий, третьи – из разработчика медицинских информационных систем. Иначе говоря, та первая компетенция и легла в основу AI-продукта. В центре нашей компании – технология компьютерного зрения. У нас иная ДНК. Мы были продуктово нейтральными на старте и развивались с точки зрения появления в нашей команде новых key opinion лидеров, то есть лидеров мнений, и доступности качественных датасетов. Поэтому довольно быстро у нас появилось множество разнообразных модулей: для анализа снимков глазного дна, рентгенограмм грудной клетки. Когда мы осознали, что самая оцифрованная область, где накоплен большой массив данных, – радиология, мы сфокусировались на ней. И так уж случилось, что это произошло как раз в 2020 году.
– Как отразилась на вас пандемия?
– Начиная с апреля 2020 года мы перешли из режима предложения наших сервисов в режим приема запросов на их установку. Это произошло по причине кратного увеличения количества КТ-исследований органов грудной клетки, с одной стороны, и запроса на быстрое определение объема поражения легочной ткани, с другой. В некоторых отделениях лучевой диагностики трафик вырос в пять раз. Увеличить штат рентгенологов в пять раз – нереально. Стало понятно, что в такой ситуации без цифровых помощников не обойтись.
Мы стали участниками московского Эксперимента по внедрению искусственного интеллекта для анализа медицинских изображений в системе здравоохранения и с нашим продуктом по интерпретации КТ-снимков с целью диагностики COVID-19 вышли в лидеры среди компаний-разработчиков по итогам 2020 года. Благодаря этому решению мы впервые получили выручку, потому что у медицинских организаций был выделенный бюджет на борьбу с пандемией. Так мы вышли на новый виток развития. В 2021 году выручка выросла в три раза, но это объясняется эффектом нулевой базы. А по состоянию на май 2022 года мы превысили показатель выручки прошлого года.
Вообще нужно отметить, что за два года пандемии отечественным компаниям-разработчикам удалось сделать серьезный шаг вперед – преодолеть барьер из недоверия и скепсиса медицинского сообщества. Уровень ожиданий заказчиков стал гораздо более зрелым, и интерес к использованию цифровых ассистентов, независимо от пандемии, растет.
– Затронули ли вас экономические санкции?
– Есть определенные сложности с наращиванием вычислительных мощностей. Но, к счастью, у государства есть программы поддержки, которые позволяют нам приобрести это оборудование с определенными субсидиями.
– Чем вы занимаетесь сейчас?
– Мы развиваем новый сервис видеоаналитики, сотрудничаем с государственными и частными стационарами. Что дает этот продукт? Клинике, которая проходит ту или иную сертификацию на соответствие стандарту качества оказания медицинских услуг, он помогает отслеживать эти метрики качества. Приходит медсестра вовремя к пациенту или не приходит, выполняет ли все манипуляции по уходу в срок.
Такая интеллектуальная поддержка медперсонала востребована и в терапевтических отделениях, и после интенсивной терапии. Везде, где есть ослабленные пациенты, где риск падений и образования пролежней особенно велик. Сервис сигнализирует о возможных негативных событиях. В общем, мы помогаем врачу эффективно помогать пациентам.