Право и бизнес. Том 4. новая монографияТом 4. Правовое пространство для развития бизнеса в россии
 Скачать 3.6 Mb.
|
|
§ 6.14. Применение искусственного интеллекта в нейрорадиологии как фактор формирования геномной информации 188 Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 18-29-14063 Сушкова Ольга Викторовна, кандидат юридических наук, доцент, доцент кафедры информационного права и цифровых технологий, доцент кафедры предпринимательского и корпоративного права Московского государственного юридического университета имени О.Е. Кутафина (МГЮА), старший научный сотрудник сектора 131 ФИПС (РОСПАТЕНТ) Sushkova Olga Viktorovna, Kutafin Moscow State Law University (Moscow State Law Academy), Federal Institute of Industrial Property (ROSPATENT) E-mail: ovsushkova@mail.ru ББК 67.404.9 УДК 347.151 Аннотация. Автор подчеркивает, что в настоящее время одним из наиболее перспективных инновационных направлений в области здравоохранения является применение искусственного интеллекта. Прежде всего, это связано с интеграцией искусственного интеллекта в радиологию. Отмечается, что, используя технологию искусственного интеллекта, увеличиваются данные, связанные с геномной информацией, которая формируется исходя из выявленных результатов медицинских исследований пациентов. В связи с этим радиология теперь переходит от субъективного 166 восприятия к более объективной науке. Автором делается вывод о том, что применение искусственного интеллекта позволит специалистам в области радиологии выполнять больше задач по выявлению диагнозов, предпочтений пациентов и другой информации, которая будет формировать банки генетической информации, становясь более значимыми для формирования междисциплинарных клинических исследований. Ключевые слова: искусственный интеллект, геномная информация, нейрорадиология, инновации, здравоохранение, клинические исследования, междисциплинарность. The use of artificial intelligence in neuroradiology as a factor in the formation of genomic information Annotation. The author emphasizes that at present one of the most promising innovative areas in the field of healthcare is the use of artificial intelligence. First of all, this is due to the integration of artificial intelligence in radiology. It is noted that using technology of artificial intelligence, data related to genomic information is being increased, which is formed on the basis of the revealed results of medical research of patients. In this connection, radiology is now moving from subjective perception to a more objective science. The author concludes that the use of artificial intelligence will allow specialists in the field of radiology to perform more tasks in identifying diagnoses, patient preferences and other information that will form banks of genetic information, becoming more significant for the formation of interdisciplinary clinical studies. Keywords: artificial intelligence, genomic information, neuroradiology, innovation, healthcare, clinical research, interdisciplinarity. The reported study was funded by RFBR according to the research project № 18-29-14063. 167 Технологии искусственного интеллекта в здравоохранении достаточно давно себя зарекомендовали с положительной стороны, являясь наиболее перспективным направлением по внедрению инноваций, в том числе и в сферу формирования банков геномной информации. Это, прежде всего, выражается в обработке различных изображений и получении их интерпретаций 189 . Действительно, применение технологий искусственного интеллекта может иметь место в нескольких приложениях: от получения и обработки изображений до формирования в автоматическом режиме отчетности, а также процесс последующего планирования, хранения данных их анализ и многое другое. Полагаю, применение этого алгоритма будет способствовать формированию качественных классификаторов банков генетической информации. Благодаря широкому спектру приложений, создаваемых технологией искусственного интеллекта, они смогут оказать огромное влияние на сфере нейрорадиологии и упростить деятельность специалистов в указанной сфере. Однако, в любых инновациях, которые входят во все сферы общественных отношений есть положительные и отрицательные моменты, которые также будут проанализированы и показаны автором в ходе настоящего исследования. 10.10.2019 Президентом РФ был принят Указ «О развитии искусственного интеллекта в Российской Федерации», которым была утверждена Стратегия развития искусственного интеллекта на период до 2030 года (далее – Стратегия) 190 Следует отметить, что подп. «а» п. 5 Стратегии предусматривает понятие искусственного интеллекта, под которым понимается комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности (далее – РИД) человека. 168 Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе в котором используются методы машинного обучения), процессы и сервисы по обработке данных и поиску решений 191 Исходя из предлагаемого определения можно сделать вывод, что искусственный интеллект можно рассматривать, как объект гражданских прав и, возможно, в дальнейшем, включить в ст. 128 ГК РФ. Данное суждение базируется и на том основании, что в предлагаемом определении искусственного интеллекта упоминается о том, что его конечным результатом является РИД. В связи с этим можно говорить о том, что искусственный интеллект как РИД имеет способность участвовать в инвестиционном процессе 192 и являться частью информационной среды 193 Однако, указанный термин «искусственный интеллект», как нам представляется, является достаточно многогранным исходя из сферы его реализации. Представляется, что в рамках настоящего исследования понятие «искусственного интеллекта» может применяться в том случае, когда устройство имитирует когнитивные функции человека, как обучение и решение проблем 194 . В целом, искусственный интеллект относится области информатики и посвящен созданию различных системы, выполняющих задачи, которые обычно можно выполнить при помощи человеческого интеллекта с учетом применения различных технических устройств 195 . Надо отметить, что в настоящее время сформировались виды применения технологии искусственного интеллекта, такие как машинное обучение и глубокое обучение. Термин «машинное обучение» был введен Артуром Самуэлем в 1959 году 196 для описания некоторых элементов искусственного интеллекта, которые включали в себя подходы, которые позволяли компьютерам учиться на уже введенных данных в некоторые базы без явного применения компьютерного кода, что сейчас 169 имеет место в здравоохранении при формировании банков генетической информации 197 . Машинное обучение включает в себя вычислительные модели и алгоритмы, которые подражают архитектуре биологических нейронных сетей мозга человека, то есть некоторые «искусственные нейронные сети» 198 Архитектура нейронной сети структурирована по слоям и состоит из взаимосвязанных узлов. Каждый узел сети выполняет взвешенную сумму входных данных, которые впоследствии переходят к функции активации. Все эти элементы динамически активизируются на этапе обучения. Существует три вида слоев: входной слой, который получает входные данные; выходной слой, который производит результаты обработки данных; скрытый слой, который извлекает шаблоны данных. Глубокое обучение, как подход, было разработано для улучшения производительности обычных искусственных нейронных сетей при использовании глубоких архитектур. Глубокие искусственные нейронные сети отличаются от единственного скрытого слоя тем, что большое количество скрытых слоев характеризуют глубину сети 199 . Надо отметить, что среди разных глубоких искусственных нейронных сетей имеются так называемые «сверточные нейронные сети», которые в настоящее время набирают популярность, особенно в той сфере, которая исследуется в данной статье. Несмотря на производительность, сетевая архитектура машинного обучения делает их более склонными к неудаче в достижении конвергенции в наборе данных для банков генетической информации для дальнейших исследований. С другой стороны, сложность глубоких сетевых архитектур предъявляет к ним требования, с точки зрения вычислительных ресурсов и размера обучающей выборки. Успех в применении глубокого обучения стал возможен, главным образом, благодаря последним достижениям в разработке аппаратного обеспечения такой технологией, как графический процессор. В самом деле, большое количество узлов, необходимых для обнаружения 170 сложных отношений, включая и различные децентрализованные банки генетической информации, могут привести к формированию миллиардных параметров, которые необходимо будет оптимизировать во время определенного этапа обучения. По этой причине сети глубокого обучения требуют огромного количества тренировочных данных, которые, в свою очередь, увеличивают вычислительные мощности, необходимые для их анализа. Однако, как нам представляется, во всех этих процессах отсутствуют правовые регуляторы, связанные с надлежащей охраной персональных данных именно как «тренировочные данные». Полагаю, что в этой связи должен быть решен вопрос относительно того, насколько так называемые «тренировочные данные» не будут публично известны неопределенному кругу лиц? Насколько «тренировочные данные генетической информации» при их слиянии с разными децентрализованными банками данных такой информации не будут «технически» переданы без согласия владельца таких данных? Насколько, в целом, такая «тренировочная информация» может передаваться в иные банки данных без письменного согласия лица? Все эти и иные вопросы, к сожалению, сегодня не решены в российском законодательстве, несмотря на тот факт, что законодатели стремятся найти все необходимые правовые подходы для обеспечения сохранности не только персональных (формально- индивидуализирующих) данных человека, но и сохранить в тайне генетическую информацию человека. Поскольку в сложившихся условиях цифровизации общественных отношений невозможно будет оставить указанные вопросы без внимания и соответствующих правовых механизмов охраны и защиты. Безусловно, что ответы на эти вопросы носят межотраслевой характер и нуждаются в четкой правовой и регламентации и, характеристике. Еще М.Ю. Челышев указывал, что межотраслевые связи – это «отношения взаимной обусловленности и общности между различными правовыми 171 нормами разной подотраслевой принадлежности…» 200 . В этой связи можно согласиться с А.В. Михайловым, утверждающем, что взаимодействие различных отраслей права «представляет собой взаимную динамическую связь … правовых образований, которая последовательно на всех стадиях правового регулирования и во всех элементах механизма правового регулирования соответствующих образований» 201 Надо отметить, что сфера радиологии давно знакома с рассматриваемой технологией, а именно с компьютерной системой обнаружения и диагностики, которые впервые были представлены в 1960-х годах при рентгенографии грудной клетки и маммографии. Тем не менее, научные достижения в разработке алгоритмов в сочетании с простотой доступа к вычислительным ресурсам позволяет использовать искусственный интеллект в сфере радиологии при принятии диагностических решений на более высоком функциональном уровне. Так, на Ежегодном собрании радиологов в 2017 году Обществом стран Северной Америки были представлены результаты использования искусственного интеллекта. Исследования показали применение алгоритмов глубокого обучения при оценках риска роста злокачественности узелков легкого, оценки зрелости скелета рук у детей, классифицирующие признаки массы печени и даже возможности проведения исследования биопсии щитовидной и молочных желез 202 . В связи с чем возникает вполне справедливый вопрос: применение технологии искусственного интеллекта в радиологии – угроза или новые возможности? Для специалистов в области радиологии применение технологии искусственного интеллекта реализует те задачи, которые перед ними ставит медицина: чем больше изображений можно увидеть, тем больше информации можно получить и, следовательно, провести исследование заболеваемости человека. Надо отметить, что аналогичный принцип работает и для технологии как машинного, так и глубокого обучения. Это 172 заметно на том примере, что в последнее время медицинская визуализация эволюционировала из проекционных изображений, таких как рентгенограммы или плоские сцинтиграммы для томографических (то есть поперечных) изображений, таких как ультразвук (УЗИ), КТ, томосинтез, позитрон и др., в более сложные технологии с большим количеством различных генетических данных. Хотя переход к трехмерной (3D) визуализации начался еще в 1930-х годах, только в цифровую эпоху такой подход позволил проводить высоко анатомические исследования и расширять детализацию получаемой генетической информации. Увеличение объема обрабатываемых данных может влиять на интерпретацию получаемого изображения: без какого-либо конкретного вывода на простое описание полученного результата. Такой негативный результат возможен в тех случаях, когда большое количество времени тратится на анализ изображения, и время для оценки в совокупности клинических и лабораторных исследований – сжато. Задача, которая стоит перед рентгенологом сводится только к анализу получаемого изображения 203 . Клиническая картина состояния здоровья человека формируется другим специалистом на основу других исследований. Данный подход является опасным, как для рентгенологов, так и для пациентов. Поскольку при проведении радиологического обследования рентгенолог должен иметь полное понимание клинической ситуации пациента вне зависимости от имеющихся у него специальных знаний. Надо отметить, что подобная ситуация наблюдается и в медицинских учреждениях разных организационно-правовых форм в России и нередко приводит к ошибочным суждениям в отношении формирования диагноза у пациента. В ряде случаев такая постановка вопроса приводит и к летальным исходам. Поэтому внедрение технологии искусственного интеллекта, возможно, не только окажет содействие по устранению указанных пробелов в проводимых исследованиях, но и будет 173 способствовать формированию банков генетической информации, как в целом, так и каждого отдельного пациента. Полагаю, что системы искусственного интеллекта смогут предоставлять информацию о характеристиках аномальных полученных результатов, в основном, с точки зрения условных вероятностных изменений у конкретного пациента и смогут быть применимы для эффективного диагностирования 204 На наш взгляд, это важно, потому что не все отклонения являются репрезентативными для определенной болезни, и их надо учитывать. Применение технологии искусственного интеллекта той или иной конкретной ситуации должно быть оправдано, с точки зрения эффективности и результативности. Однако, в отличие от системы автоматизированного проектирования, которая просто подчеркивает наличие или отсутствие особенностей изображения, связанного с болезненным состоянием конкретного пациента 205 , системы искусственного интеллекта рассматривают и предоставляют анализ конкретных помечаемых структур, а также предоставляют анализ таких изображений, которые не видны обычном человеческому глазу. Такой подход имитирует аналитическое познание человека, позволяющее повысить производительность, что уже не соотносится со старой системой автоматизированного проектирования 206 Поэтому с необратимым увеличением данных визуализации и возможностью того факта, что специалисты могут или не могут обнаружить 207 , радиология в настоящее время активно использует новые технологии. При этом использование новейших инновационных технологий при диагностировании того или иного заболевания пациента не исключает обмен такой информации в научно-исследовательских целях 208 Ключевым моментом является тот факт, что технологии искусственного интеллекта имеют потенциал для замены рутинной работы, определения каких-то качественных или простых количественных характеристик, что выполняется в 174 настоящее время радиологами для формирования, в том числе и электронных медицинских карт 209 . Кроме того, недавно разработанные сети глубокого обучения привели к формированию более надежных моделей для радиомики, которые являются неким новым полем и которые имеют более высокую пропускную способность для проведения аналитического исследования и дачи заключения при извлечении рентгенологических изображений 210 Действительно, данные, полученные в результате исследования радиомики, такие как интенсивность, форма, текстура, длина волны и т.д., могут быть извлечены из медицинских изображений 211 и включены в банки данных генетической информации с целью обеспечения ценной информацией специалистов для прогнозирования ответа по лечению, в особенности, когда речь идет об обнаружении у пациентов доброкачественных и злокачественных опухолей, а также с целью оценки выявления генетической предрасположенности рака или существующих типов рака 212 . Поскольку быстрый рост этой области, многочисленные опубликованные результаты исследований не имеют стандартизированной оценки, то научная целостность радиомики и ее клиническая значимость возрастает. Таким образом, разработанные приложения на основе технологии искусственного интеллекта могут улучшить воспроизводимость технических протоколов, улучшения качества изображения и уменьшения дозы облучения, уменьшения времени сканирования МРТ и оптимизации использования персонала и тем самым снижая затраты. Все это поможет противодействовать одному из существующих ограничений использования систем искусственного интеллекта – низкая способность распознавать эффекты позиционирования, артефакты движения и т.д., ввиду отсутствия стандартизированных протоколов сбора данных генетической информации. 175 Библиографический список 1. Михайлов А.В. Экологическая безопасность: проблемы оптимизации межотраслевых связей экологического и предпринимательского права: сб. трудов // Правовое обеспечение экологической безопасности в сфере природопользования и энергетики (Казань, 8-9 декабря 2017 г.). Казань: Казан. (Приволжский) фед. ун-т, 2018. С.43-48. 2. Сушкова О.В. Особенности реализации искусственного интеллекта как объекта информационный среды в сфере предпринимательской деятельности в зарубежных странах // Вестник Университета им. О.Е. Кутафина (МГЮА). №12 (64). 2019. С.121-128. 3. Челышев М.Ю. Система межотраслевых связей гражданского права: цивилистическое исследование: Автореф. дис. … докт. юрид. наук. Казань: Казанский государственный университет, 2008. С. 8-9. 4. Azavedo E., Zackrisson S., Mejàre I., Heibert Arnlind M. (2012) Is single reading with computer-aided detection (CAD) as good as double reading in mammography screening? A systematic review. BMC Med Imaging 12:22. 5. Chartrand G., Cheng P.M., Vorontsov E. et al (2017) Deep learning: a primer for radiologists. Radiographics 37:2113-2131. 6. Dheeba J., Albert Singh N., Tamil Selvi S. (2014) Computer- aided detection of breast cancer on mammograms: a swarm intelligence optimized wavelet neural network approach. J Biomed Inform 49:45-52. 7. Davnall F., Yip C.S., Ljungqvist G. et al (2012) Assessment of tumor heterogeneity: an emerging imaging tool for clinical practice? Insights Imaging 3:573-589. 8. Dodd J.D. (2007) Evidence-based practice in radiology: steps 3 and 4--appraise and apply diagnostic radiology literature. Radiology 242:342-354. 176 9. Erickson B.J., Korfiatis P., Akkus Z., Kline T.L. (2017) Machine learning for medical imaging. Radiographics 37:505-515. 10. Gillies R.J., Kinahan P.E., Hricak H. (2016) Radiomics: images are more than pictures, they are data. Radiology 278:563-577. 11. King B.F. Jr. (2017) Guest editorial: discovery and artificial intelligence. AJR Am J Roentgenol 209:1189-1190. 12. King A.D., Chow K.K., Yu K.H. et al (2013) Head and neck squamous cell carcinoma: diagnostic performance of diffusion- weighted MR imaging for the prediction of treatment response. Radiology 266:531-538. 13. Kohli M., Prevedello L.M., Filice R.W., Geis J.R. (2017) Implementing machine learning in radiology practice and research. AJR Am J Roentgenol 208: 754-760. 14. Krittanawong C. (2018) The rise of artificial intelligence and the uncertain future for physicians. Eur J Intern Med 48:13-14. 15. Lambin P., Leijenaar R.Th., Deist T.M. et al (2017) Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol 14:749-762. 16. Lakhani P., Prater A.B., Hutson R.K. et al (2018) Machine learning in radiology: applications beyond image interpretation. J Am Coll Radiol 15:350-359. 17. Lee J.G., Jun S., Cho Y.W. et al (2017) Deep learning in medical imaging: general overview. Korean J Radiol 18:570-584. 18. Pesapane F., Patella F., Fumarola E.M. et al (2017) Intravoxel incoherent motion (IVIM) diffusion weighted imaging (DWI) in the Periferic prostate cancer detection and stratification. Med Oncol 34:35. 19. Russell S., Bohannon J. (2015) Artificial intelligence. Fears of an AI pioneer.Science 349:252. 20. Samuel A.L. (1959) Some studies in machine learning using the game of checkers. IBM J Res Dev 3:210-229. 21. Sardanelli F., Hunink M.G., Gilbert F.J., Di Leo G., Krestin G.P. (2010) Evidencebased radiology: why and how? Eur Radiol 20:1-15. 177 22. Sardanelli F., Ali M., Hunink M.G., Houssami N., Sconfienza L.M., Di Leo G. (2018) To share or not to share? Expected pros and cons of data sharing in radiological research. Eur Radiol 28:2328- 2335. 23. Yip S.S.F., Parmar C., Kim J., Huynh E., Mak R.H., Aerts H. (2017) Impact of experimental design on PET radiomics in predicting somatic mutation status. Eur J Radiol 97:8-15. |