Искусственный интеллект, медицина и творчество: разговор с датасайентистом медтех-стартапа о роботах в здравоохранении
Технологии искусственного интеллекта – одно из самых перспективных направлений в мире информационных технологий. Благодаря сложной архитектуре нейросетей и способности к обработке огромного количества данных искусственный интеллект может применяться в самых разных сферах человеческой жизни, выполняя задачи, которые раньше считались прерогативой человека. А что насчёт сферы здравоохранения, как искусственный интеллект разрабатывается и применяется там?
Цельс с 2017 года занимается разработкой и внедрением систем искусственного интеллекта, которые помогают врачам-рентгенологам точнее и быстрее выявлять патологии на медицинских снимках. Мы решили взять интервью у Маши Гарец, которая уже три года работает в компании в качестве специалиста по Data Science. Она рассказала, каково работать в медицинской отрасли, будучи техническим специалистом, и чем эта отрасль так необычна.
Расскажи в двух словах о том, чем ты занимаешься в проекте
Я – ML-инженер, дата-сайентист, тимлид. Моя команда состоит из четырёх человек, мы работаем над направлением флюорографии и рентгена лёгких в Цельсе. Наша работа направлена на то, чтобы дать врачу дополнительное (второе) мнение о диагнозе пациента.
Процесс выглядит следующим образом: мы получаем рентгенологический снимок, обрабатываем его с помощью алгоритмов и подсвечиваем «зоны интереса» – области, куда врачу стоит внимательнее посмотреть, так как в этих областях могут находиться злокачественные новообразования или их зарождения. Наш продукт – это «рука помощи» врачу, которая, надеемся, делает его работу легче.
Я в этом процессе выполняю две роли: как тимлид я планирую работу и взаимодействие в команде, как ML-инженер я создаю и обучаю алгоритмы.
В твоей работе есть элемент творчества?
Нетривиальных задач очень много – и с точки зрения организаторских моментов, и технических.
Наша работа предполагает тестирование множества гипотез, мы не знаем, какие гипотезы увеличат метрики продукта, а какие нет. В таких условиях мы не можем точно спрогнозировать время – поэтому нам не подходят стандартные методологии, по которым работают IT-компании. Мы сделали выборку лучших практик из разных методологий и адаптировали этот «гибрид» под ML-разработку.
В технических задачах творчества, наверное, ещё больше. Я помню, как мы превращали флюорографические снимки в рентгенологические. Это было больше года назад, наш сервис работал только с флюорографией, а нам предложили добавить функционал для обработки рентген-снимков. Как обычно это бывает, размеченного набора данных с рентгенографическими данными для обучения нейросети у нас не было. Мы сделали анализ снимков и заметили, что флюорографические данные очень похожи на рентген – но только в «плохом» качестве, менее чётком.