Искусственный интеллект в онкохирургической практике

Обложка

Цитировать

Полный текст

Аннотация

Целью данного обзора было освещение основных понятий искусственного интеллекта в медицине с упором на применение этой области технологического развития в изменениях в хирургии. Проведен поиск в PubMed и Google по ключевым слова «искусственный интеллект», «хирургия». Дополнительные ссылки были получены путем перекрестных ссылок на ключевые статьи.

Интеграция искусственного интеллекта в хирургическую практику будет происходить в области образования, хранения и обработки медицинских данных, а скорость внедрения будет прямо пропорционально стоимости рабочей силы и необходимости в «прозрачности» статистических данных.

Об авторах

П. В. Мельников

ГБУЗ г. Москвы «Московская городская онкологическая больница № 62 Департамента здравоохранения г. Москвы»

Автор, ответственный за переписку.
Email: drmelnikov84@gmail.com

143423 Московская область, Красногорский район, пос. Истра, 27
 
Россия

В. Н. Доведов

McKinsey & Company

Email: fake@neicon.ru

США, 10007 Нью-Йорк, Гринвич-стрит, 175, Центр Three World Trade

США

Д. Ю. Каннер

ГБУЗ г. Москвы «Московская городская онкологическая больница № 62 Департамента здравоохранения г. Москвы»

Email: fake@neicon.ru

143423 Московская область, Красногорский район, пос. Истра, 27
 
Россия

И. Л. Черниковский

ГБУЗ г. Москвы «Московская городская онкологическая больница № 62 Департамента здравоохранения г. Москвы»

Email: fake@neicon.ru

143423 Московская область, Красногорский район, пос. Истра, 27
 
Россия

Список литературы

  1. White K.L. Healing the Schism: Epidemiology, Medicine, and the Public’s Health. New York: Springer-Verlag, 1991.
  2. Guyatt G.H. Evidence-based medicine. ACP J Club 1991;114(2):A16. doi: 10.7326/ACPJC-1991-114-2-A16.
  3. Future of Surgery. Available at: https://futureofsurgery.rcseng.ac.uk/?_ga=2.41715170.1984684233.1579034256-913643071.1579034256.
  4. Turing A.M. Computing Machinery and Intelligence. Mind 1950;236:433–60.
  5. CB Insights Research. Healthcare remains the hottest AI category for deals. 2017. Available at: https://www.cbinsights.com/research/artificial-intelligence-healthcare-startups-investors/.
  6. Deo R.C. Machine learning in medicine. Circulation 2015;132(20):1920–30.
  7. Sutton R.S., Barto A.G. Reinforcement learning: An introduction. Vol. 1. Cambridge: MIT press, 1998.
  8. Hamet P., Tremblay J. Artificial intelligence in medicine. Metabolism 2017;69S:S36–40.
  9. Nadkarni P.M., Ohno-Machado L., Chapman W.W. Natural language processing: an introduction. JAMA 2011;18(5):544–51.
  10. Szeliski R. Computer vision: algorithms and applications. Springer Science & Business Media, 2010.
  11. Lakhani P., Sundaram B. Deep learning at chest radiography: Automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology 2017;284:574–82.
  12. Esteva A., Kuprel B., Novoa R.A. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 2017;542:115–8.
  13. McKinney S.M., Sieniek M., Godbole V. et al. International evaluation of an AI system for breast cancer screening. Nature 2020;577:89–94. doi: 10.1038/s41586-019-1799-6.
  14. Wang S.Z., Wang J.G., Lu Y. Clinical application of convolutional neural network in pathological diagnosis of metastatic lymph nodes of gastric cancer. Zhonghua Wai Ke Za Zhi 2019;57(12):934–8. doi: 10.3760/cma.j.issn.0529-5815.2019.12.012.
  15. Wang D., Xu J., Zhang Z. et al. Evaluation of rectal cancer circumferential resection margin using faster region-based convolutional neural network in high-resolution magnetic resonance images. Dis Colon Rectum 2020;63(2):143–51. doi: 10.1097/DCR.0000000000001519.
  16. Fritz B.A., Cui Z. Zhang M. Deep-learning model for predicting 30-day postoperative mortality. Br J Anaesth 2019;123(5):688–95. doi: 10.1016/j.bja.2019.07.025.
  17. Rajkomar A., Oren E., Chen K. et al. Scalable and accurate deep learning with electronic health records. NPJ Digit Med 2018;1:18.
  18. Weng S.F., Vaz L., Qureshi N. Prediction of premature all-cause mortality: A prospective general population cohort study comparing machine-learning and standard epidemiological approaches. PLoS One 2019;14(3):e0214365. doi: 10.1371/journal.pone.0214365.
  19. Bihorac A., Ozrazgat-Baslanti T., Ebadi A. et al. MySurgeryRisk: development and validation of a machine-learning risk algorithm for major complications and death after surgery. Ann Surg 2019;269(4):652–62.
  20. Brennan M., Puri S., Ozrazgat-Baslanti T. et al. Comparing clinical judgment with the MySurgeryRisk algorithm for preoperative risk assessment: a pilot usability study. Surgery 2019;165(5):1035–45.
  21. Natarajan P., Frenzel J.C., Smaltz D.H. Demystifying big data and machine learning for healthcare. CRC Press, 2017.
  22. Hashimoto D.A., Rosman G., Rus D., Meireles O.R. Artificial Intelligence in Surgery: Promises and Perils. Ann Surg 2018;268(1):70–6. doi: 10.1097/SLA.0000000000002693.
  23. Volkov M., Hashimoto D.A., Rosman G. et al. IEEE International Conference on Robotics and Automation. Singapore, 2017. Machine learning and coresets for automated real-time video segmentation of laparoscopic and robot-assisted surgery. Pp. 754–759.
  24. Mascagni P., Fiorillo C., Urade T. et al. Formalizing video documentation of the Critical View of Safety in laparoscopic cholecystectomy: a step towards artificial intelligence assistance to improve surgical safety. Surg Endosc 2020;34(6):2709–14. doi: 10.1007/s00464-019-07149-3.
  25. Wang Z., Majewicz Fey A. Deep learning with convolutional neural network for objective skill evaluation in robot-assisted surgery. Int J Comput Assist Radiol Surg 2018;13(12):1959–70. doi: 10.1007/s11548-018-1860-1.
  26. DiPietro R., Lea C., Malpani A. et al. International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer International Publishing, 2016. Recognizing surgical activities with recurrent neural networks. Pp. 551–558.
  27. Shademan A., Decker R.S., Opfermann J.D. et al. Supervised autonomous robotic soft tissue surgery. Sci Transl Med 2016;8(337):337ra64. doi: 10.1126/scitranslmed.aad9398.
  28. Soguero-Ruiz C., Hindberg K., Mora-Jimenez I. et al. Predicting colorectal surgical complications using hetero-geneous clinical data and kernel methods. J Biomed Inform 2016;61:87–96.
  29. Groves P., Kayyali B., Knott D. et al. The “big data” revolution in healthcare: Accelerating value and innovation. 2016.
  30. Cuckler G.A., Sisko A.M., Poisal J.A. et al. National Health Expenditure Projections, 2017-26: Despite uncertainty, fundamentals primarily drive spending growth. Health Aff (Millwood) 2018;37(3):482–92.
  31. World Health Organization. 2018. Current health expenditure (CHE) as percentage of gross domestic product (GDP). Available at: http://apps.who.int/gho/data/node.main.GHEDCHEGDPSHA2011.
  32. Vlassov V., Bates K., McKee M. Quality improvement in hospitals in the Russian Federation, 2000–2016: a systematic review. Health Economics, Policy and Law 2019:1–11. doi: 10.1017/S1744133119000252.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© ,


СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ЭЛ № ФС 77 - 85909 от  25.08.2023.