The post has been translated automatically. Original language: Russian
The radiologist looks at the CT scan. There are hundreds of slices and thousands of details in front of him. He reviews dozens of such studies per day. By the end of the shift — fatigue, decreased concentration, cognitive load.
The computer vision algorithm looks at the same image. He doesn't get tired. He doesn't get distracted. Processes each pixel with the same accuracy — the first image per shift and the last one.
This does not mean that the algorithm is better than the doctor. This means that they are good at different things. And it is this combination that changes the medical diagnosis.
Why medical imaging is an ideal task for computer vision
Computer vision works best where there is a large amount of labeled data and a clear criterion for the correct answer.
Medical imaging is ideal: decades of CT scans, MRI scans, X-rays, and histological preparations with verified diagnoses. Millions of images where the correct answer is known. This is an ideal training dataset.
Convolutional neural networks (CNNs) are able to extract hierarchical features from images: from edges and textures at a low level to complex anatomical patterns at a high level. This is what makes them a powerful tool for analyzing medical images.
Where computer vision is already changing diagnostics
Oncology. The detection of skin cancer from dermatoscopic photographs is one of the first areas where algorithms have achieved the accuracy of a dermatologist. A 2017 Stanford study showed that CNN diagnoses melanoma with an accuracy comparable to an experienced specialist based on a sample of 130,000 images.
Screening of cervical cancer by cytological smears, detection of polyps during colonoscopy in real time, analysis of biopsy preparations for prostate cancer — everywhere algorithms are already working in clinical practice or are undergoing final tests.
Ophthalmology. Diabetic retinopathy is one of the leading causes of blindness in the world. Screening requires the analysis of fundus images by an experienced ophthalmologist. There are not enough specialists, especially in countries with developing medicine.
Google has developed an algorithm that detects diabetic retinopathy with 90% sensitivity and 98% specificity — surpassing the average ophthalmologist. The system has already been deployed in clinics in Thailand and India, where the shortage of specialists is critical.
Radiology. Pneumonia, pneumothorax, fractures on X—rays - algorithms detect them with high accuracy. Stanford's CheXNet detects pneumonia on an X-ray better than the average radiologist on a standard dataset.
An important caveat: "better than the average radiologist on a standard dataset" does not equal "better in real clinical practice." The real pictures are dirtier, the patients are more complex, and the context is richer. This is an honest limitation that is important to understand.
Pathology. The analysis of histological preparations is one of the most time—consuming processes in oncology. The pathologist spends hours examining tissue sections under a microscope. Computer vision algorithms can automatically segment cells, classify tissue types, and detect malignant changes — many times faster than humans.
Where does the algorithm see what a human is missing
This is the most interesting part. There are tasks where computer vision detects patterns that humans are physically unable to see.
Prediction of cardiovascular risk based on retinal imaging. It sounds incredible, but Google's algorithm has found that based on the characteristics of the blood vessels in the fundus image, it is possible to predict the patient's age, gender, diabetes, and risk of heart attack. The human eye does not see these patterns — they are statistically significant only in large samples.
Prediction of genetic mutations based on histological images of a tumor — without expensive genetic testing. The algorithm finds visual correlates of genetic changes that the pathologist is not trained to notice.
Technical challenges
There are several problems that engineers are solving right now.
Data quality and markup. Medical images from different clinics — different equipment, different protocols, different quality. A model trained on data from one clinic may not work well in another. Domain adaptation — adapting the model to new data sources is an active area of research.
Explainability. The doctor should understand why the algorithm made this particular diagnosis. Activation visualization methods — Grad-CAM, SHAP — show which areas of the image the model is looking at. But there is no complete explainability yet.
Rare diseases. The algorithm is good where there are many training examples. For rare pathologies, there is little data, and accuracy drops sharply. Few-shot learning and synthetic data augmentation partially solve the problem.
What does this mean for IT developers?
Medical computer vision is a specialized field with its own standards. DICOM, a medical image format, requires specific libraries and an understanding of metadata. The regulatory requirements for model validation are much stricter than in a conventional CV.
But the market is huge. It is estimated that the market for AI-based medical imaging solutions alone will exceed $20 billion by 2030. And this is one of the few areas where AI has already proven its clinical value with a solid evidence base.
Computer vision is not a substitute for a radiologist or pathologist. It makes their work more accurate, faster and more accessible where there are not enough specialists. This is a rare case when AI in medicine has gone from hype to real clinical results.
Когда говорят о 5G, чаще всего вспоминают быстрый интернет на смартфоне. Но самые впечатляющие применения этой технологии — не в потребительских гаджетах, а в задачах, где счёт идёт на миллисекунды и человеческие жизни.
Почему именно 5G, а не предыдущие поколения связи
Дело не просто в скорости загрузки. 5G даёт три принципиально новых свойства: сверхнизкую задержку — единицы миллисекунд против десятков у 4G, способность подключать огромное количество устройств одновременно на ограниченной площади, и гарантированную надёжность передачи данных для критических применений.
Именно эта комбинация открывает медицинские сценарии, невозможные на предыдущих стандартах связи.
Где это уже работает
Удалённая нейрохирургия. В марте 2019 года китайский врач Лин Чжипэй провёл операцию по имплантации нейростимулятора (DBS) пациенту с болезнью Паркинсона, находившемуся на расстоянии 3000 километров — между Пекином и островом Хайнань. Управление осуществлялось через 5G-сеть, развёрнутую совместно China Mobile и Huawei. Задержка сигнала была настолько мала, что врач практически не ощущал, что пациент находится за тысячи километров.
Это не единичный эксперимент. В том же году на конгрессе Mobile World Congress в Барселоне хирург Антонио де Лаcи провёл дистанционно управляемую процедуру, направляя коллег на расстоянии 5 километров с задержкой сигнала всего 0,01 секунды — демонстрация того, насколько точна может быть телехирургическая координация на 5G.
Скорая помощь и передача данных в реальном времени. Концепция передачи показателей пациента из машины скорой помощи в больницу до его прибытия — ЭКГ, видеопоток, жизненные показатели — активно разрабатывается с использованием 5G-инфраструктуры именно потому, что традиционные сети не обеспечивают нужной стабильности передачи в движении. Это направление, где пилотные проекты и испытания идут в нескольких странах, хотя массовое развёртывание пока ограничено.
Удалённый мониторинг критических пациентов. Носимые устройства с 5G-подключением позволяют непрерывно передавать данные пациентов с хроническими заболеваниями без задержек, характерных для перегруженных Wi-Fi сетей в больницах. Это особенно важно в плотно заполненных отделениях, где десятки устройств одновременно передают данные.
AR/VR в реальном времени для медицинского обучения и консультаций. Передача объёмного видео и AR-данных требует огромной полосы пропускания с минимальной задержкой. 5G делает возможными удалённые консультации с использованием AR-наложений анатомических данных в реальном времени.
Сельская и удалённая медицина. Для регионов с ограниченной традиционной инфраструктурой связи 5G в ряде случаев становится более экономичным решением, чем прокладка оптоволокна — это особенно актуально для удалённых районов Казахстана и Центральной Азии, где доступ к качественной медицинской помощи ограничен географией.
Технические требования к медицинским 5G-решениям
Network slicing — выделение гарантированного «слайса» сети специально для медицинского трафика — критически важная функция 5G для здравоохранения. Это гарантирует, что передача данных кардиомонитора не будет прерываться из-за того, что соседнее здание массово смотрит видео в высоком разрешении.
Edge computing, о котором мы писали ранее, естественным образом дополняет 5G — низкая задержка сети бессмысленна, если данные всё равно нужно гонять до далёкого облачного сервера.
Где барьеры
Покрытие 5G пока неравномерно — даже в развитых странах сети нового поколения концентрируются в крупных городах, оставляя сельские районы без доступа к этим возможностям.
Стоимость инфраструктуры и оборудования с поддержкой 5G пока выше, чем альтернатив — это ограничивает массовое внедрение, особенно в системах здравоохранения с ограниченным бюджетом.
📌 5G — это не просто более быстрый интернет. Это инфраструктурная технология, которая впервые делает возможными медицинские сценарии, требующие синхронности человека и машины на расстоянии. И в этой области скорость связи буквально измеряется в спасённых минутах.
Источники:
- China performs first 5G-based remote brain surgery — Interesting Engineering: https://interestingengineering.com/health/china-performs-countrys-first-ever-5g-remote-brain-surgery
- 5G technology facilitates world's first remote brain surgery in China — NotebookCheck: https://www.notebookcheck.net/5G-technology-facilitates-world-s-first-remote-brain-surgery-in-China.414826.0.html
- Remote surgery using robots advances with 5G tests in China (включая пример MWC Barcelona) — The Robot Report: https://www.therobotreport.com/remote-surgery-via-robots-advances-china-5g-tests/
Share
