Роль медицинского программного обеспечения в развитии здравоохранения

В настоящее время применение информационных технологий – один из важнейших факторов развития здравоохранения и медицины. Информационные технологии позволяют оптимизировать рутинную работу сотрудников, оказывают поддержку в принятии управленческих решений, предоставляют высокотехнологичные инструменты, помогающие в процессах лечения и диагностики. Анализ рынка программных продуктов показал, что в 2015 году объем сегмента программ для анализа медицинских изображений составил $2,15 млрд, в 2017 он увеличился до $2,61 млрд [7]. Согласно прогнозам, до 2022 годы рынок данного программного обеспечения будет расти на 8,2% ежегодно и составит $3,88 млрд в конце периода [7]. Это увеличение рынка обусловлено развитием технологий медицинской визуализации, обработки и анализа снимков, ростом инвестиций. Кроме того, рост хронических заболеваний среди людей способствует увеличению использования оборудования, которое можно интегрировать с информационными системами лечебных учреждений.

Одна из активно развивающихся областей медицинской информатики – это компьютерная обработка получаемых в процессе диагностики изображений. Извлечение клинически значимой информации – это сложная задача, которая требует использования сложных вычислительных систем, способных выявить и обработать особенности изображения за короткий промежуток времени. При этом, качественные медицинские изображения требуют много ресурсов памяти компьютера.

Рассмотрим важность создания медицинского программного обеспечения на примере технологий обработки изображений. Несмотря на развитие и совершенствование медицинской техники, обработка получаемых изображений осложняется рядом факторов. Во-первых, изображения содержат шум и различного рода помехи [8]. Во-вторых, исследуемый объект имеет сложную, зачастую неизвестную заранее форму, и представлен на сложном, неоднородном фоне. Следовательно, получаемые с помощью МРТ, микроскопии, рентгенологического и ультразвукового исследований изображения нуждаются в предварительной обработке, от качества и эффективности которой зависит успех анализа в целом.

Изображения, полученные с помощью МРТ, подвержены возникновению таких видов шумов, как Гауссов шум, шум типа «соль и перец» (чередование чёрных и белых частиц) и спекл-шум, возникающих в результате случайных колебаний оборудования и движения обследуемого человека [8].  Возникновение шумов при ультразвуковом исследовании обусловлено колебаниями оборудования, звуками окружающей среды, а также тканями и органами человека, дыхательными движениями. Интенсивность получаемого шума увеличивается с повышением четкости изображения и не может быть описана с помощью нормального распределения. При проведении микроскопического исследования степень выраженности и природа полученных шумов зависит от вида микроскопии. Например, флуоресцентная микроскопия склонная к появлению шумов, распределенных по законам Гаусса и Пуассона. Так как, в отличие от фотографии, количество улавливаемых детектором микроскопа фотонов мало, преобладает дискретное распределение Пуассона. При световой микроскопии шумы возникают из-за недостаточного освещения, неравномерного окрашивания препарата или неточных параметрах настройки микроскопа.

Первым шагом обработки медицинских изображений является получение данных об объекте исследования в графической форме с использованием медицинских устройств (реконструкция изображений). Реконструкция изображения - это процесс, используемый для создания плоских и объемных изображений объекта из данных о сигналах, полученных устройством. На этапе сбора данных медицинские устройства отвечают за преобразование анатомической / физиологической информации в цифровые сигналы.

Далее идет этап предварительной обработки изображений (это набор операций с изображениями, которые улучшают качество изображения и исключают из дальнейшего анализа нерелевантную информацию, полученную в результате нежелательных искажений). Первая стадия предварительной обработки изображения - обрезка и центрирование для отделения информативных пикселей от тех, которые не интересны для исследования. Примерами способов автоматизации этого этапа являются метод PIL.Image.crop() библиотеки изображений Python или библиотека OpenCV для C ++. Для центрирования изображений можно использовать такие библиотеки, как skimage, scipy.ndimage. Выходное изображение имеет такую же яркость, контраст, цвет и другие свойства, что и исходное.

Поскольку контраст изображений не всегда достаточен, а сам снимок зашумлен, часто требуется уменьшить количество шумов и повысить контраст пикселей. Для подавления шумов можно использовать такие методы, как фильтр Гаусса, фильтр Лапласа, фильтр Винера, средний фильтр или медианный фильтр [5]. Один из популярных способов повысить контраст - это метод выравнивания гистограммы. Гистограмма - это представление распределения интенсивности изображения в виде графика (количество пикселей для каждого значения интенсивности). Техника выравнивания гистограммы улучшает контраст, эффективно распределяя наиболее частые значения яркости пикселей (расширяя диапазон яркости изображения). Библиотека Python Matplotlib предоставляет инструменты для отображения гистограммы распределения интенсивности, а библиотека skimage – для реализации метода.

Для обработки получаемых изображений может быть использован аппарат математической морфологии [1]. Изначально методы математической морфологии представляли собой операции над множествами, но затем стали применяться и для обработки множеств точек в двумерном пространстве, в том числе и для выделения свойств изображений инструментами машинного обучения. В контексте изображений под множеством понимаются группы точек (пикселей), формирующие объекты на картинке.

Методы математической морфологии позволяют получить такие признаки изображения, как контуры, остовы, выпуклые оболочки, провести предварительную и итоговую обработку картинки. Помимо исходного изображения для методов математической морфологии используется также примитив (специальное изображение, созданное для решения конкретной задачи и имеющее размер намного меньше обрабатываемой картинки).

Для обработки изображений, полученных с помощью МРТ, могут применяться такие техники математической морфологии, как эрозия, наращивание, замыкание и размыкание [1]. Метод эрозии удаляет пиксели на границе элементов изображения. Выбирается примитив, его центральный пиксель совмещается с каждым пикселем входного изображений. Все окружающие пиксели, на которые при наложении попадает примитив, являются окрестностями входного пикселя. Выходным пикселем становится минимальное значение пикселей вокруг входного. Например, если при обработке двоичного изображения один и пикселей в окрестностях входного равен нулю, то и выходной принимает значение ноль. Задача сегментации изображений и выделения отдельных деталей, например, опухоли или сосуда, могут быть с высокой точностью выполнены с применением сверточных нейронных сетей.

Увидеть необходимость внедрения программного обеспечения для анализа медицинских изображений на практике можно на примере использования системы передачи и архивации изображений PACS при эндопротезировании тазобедренного сустава. Для этого вида протезирования необходимо чрезвычайно точно подобрать детали протеза на этапе планирования операции, убедиться, что поверхности компонентов протеза высоко конгруэнтны костной основе. Опыт применения таких систем в ФГБУ «Федеральный центр травматологии, ортопедии и эндопротезирования» Минздрава России (г. Чебоксары) показал, что использование данного программного обеспечения сокращает расходы на материалы, оборудование и инфраструктуру примерно на 2 млн. рублей в год [3]. Новое информационное обеспечение процесса обследования и подготовки пациента к операции позволило сократить среднюю продолжительность врачебных комиссий по согласованию хода протезирования и лечения вдвое (с 40 до 20 минут) [3]. Автоматизации калибровки рентгеновских снимков значительно снизило время, которое рентгенлаборант тратит на исследование (до 5 минут на одного человека). Система предоставляет врачам больше свободы, сокращает время на планирование операции, повышает точность установки металлоконструкции, эффективность процедур и облегчает контроль.

Несмотря на наличие успешных случаев внедрения высокотехнологичных решений в больницы России, этот сегмент программного обеспечения значительно отстает от показателей развитых стран [6]. Например, некоторые популярные программы для анализа изображений, полученных с помощью МРТ, были внедрены в примерно 1000 больницах. Этому способствует частое изменение законодательства о регистрации медицинского программного обеспечения, что снижает интерес индустрии в разработке программ для сферы медицины, и повышает вероятность возникновения уязвимостей. Одним из наиболее влиятельных факторов, тормозящих развитие интеграции цифровых технологий в российское здравоохранение, является низкая осведомленность среди пациентов и врачей, а также отсутствие организованного обучения для сотрудников [2]. Менее четверти сотрудников сферы здравоохранения заявляют, что они хорошо осведомлены о цифровых технологиях в медицине (22%), в то же время почти три четверти так или иначе используют их в своей деятельности (74%) [6]. Из этой статистики следует, что многие сотрудники больниц и иных организаций здравоохранения не обучены работе с цифровыми технологиями в достаточной степени, чтобы это повышало эффективность бизнес-процессов организаций. Также очень заметна разница между цифровизацией медицины в крупных городах (Москва, Санкт-Петербург) и регионах [2].

Основное ограничение при внедрении отдельных программных продуктов для анализа изображений и интегрированных систем состоит в бюджете и отсутствии инфраструктуры (в значительной степени, в регионах). Частично эта проблема может быть решена созданием облачных сервисов, но риски, связанные с информационной безопасностью и утечкой данных при использовании такого программного, вызывают обеспокоенность врачей, пациентов и поставщиков медицинских услуг [4].

Таким образом, рынок медицинского программного обеспечения в последние годы устойчиво растет. Стремление к цифровизации, сокращению затрат времени и ресурсов, созданию единого информационного пространства позволяют сделать вывод, что эта тенденция продолжится. Этот сегмент программного обеспечения позволяет не только повысить эффективность лечебного и диагностического процесса, снизить количество человеческих ошибок, но и снизить количество времени, затраченное на выполнение рутинных операций, объем и стоимость используемых ресурсов. Наиболее востребованным могут стать интегрированные решения, так как их проще использовать, они совместимы с медицинским оборудованием и позволяют уменьшить время выполнения некоторых бизнес-процессов организаций здравоохранения. Так как современные качественные медицинские изображения занимают много памяти, гораздо эффективнее и удобнее хранить такой большой объем информации не локально на компьютерах врачей и сотрудников лабораторий, а в распределенной системе хранилища изображений. Тем не менее, создание медицинских информационных систем и программного обеспечения для диагностики и лечения осложнено рядом факторов. Для России наиболее актуальны проблемы недостаточного финансирования, организации обучения и просвещения сотрудников, не соответствующей системным требованиям инфраструктуры и правового обеспечения создания и использования медицинского программного обеспечения.