CC BY
126[14] G. Johansen, "Gamma-ray tomography," Industrial Tomography, pp. 197-222, 2015.
[15] M. Askari, A. Taheri, M.M. Larijani, and A. Movafeghi, "Industrial gamma computed tomography using high aspect ratio scintillator detectors (A Geant4 simulation)," Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, vol. 923, pp. 109-117, 2019.
[16] E.M. Bruvik, B.T. Hjertaker, and A. Hallanger, "Gamma-ray tomography applied to hydro-carbon multi-phase sampling and slip measurements," Flow Measurement and Instrumentation, vol. 21, no. 3, pp. 240-248, 2010.
[17] J. Kim, S. Jung, J. Moon, and G. Cho, "A feasibility study on gamma-ray tomography by Monte Carlo simulation for development of portable tomographic system," Applied Radiation and Isotopes, vol. 70, no. 2, pp. 404-414, 2012.
[18] C. H. D. Mesquita, D. V. D. S. Carvalho, R. Kirita, P. A. S. Vasquez, and M. M. Hamada, "Gas-liquid distribution in a bubble column using industrial gamma-ray computed tomography," Radiation Physics and Chemistry, vol. 95, pp. 396-400, 2014.
[19] R. Adams and R. Zboray, "Gamma radiography and tomography with a CCD camera and Co-60 source," Applied Radiation and Isotopes, vol. 127, pp. 82-86, 2017.
[20] M. Schubert, G. Hessel, C. Zippe, R. Lange, and U. Hampel, "Liquid flow texture analysis in trickle bed reactors using high-resolution gamma ray tomography," Chemical Engineering Journal, vol. 140, no. 1-3, pp. 332-340, 2008.
УДК 33,61
Загарских Елена Юрьевна1,
д-р мед. наук, профессор кафедры эндокринологии
им. акад. В.Г. Баранова. Загарских Юлия Александровна2,
студент
ПРИМЕНЕНИЕ КИБЕРБЕЗОПАСНОСТИ И ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МЕДИЦИНЕ
1 Северо-Западный государственный медицинский университет им. Мечникова, zagarsklena@mail.ru 2 Санкт-Петербургский государственный экономический университет,
zagarskih_July@mail.ru2
Аннотация: В статье рассматриваются вопросы кибербезопасности и использования искусственного интеллекта в медицине, возможности внедрения искусственного интеллекта в качестве диагностики болезней.
Ключевые слова: кибербезопасность, информационная безопасность, кибер-физическая система, киберфизическое общество, диагностика, искусственный интеллект, медицина, экономика, машинное обучение, диабетическая ретинопатия.
Elena Ju. Zagarskikh1,
Dr. med. sciences, professor of the department of endocrinology
them. Acad. V.G. Baranova,
2
Yulia A. Zagarskikh ,
student
CYBERSECURITY APPLICATIONS AND THE USE OF ARTIFICIAL
INTELLIGENCE IN MEDICINE
1 North-western State Medical University named after I.I. Mechnikov,
zagarsklena@mail.ru 2 Saint-Petersburg State University of Economics, zagarskih_July@mail.ru
Abstract: The article discusses the use of cybersecurity and the use of artificial intelligence in medicine, the possibility of introducing artificial intelligence as a diagnosis of diseases.
Keywords: cyber security, information security, cyberphysical system, cyberphysical society, diagnostics, artificial intelligence, medicine, Economics, machine learning, diabetic retinopathy.
Кибербезопасность - это глобальное явление, представляющее сложную социально-техническую задачу для правительства, но требующее участия отдельных лиц. Хотя кибербезопасность является одной из наиболее важных задач, стоящих сегодня перед правительством, наглядность и осведомленность общественности остаются ограниченными. Почти все слышали о кибербезопасности, однако срочность и поведение людей не отражают высокий уровень осведомленности. Интернет слишком часто рассматривается как безопасная среда для обмена информацией, транзакции и управление физическим миром. Тем не менее, кибер-войны уже идут и продолжаются, и необходимо срочно подготовиться к ним. Неспособность создать кибербезопасность может привести к неспособности разработать подходящую политику. [4]
Рассматривается потенциал кибербезопасности в пяти измерениях (Ьис1):
Рис. 1. Потенциал кибербезопасности.
1. Разработка политики и стратегии в области кибербезопасности,
2. Поощрение ответственной культуры кибербезопасности в обществе;
3. Развитие знаний о кибербезопасности;
4. Создание эффективной нормативно-правовой базы;
5. Контроль рисков с помощью стандартов, организаций и технологий.
Эти пять аспектов охватывают широкий круг областей, которые следует учитывать при поиске путей укрепления потенциала в области кибербезопасности. Мы признаем, что эти аспекты могут дублировать друг друга по некоторым вопросам, и, действительно, в центре потенциала хочется уловить взаимозависимость между возможностями в области кибербезопасности, поскольку он проводит больше обзоров национального потенциала.
Запуск: на данном этапе либо не существует зрелости в области кибербезопасности, либо она носит очень зародышевый характер. Ведутся начальные дискуссии о создании потенциала кибербезопасности, но нет конкретных действий. На данном этапе отсутствуют наблюдаемые доказательства [1].
Формирующее: некоторые особенности аспектов начали расти и формулироваться, но могут быть случайные, неорганизованные, плохо определенные или просто «новые». Однако доказательства этой деятельности могут быть четко продемонстрированы.
Установлено: элементы аспекта на месте и работают. Тем не менее, нет продуманное рассмотрение относительного распределения ресурсов. Небольшие компромиссные решения были сделаны относительно «относительных» инвестиций в различные элементы аспекта. Но аспект является функциональным и определенным [3].
Стратегический: был сделан выбор о том, какие части аспекта важны, а какие менее важны для конкретной организации или нации. Стратегический этап отражает тот факт, что эти выборы были сделаны, в зависимости от нации или организации.
Динамический: на данном этапе существуют четкие механизмы для изменения стратегии в зависимости от преобладающих обстоятельств, такие как технология угрозы окружающей среды, глобальный конфликт или существенное изменение в одной из проблемных областей (например, киберпреступность или конфиденциальность). Динамические организации разработали методы для изменения стратегии с ходу. Быстрое решение. [1]
В апреле 2018 года Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) предоставило разрешение на продажу IDx-DR (DEN180001) в качестве первой диагностической системы на основе искусственного интеллекта (AI), который не
требует интерпретации клиницистом для обнаружения степени тяжести у пациентов с диабетической ретинопатии, у взрослых с диагнозом сахарный диабет [2]. По сути, это «Программное обеспечение как медицинское устройство» (SaMD) применяет алгоритм искусственного интеллекта для анализа изображений глаза, снятых ретинальной камерой, которые загружаются на облачный сервер. Устройство принимает решение о скрининге относительно того, имеет ли заинтересованное лицо «больше, чем легкая степень тяжести диабетическая ретинопатия» и, если это так, направляется ли на дальнейшее медицинское обследование. Если результат скрининга отрицательный, лицо будет повторно проверено через 12 месяцев. Важно отметить, что IDx-DR следует применять специально для выявления диабетической ретинопатии, а также у лиц, с подозрением наличия у них ретинопатии [5].
IDx-DR способен к машинному обучению (ML), которое является подмножеством искусственного интеллекта и относится к набору методов, которые имеют возможность автоматически обнаруживать шаблоны в данных для прогнозирования тенденций данных или для принятия решений в неопределенных условиях [6].
Здравоохранение в настоящее время предоставляется лицензированными специалистами в аккредитованных учреждениях или лицензированных клиника и предназначено для передачи от профессионала по утвержденным каналам получателям помощи. Профессионал здесь также является хранилищем знаний, которое подчеркивает понятие фидуциарных отношений, когда врач должен действовать в наилучших интересах его или его пациента. Приложения для искусственного интеллекта являются частью быстро растущего числа новых технологий, которые прямо или косвенно позволяют непрофессионалам получать доступ к обширному пулу знаний, взаимодействовать с другими людьми с опытом и / или опытными знаниями и могут в конечном итоге получить точный диагноз и разработать эффективные схемы здравоохранения независимо от врача. Приложения искусственного интеллекта также могут изменить текущую практику здравоохранения. Во многих системах здравоохранения клиническая медицина все больше отражает модель, основанную на схеме, когда все меньше клиницистов следят за болезнями от их проявления до конечного результата.
FDA обеспечило интенсивное взаимодействие и руководство для компании по эффективной разработке устройства, чтобы ускорить сбор доказательств и его обзор устройствами, которое обеспечивает более эффективное лечение или диагностику опасного для жизни или необратимо изнурительного заболевания или состояния, без каких-либо утвержденных или одобренных альтернатив.
Подход, основанный на оценке риска, принят FDA, и его применение к общему процессу жизненного цикла продукта воплощено в ISO 14971, а также в сопроводительном руководящем документе ISO TR 24971 [7].
Радиологи и клиницисты, использующие методы искусственного интеллекта, должны оценить значения, которые могут быть либо встроены в систему, либо введены через данные. Устройства и системы искусственного интеллекта могут быть обучены поддерживать практики, которые отражают одни этические цели, но не другие, и могут даже обучаться обходить законные этические и юридические требования. Модели ML также могут включать в себя неявные отклонения отбора из демографического состава населения, используемого для его обучения, которое может не отражать целевую группу населения, в которой оно будет применяться [8].
Список литературы:
1. Cybersecurity Capacity Maturity Model for Nations (CMM) / Global Cyber Security Capacity Centre University of Oxford 3/31/2016.
2. Управление по санитарному надзору за качеством пищевых продуктов и медикаментов FDA разрешает продавать устройства на основе искусственного интеллекта для выявления определенных проблем с глазами, связанных с диабетом 11 апреля 2018 г. [Электронный ресурс] URL: https://www.fda.gov/newsevents/newsroom/pressannouncements/ucm604357.htm.
3. The Practice of Network Security Monitoring: Understanding Incident Detection and Response / Richard Bejtlich; 2013 год [Электронный ресурс] URL: http://file.allitebooks.com/20150523/The%20Practice%20of%20Network%20Security%20 Monitoring.pdf.
4. Cyber-physical systems and their security issues / R. Alguliyev, Y. Imamverdi-yev, L. Sukhostat 2018 [Электронный ресурс] URL: https://www.sciencedirect.com/science/article/pii/S0166361517304244.
5. Управление по контролю за продуктами и лекарствами Является ли продукт медицинским прибором? Министерство здравоохранения и социальных служб США 2018 [Электронный ресурс] URL: https://www.fda.gov/medicaldevices/deviceregulationandguidance/overview/classifyyourde vice/ucm051512.htm.
6. Машинное обучение: вероятностная перспектива / К. П. Мерфи MIT Press, Cambridge MA (2012).
7. Программное обеспечение Управления по контролю за продуктами и лекарствами как медицинское устройство (SAMD): клиническая оценка Министерство здравоохранения и социальных служб США 2017 [Электронный ресурс] URL: https://www.fda.gov/downloads/MedicalDevices/DeviceRegulationandGuidance/Guidance Documents/UCM524904.pdf.
8. А. Тан, Р. Там, А. Cadrin-Chenevert, и др. Белая книга канадской ассоциации радиологов по искусственному интеллекту в радиологии Can Assoc Radiol J, 69 (2) (2018), стр. 120 - 135.
