AI в MedTech: 4 проблемы, о которые вы споткнетесь на старте.

MedTech - одна из самых сложных и одновременно интересных ниш, где мне доводилось работать. Сейчас мы с командой как раз пилим один такой проект и постоянно сталкиваемся с челленджами, опытом решения которых хочется поделиться.

Проект пока в stealth-режиме, так что без конкретики. Если в двух словах: мы разрабатываем ПО для поддержки принятия врачебных решений. Софт анализирует медицинские снимки (вроде МРТ), находит патологии, подсвечивает их, а врач уже ставит финальный диагноз.

Звучит круто, но на пути к работающему продукту лежит минное поле из неочевидных проблем. Вот главные из них.

Проблема №1: Данные. Где их брать?
Первая же задача, которая ставит в тупик. Да, в сети есть открытые медицинские датасеты, но есть нюанс: большинство из них можно использовать только в исследовательских целях, но никак не в коммерческих.

Окей, допустим, вы нашли подходящий датасет. Но если обучить модель на открытых данных, ваше конкурентное преимущество будет крайне неустойчивым - любой сможет повторить ваш результат. Значит, нужны свои, уникальные данные. А медицинские снимки просто так не скачать или прийти и забрать в больнице. Фаундерам предстоит пройти все круги бюрократического ада, согласований и договоренностей.

Проблема №2: Разметка. А кто и как будет размечать?
Собрали снимки? Отлично, это лишь 10% успеха. Теперь модели нужно “объяснить”, как выглядят болезни. Этим занимаются разметчики. И здесь компромиссов быть не может: разметчиками должны быть высококвалифицированные врачи, которые работают с такими снимками каждый день. Найти их - уже челлендж, благо, у нас был доступ к клиникам.

Но вопрос “кто?” - это полбеды. Настоящая боль начинается дальше.

Медицина - не математика, здесь нет единственно верного мнения. Диагноз часто зависит от уникального опыта конкретного врача. А теперь представьте: у вас три врача, у каждого свой бэкграунд и своя школа. У вас есть 10 биомаркеров, которые встречаются с разной частотой, и часть из них некоторые врачи видели всего пару раз в жизни.

Результат? Один и тот же снимок каждый из трех врачей может разметить совершенно по-разному. Это напрямую убивает согласованность данных. А если она низкая - модель ничему не научится и будет выдавать рандом.

Нашим решением стала разработка детальной методологии разметки. Мы сделали так, чтобы все врачи работали по единому стандарту. И нам пришлось несколько раз эту методологию переделывать, чтобы наконец достичь нужных показателей согласованности. Как только согласованность в одной партии снимков достигнута - появляется задача ее не уронить

Проблема №3: Продукт. Для кого мы это делаем?
Классический продуктовый вопрос, который в MedTech становится в разы сложнее. У нашего продукта есть три ключевых стейкхолдера: пациент, врач и владелец клиники.

У каждого свои интересы:
Пациенту нужна точность и скорость.
Врачу - удобный инструмент, который не усложняет, а упрощает его работу. Он не должен чувствовать, что его хотят заменить.
Владельцу клиники нужна экономическая эффективность и снижение рисков.

Балансировать между точностью диагностики, юзабилити для врачей и рентабельностью бизнеса - тот еще вызов.

Проблема №4: Сроки. Почему все опять горит?
Забудьте про стандартные спринты и предсказуемые дедлайны. Бюрократия с клиниками, поиск и обучение врачей-разметчиков, недели на разработку и тестирование той самой методологии, сама скорость разметки - все это умножает ваши первоначальные оценки сроков на два, а то и на три.

Вам предстоит очень много учить людей, а это всегда долго и дорого. У нас на проекте сроки сдвигались уже несколько раз по всем перечисленным выше причинам. Это нужно просто принять и заложить в план.

Продолжение следует... Вместе с развитием проекта буду делиться новыми инсайтами.