Введение

Искусственный интеллект относится к моделированию поведения людей, чтобы машины можно было запрограммировать на выполнение разумного поведения и имитацию человеческих действий. Это раздел информатики, занимающийся созданием умных машин, которые могут выполнять действия, обычно требующие человеческого интеллекта. Доступность огромных объемов данных, более быстрая вычислительная мощность и развитие технологий в области машинного обучения и глубокого обучения обеспечивают смену парадигмы во всех секторах. Искусственный интеллект (ИИ) в здравоохранении использует сложные алгоритмы для имитации человеческого поведения при исследовании данных, анализе и обучении моделей, а также понимании сложных медицинских и медицинских данных. В этой статье мы рассмотрим ключевые приложения искусственного интеллекта в секторе здравоохранения.

Аннотация

Искусственный интеллект (ИИ) за последние годы добился значительного прогресса и готов преобразовать сектор здравоохранения. Алгоритмы глубокого обучения могут обрабатывать растущие объемы данных, предоставляемых носимыми устройствами, смартфонами и другими датчиками мобильного мониторинга в различных областях медицины (Briganti & Le Moine, 2020). Эта статья дает представление о том, как медицина может использовать ИИ в будущем. Он включает в себя прогнозное моделирование и такие концепции, как выбор функций, общие алгоритмы, используемые в контролируемом обучении, и выбранное приложение в области медицины. Кроме того, он включает в себя то, как методы глубокого обучения и обучения без учителя могут быть использованы для импровизации результатов лечения пациентов.

Значение ИИ в здравоохранении

Для правильной диагностики заболеваний у человека требуются годы медицинских исследований, а ручная диагностика - сложный и очень трудоемкий процесс. Следовательно, спрос на экспертов постоянно растет, что создает огромную нагрузку на специалистов в области здравоохранения и может также привести к задержке постановки диагноза пациентам, спасающим жизнь. Алгоритмы глубокого обучения и машинного обучения значительно продвинулись вперед, благодаря чему диагностика стала намного быстрее, дешевле и доступнее. Алгоритмы машинного обучения могут учиться на обширных доступных данных и точно классифицировать шаблоны за доли секунды. Некоторые из распространенных приложений -

· Обнаружение рака легких по компьютерной томографии

· Индикаторы диабетической ретинопатии по изображениям глаз

· Классификация кожных повреждений по изображениям кожи

· Анализ риска остановки сердца по изображениям МРТ сердца

Искусственный интеллект актуален для многих областей здравоохранения, включая визуально-ориентированные специальности, такие как радиология, патология, офтальмология и дерматология, из-за доступности больших наборов цифровых данных. Алгоритмы глубокого обучения используют эти наборы данных для обучения и выполнения определенных задач, например выявление поражения на изображении (Kulkarni et al., 2020). Точная медицина может улучшить традиционную медицинскую практику, основанную на симптомах, за счет интеллектуальной интеграции многопрофильных профилей с клиническими, визуализационными, эпидемиологическими и демографическими данными, чтобы обеспечить широкий спектр более ранних вмешательств для расширенной диагностики и адаптации более качественного и экономичного индивидуального лечения. На рисунке ниже показана роль искусственного интеллекта в традиционной аналитике данных здравоохранения и в точной медицине (Ahmed et al., 2020).

Алгоритмы машинного обучения можно разделить на контролируемое, неконтролируемое обучение и обучение с подкреплением. В то время как контролируемое обучение сосредоточено на классификации / регрессии на основе анализа исторических данных, однако неконтролируемое обучение сосредоточено на выявлении скрытых закономерностей и взаимосвязей из немаркированных данных. Обучение с подкреплением основано на изучении поведения методом проб и ошибок на основе входных данных при попытке оптимизировать результат.

На рисунке выше изображены типичные компоненты цикла машинного обучения. Он начинается с подготовки и очистки данных и применения преобразований, нормализации или кодирования, что чрезвычайно важно для производительности моделей машинного обучения. Следующий шаг включает выбор правильного набора функций, чтобы избежать переобучения или недооценки моделей машинного обучения. Он также может включать разработку функций, которая использует знания предметной области для создания новых функций для импровизации моделей машинного обучения. Последующие этапы включают построение моделей машинного обучения, обучение, оптимизацию, проверку и выбор моделей машинного обучения для решения проблемы (Waring et al., 2020).

Основное обещание машинного обучения - объединение данных из различных источников (клинических измерений и наблюдений, биологической комики, экспериментальных результатов, информации об окружающей среде, носимых устройств) в разумные модели для описания и прогнозирования заболеваний человека. Типичный рабочий процесс машинного обучения начинается со сбора данных, переходит к проектированию функций, затем к выбору алгоритма и разработке модели, и, наконец, приводит к оценке модели и ее применению. На рисунке ниже представлен обзор типичного рабочего процесса машинного обучения в отрасли здравоохранения (Johnson et al., 2018).

Последние применения искусственного интеллекта в здравоохранении

С появлением огромных вычислительных мощностей и данных, генерируемых в системах здравоохранения, это обеспечило хорошее появление новых приложений искусственного интеллекта, которые также включают более быструю разработку и отслеживание вакцины против Covid-19. Ниже приведены два недавних приложения, которые являются точными и клинически значимыми, чтобы принести пользу как пациентам, так и врачам, упрощая диагностику.

Первый из этих алгоритмов является одним из множества существующих примеров алгоритма под названием DLAD (автоматическое обнаружение на основе глубокого обучения) для анализа рентгенограмм грудной клетки и обнаружения аномального роста клеток, например, потенциальных раковых заболеваний. Эффективность алгоритма сравнивалась со способностями обнаружения нескольких врачей на одних и тех же изображениях, и он превзошел 17 из 18 врачей. Второй из этих алгоритмов, LYNA (Lymph Node Assistant), предназначен для выявления метастатических опухолей рака груди из биопсии лимфатических узлов. Это не первая попытка применения ИИ гистологического анализа, но что интересно, этот алгоритм может идентифицировать подозрительные области, не различимые человеческим глазом, в взятых образцах биопсии. LYNA была протестирована на двух наборах данных и показала, что она точно классифицирует образец как злокачественный или доброкачественный, правильно в 99% случаев.

На левой панели показано изображение, введенное в алгоритм. На правой панели показана область потенциально опасных клеток, определенная алгоритмом, на которую врач должен обратить более пристальное внимание. И LYNA, и DLAD служат яркими примерами алгоритмов, которые дополняют классификацию врачами здоровых и больных образцов, показывая врачам характерные особенности изображений (Greenfield, n.d.).

Заключение

Развитие новых методов искусственного интеллекта в клинической практике значительно помогает пациентам и медицинским работникам в точной и быстрой диагностике заболеваний, разработке лекарств и предоставлении индивидуализированного лечения. Это многообещающая область для развития, которая быстро развивается вместе с другими современными областями геномики, точной медицины и телеконсультаций. Несмотря на то, что научные исследования могут помочь в более быстрой разработке новых решений в сфере здравоохранения, необходимы более строгие правила, обеспечивающие этичное использование лекарств с учетом эволюции лекарств. Для врачей также важно знать о последних достижениях в области искусственного интеллекта, которые в будущем преобразят здравоохранение.

Библиография:

Ахмед, З., Мохамед, К., Зишан, С., и Донг, X. (2020). Разработка искусственного интеллекта с многофункциональной платформой машинного обучения для улучшения здравоохранения и точной медицины. База данных, 2020. Https://doi.org/10.1093/database/baaa010

Бриганти, Г., и Ле Мойн, О. (2020). Искусственный интеллект в медицине: сегодня и завтра. Frontiers in Medicine, 7, 27. https://doi.org/10.3389/fmed.2020.00027

Гринфилд, Д. (нет данных). Гринфилд Д. Искусственный интеллект в медицине: приложения, значения и ограничения. Http://sitn.hms.harvard.edu/flash/2019/artificial-intelligence-in-medicine-applications-implications-and-limitations/. Опубликовано 2019 г. По состоянию на 8 января 2020 г. http://sitn.hms.harvard.edu/flash/2019/artificial-intelligence-in-medicine-applications-implications-and-limitations/

Джонсон, К. В., Торрес Сото, Дж., Гликсберг, Б. С., Шамир, К., Миотто, Р., Али, М., Эшли, Э., и Дадли, Дж. Т. (2018). Искусственный интеллект в кардиологии. Журнал Американского колледжа кардиологии, 71 (23), 2668–2679. Https://doi.org/https://doi.org/10.1016/j.jacc.2018.03.521

Кулькарни, С., Сеневиратне, Н., Байг, М. С., и Хан, А. Х. А. (2020). Искусственный интеллект в медицине: где мы сейчас? В Академическая радиология (Том 27, Выпуск 1, стр. 62–70). Elsevier США. Https://doi.org/10.1016/j.acra.2019.10.001

Уоринг, Дж., Линдвалл, К., и Уметон, Р. (2020). Автоматизированное машинное обучение: обзор современного состояния и возможностей в области здравоохранения. Искусственный интеллект в медицине, 104, 101822. https://doi.org/https://doi.org/10.1016/j.artmed.2020.101822