Как искусственный интеллект расширяет возможности медицинских наук

Это специализация из трех курсов. Я расскажу обо всех трех курсах и своем опыте изучения того, как ИИ расширяет возможности медицинских наук.

Вступление

В настоящее время между работой на полную ставку и работой из дома я провожу свободное время, изучая сверточные нейронные сети и компьютерное зрение. Время от времени выходит отличная статья / видео / курс, который действительно заинтриговывает меня, и я сразу же зацепляюсь. Этот курс оказался именно тем.

Немного предыстории: я недавно прошел специализацию deeplearning.ai, которую преподавал Эндрю Нг, и мне понравилось, как я познакомился со сверточными нейронными сетями с самого начала. Итак, когда deeplearning.ai недавно объявило, что это специализация «ИИ в медицине», я был уверен, что это поможет мне применить мои знания к реальной проблеме.

Этот курс ведет Пранав Раджпуркар, доктор философии. Кандидат в Стэнфордский университет и его исследовательская работа связана с технологиями искусственного интеллекта (ИИ) для решения реальных проблем в медицине.

«Усердная работа над тем, что нас не волнует, называется стрессом: усердная работа над тем, что нам нравится, называется страстью». -Симон Синек

Эта специализация предлагает следующие три курса:

  • AI для медицинской диагностики
  • AI для медицинского прогноза
  • AI для лечения

В этой статье я расскажу о своих знаниях и взглядах на первый курс.

Курс 1: ИИ для медицинской диагностики

Представьте себе, если вам дадут рентгеновский снимок грудной клетки (неструктурированные данные) и попросят разработать нейронную сеть для диагностики, есть ли у человека пневмония или нет?

OR

Учитывая результаты лабораторных исследований (структурированные данные), можете ли вы обучить дерево решений для оценки риска сердечного приступа?

Что ж, этот курс учит вас этому.

Неделя 1. Выявление заболеваний с помощью компьютерного зрения

Мы узнаем о классификации заболеваний на рентгеновских снимках грудной клетки с использованием предварительно обученной глубокой нейронной сети.

Ключевые концепции

  • Предварительная обработка данных: проверка на утечку данных
  • Правильная предварительная обработка изображений для наборов поездов, валидации и тестирования
  • Реализуйте функцию взвешенных потерь для решения проблемы дисбаланса классов.
  • Настройте предварительно обученную нейронную сеть, чтобы делать прогнозы болезней на рентгеновских снимках грудной клетки.

Неделя 2: оценка моделей глубокого обучения

Поскольку мы можем сказать, что решения, принимаемые нейронной сетью, имеют большое значение в медицине, для нас важно определить, когда модель работает с пациентом, а когда нет.

Если вы этого не понимаете, вы не сможете его улучшить.

Мы не можем просто учитывать точность как показатель для оценки нашей модели.

Рассмотрим эту ситуацию ниже:

На этой неделе мы больше углубимся в математические концепции и терминологию, которые сразу могут показаться немного пугающими, но позже вы научитесь с этим.

Я советую записать формулы, которые преподаются в видеолекциях, и попытаться понять их аналитически. Эти формулы очень пригодятся в следующих заданиях.

Неделя 3: сегментация изображений на МРТ-изображениях

Предварительное условие: для выполнения задания на этой неделе рекомендуется иметь знания о сверточных нейронных сетях. Лучше разбираться в таких понятиях, как фильтры, отступы, шаги и слои пула.

Короче говоря, на этой неделе вы узнаете, как подготовить данные 3D МРТ, реализовать соответствующую функцию потерь для сегментации изображения и применить предварительно обученную модель U-net для сегментации областей опухоли на изображениях 3D МРТ головного мозга.

Давайте углубимся в ключевые концепции, с которыми вы столкнетесь.

  • Вы выполните сегментацию изображения на данных 3D МРТ. Вы узнаете, как управлять и представлять данные 3D МРТ для вычислительных целей.
  • Вы будете брать случайные подвыборки (или части) из трехмерного изображения.
  • Стандартизируйте входное изображение.
  • Примените предварительно обученную модель U-Net.
  • Узнайте о реализации правильной функции потерь для обучения модели (мягкая потеря кубиков).
  • Вы оцените производительность модели, рассчитав чувствительность и специфичность.

Материалы и инструменты курса:

Лекции проходят в формате презентации. Я чувствовал себя довольно комфортно, наблюдая за лекциями в 1,2 или 1,5 раза с концентрацией.

Каждую неделю проводятся викторины и задания по кодированию в тетрадях jupyter.

Они включили в этот курс промежуточные задания по программированию, чтобы можно было сразу кодировать изученные концепции, не дожидаясь окончания целых недельных лекций.

Задания имеют хорошую управляемую последовательную структуру, и вам не нужно писать более 2–3 строк кода в каждом разделе. Изучение структуры кода помогает понять, насколько хорошо структурированный код написан, и я рекомендую вам придерживаться этой практики с самого начала.

После того, как задание закодировано, достаточно одного нажатия кнопки, чтобы отправить ваш код в автоматизированную систему выставления оценок, которая вернет ваш результат через несколько минут. Чтобы сдать задание, нужна определенная оценка (получить не так уж и сложно).

Ноутбуки Jupyter хорошо спроектированы и работают без проблем. Инструкции точны.

P.S - Я лично рекомендовал пройти курсы deeplearning.ai, прежде чем переходить на эту специализацию.

Продолжить обучение

Это моя первая статья, и в будущем я собираюсь писать больше постов для начинающих. Следуйте за мной в Medium. Как всегда, я приветствую отзывы и конструктивную критику, и с ними можно связаться на Linkedin.