В своей последней статье я рассказал о состоянии отрасли здравоохранения на сегодняшний день. Я обсуждал фармакогеномику, которая использует геномику для прогнозирования того, какое лекарство будет оптимальным для улучшения здоровья человека, и почему выполнение задач с помощью экспоненциальных технологий будет полезно для каждого пациента, а не для большинства пациентов. Одной из таких перспективных технологий является искусственный интеллект.

Искусственный интеллект это, искусственный интеллект то, многие люди знают, что искусственный интеллект (ИИ) может соединиться со многими другими экспоненциальными технологиями и сделать каждую отрасль сильнее, чем когда-либо прежде. Но что это?

Искусственный интеллект – это имитация процессов человеческого интеллекта с помощью машин. Такие процессы включают обучение, рассуждение и самокоррекцию. Искусственный интеллект — одна из самых перспективных технологий, и ожидается, что она повлияет на все остальные новые технологии и отрасли. В области искусственного интеллекта есть много ответвлений, таких как машинное обучение (МО), обработка естественного языка (НЛП), искусственные нейронные сети (ИНС) и компьютерное зрение, но для целей здравоохранения машинное обучение и обработка естественного языка могут быть очень полезны. чтобы заменить традиционные ручные методы лечения.

Машинное обучение

Машинное обучение связано с использованием статистики или других источников данных, чтобы дать компьютерным системам возможность обучаться, без окончательного программирования. Такое обучение происходит, когда программные алгоритмы получают «опыт» путем выявления закономерностей и принятия решений с минимальным вмешательством человека. Подмножество этой категории — глубокое обучение. Глубокое обучение связано с нейронными сетями и включает в себя синтез входных данных всех типов, чтобы предсказать, каким будет результат при наличии заданного набора комбинированных входных данных. Короче говоря, глубокое обучение — это автоматизированный прогнозный анализ. Многие инновации в современном обществе, такие как самоуправляемые транспортные средства, являются результатом машинного обучения, поскольку такие транспортные средства «обучают» безопасному вождению на дорогах и автомагистралях.

Аналитические алгоритмы машинного обучения используются для извлечения определенных функций из набора данных. Входные данные включают физические характеристики пациента и общую медицинскую информацию. В частности, к этим основным входным данным относятся возраст, пол, история болезни пациента, данные о конкретном заболевании, диагностическая визуализация, экспрессия генов, клинические симптомы, лекарства и многое другое. Медицинские результаты пациентов часто собираются в клинических исследованиях с помощью определенных входных значений: мы обозначаем j-й признак i-го пациента через Xij , и интересующий результат Yi.

В зависимости от того, является ли интересующий результат входным значением, алгоритмы машинного обучения классифицируются как обучение без учителя или обучение с учителем. Обе классификации имеют свои преимущества, поскольку обучение без учителя хорошо известно для извлечения признаков, при котором производные значения строятся на основе исходного набора данных, в то время как обучение с учителем полезно для установления взаимосвязей между входными данными (пациент черты) и интересующий результат (вывод). Однако в некоторых случаях, когда есть размеченные и неразмеченные данные, может быть полезен новый гибрид, называемый полууправляемым обучением, поскольку алгоритм обучается на неразмеченных данных и основывает границы размеченных данных на этих неразмеченных данных.

Неконтролируемое обучение

В зависимости от размера данных можно использовать два основных метода обучения без учителя: кластеризация и анализ основных компонентов (PCA).

  • Кластеризация обычно используется для данных меньшего размера (например, при изучении одной конкретной последовательности генома) и включает в себя группировку субъектов, обладающих схожими чертами, в «кластеры», а результат максимизирует или минимизирует сходство. черт пациента внутри или между каждым кластером.
  • PCA обычно используется с большим количеством измерений (например, при изучении полного генома), и для уменьшения измерения данные упрощаются до нескольких направлений главных компонентов (PC) без потери каких-либо важную информацию о пациенте.

Чтобы максимизировать эффективность обучения без учителя, следует использовать оба этих метода. Одним из таких способов является использование PCA для уменьшения размеров, а затем кластеризация для группировки пациентов на основе признаков.

Контролируемое обучение

Обучение с учителем включает в себя входные характеристики, а также интересующий результат и находит отношения между ними. Независимая переменная — это характеристики пациента, а зависимая переменная — это выходные данные, которые зависят от расчетов, основанных на интересующего результата. Например, результатом может быть вероятность возникновения определенного клинического события, ожидаемое значение определенного уровня заболевания или ожидаемое время выживания.

Максимизация эффективности машинного обучения:

Для сравнения, обучение с учителем обеспечивает более значимые с медицинской точки зрения и клинически полезные результаты, чем обучение без учителя, поэтому большинство приложений машинного обучения в здравоохранении вращаются вокруг обучения с учителем. Однако контролируемое обучение само по себе может занять значительное время, особенно когда объем данных велик. Следовательно, оптимизация приложения машинного обучения в здравоохранении должна использовать обучение без учителя, чтобы уменьшить размерность данных или определить подгруппы в наборе данных, чтобы сделать последующее обучение с учителем максимально эффективным. Все в целом, машинное обучение действует как отличный инструмент анализа в области медицины, учитывая многие физические особенности и интересующие результаты, а также помогая найти подходящую терапию или лекарство для каждого пациента.

Обработка естественного языка

Обработка естественного языка (NLP) предназначена для предоставления компьютерам возможности понимать и обрабатывать человеческий язык. Как в системах НЛП преобразования речи в текст, так и в системах преобразования текста в текст каждое слово разбивается на свою часть речи (существительное, глагол и т. д.). Это происходит с помощью ряда запрограммированных грамматических правил, которые основаны на различных алгоритмах для включения статистического машинного обучения, помогающего определить контекст того, что вы сказали. Системы НЛП окружают нас повсюду. Функция Siri на вашем iPhone или вашем Google Home — отличные примеры систем НЛП преобразования речи в текст. В сочетании с другим процессом, таким как семантический анализ (с использованием возможных отношений между словами, предложениями и абзацами для формирования логического вывода, который представляет собой ответ, который дает система НЛП), конечным результатом является компьютер, способный понимать речь или ввести текст, обработать его и предоставить логический вывод (ответ).

НЛП фокусируется на оказании помощи в принятии клинических решений с помощью клинической информации, хранящейся в виде письменного текста, а не изображений, ВП и генетических данных. Процесс программы НЛП состоит из двух частей: 1) обработка текста и 2) классификация. Посредством обработки текста НЛП идентифицирует определенные медицинские термины в клинических заметках, а посредством классификации эти термины представляют собой перекрестные ссылки с их эффектами и релевантностью, создается подмножество этих терминов. Из этого подмножества ключевые слова, которые проходят дальнейшую проверку, входят в структурированные данные НЛП и играют роль в любых медицинских решениях.

НЛП используется не только для лечения, но и для диагностики. Клинические заметки, относящиеся к симптомам пациента и его физическим характеристикам, также могут пройти описанный выше процесс. Когда эти заметки сопоставляются с наборами данных, такими как списки симптомов и диапазоны метаболизма, система НЛП может поставить правильный диагноз, и на его основе может быть сделано соответствующее предписание. Например, использование систем NLP для заметок, связанных с потенциальными пациентами с церебральным параличом, привело к 86% точности диагноза, что было более высокой точностью и лучшей скоростью, чем у человека.

Watson: сочетание машинного обучения и НЛП

Watson, система, созданная IBM, является основным применением ИИ в здравоохранении. Система Watson включает модели машинного обучения и НЛП, и с помощью этих моделей Watson внес свой вклад в развитие онкологии, изучение опухолей (доброкачественных и злокачественных). Один из основных вопросов, связанных с Watson, заключается в том, как НЛП и машинное обучение взаимодействуют друг с другом? Проще говоря, НЛП используется для получения данных меньшего размера, а машинное обучение использует производные НЛП для принятия персонализированных клинических решений для пациентов. Для модулей машинного обучения Watson использует набор данных, известный как генетический диагностический анализ ИИ, в котором секвенирован весь геном человека, что дает Watson возможность анализировать генетические данные и принимать решения, которые на 99% согласуются с решениями врача. Уотсон смог идентифицировать редкую генетическую последовательность, которая привела к вторичной версии лейкемии, возникающей у японских детей. В целом Watson оказался чрезвычайно полезным как в теоретическом, так и в практическом отношении.

Применение ИИ — инсульт

Инсульт является очень распространенным заболеванием, от которого страдают более 500 миллионов человек во всем мире и которое входит в пятерку основных причин смерти почти на всех континентах. Когда поражает эта болезнь, медицинские расходы очень высоки, о чем свидетельствуют общие медицинские расходы в размере 689 миллиардов долларов США во всем мире. Из соображений здоровья и финансов профилактика инсульта и снижение затрат на лечение очень важны. Методы искусственного интеллекта, такие как устройство раннего прогнозирования инсульта или использование машинного обучения для установления взаимосвязи между результатами внутривенного введения лекарств и выживаемостью, обязательно будет помогать пациентам с инсультом и их семьям в ближайшем будущем. Биологически инсульт вызывается сгустком крови при инфаркте головного мозга (кровеносном сосуде в головном мозге).

Профилактика

Поскольку инсульт не имеет ранних симптомов, немногие пациенты могут получить необходимое лечение. Следовательно, устройство раннего прогнозирования инсульта, состоящее из двух алгоритмов машинного обучения: генетического конечного автомата и PCA. Устройство отслеживает модели движений человека, и когда движение пациента значительно отличается от нормального, вступает в силу процесс обнаружения. Сравнивая статистику, полученную на этапе распознавания активности человека, этап обнаружения начала инсульта принимает «решение» активировать предупреждение об инсульте. Устройство смогло правильно классифицировать 90,5% людей в правильную группу (с инсультом или без инсульта) во время тестирования. Однако проблема с этим устройством заключается в его больших размерах и недостаточной портативности. Из-за этого было предложено носимое устройство, оснащенное теми же алгоритмами машинного обучения, поскольку оно было бы более удобным для пользователя, но при этом могло бы точно собирать физические данные для прогнозирования инсульта.

Диагноз

Как и при любом заболевании, для диагностики необходима внутренняя визуализация. Для инсульта нейровизуализация выполняется с помощью таких инструментов, как МРТ и компьютерная томография. Вместо того, чтобы анализировать изображения вручную, программа машинного обучения может быть создана для поиска определенных признаков, таких как различение сходных биологических структур. При инсульте в мозгу может образовываться структура, известная как плавающий внутрипросветный тромб. определенные области вокруг мозга выглядит. Для человеческого глаза внутрипросветный тромб похож на естественную каротидную бляшку (бляшка, которая образуется с возрастом, вызывая замедление нейронных синапсов). С помощью алгоритмов машинного обучения, использующих количественный анализ формы, программа машинного обучения смогла достичь точности 87,6% при анализе нейровизуализации.

Используя машинное обучение для профилактики и диагностики инсульта, мы видим, насколько полезными могут быть алгоритмы машинного обучения для пациентов, перенесших инсульт, и их семей.

Последняя мысль…

Конечно, мы видим, что искусственный интеллект сам по себе обладает огромным потенциалом, но особенно в области здравоохранения машинное обучение и обработка естественного языка могут изменить отрасль здравоохранения. Мы уже видим, на что способен ИИ, о чем свидетельствует роль, которую ИИ сыграл в Watson от IBM, его способность автоматизировать и повышать эффективность персонализированной медицины и потенциально спасать жизни пациентов, перенесших инсульт. Эти преимущества — лишь верхушка айсберга того, что могут сделать будущие технологии, еще есть много преимуществ для медицинских пациентов, которые еще предстоит увидеть.

Ключевые выводы

  • Искусственный интеллект (ИИ) — это моделирование процессов человеческого интеллекта машинами.
  • В целях здравоохранения машинное обучение (ML) и обработка естественного языка (NLP) могут быть очень полезны для максимизации эффективности и точности медицинских методов.
  • Основываясь на включении интересующего результата, алгоритмы машинного обучения вращаются вокруг либо обучения без учителя, либо обучения с учителем, либо, в определенных сценариях, обучения с полуучителем.
  • НЛП отлично подходит для помощи в принятии клинических решений, поскольку оно может читать и обрабатывать человеческий язык.
  • И машинное обучение, и НЛП могут стать революционными для отрасли здравоохранения и развития персонализированной медицины.
  • Применение ИИ в здравоохранении многочисленно, включая Watson и последствия инсульта.

Если вам понравилась эта статья, поставьте лайк, поделитесь ею в своей сети и следите за обновлениями моей следующей статьи, в которой я расскажу, как квантовые вычисления могут изменить ситуацию в сфере здравоохранения.