Машинное обучение: диагностика ботов спасает жизни

Машинное обучение: диагностика ботов спасает жизни

Несмотря на то, что время ожидания приема врача увеличивается, медицинские данные удваиваются каждые три года, а расходы на здравоохранение растут, существует нехватка медицинских специалистов. Машинное обучение дает ответ на многие проблемы современной медицины. Системы машинного обучения быстро и точно диагностируют.

В этой статье обсуждаются проблемы, которые машинное обучение может решить в медицинской сфере. Удовлетворены требования к системам машинного обучения. Требования взяты из упомянутой статьи Машинное обучение для медицинской диагностики: история, современное состояние и перспективы (искусственный интеллект в медицине), написанной Игорем Кононенко. Кроме того, в этом отчете рассказывается о суперкомпьютере IBM Watson, его истории и появлении в сфере здравоохранения. В последней части отчета представлена ​​диагностика чат-ботов, приложений машинного обучения, которые ориентированы на скорость, доступность и точность. Цель этой статьи - подробно рассказать, как диагностика ботов может спасти человеческие жизни. Представлены несколько примеров, Babylon Health и Woebot, а также их исследования. Исследования включают: Проведение когнитивно-поведенческой терапии молодым взрослым с симптомами депрессии и тревожности с использованием полностью автоматизированного разговорного агента (Woebot): рандомизированное контролируемое испытание, проведенное Стэнфордским университетом, и еще одно исследование: Сравнительное исследование искусственного интеллекта и врачей-людей с целью сортировки и диагностики, написанное Фитцпатриком К.К., Дарси А., Вирхил М.

Машинное обучение

Термин «искусственный интеллект» (AI) относится к интеллектуальным компьютерам, и основным требованием к интеллекту является способность учиться. Следовательно, машинное обучение, подраздел искусственного интеллекта, является очень важным элементом в проекте создания интеллектуальных компьютеров [1]. Машинное обучение использует статистические методы, чтобы дать компьютерным системам возможность учиться на основе данных без явного программирования. [6] Он развился из теории распознавания образов и вычислительного обучения. Распознавание образов - это автоматическое распознавание закономерностей и закономерностей в данных. Теория вычислительного обучения - это разработка и анализ алгоритмов машинного обучения. [6] В этой части объясняются проблемы, которые может решить машинное обучение, и разъясняются требования к системам машинного обучения.

Зачем нужны системы диагностики?

К 2035 году в мире не будет 12,9 миллиона медицинских работников [8]. Нехватка врачей и других медицинских специалистов представляет собой угрозу, компьютерные системы могут помочь в этом, ускоряя процессы диагностики и лечения. Пациенты смогут описать свои симптомы боту, прежде чем обратиться к врачу, у которого будет уже вся информация, необходимая для принятия правильных решений.

По данным IBM, количество медицинских данных удваивается каждые три года [2]. Из-за этого врачи не могут успевать за последними исследованиями. Компьютеры могут управлять огромными объемами данных, помогая поддерживать самую свежую информацию. Также существует проблема с опытом в области медицины. Пациенты проходят лечение у терапевтов от всевозможных заболеваний. Система Maschine Learning System может предоставить практические знания практикующим специалистам.

Одна из проблем, которая имеет значение, - это скорость диагностики и лечения. Когда смертоносные опухоли быстро растут, это вопрос жизни и смерти, или когда суицидный подросток идет в очередь к психиатру, время имеет решающее значение.

Пациенты смогут получить от системы «второе мнение»: либо подтверждение правильности диагноза врача, либо возможность обнаружения редких заболеваний, которые врач не смог диагностировать.

Требования к системам машинного обучения в здравоохранении

Чтобы система машинного обучения была эффективной и надежной, она должна соответствовать ряду требований. Следующие требования включают хорошую производительность, способность надлежащим образом обрабатывать недостающие данные и ошибки в данных, прозрачность данных [1] и восстановление после искаженных данных.

Хорошая производительность - это точность, с которой система может давать правильные ответы. Точность должна быть как можно более высокой. [1] В некоторых случаях система работает лучше, чем врачи. [10]

Работа с недостающими данными относится к тому факту, что, например, может отсутствовать некоторая важная информация о пациенте. Алгоритмы должны уметь правильно обрабатывать такие неполные описания пациентов. Кроме того, ошибки в данных могут вызвать проблемы. Все данные содержат ошибки и неточности. [1]

Выводы, к которым приходит система, должны быть прозрачными, чтобы можно было показать, как она закончилась с ответами. Все решения должны быть объяснены и подтверждены исследованиями и использованными данными. Врачи должны уметь анализировать и понимать знания, генерируемые системой [1].

Еще одно требование - восстановление с предвзятых данных. Поскольку люди обучают системы машинного обучения, системы иногда наследуют такие неприятные черты, как расизм. Система хороша ровно настолько, насколько хороши данные, на которых ее обучают, качество имеет значение.

IBM Watson Healthcare

IBM Watson Healthcare превратилась в интеллектуальную систему, которая помогает врачам принимать обоснованные решения при лечении рака. [2] От победы в телевизионной викторине до помощи врачам в диагностике - суперкомпьютер, разработанный IBM, прошел долгий путь. В этой части мы обсудим разработку суперкомпьютера и его использование в медицинской диагностике.

История и развитие суперкомпьютера

Для многих компания IBM Watson известна своей победой в викторине Jeopardy! 2011 года у лучших игроков в истории шоу. [2] Чтобы добиться успеха в Jeopardy!, требуется понимание языка, даже юмор, что сложно для компьютеров. Однако обработка естественного языка (NLP), хранимая информация и статистический анализ помогли Watson найти лучшие ответы. Watson не просто умен, а постоянно становится умнее, извлекая уроки из успехов, неудач и отзывов пользователей.

Во время соревнований Jeopardy! Уотсону требовалась отдельная комната. Три года спустя Watson уменьшился до размера трех коробок для пиццы и увеличил скорость обработки на 240% [2]. Это можно объяснить законом Мура, который означает, что количество транзисторов, помещаемых в интегральную схему, удваивается примерно каждые два года [5]. Следовательно, компьютеры уменьшаются в размерах и становятся более эффективными в геометрической прогрессии. Были некоторые предположения, прекратится ли закон Мура. Тем не менее, мы быстро движемся к будущему с искусственным интеллектом.

Watson в здравоохранении

Медицинским работникам необходимо использовать огромные объемы данных, такие как история болезни и последние исследования, для постановки диагноза своим пациентам. Watson помогает в решении этой задачи, анализируя все возможные данные. Когда новый пациент приходит на обследование в клинику, врач вводит всю важную медицинскую информацию в Watson. Затем суперкомпьютер анализирует все данные, собирает список гипотез и рекомендует лечение на основе медицинской информации пациентов, рекомендаций по передовой практике, последних мировых исследований и исторических случаев. [2] Все данные, которые использует Watson, можно просмотреть подробно, например, цитаты из исследований. Это бесконечный источник информации, из которого можно сделать вывод, гораздо больше, чем человек-врач может сразу сохранить в оперативной памяти. Объем доступных медицинских исследований удваивается каждые три года, что затрудняет работу врачей, чтобы не отставать от последних [2]. Кроме того, существуют различные побочные эффекты различных лекарств, взятых вместе, поэтому трудно сохранить в оперативной памяти всю эту информацию, чтобы прийти к диагнозу или решению о лечении. Диагностика - это распознавание образов, для чего лучше всего подходят системы машинного обучения.

В 2012 году IBM стала партнером онкологического центра Memorial Sloan Kettering Cancer Center, чтобы привлечь внимание компании Watson к лечению рака груди и легких. В том же году методы лечения, предложенные Уотсоном, прошли испытания в онкологическом центре Техаса, доктор медицины Андерсона, и их сравнили с методами лечения, предлагаемыми врачами-людьми. Общая точность результатов составила 82,6%. [2]

Приложения для машинного обучения в диагностике

Повышенный спрос на услуги в сфере здравоохранения. Кроме того, пациенты хотят получить контроль над своими решениями в отношении здоровья. [7] Решение этих проблем приходит из области приложений машинного обучения, таких как диагностика чат-ботов. Диагностирующие боты легко доступны для всех и могут помочь человеку, отчаянно нуждающемуся в совете. Они сокращают количество ненужных посещений больницы, когда симптомы можно исправить дома, и поощряют, когда действительно пора в больницу. На практике эти системы представляют собой приложения чат-ботов, используемые через мобильное устройство или браузер, которые легко загрузить или открыть любой, у кого есть доступ к компьютеру. Ввод симптомов и ответы на вопросы ботов дают пациенту список гипотез и рекомендуемых действий. Диагностические боты надежны, быстры и точны, и, прежде всего, они могут спасать жизни своими советами и поддержкой. Далее представлены несколько примеров и исследований.

Вавилон Здоровье

Миссия Вавилона - предоставить доступное и доступное медицинское обслуживание каждому жителю Земли [10].

Было проведено исследование по сравнению Babylon Health с человеческими врачами, и результаты показывают, что точность сопоставима. Результаты также показывают, что рекомендации по лечению, сделанные Babylon Health, по сравнению с ними были даже безопаснее, чем рекомендации человеческих врачей [10]. Это доказывает, что даже не такие высококлассные решения, как чат-боты, могут выполнять те же задачи, что и врачи.

Woebot

Woebot - это бесплатное приложение для лечения психических расстройств. Woebot предлагает пациенту каждый день задавать вопросы об их настроении и его самочувствии. Было проведено исследование, чтобы выяснить, влияет ли приложение на депрессию.

В ходе неслепого исследования 70 человек, страдающих симптомами депрессии, были набраны онлайн из социальной сети университетского сообщества и разделены на две разные группы. Другая группа имела доступ к Woebot, а другая - нет. Результаты исследования доказали, что группа, имевшая доступ к Woebot, значительно уменьшила симптомы депрессии. [9] Депрессивный человек с суицидальными мыслями может извлечь огромную пользу из разговора с чат-ботом. Бот умеет задавать правильные вопросы и дает хорошие рекомендации о том, что человек может сделать, чтобы улучшить свое настроение.

Использование ИИ необходимо для выживания

Использование искусственного интеллекта в медицинской диагностике не только растет, но и необходимо из-за удвоения медицинских данных каждые три года, нехватки врачей, роста затрат на здравоохранение и когда время критически важно для лечения. Диагностика - это сопоставление с образцом, которое алгоритмы машинного обучения могут делать очень точно и эффективно, лучше и быстрее, чем это могут делать люди-врачи. Системы надежны и доступны. Они увеличивают скорость лечения и могут иметь огромное значение, помогая пациентам найти для них правильные решения.

Нет сомнений в том, что системы могут принести много пользы и, работая на уровне врачей-людей, достаточно начать их использование. В будущем появится гораздо больше инструментов, которые помогут медицинским работникам и пациентам лучше понять свои симптомы и сделать правильный диагноз. Правильный диагноз имеет решающее значение для спасения жизни человека.

Ссылки

1. Игорь Кононенко, Машинное обучение для медицинской диагностики: история, современное состояние и перспективы (Искусственный интеллект в медицине, 2001), с. 89–109.

2. Сьюзан Дойл-Линдруд, Watson Will See You Now: Суперкомпьютер, который поможет клиницистам принимать обоснованные решения о лечении (Клинический журнал медсестер по онкологии, 2015 г.), стр. 31–32

3. Кетара Аль-Шайя, Галеб Эль-Рефае и Саад Ясин, Искусственные нейронные сети в медицинской диагностике (Международный журнал поведенческих и медицинских исследований, 2013 г.), с. 45–63

4. Бриеш Верма и Джон Закос, Система компьютерной диагностики для цифровых маммограмм, основанная на нечетких нейронных методах и методах извлечения признаков (Транзакции IEEE по информационным технологиям в биомедицине, 2001), с. 46–54

5. Р. Р. Шаллер, «Закон Мура: прошлое, настоящее и будущее», в IEEE Spectrum, vol. 34, нет. 6. С. 52–59, 1997.

6. Понимание машинного обучения: от теории к алгоритмам, Шай Шалев-Шварц и Шай Бен-Дэвид, Cambridge University Press, 2014 г.

7. Экосистема цифрового здравоохранения, Удай Киран Котла и Джинни Джайн, Белая книга Infosys, 2018 г.

8. Универсальная правда: нет здоровья без кадров, Третий Глобальный форум по кадровым ресурсам для здравоохранения, Глобальный альянс по трудовым ресурсам здравоохранения и Всемирная организация здравоохранения, 2013 г.

9. Фитцпатрик К.К., Дарси А., Вирхайл М., Обеспечение когнитивно-поведенческой терапии молодым взрослым с симптомами депрессии и тревожности с использованием полностью автоматизированного разговорного агента (Woebot): рандомизированное контролируемое исследование, JMIR Ment Health 2017 ; 4 (2): e19

10. Сравнительное исследование искусственного интеллекта и врачей-людей с целью сортировки и диагностики, Razzaki et al. Babylon Health, Школа общественного здравоохранения, Медицинский факультет, Имперский колледж Лондона, Северо-восточная медицинская группа, Yale New Haven Health, Отдел первичной медико-санитарной помощи и здоровья населения, Медицинская школа, Стэнфордский университет