Методы глубокого обучения можно использовать для извлечения биомаркеров состояния здоровья человека на изображениях лица и для отслеживания эффектов косметических вмешательств. На Саммите по глубокому обучению в здравоохранении научный сотрудник Анастасия Георгиевская из Beauty.AI представит набор инструментов для анализа восприятия человеком возраста и состояния здоровья.
Она также продемонстрирует, что, когда определенные группы населения недостаточно представлены в обучающих выборках, эти группы населения не учитываются или могут подвергаться более высокому уровню ошибок. Вот почему Молодежные лаборатории запустили Diversity.AI, аналитический центр по борьбе с дискриминацией со стороны систем глубокого обучения. В презентации описываются стратегии оценки внешности человека для взаимодействия машины и человека, а также раскрываются риски и опасности биомаркеров, полученных методом глубокого обучения.
Что побудило вас начать работу в области глубокого обучения?
Моя академическая подготовка связана с биоинженерией и биоинформатикой. Моя самая большая страсть в жизни — исследование старения, и меня вдохновила лекция, на которой д-р Жаворонков представил дорожную карту увеличения продолжительности жизни человека. Я отслеживаю прогресс в глубоком обучении с ImageNet 2013 года. Но в начале 2015 года я участвовал в хакатоне по биоинформатике, организованном доктором Жаворонковым и его командой, и получил некоторый опыт работы с глубокими нейронными сетями. Я был удивлен, увидев, что даже в довольно примитивных задачах глубокое обучение превосходит более традиционные методы машинного обучения, и решил сосредоточить свою карьеру на глубоком обучении.
Затем я присоединился к Youth Laboratories, поскольку в ней использовалось глубокое обучение для распознавания мельчайших возрастных изменений на фотографиях лиц и отслеживания изменений, вызванных различными вмешательствами, а также эмоциями и другими приложениями машинного зрения. Мне довелось поработать с одними из лучших экспертов по глубокому обучению в регионе, а когда мы запустили Beauty.AI, мне довелось поработать со многими творческими людьми со всего мира. Я занимаюсь глубоким обучением около двух лет.
Расскажите нам больше о вашей текущей работе.
Сегодня я являюсь заместителем директора Молодежных лабораторий и управляю командой ученых и программистов, а также работаю с нашими сотрудниками в сфере здравоохранения, финансов и ухода за кожей. Я также руковожу конкурсом Beauty.AI и разработкой RYNKL и других приложений, а также вношу вклад в инициативу Diversity.AI. Большинство наших проектов относится к машинному зрению, где мы разрабатываем системы глубокого обучения для прогнозирования возраста и состояния здоровья человека, обнаружения человеческих эмоций в видео, обнаружения различных аномалий кожи, таких как морщины и прыщи, и прогнозирования восприятия человека. внешний вид определенной группы населения.
Мой собственный большой исследовательский проект, который я планирую использовать для защиты кандидатской диссертации и серии публикаций, — это межвидовой визуализирующий биомаркер старения. Наши проекты очень амбициозны и показны. Я черпаю вдохновение из биографий Эммы Уолмсли из-за ее уверенности и трансформирующего видения, но я постараюсь сделать все максимально открытым и буду публиковаться в рецензируемой литературе.
Какие ключевые факторы способствовали последним достижениям в области глубокого обучения?
Тремя основными факторами являются: доступность больших данных, возможность использовать GPU для приложений глубокого обучения благодаря работе Руслана Слахутдинова и доказательство концептуальных результатов, демонстрирующих силу глубокого обучения миру в изображении. признание.
Теперь область глубокого обучения быстро превратилась в товар: тысячи людей посещают курсы и участвуют в сессиях обзора литературы. В то время как многие концепции глубокого обучения довольно старые, есть много свежих волн, таких как Генеративно-состязательные сети (GAN), возглавляемые очень молодыми людьми, такими как Ян Гудфеллоу, и Metalearning, возглавляемый Нандо Фрейтасом. Несмотря на то, что многие из этих последних достижений по-прежнему создаются пионерами в этой области, коммодитизация глубокого обучения позволила таким ученым, как я, начать разработку прикладных систем глубокого обучения в нишах, где знаний в области компьютерных наук и математики недостаточно, а знаний в предметной области чрезвычайно много. важный.
Опыт в области обеспечения биологической значимости систем глубокого обучения вселяет в меня уверенность, что Youth Laboratories и многие другие молодые компании также добьются значительных успехов.
Какие нынешние или потенциальные будущие приложения глубокого обучения в здравоохранении вас больше всего интересуют?
Несмотря на значительный рост глубокого обучения, все еще очень мало команд используют глубокое обучение в приложениях для здравоохранения. До сих пор существует большой разрыв между достижениями в области информационных технологий, которые стремительно развиваются, и в биомедицине, которая очень консервативна. Я думаю, что самым захватывающим применением глубокого обучения в здравоохранении в 2016 году было первое доказательство концепции, показывающее, что глубокие генеративно-состязательные автоэнкодеры (AAE) могут использоваться для создания новых лекарств от рака.
Эта статья была опубликована Insilico Medicine в Oncotarget, где редакторы два месяца пытались найти рецензентов для статьи из-за разрыва между глубоким обучением и биомедициной. интеллект» в Insilico Medicine было применение нескольких предикторов глубокого обучения, обученных на структурных данных, данных транскрипционного ответа и метаданных для огромного количества молекул, для прогнозирования результатов фазы I и фазы II клинических испытаний. Обе статьи были опубликованы в декабре 2016 года и будут иметь большое значение для фармацевтической отрасли. Теоретически эти два открытия могут быть использованы для разработки персонализированных лекарств и предсказания эффектов генной терапии.
Но я думаю, что основной потенциал глубокого обучения заключается в мультимодальном обучении с массивными полученными знаниями и начиная с данных изображения лица. Здесь я необъективен, потому что это то, над чем я работаю.
Чтобы по-настоящему превратить глубокое обучение в здравоохранение, нам нужны истории успеха, такие как ImageNet, и лучше всего начать с визуализации лица. Концепция привязки генома к лицу довольно проста, и команда Крейга Вентера и другие уже продемонстрировали доказательство концепции экстраполяции генетической информации для предсказания фенотипа лица. Мы поступили наоборот и связали лица с группами населения с различными факторами риска. Если бы у нас была возможность работать с 23&Me или другими компаниями в этой области, мы могли бы добиться значительного прогресса. Теперь мы связываем лицевые данные с различными синдромами и заболеваниями, которые хорошо видны. Как только мы сможем использовать лицо в качестве основного биомаркера состояния здоровья, как текущего, так и прогнозируемого, мы сможем произвести революцию во многих отраслях, включая питание и страхование.
Лицо также является лучшим биомаркером вашего возраста. Если вы пытаетесь провести антивозрастное вмешательство, и оно действительно работает, вы, вероятно, увидите это на своем лице. А если у такой девушки, как я, это не работает, то какой смысл вмешиваться?
Какие основные типы проблем сейчас решаются на местах?
В настоящее время достаточно хорошо решаются две проблемы: проблемы классификации и предсказания. Когда у вас есть большие данные с определенными тегами, вы можете обучить предиктор глубокого обучения, который, вероятно, будет работать лучше, чем любой другой метод машинного обучения. Биомаркеры визуализации, работающие с данными МРТ и КТ, уже достаточно хороши. Как и системы глубокого обучения, работающие с данными высокопроизводительных экспериментов.
Каких изменений в глубоком обучении мы можем ожидать в ближайшие 5 лет?
Я думаю, что основное развитие, которое мы увидим, заключается в том, что такие компании, как Apple и Facebook, реализуют свой преобразующий потенциал в сфере здравоохранения, а также крупные банки. В настоящее время мы работаем с одним из крупнейших банков мира, у которого уже есть данные, необходимые нам для прогнозирования состояния здоровья пациентов, но они еще не осознают преобразующий потенциал и используют нас для других приложений.
Компании, располагающие наиболее детализированными данными о здравоохранении, будут трансформировать отрасль, особенно в регионах, где правительства еще не препятствовали этому прогрессу. Я думаю, что большой прогресс будет достигнут в открытии лекарств. Как только искусственные интеллектуальные системы станут лучше, чем химики в крупных фармацевтических компаниях, что является довольно простой задачей, и Insilico Medicine уже продемонстрировала доказательство концепции, каждая небольшая биотехнологическая компания сможет начать создавать эффективные лекарства, которые не будут защищены патентами. Это будет самое важное событие.
Как появился Beauty.AI и о чем вы будете говорить на саммите?
Большая цель Молодежных лабораторий — использовать данные визуализации лица для прогнозирования состояния здоровья пациента и сохранения его здоровья и молодости как можно дольше. Мы начали с разработки приложений для отслеживания морщин и прыщей, но быстро поняли, что нам нужны большие наборы данных высокого качества для обучения систем глубокого обучения. Мы обратились за помощью к индустрии красоты и компаниям по уходу за кожей. Но мы также поняли, что многие косметические компании больше заинтересованы в анализе восприятия того, как работает их продукция, чем в реальных цифрах. Мы разработали первые алгоритмы для анализа этого восприятия, сосредоточив внимание на восприятии возраста и красоты, и решили провести конкурс под названием Beauty.AI.
Кроме того, мы хотели внести свой вклад в сообщество разработчиков алгоритмов, чтобы генерировать новые идеи о том, как оценивать людей, используя данные о лицах и другие метаданные. Так появился конкурс, и он стал более популярным, чем все другие наши проекты: в конкурсе приняли участие тысячи людей и дюжина разработчиков алгоритмов зарегистрировали своих судей для участия в конкурсе. В этом докладе мы расскажем о некоторых подходах к оценке привлекательности человеческого лица. Мы также подчеркнем важность сбалансированных и инклюзивных тренировочных наборов, чтобы избежать расовых, гендерных и возрастных предубеждений, и представим проект Diversity.AI, посвященный проверке и уменьшению таких предубеждений.
Присоединяйтесь к Анастасии и многим другим экспертам на Саммите по глубокому обучению в здравоохранении, включая: Нила Лоуренса, профессора машинного обучения и вычислительной биологии в Университете Шеффилда; Алекс Матей, менеджер по цифровому здравоохранению в Nuffield Health; Майкл Куо, доцент в UCLA и не только!
Зарегистрируйтесь здесь, используя код скидки BLOG17 при оформлении заказа, чтобы сэкономить 20 % на билете.
Другие статьи о здоровье
