Машинное обучение и глубокое обучение, в чем разница?

Прежде чем мы начнем, важно понять разницу между машинным обучением и глубоким обучением, поскольку оба они используются в сфере здравоохранения, но не означают одно и то же. Машинное обучение — это ветвь ИИ, которая фокусируется на том, как люди учатся, и постепенно повышает его точность. Глубокое обучение — это отрасль машинного обучения, которая структурирует алгоритмы слоями для создания искусственных нейронных сетей. Что делает его особенным, так это то, что он не требует вмешательства человека в процесс обучения. Например, когда модель глубокого обучения выдает неточные выходные данные, модель должна иметь возможность пометить их как неточные с помощью шаблонов, которые она изучила ранее. Распознавание изображений и речи обычно использует глубокое обучение.

Эволюция отрасли здравоохранения

За последние десятилетия индустрия здравоохранения претерпела значительные изменения, совершив революцию в медицинской практике и уходе за пациентами. Эти преобразования были вызваны неустанным внедрением новых технологий. Одной из таких технологий является искусственный интеллект и машинное обучение. Благодаря своей способности анализировать огромные объемы данных и извлекать ценную информацию, ИИ и машинное обучение могут изменить различные отрасли, включая здравоохранение.

Используя алгоритмы искусственного интеллекта и машинного обучения, медицинские работники могут решать такие проблемы, как информационная перегрузка и административные сложности. Эти технологии могут улучшить качество обслуживания пациентов, привести к лучшему принятию решений, расширить инновации, автоматизировать процессы и снизить затраты. Ниже мы обсудим некоторые практические примеры.

Интересные приложения и примеры:

  • Использование ИИ обнаружить рак молочной железы, пропущенный врачами

Для выявления рака молочной железы проводится рентгенологическое исследование, которое также называют маммографией. Рентгенологи часто часами просматривают сотни изображений, пытаясь найти какие-либо признаки рака молочной железы. Тем не менее, люди ограничены в когнитивных способностях, и их продолжительность концентрации внимания составляет около 4 часов. Из-за этого крошечные поражения часто пропускаются, что имеет судьбоносные последствия.

Используя распознавание изображений, алгоритмы глубокого обучения могут обнаруживать рак молочной железы зачастую точнее, чем врач.

Этот метод все еще находится в стадии разработки. Он должен сократить количество ложных срабатываний и работать нормальным образом для всех возрастных групп, типов телосложения и этнических групп. В любом случае, он показал некоторые многообещающие результаты, такие как снижение рабочей нагрузки рентгенологов на 30% и увеличение частоты выявления рака на 13%.

Интересное видео о том, как это делается на практике:

https://www.youtube.com/watch?v=2ZXYM1h9pgY

  • Открытие нового лекарства

Одним из самых известных алгоритмов машинного обучения при поиске лекарств является модель QSAR (количественная структура — взаимосвязь активности). Это модель машинного обучения, которая моделирует взаимосвязь между химической структурой и биологической активностью. Модель обучается на тысячах молекул, имеющих определенные молекулярные дескрипторы. Эти дескрипторы представляют собой математические значения, описывающие структуру или форму молекул, которые отличают 2 или более разных молекул. Каждая молекула либо имеет, либо не имеет определенного биологического свойства.

Теперь модель можно использовать для новых молекул, чтобы предсказать, обладают ли они определенной биологической особенностью и какие дескрипторы важны для этой функции. Это дает важную информацию для химиков. Вы можете сделать это для нескольких биологических функций. Если какие-то молекулы окажутся многообещающими, вы отнесете их в лабораторию для биологической проверки, и в конечном итоге это приведет к созданию новых лекарств.

  • Экономия затрат

Внедрение ИИ в больницах и фармацевтической промышленности может сэкономить 5–10% всех расходов на здравоохранение, что для Бельгии составляет около 3,6–7,2 млрд долларов. Клинические испытания нового лекарства, например, стоят 1,3 миллиарда долларов. Неудивительно, что это число велико, если вы знаете, что записи в дневниках пациентов регистрируются вручную, а медицинские документы все еще отправляются по факсу. Все эти административные задачи очень легко автоматизировать, и это показывает, что в секторе здравоохранения не хватает знаний, когда речь идет о немедицинских областях. Я изучаю бизнес-инженерию, и ни разу профессор не учил нас чему-то, связанному со здравоохранением. «Имеет смысл», — можете подумать вы, и, возможно, вы правы, но так не должно быть. Если бы мы сделали нашу степень более междисциплинарной, можно было бы добиться огромного повышения эффективности. Это также может быть необходимостью для некоторых профессий, таких как вышеупомянутый радиолог. Рентгенологи никуда не денутся, но они должны понять, что делают алгоритмы глубокого обучения и как их улучшить в ближайшем будущем. Эта междисциплинарная направленность — единственный способ реализовать эту экономию средств.

В заключение следует отметить, что интеграция искусственного интеллекта и машинного обучения в здравоохранении может революционизировать медицинскую практику и улучшить уход за пациентами. При ожидаемом среднегодовом темпе роста в 35% рост использования ИИ в здравоохранении значителен. Технологии искусственного интеллекта могут улучшить обнаружение рака молочной железы за счет уменьшения количества ложных срабатываний и пропущенных диагнозов. При разработке лекарств алгоритмы машинного обучения, такие как модели QSAR, позволяют быстрее разрабатывать новые лекарства. Кроме того, внедрение ИИ может привести к существенной экономии средств, при этом решающую роль играют автоматизация и междисциплинарное обучение. По мере того, как ИИ и машинное обучение продолжают развиваться, они предлагают преобразующие возможности для улучшения выявления заболеваний, разработки лекарств, операционной эффективности и снижения затрат в здравоохранении. Внедрение этих технологий приведет к излечению, лучшему решению и, в конечном итоге, улучшит качество нашей жизни.

Библиография

Что такое машинное обучение? | IBM. (н.д.). https://www.ibm.com/topics/machine-learning#:~:text=the%20next%20step-,What%20is%20machine%20learning%3F, учиться%2C%20постепенно%20улучшая%20its%20точность .

Ангер, К. (2023, 7 марта). ChatGPT, машинное обучение и генеративный ИИ в здравоохранении. Форбс. https://www.forbes.com/sites/forbetechcouncil/2023/03/07/chatgpt-machine-learning-and-generative-ai-in-healthcare/?sh=7079472b556f

МакКендрик, Дж. (2023, 22 февраля). Здравоохранение может стать окончательным испытательным полигоном для искусственного интеллекта. Форбс. https://www.forbes.com/sites/joemckendrick/2023/02/22/healthcare-may-be-the-ultimate-proving-ground-for-artificial-intelligence/?sh=147111262b55

Профессор данных. (2020, 12 декабря). Машинное обучение для поиска лекарств (объяснение через 2 минуты) [видео]. YouTube. https://www.youtube.com/watch?v=xDMzOUUnNzw

Эрик Линдал. (2021, 25 февраля). Лекция 12, концепция 15: Количественное соотношение структура-активность (QSAR) пытается предсказать лекарства [видео]. YouTube. https://www.youtube.com/watch?v=dOi8KwcecoM

Research, AM (2023, 15 мая). Ожидается, что к 2030 году искусственный интеллект (ИИ) на рынке здравоохранения будет иметь значительный среднегодовой темп роста в 35%. Основные игроки — Intel Corporation, Nvidia Corporation, Google. Цифровой журнал. https://www.digitaljournal.com/pr/news/a2z-market-research/artificial-intelligence-ai-in-healthcare-market-is-expected-to-represent-significant-cagr-of-35-by -2030-основные-игроки-intel-corporation-nvidia-corporation-google