МАШИННЕ НАВЧАННЯ У МЕДИЦІНІ

Штучний інтелект і алгоритми машинного навчання дозволяють посилити прогностичні можливості сучасної медицини, а також створювати і вдосконалювати нові терапевтичні підходи в лікуванні найрізноманітніших захворювань. В основі роботи машинного навчання в медицині – аналіз великих обсягів медичної статистики, даних аналізів та діагностики.

Обробка цієї інформації проводиться за заданими алгоритмами. Застосування таких алгоритмів не просто підвищує ефективність роботи медичного персоналу, позбавляючи його від рутинної діяльності, але і покращує якість прогнозування. Адже алгоритми машинного навчання можуть виявляти ті відхилення, які в іншому випадку залишилися б непоміченими. Завдяки цьому величезну роль грає машинне навчання в ранній діагностиці особливо небезпечних захворювань.

Одним з найбільш перспективних напрямків є аналіз результатів таких обстежень, як ультразвукові, магнітно-резонансна томографія, комп’ютерна томографія, цифрова рентгенівська діагностика, комп’ютерна томографія. В основному реалізація алгоритмів машинного навчання в цій області ведеться через згорткові нейронні мережі, найбільш добре підходять для роботи з візуальною графічною інформацією. Добре працює з такою інформацією також механізм уваги, який застосовується для пошуку взаємозв’язків між різними частинами вхідних і вихідних даних. Використовувані типи класифікації – звичайна,ймовірна або мультикласова, в залежності від завдання.

Алгоритми машинного навчання забезпечують точність ранньої діагностики на рівні 90%, використовуючи як тренувальні набори даних, так і реальні медичні дані. Це дуже важливо особливо для раннього передбачення онкологічних захворювань, а також розробці лікування. Наприклад, алгоритм з високою точністю локалізує розташування і розмір пухлини в тканини, і він же розраховує інтенсивність, глибину і напрямок впливу спрямованої променевої терапії, щоб мінімізувати побічні ефекти для здорової тканини.

Для того, щоб машинне навчання в медицині було максимально ефективним, нейронним мережам потрібна величезна кількість структурованих даних. Отримання реальних даних досліджень часто утруднено через відсутність згоди пацієнтів на їх використання. Проблему можна обійти за рахунок застосування генеративно-змагальних мереж, або GAN. Це алгоритм машинного навчання, який будується на комбінації двох нейронних мереж. Одна з них служить для генерації зразків, в медицині це результати досліджень. Інша мережа працює як фільтр, що відокремлює «справжні» результати від «несправжніх», «з відхиленнями». В результаті між ними виникає так звана «антагоністична гра», результати якої протилежні для обох мереж.

В широкому побуті користувачам інтернету GAN знайомі по алгоритмам створення образів, практично не відрізняються від справжніх фотографій. У медицині мета використання GAN серйозніша: генерація даних досліджень здорових «пацієнтів» і даних з відхиленнями і патологіями. При цьому важливим завданням є класифікація за типом патології, згенерованої алгоритмом.

За умови щодо високого навантаження на медичних працівників вирішити проблему неможливості персоніфікованого підходу до різних пацієнтів також допомагають алгоритми машинного навчання. Це нова модель побудови медичної допомоги, що включає підбір індивідуальних засобів діагностики і лікування, оптимально розрахованих для конкретного пацієнта за фізіологічними, анатомічним, генетичним параметрам його організму.

Найбільш широке застосування на сьогоднішній день такі алгоритми знаходять знову ж в онкології, а також у фармакології і генетиці. Зокрема, дуже перспективним виглядає використання алгоритмів машинного навчання для прогнозування ймовірності онкологічних захворювань за рівнем експресії тих чи інших генів в ДНК.

За допомогою машинного навчання вирішуються найрізноманітніші завдання, починаючи з розробки нових лікарських препаратів і закінчуючи питаннями розрахунку вартості страховки для конкретного пацієнта з його супутніми захворюваннями – в останньому випадку використовуються також алгоритми машинного навчання у фінансовій сфері. При розробці нових препаратів машинне навчання дозволяє прискорити і спростити багато етапів, пов’язані з прогнозуванням впливу певних хімічних сполук на ті чи інші системи і організм в цілому. Це не скасовує етап клінічних випробувань, але ефективно передує і доповнює його.

Також нові інформаційні технології стають повсякденними помічниками лікарів, дозволяючи спростити доступ до неструктурованої базі медичної літератури, полегшуючи отримання цінної інформації від пацієнтів і побудові анамнезу. Розвивається напрямок використання машинного навчання в сфері психіатричної допомоги, зокрема, штучний інтелект може передбачити можливий розвиток психозу та інших психічних відхилень на підставі аналізу звукозапису.

Компанія AVADA MEDIA пропонує вирішення завдань машинного навчання, в тому числі і в галузі медицини. Ми розробляємо програмні продукти в області штучного інтелекту для клієнтів по всьому світу.