МАШИННОЕ ОБУЧЕНИЕ В МЕДИЦИНЕ

Искусственный интеллект и алгоритмы машинного обучения позволяют усилить прогностические возможности современной медицины, а также создавать и совершенствовать новые терапевтические подходы в лечении самых разных заболеваний. В основе работы машинного обучения в медицине – анализ больших объемов медицинской статистики, данных анализов и диагностики.

Обработка этой информации проводится по заданным алгоритмам. Применение таких алгоритмов не просто повышает эффективность работы медицинского персонала, избавляя его от рутинной деятельности, но и улучшает качество прогнозирования. Ведь алгоритмы машинного обучения могут выявлять те отклонения, которые в противном случае остались бы не замеченными. Благодаря этому огромную роль играет машинное обучение в ранней диагностике особо опасных заболеваний.

Одним из наиболее перспективных направлений является анализ результатов таких обследований, как ультразвуковые, магнитно-резонансная томография, компьютерная томография, цифровая рентгеновская диагностика, компьютерная томография. В основном реализация алгоритмов машинного обучения в этой области ведется через сверточные нейронные сети, наиболее хорошо подходящие для работы с визуальной графической информацией. Хорошо работает с такой информацией также механизм внимания, который применяется для поиска взаимосвязей между различными частями входных и выходных данных. Используемые типы классификации – обычная, вероятностная или мультиклассовая, в зависимости от задачи.

Алгоритмы машинного обучения обеспечивают точность ранней диагностики на уровне 90%, используя как тренировочные наборы данных, так и реальные медицинские данные. Это очень важно в особенности для раннего предсказания онкологических заболеваний, а также разработке лечения. Например, алгоритм с высокой точностью локализует расположение и размер опухоли в ткани, и он же рассчитывает интенсивность, глубину и направление воздействия направленной лучевой терапии, чтобы минимизировать побочные эффекты для здоровой ткани.

Для того, чтобы машинное обучение в медицине было максимально эффективным, сверточным нейронным сетям требуется огромное количество структурированных данных. Получение реальных данных исследований зачастую затруднено из-за отсутствия согласия пациентов на их использование. Проблему можно обойти за счет применения генеративно-состязательных сетей, или GAN. Это алгоритм машинного обучения, который строится на комбинации двух нейронных сетей. Одна из них служит для генерации образцов, в медицине это результаты исследований. Другая сеть работает как фильтр, отделяющий «настоящие» результаты от «ненастоящих», «с отклонениями».

В результате между ними возникает так называемая «антагонистическая игра», результаты которой противоположны для обеих сетей. В широком обиходе пользователям интернета GAN знакомы по алгоритмам создания образов, практически неотличимых от настоящих фотографий. В медицине цель использования GAN более серьезна: генерация данных исследований здоровых «пациентов» и данных с отклонениями и патологиями. При этом важной задачей является классификация по типу патологии, сгенерированной алгоритмом.

При условии относительно высокой нагрузки на медицинских работников решить проблему невозможности персонифицированного подхода к разным пациентам также помогают алгоритмы машинного обучения. Это новая модель построения медицинской помощи, включающая подбор индивидуальных средств диагностики и лечения, оптимально рассчитанных для конкретного пациента по физиологическим, анатомическим, генетическим параметрам его организма.

Наиболее широкое применение на сегодняшний день такие алгоритмы находят опять же в онкологии, а также в фармакологии и генетике. В частности, очень перспективным выглядит использование алгоритмов машинного обучения для прогнозирования вероятности онкологических заболеваний по уровню экспрессии тех или иных генов в ДНК.

С помощью машинного обучения решаются самые разные задачи, начиная с разработки новых лекарственных препаратов и заканчивая вопросами расчета стоимости страховки для конкретного пациента с его сопутствующими заболеваниями – в последнем случае используются также алгоритмы машинного обучения в финансовой сфере.

При разработке новых препаратов машинное обучение позволяет ускорить и упростить многие этапы, связанные с прогнозированием воздействия определенных химических соединений на те или иные системы и организм в целом. Это не отменяет этап клинических испытаний, но эффективно предваряет и дополняет его.

Также новые информационные технологии становятся повседневными помощниками врачей, позволяя упростить доступ к неструктурированной базе медицинской литературы, облегчая получение ценной информации от пациентов и построение анамнеза. Развивается направление использования машинного обучения в сфере психиатрической помощи, в частности, искусственный интеллект может предсказать возможное развитие психоза и других психических отклонений на основании анализа звукозаписи.

Компания AVADA MEDIA предлагает решение задач машинного обучения, в том числе и в области медицины. Мы разрабатываем программные продукты в области искусственного интеллекта для клиентов по всему миру.