Подписаться на новости
logo logo
Сообщество робототехников

Машинное обучение – ключевые перспективы для медицины

Машинное-обучение-будущее-медицины
Понедельник, 8 Мая 2017, в 10:58
медицина

Новые алгоритмы способны диагностировать болезнь точно так же как врачи. 

В начале 2017 года специалист в области систем искусственного интеллекта — Себастьян Трун (Sebastian Thrun) с коллегами из Стэнфордского университета — продемонстрировали, как алгоритм машинного обучения может диагностировать потенциальные раковые кожные повреждения. Диагноз ничем не отличался от диагноза профессиональных врачей.

Предлагалась концепция новой эры в диагностике с помощью программного обеспечения, согласно которой искусственный интеллект помогает врачам и даже составляет им конкуренцию. Эксперты заявляют, что медицинские изображения, включая фотографии, рентгеновские снимки и МРТ, могут идеально сочетаться с возможностями машинного обучения.    

Себастьян-Трун         

Принцип «чёрного ящика» в медицине

Несмотря на то, что прогнозы команды Труна были очень точными, никто не был уверен наверняка в достоверности исследований. Это похоже на принцип «чёрного ящика» с задействованием глубокого обучения в медицине.  

При этом Прайс уверен, что данный аспект не станет серьёзным препятствием в области медицины. Он также заверяет, что вопрос «чёрного ящика» не создаст проблем с Управлением США по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA), которое помимо утверждения новых препаратов, также регулирует программное обеспечение для лечения или предотвращения болезней.  

За последние 20 лет управление FDA утвердило множество приложений для визуального анализа на основе разнообразных технологий распознавания образов, машинного обучения и компьютерного зрения.

Управление США по санитарному надзору уже официально утвердило, как минимум, один алгоритм машинного обучения. Им стало программное обеспечение, разработанное компанией Arterys в Сан-Франциско. Его алгоритм DeepVentricle анализирует снимки МРТ, на которых изображены внутренние линии камер сердца и подсчитывает объём крови в сердце пациента. Представители компании Arterys заявляют, что подсчёт осуществляется в течение 30 секунд, в то время как привычные методы занимают около часа.           

Члены управления FDA потребовали от Arterys провести масштабное тестирование, чтобы убедиться в точности результатов алгоритма с данными врачей.

«Нужно статистически доказать, что алгоритм работает правильно и используется по назначению», — сказал главный инженер компании Джон Аксерио-Силис (John Axerio-Cilies).

Машинное-обучение-в-медицине-2    

Большой спрос

Чтобы расширить функционал программного обеспечения, команда во главе с Труном обработала 129,405 изображения кожных патологий, проанализированных экспертами. Им удалось охватить 2,032 различных заболеваний и задействовать 1,942 изображения подтверждённого рака кожи.      

Постепенно программа смогла превзойти возможности 21 дерматологов в обнаружении родинок, которые потенциально могли быть раковыми.   

«Я считаю, что увидев возможности данной технологии, дерматологи станут с радостью использовать ее», - заявил дерматолог из Стэнфорда и автор исследования Роберт Новоа.

По мнению дерматолога Алана Халперна, любые опасения касательно того, что врачи останутся без работы — не обоснованы.

«Угроза будет заключаться в другом. Алгоритмы могут значительно повысить спрос на сотрудников дерматологических отделений».   

Это можно объяснить тем, что для диагностического теста всё ещё требуется биопсия. По словам Халперна, программное обеспечение на основе машинного обучения прекрасно подойдет для использования в пунктах оказания первой помощи, а также в качестве диагностического теста. Для этого увеличится спрос на дерматологов, так как они будут контролировать процесс выполнения исследований. 

рейтинг

1894

просмотров

0

комментариев

порекомендовать друзьям

комментарии

Нет комментариев

Гость

Дорогие друзья! Помните, что администрация сайта будет удалять:

  • Комментарии с грубой и ненормативной лексикой
  • Прямые или косвенные оскорбления героя поста или читателей
  • Короткие оценочные комментарии ("ужасно", "класс", "отстой")
  • Комментарии, разжигающие национальную и социальную рознь