Некоторое время назад Эндрю Нг, самый приветливый и узнаваемый лидер в области искусственного интеллекта, запустил специализацию под названием «ИИ для медицины» через свою организацию MOOC, deeplearning.ai. Я всегда был большим поклонником Эндрю Нг, и именно он познакомил меня с миром машинного обучения благодаря своим зернистым видеороликам на YouTube с лекциями в Стэнфорде еще в 2012 году.

Я был очень взволнован тем, что Эндрю Нг, наконец, обратил внимание на острую нехватку специалистов по ИИ в медицинской сфере. По правде говоря, ИИ в медицинском мире не получил такого большого прогресса, как в других областях, таких как персонализированная реклама, рекомендации, автономное вождение и т. д. Существует множество сложных вопросов, таких как конфиденциальность данных, небольшие размеры выборки и т. д., которые я бы предпочел обсудить в глубина в другом посте.

Естественно, меня зацепила новость о запуске, и я настроился на основное онлайн-мероприятие, в котором приняли участие ключевые лидеры общественного мнения, такие как доктор Эрик Тополь, известный кардиолог и автор бестселлера Deep Medicine. На том же мероприятии меня представили Пранаву Раджпуркару, человеку, который должен был стать главным инструктором.

Если вы не знаете Пранава, то он является автором знаменитой статьи CheXNet, которая, насколько мне известно, представила глубокие сверточные нейронные сети (CNN) для медицинской визуализации при диагностике пневмонии с помощью рентгена грудной клетки. Меня очень впечатлило, что инструктаж будет вести человек такого калибра.

Недавно я нашел время пройти курс лекций по Coursera и в этом посте привожу краткий обзор этой специализации. Я только высказываю свое мнение об общем содержании, но не о курсовой работе, поскольку я только проверял курсы. Я бы тоже воздержался от оценок, так как не верю в них.

Какова моя квалификация?

Я являюсь исследователем четвертого года докторантуры в области науки о клинических данных в респираторной медицине. Мои исследования включают применение статистики, традиционного машинного обучения и глубокого обучения в таких областях, как обнаружение биомаркеров, диагностика, обеспечение качества медицинских данных и персонализированное вмешательство. Мне очень повезло с публикациями в некоторых ведущих медицинских журналах и конференциях в моей области. Я также сотрудничаю со стартапом Artiq, чтобы воплотить свои исследования в клиническую практику.

Обзор ИИ для медицины

Эта специализация состоит из трех курсов по порядку, а именно:

  1. Искусственный интеллект для медицинской диагностики: основное внимание уделяется применению CNN для обнаружения заболеваний и сегментации данных изображений.
  2. Искусственный интеллект для медицинского прогнозирования. Представляет модели для прогнозирования риска заболевания (прогноз) и модели для анализа выживаемости (для количественной оценки вероятности выживания в будущем).
  3. ИИ для лечения:представляет причинно-следственный вывод для оценки лечебного эффекта препарата в рандомизированных клинических испытаниях (РКИ), методы извлечения меток из клинических отчетов и применения НЛП, а также различные методы интерпретации моделей.

Все лекции представлены в виде коротких видеороликов продолжительностью около 2–4 минут.

Что мне понравилось

Специализация отлично справляется с ознакомлением студентов с различными типами медицинских данных и аналитическими методами. В нем представлены общие проблемы, такие как обработка несбалансированных и отсутствующих данных, важность внутренней и внешней проверки и различные способы количественной оценки производительности модели в клинических условиях. Он также знакомит студентов с современными методами глубокого обучения для анализа данных медицинских изображений.

Я был очень впечатлен Пранавом, и его лекции были очень основательными. Используя интуитивные цифры и примеры в своих презентациях, он упрощает изучение даже самых тонких тем, таких как расчет С-статистики для индивидуального лечебного эффекта. Пранав легко поддерживает высокие стандарты обучения, установленные Эндрю Нг.

Что мне не понравилось

Мне было трудно понять общую структуру специализации. Он начинается с продвинутых тем, таких как глубокое обучение в первом курсе, но позже в специализации основное внимание уделяется общим аналитическим методам, таким как прогнозирование рисков, выживание, вменение данных, интерпретация моделей и т. д. Обычный анализ клинических данных включает в себя структурированные или табличные данные, собранные в лаборатории, такие как образцы крови, функция легких и т. д. Он требует классических статистических подходов или обычного машинного обучения. Однако текущая структура курса создает впечатление, что глубокое изучение данных изображений, получение которых относительно дорого, является наиболее важным аналитическим методом в клинических условиях.

Во-вторых, не сразу понятно, для кого предназначен этот курс. Он требует достаточно высоких базовых знаний по машинному обучению и глубокому обучению, что сразу отпугивает медицинского ординатора или биолога от регистрации. Если этот курс задуман как учебный лагерь для инженеров по поиску работы в сфере здравоохранения, требования для таких вакансий почти всегда включают подтвержденный опыт работы с реальными биологическими данными. Я не уверен, что вводный курс по анализу медицинских данных и проектам по игрушечным наборам данных подойдет.

Заключительные мысли

С такими людьми, как Пранав Раджпуркар и Эндрю Нг у руля, качество преподавания этого курса просто звездное. Тем не менее, он все еще нуждается в некоторых изменениях в своем содержании, чтобы полностью реализовать свой потенциал.

Из моего собственного общения с коллегами в медицинском мире и в исследованиях на животных, есть большая аудитория, которая жаждет узнать о новых методах анализа данных, таких как глубокое обучение. Однако им не удается найти подходящие ресурсы, охватывающие весь спектр анализа данных, начиная с классической статистики и заканчивая глубоким обучением.

Имея это в виду, я позволю себе предложить модифицированную структуру для этой специализации:

  1. Основы искусственного интеллекта в медицине. Охватывает основы статистического вывода и контролируемого обучения на структурированных данных.
  2. ИИ для медицинского прогнозирования и лечения:охватывает модели прогнозирования риска, модели выживания и причинно-следственные связи.
  3. Глубокое обучение в медицине. Охватывает CNN для визуализации данных, NLP для извлечения данных из клинических отчетов и рекуррентные сети для данных мониторинга в реальном времени.

Каким бы ни был результат, я поздравляю Пранава и Эндрю Нг с их невероятными усилиями по демократизации знаний об ИИ во всем мире.