Самые многообещающие приложения на данный момент.
Ex-Medica или приготовьтесь к масштабному цунами искусственного интеллекта в области медицины. Отслеживание состояния пациентов, поиск лекарств, роботизированная хирургия, более быстрая диагностика: все эти и многие другие задачи теперь можно автоматизировать благодаря алгоритмам машинного обучения. И хотя все только набирает обороты, есть несколько заслуживающих внимания приложений, которые меняют лицо здравоохранения. В этой статье мы представляем обзор рынка и делимся наиболее яркими примерами практических решений на основе машинного обучения, которые дают медицинскому персоналу больше времени для решения насущных вопросов.
Текущее состояние ИИ и машинного обучения в медицине
ML + медицина — это область, в которой мы можем наблюдать целевые огромные инвестиции. Если определить эти расходы в цифрах, то к 2021 году мы выходим на $6,6 млрд инвестиций.
Изображение предоставлено Accenture.
Такие известные предприятия, как Microsoft, Apple, Google и IBM, опережают развитие медицины с помощью методов машинного обучения. Но, кроме этого, есть еще около 800 других, не столь популярных, но прогрессивных компаний, которые тоже занимаются этой миссией.
Почему так много компаний занимаются этим? Ответ очевиден. Машинное обучение кардинально меняет роли клиницистов. Инструменты на основе машинного обучения могут обучаться, анализировать большие объемы информации и работать лучше, чем люди, в некоторых задачах визуального и слухового распознавания. Передовые технологии экономят время, деньги и более эффективно обслуживают пациентов. По этой причине у систем машинного обучения есть все шансы создать 150 миллиардов долларов ежегодной экономии к 2026 году.
10 захватывающих случаев использования машинного обучения в медицине
Какие технологии и механизмы машинного обучения доминируют сейчас в медицине? Давайте рассмотрим десять вариантов использования, которые оказывают наиболее значительное влияние в краткосрочной перспективе:
Обработка естественного языка (NLP) №1 для административных задач
Как известно, жизнь медицинских работников наполнена рутинным ежедневным общением с клиентами. Эти обязанности требуют постоянного обновления электронных медицинских карт (ЭМК), что часто отнимает много времени, а иногда даже вызывает выгорание врача. С помощью обработки естественного языка (NLP) и машинного обучения становится возможным решить эту проблему. Являясь подполем ИИ, НЛП имеет дело со всем, что связано с взаимодействием человека и машины посредством языка (речь, письменный текст). Для административных задач инструменты на основе NLP классифицируют, извлекают и обобщают данные от клиентов и направляют заметки в электронные медицинские карты.
#2 Обнаружение и классификация опухоли головного мозга
Радиология — еще одна область, где машинное обучение показывает отличные результаты. Согласно Академическому радиологическому исследованию, радиологу необходимо просматривать одно изображение каждые 3–4 секунды, чтобы соответствовать требованиям рабочей нагрузки. Глубокое обучение, являющееся частью методов машинного обучения, помогает создавать системы для более быстрого выполнения этой задачи. Принцип такой технологии типичен: нейронная сеть, питаемая миллионами медицинских рентгеновских снимков, учится выносить окончательный вердикт по каждому медицинскому случаю. Первые проекты, разработанные таким образом, работают с 99% точностью.
#3 Классификация рака кожи с использованием сверточных нейронных сетей
Еще один захватывающий пример использования машинного обучения в медицине — возможность обработки изображений. Будучи типом нейронной сети, CNN в основном ориентированы на распознавание и классификацию изображений. В здравоохранении CNN полезны для обучения моделей машинного обучения и позволяют быстрее и эффективнее обрабатывать тысячи изображений. Например, в то время как дерматологи ставят диагноз с точностью 65–85 %, CNN имеют точность 87–95 %.
# 4 Открытие и производство лекарств
Разработка нового лекарства требует времени: для его утверждения требуется почти 12 лет лабораторных испытаний. Системы на основе машинного обучения, в свою очередь, могут создавать новые лекарства быстрее, чем любая человеческая команда. Такие системы питаются данными всех волнующих результатов и таким образом указывают на ранее незамеченное взаимодействие молекул. Таким примером является программа AtomNet, которая уже помогла создать лекарства для лечения лихорадки Эбола и рассеянного склероза.
# 5 Роботизированная хирургия
Алгоритмы машинного обучения помогают сделать роботизированную хирургию более сложной и позволяют программам выполнять все более сложные задачи с невозможной для человека точностью. da Vinci X — один из таких проектов, реализующих роботизированную малоинвазивную хирургию. И хотя системы да Винчи не работают самостоятельно без наблюдения врача, они помогают выполнять многие виды сложных процедур с большей точностью, гибкостью и контролем, чем это возможно при использовании обычных методик.
# 6 Глубокое обучение, чтобы раскрыть потенциал электронных медицинских карт
С каждым днем количество данных, собранных из ЭМИ, становится не только больше, но и все более неструктурированным. Это приводит к более сложному сценарию обработки данных. Методы глубокого обучения, в свою очередь, позволяют автоматизировать эти процессы и помогают лучше понимать эволюцию хронических заболеваний и прогнозировать риск развития этих заболеваний.
7. Распознавание лиц выявляет редкие генетические нарушения
Лицо может многое сказать о физическом состоянии организма, особенно в детском возрасте. Например, некоторые генетические заболевания можно определить по форме головы и положению глаз. Конечно, это было бы невозможно без алгоритмов машинного обучения и технологий распознавания лиц, которые позволяют анализировать большие объемы данных и делать определенные выводы за считанные секунды. FDNA реализовала эту задачу следующим образом. Для того, чтобы собрать большую базу реальных случаев, они создали платформу сообщества Face2Gene, куда клинические генетики загрузили более 150 000 случаев с выявлением редких генетических нарушений. После этого появилась возможность сравнивать данные, полученные при сканировании, с существующей базой данных и сужать возможности заболевания.
Изображение: FDNA/Nature Medicine
#8 Инструмент на основе искусственного интеллекта для распознавания сердечного приступа по телефону
Когда случаются такие непредсказуемые происшествия с нашим здоровьем, как сердечный приступ, важна каждая секунда. Но, к сожалению, часто звоня в службы 911, мы даже не знаем, что с нами происходит. ИИ-система Корти, в свою очередь, может анализировать голосовые сообщения и распознавать, есть ли у человека сердечный приступ. Благодаря качественному анализу НЛП эта система распознает слова и скрытые интонации, поэтому помогает медицинским работникам быстрее реагировать на экстренные вызовы.
#9 Алгоритм диагностики пневмонии
Теперь машинное обучение может улучшить диагностику пневмонии. Для обнаружения аномалий на рентгенограммах грудной клетки разработчики из Стэнфордской группы машинного обучения обучили 121-слойную плотную сверточную сеть и представили новый алгоритм под названием CheXnet. Этот алгоритм может диагностировать 14 различных патологий быстрее, чем рентгенологи.
# 10 Прогноз вспышки эпидемии
В то время как Всемирная организация здравоохранения объявила об эпидемии коронавируса 6 января, BlueDot продемонстрировал это заявление 31 декабря. заявления властей, а также описания болезней. Другой яркий пример — HealthMap, бесплатный ресурс, использующий алгоритмы обработки текста для мониторинга вспышек заболеваний и оповещения.
Изображение предоставлено: HealthMap
Итог: будущее искусственного интеллекта и машинного обучения в здравоохранении
Человеку свойственно ошибаться. Но в некоторых областях одна ошибка порождает еще большие. Например, ошибочный диагноз в медицине может привести к летальному исходу. Но вот тут-то и приходят на помощь системы машинного обучения: обученные на миллионах кейсов, они могут учиться, анализировать большие объемы информации, выдавать достоверные результаты и принимать решения самостоятельно. И хотя сейчас Медицина + машинное обучение — все еще молодое направление, дающее нам надежды, оно расширяется и достигает точки зрелости с каждым днем.
Хотите разрабатывать решения для машинного обучения?
Лемберг Солюшнс здесь, чтобы помочь. Обладая отличными инженерными навыками и академическими знаниями в области науки о данных, машинного обучения и Интернета вещей, мы являемся частью отрасли и создаем технологии, которые используются во всем мире. Применяя такие методы машинного обучения, как компьютерное зрение, обработка сенсорных данных, распознавание звука и НЛП, мы помогаем нашим клиентам преуспеть в своих идеях. Изучите наши кейсы и свяжитесь с нами в любое время через наш веб-сайт.
