Глубокое обучение в медицинской информации. (AI такой широкий и большой → ML → это особый тип AI).
Нейроны → многие из них обладают глубоким обучением. (больше вычислений и много данных). (они очень точные).
Большую часть времени → мы проводим архитектуру и оптимизацию сети. (но мусор на входе и мусор на выходе).
Но нам нужно больше данных → и это хорошо для здравоохранения. (а радиолога не хватает) → значит, здесь можно применить ML.
Диабетический скрининг может быть проведен → это несколько глубокий разум → это неинвазивно. (есть шкала от 1 до 5 → есть ли симптом или еще много чего → изменение небольшое).
Во многих частях → не хватает глазных врачей.
Есть потеря зрения →, особенно в Индии.
Вот возможность → сейчас → даже эти 54 человека → должны быть под присмотром → мы должны убрать этот шаг. (дайте обратную связь врачам и т. д.).
Также добавлено местоположение прогноза.
Производительность модели довольно хорошая → кривая AUROC хорошая → так что 95 процентов шансов сделать все правильно. (тоже было улучшение).
Специалист по сетчатке → - это специалист. (бенчмарк растет). (это отчасти предсказание и многое другое → контролируемое обучение)
Создайте карту значимости → это сделает сеть более интерпретируемой. (покажите мне где и как).
Сгенерированная тепловая карта → улавливает кровотечение. (даже смог преодолеть темное пятно). (разверните это в системе здравоохранения → предстоит еще много работы).
Теперь будем проводить диагностику → а не скрининг.
Это сложная задача с самого начала → обе задачи - классификация → контролируемая настройка → все равно нужно маркировать все. (так что тренируйте модель → где → можно делать не хуже врачей) (проверка проходит проверку).
Очень точно → как насчет → предсказывать вещи → которые не делаются по изображениям. (предсказать → фактор риска) → те, которые получены непосредственно из изображений. (тем не менее, предстоит много работы → нужно сделать больше). (неинвазивный метод) (увеличение → доступность, а также точность).
Она врач → также → из Alphabet.
Пациент ведет здоровый образ жизни → данные о здоровье → электронная запись с записью и многое другое → что мы можем с этим сделать?
Мы собираемся сосредоточиться на диабете → нужно опередить.
Есть информационный пробел → биология происходит постоянно → а затем люди уходят домой → также есть пробел в принятии решений. (это в некоторой степени делает Microsoft)
Собирать → и делать прогнозы → необходимо собирать данные очень хорошего качества. (IoT → датчики → биосенсор). (помогает нам понять → уровень населения и многое другое).
Нужна какая-то база данных → таблица для организации данных.
Это контроль глюкозы. (всплывает личная проницательность → здесь нет больничного).
Так что обеспечьте хороший интерфейс → для опекуна. (найдите эти шаблоны).
Это обучение без учителя → мы собираемся объединиться в кластеры.
И нам нужно активировать сдачу → чтобы Google зарабатывал деньги. (возможность доступа к врачам и т. д.). (какие проблемы мы можем использовать для решения).
Даже в новостях → мы не собираемся заменять врачей.
Ссылка
