Вы когда-нибудь задумывались, что произойдет, если объединить здравоохранение и глубокое обучение?

В своей предыдущей публикации я описал, как искусственный интеллект применяется к личному здоровью. В этом сообщении в блоге я решил рассказать о глубоком обучении в области общественного здравоохранения.



Искусственный интеллект (AI) в здравоохранении
Искусственный интеллект, машинное обучение и глубокое обучение революционизируют отрасль здравоохранения. Вот что вы… blog.produvia.com



Цель этой статьи - дать обзор последних событий, связанных с глубоким обучением (DL) в здравоохранении, и дать ответы на несколько ключевых вопросов:

  • Что сейчас происходит в отрасли?
  • Что сейчас происходит в академических кругах?
  • Какие последствия в будущем?

Прежде чем обсуждать, как глубокое обучение, также известное как нейронная сеть, применяется в здравоохранении, важно понять разнообразие алгоритмов, существующих в глубоком обучении. Каждая нейронная сеть немного отличается по архитектуре.

Что сейчас происходит в индустрии?

В стартапы в сфере здравоохранения поступает более 1,5 миллиарда финансовых средств. Более 100 стартапов в 12 категориях. К этим категориям здравоохранения относятся: данные пациентов и анализ рисков, исследования, медицинская визуализация и диагностика, психическое здоровье, открытие лекарств, виртуальные помощники, носимые устройства, управление и мониторинг образа жизни, питание, отделение неотложной помощи и хирургия, стационарное лечение и управление больницей, а также Разное (CBInsights, 2017).

Что сейчас происходит в академических кругах?

Чтобы воспользоваться преимуществами новейших технологий глубокого обучения, в первую очередь нужно искать. В Produvia мы проделали большую работу и собрали наши любимые исследовательские работы, касающиеся отрасли здравоохранения. Мы прочитали 32 статьи по глубокому обучению и представляем наши выводы ниже.

Академия здравоохранения фокусируется на использовании шести алгоритмов глубокого обучения: Autoencoder (AE), сверточная нейронная сеть (CNN), также известная как Deep Convolutional Network (DCN), Recurrent Neural Network (RNN), Restricted Boltzmann Machine (RBM), Long Short- Термическая память (LSTM) и закрытый рекуррентный блок (GRU). Две архитектуры, CNN и AE, успешно применяются во многих областях медицины.

Мы сгруппировали наше резюме по нескольким категориям, включая: клинические изображения, электронные медицинские карты, геномику и мобильные данные.

Клиническая визуализация

  • Диагностика болезни Альцгеймера на ранней стадии (БА) с помощью магнитно-резонансной томографии (МРТ) головного мозга с использованием Stacked Sparse AE (Liu et al., 2014)

БА - хроническое нейродегенеративное заболевание, которое обычно начинается медленно и со временем ухудшается. МРТ - это медицинский метод визуализации, используемый в радиологии для формирования изображений анатомии и физиологических процессов организма как в состоянии здоровья, так и при болезни.

  • Выявление режимов вариаций БА на множестве МРТ головного мозга с использованием RBM (Brosch et al., 2013)
  • Сегментируйте МРТ коленного хряща для прогнозирования риска остеоартрита (ОА) с помощью CNN (Prasoon et al., 2013)

ОА - это заболевание суставов, которое возникает в результате разрушения суставного хряща и подлежащей кости.

  • Сегментные очаги рассеянного склероза (РС) на многоканальных 3D МРТ с использованием RBM (Yoo et al., 2014)

РС - это демиелинизирующее заболевание, при котором повреждаются изолирующие оболочки нервных клеток головного и спинного мозга.

  • Диагностируйте узелки и поражения груди с помощью ультразвукового исследования (UI), также известного как сонография, с использованием Stacked Denoising AE (Cheng et al., 2016)

UI - это метод диагностической визуализации, основанный на применении ультразвука, который используется для просмотра внутренних структур тела, таких как сухожилия, мышцы, суставы, кровеносные сосуды и внутренние органы.

  • Обнаружение диабетической ретинопатии (ДР), также известной как диабетическая болезнь глаз, на фотографиях глазного дна сетчатки с помощью CNN (Gulshan et al., 2016)

DR - это заболевание, при котором сетчатка поражается сахарным диабетом.

  • Классифицируйте рак кожи с помощью CNN (Esteva et al., 2017)

Электронные медицинские карты (EHR)

  • Прогнозирование застойной сердечной недостаточности (ХСН) и хронической обструктивной болезни легких (ХОБЛ) на основе продольных электронных медицинских карт (EHR) с помощью CNN (Liu et al., 2015)

ХСН, также известная как сердечная недостаточность (СН), - это когда сердце не может перекачивать кровь в достаточной степени, чтобы поддерживать кровоток для удовлетворения потребностей организма.

ХОБЛ - это тип обструктивного заболевания легких, характеризующийся длительными проблемами с дыханием и плохой циркуляцией воздуха.

  • Диагностика пациентов в педиатрических отделениях интенсивной терапии (PICU) с использованием LSTM RNN (Lipton et al., 2015)

PICU - это отделение в больнице, специализирующееся на уходе за тяжелобольными младенцами, детьми и подростками.

  • Прогнозирование будущих медицинских результатов на основе истории болезни пациента с помощью LSTM RNN (Pham et al., 2016)
  • Прогнозирование будущих клинических событий с помощью Stacked Denoising AE (Miotto et al., 2016)
  • Прогнозирование будущих заболеваний на основе клинического статуса пациента с помощью Stacked Denoising AE (Miotto et al., 2016)
  • Диагностируйте пациентов на основании их клинического статуса с помощью RBM (Liang et al., 2014)
  • Прогнозирование суицидного риска для пациентов с психическими расстройствами с помощью низкоразмерных
    представлений медицинских концепций, заложенных в EHR, с использованием RBM (Tran et al., 2015)
  • Откройте для себя закономерности физиологии в данных клинических временных рядов с помощью Stacked AE (Che et al., 2015)
  • Смоделируйте продольные последовательности измерений мочевой кислоты в сыворотке, чтобы предложить несколько популяционных подтипов и различить признаки мочевой кислоты при подагре и остром лейкозе с использованием Stacked AE (Lasko et al., 2013)
  • Используйте историю болезни для прогнозирования диагнозов и лекарств для последующего посещения больницы с помощью GRU RNN (Choi et al., 2016)
  • Прогнозируйте незапланированную реадмиссию после выписки с помощью CNN (Nguyen et al., 2017)

Геномика

  • Прогнозирование меток хроматина на основе последовательностей дезоксирибонуклеиновой кислоты (ДНК) с использованием CNN (Zhou et al., 2015)

ДНК - это молекула, состоящая из двух цепей (состоящих из нуклеотидов), которые наматываются друг на друга, образуя двойную спираль, несущую генетические инструкции, используемые для роста, развития, функционирования и воспроизводства всех известных живых организмов и многих вирусов.

  • Прогнозирование гиперчувствительности к дезоксирибонуклеазе I (ДНКаза I) для нескольких типов клеток и количественная оценка влияния однонуклеотидных вариантов (SNV) на доступность хроматина с помощью CNN (Kelley et al., 2016)

ДНКаза I - это эндонуклеаза, кодируемая человеческим геном DNASE1. SNV представляет собой вариацию одного нуклеотида без каких-либо ограничений по частоте и может возникать в соматических клетках.

  • Прогнозирование специфичности ДНК-связывающих и связывающих рибонуклеиновую кислоту (РНК) белков с помощью CNN (Alipanahi et al., 2015)

РНК - это полимерная молекула, играющая различные биологические роли в кодировании, декодировании, регуляции и экспрессии генов.

  • Прогнозирование состояний метилирования в исследованиях секвенирования бисульфитов одной клетки с использованием CNN (Angermueller et al., 2016)

В биологических системах метилирование катализируется ферментами; такое метилирование может быть вовлечено в модификацию тяжелых металлов, регуляцию экспрессии генов, регуляцию функции белков и процессинг РНК.

  • Оцените распространенность различных меток хроматина с помощью CNN (Koh et al., 2016)
  • Классифицируйте рак по профилям экспрессии генов с помощью Stacked Sparse AE (Fakoor et al., 2013)
  • Предсказание белковых скелетов по последовательностям белков с помощью Stacked Sparse AE (Fakoor et al., 2013)

Мобильный

  • Обнаружение замирания походки у пациентов на перитонеальном диализе (ПД) с помощью CNN / RNN (Hammerla et al., 2016)
  • Оцените расход энергии (EE) с помощью носимых датчиков с помощью CNN (Zhu et al., 2015)
  • Выявление сигналов фотоплетизмографии (PPG) для мониторинга здоровья с помощью RBM (Jindal et al., 2016)
  • Анализируйте электроэнцефалограмму (ЭЭГ) и сигналы локальных потенциалов поля с помощью CNN (Nurse et al., 2016)
  • Прогнозирование качества сна на основе данных о физической активности на носимых устройствах во время бодрствования с помощью CNN (Sathyanarayana et al., 2016)

Какие последствия в будущем?

В Produvia мы представляем систему глубокого обучения, способную обрабатывать электронные медицинские записи (EHR), клинические изображения и мобильные данные для медицинской разведки и прогнозирования. Совместно комбинируя различные типы источников медицинских данных, это решение может сэкономить время врача на диагностику симптомов и классификацию состояний. Это программное обеспечение предотвратит возникновение проблем со здоровьем, обнаруживая симптомы на ранних стадиях.

В Produvia мы можем сделать этот ИИ реальностью. Свяжитесь с нами, чтобы начать.

использованная литература

  • Лю С., Лю С., Цай В. и др. Ранняя диагностика болезни Альцгеймера с помощью глубокого обучения. В: Международный симпозиум по биомедицинской визуализации, Пекин, Китай, 2014 г., 1015–18.
  • Брош Т., Там Р. Множественное обучение МРТ головного мозга путем глубокого обучения. Med Image Comput Comput Assist Interv, 2013; 16: 633–40.
  • Прасун А., Петерсен К., Игель С. и др. Глубокое изучение функций для сегментации хряща коленного сустава с использованием трипланарной сверточной нейронной сети. Med Image Comput Comput Assist Interv, 2013; 16: 246–53.
  • Ю Й, Брош Т., Трабулзее А. и др. Глубокое изучение функций изображения на основе немаркированных данных для сегментации очагов рассеянного склероза. В: Международный семинар по машинному обучению в медицинской визуализации, Бостон, Массачусетс, США, 2014 г., стр. 117–24.
  • Cheng J-Z, Ni D, Chou Y-H и др. Компьютерная диагностика с архитектурой глубокого обучения: приложения к поражениям груди на УЗИ и легочным узелкам на КТ. Научный журнал 2016; 6: 24454.
  • Лю Ц., Ван Ф., Ху Дж. И др. Прогнозирование рисков с помощью электронных медицинских карт: подход глубокого обучения. В: Международная конференция ACM по открытию знаний и интеллектуальному анализу данных, Сидней, Новый Южный Уэльс, Австралия, 2015 г., стр. 705–14.
  • Lipton ZC, Kale DC, Elkan C и др. Обучение диагностике с помощью рекуррентных нейронных сетей LSTM. В: Международная конференция по обучающим представлениям, Сан-Диего, Калифорния, США, 2015 г., стр. 1–18.
  • Фам Т., Тран Т., Фунг Д. и др. DeepCare: модель глубокой динамической памяти для прогнозной медицины. arXiv 2016. https://arxiv.org/abs/1602.00357. 59. Miotto R, Li L, Kidd BA, et al. Глубокий пациент: неконтролируемое представление для предсказания будущего пациентов из электронных медицинских карт. Научный журнал 2016; 6: 26094.
  • Миотто Р., Ли Л., Дадли Дж. Т.. Глубокое обучение для прогнозирования будущих заболеваний пациента на основе электронных медицинских карт. В Европейской конференции по информационному поиску, 2016 г., стр. 768–74.
  • Лян З., Чжан Дж., Хуанг Дж. Х и др. Глубокое обучение для принятия решений в сфере здравоохранения с помощью EMR. В Международной конференции IEEE по биоинформатике и биомедицине, 2014 г., стр. 556–559.
  • Тран Т., Нгуен Т.Д., Фунг Д. и др. Изучение векторного представления медицинских объектов с помощью неотрицательных ограниченных машин Больцмана (eNRBM), управляемых ЭМИ. Журнал Биомед Информ, 2015; 54: 96–105.
  • Че З., Кале Д., Ли В. и др. Глубокое компьютерное фенотипирование. На Международной конференции ACM по открытию знаний и интеллектуальному анализу данных, Сидней, Новый Южный Уэльс, Австралия, 2015 г., стр. 507–16.
  • Ласко Т.А., Денни Дж.С., Леви М.А. Вычислительное обнаружение фенотипа с использованием неконтролируемого обучения особенностям зашумленных, разреженных и нерегулярных клинических данных. PLoS One 2013; 8: e66341.
  • Чой Э., Бахадори М.Т., Шуэц А. и др. Доктор AI: прогнозирование клинических событий с помощью повторяющихся нейронных сетей. arXiv 2015. http://arxiv.org/abs/1511.05942v11.
  • Нгуен П., Тран Т., Викрамасингхе Н. и др. Deepr: сверточная сеть для медицинских записей. IEEE J Biomed Health Inform 2017; 21: 22–30.
  • Разавиан Н., Маркус Дж., Зонтаг Д. Многозадачное прогнозирование начала заболевания на основе продольных лабораторных тестов. В материалах 1-й конференции по машинному обучению для здравоохранения, Лос-Анджелес, Калифорния, США, 2016 г., стр. 73–100.
  • Дернонкур Ф., Ли Дж.Й., Узунер О. и др. Деидентификация записей пациента с помощью повторяющихся нейронных сетей. J Am Med Inform Assoc 2016; DOI: 10,1093 / Jamia / ocw156.
  • Чжоу Дж., Троянская О.Г. Прогнозирование эффектов некодирующих вариантов с помощью модели последовательности на основе глубокого обучения. Нат Методы 2015; 12: 931–4.
  • Келли Д.Р., Снук Дж., Ринн Дж. Л.. Бассет: изучение регуляторного кода доступного генома с помощью глубоких сверточных нейронных сетей. Genome Res 2016; 26: 990–9.
  • Ангермюллер Ч., Ли Х., Рейк У. и др. Точное предсказание состояний метилирования одноклеточной ДНК с использованием глубокого обучения. bioRxiv 2016. http://dx.doi.org/10.1101/055715.
  • Кох П.В., Пирсон Э., Кундаже А. Удаление шумов по всему геному гистонового ChIP-seq с помощью сверточных нейронных сетей. bioRxiv 2016. http://dx.doi.org/10.1101/052118.
  • Факур Р., Ладхак Ф., Наци А. и др. Использование глубокого обучения для улучшения диагностики и классификации рака. В: Международная конференция по машинному обучению, Атланта, Джорджия, США, 2013.
  • Лайонс Дж., Дехзанги А., Хеффернан Р. и др. Прогнозирование углов Ca и двугранных углов в основной цепи на основе белковых последовательностей с помощью многослойной разреженной глубокой нейронной сети автокодировщика. Журнал Comput Chem 2014; 35: 2040–6.
  • Hammerla NY, Halloran S, Ploetz T. Глубинные, сверточные и повторяющиеся модели распознавания человеческой деятельности с использованием носимых устройств. Препринт arXiv arXiv: 1604.08880.
  • Чжу Дж., Панде А., Мохапатра П. и др. Использование глубокого обучения для оценки расхода энергии с помощью носимых датчиков. В: 17-я Международная конференция по сетям электронного здравоохранения, прикладным службам (HealthCom), Кембридж, Массачусетс, США, 2015 г., стр. 501–6.
  • Джиндал В., Бирджандталаб Дж., Пуян М.Б. и др. Адаптивный подход глубокого обучения для идентификации на основе PPG. В: 38-я ежегодная международная конференция IEEE Engineering in Medicine and Biology Society (EMBC), Орландо, Флорида, США, 2016 г., 6401–4.
  • Медсестра Е., Машфорд Б.С., Йепес А.Дж. и др. Расшифровка сигналов ЭЭГ и LFP с использованием глубокого обучения: рубрика TrueNorth. В: ACM International Conference on Computing Frontiers, 2016, 259–66.
  • Сатьянараяна А., Джоти С., Фернандес-Луке Л. и др. Корректировка: прогнозирования качества сна по носимым данным с использованием глубокого обучения. JMIR Mhealth Uhealth 2016; 4: e130.

Начать проект AI

В Produvia мы производим интеллектуальное программное обеспечение. Мы специализируемся на искусственном интеллекте, машинном обучении и глубоком обучении. Давай поболтаем! Посетите нас на produvia.com