В здравоохранении существует ряд методов, используемых для создания различных медицинских изображений. Они включают:

· Рентгеновские лучи,

· Компьютерная томография (КТ) или компьютерная аксиальная томография (CAT),

· Магнитно-резонансная томография (МРТ) и

· Современные методы ядерной визуализации, такие как ПЭТ и ОФЭКТ.

Сканирование, такое как КТ, МРТ и ПЭТ, не только позволило получать гораздо более качественные изображения с более высоким разрешением, но и позволило генерировать гораздо больше изображений.

DICOM (Цифровая визуализация и связь в медицине) - это принятый формат для хранения, обмена и передачи медицинских изображений, которые обычно хранятся в системе архивирования и передачи изображений (PACS).

Анализ изображений - это извлечение значимой информации в основном из изображений, хранящихся в цифровом виде, с помощью ряда методов обработки, каждый из которых, однако, может быть полезен для небольшого круга задач, поскольку до сих пор нет известных методов анализа изображений, которые были бы достаточно общими. для широкого круга задач, по сравнению с возможностями человеческого анализа изображений.

С другой стороны, обработка естественного языка (НЛП) является частью искусственного интеллекта, где мы применяем вычислительные методы для анализа и синтеза естественного языка и речи. В области медицины записи о пациентах обычно содержат много важных данных, которые необходимо извлечь медицинским работникам. Эта информация может включать лекарства, записи об иммунизации и результаты лабораторных исследований.

Однако большая часть этой информации представляет собой текст произвольной формы, а не структурированный в таблицы со строками и столбцами, а это означает, что обработка текста в автоматическом режиме и извлечение из него смысла могут быть пугающими, в основном из-за двусмысленности естественного языка.

Однако существуют методы НЛП, которые можно использовать для обработки, анализа и интерпретации клинических текстов, которые позволяют медицинским работникам задавать важные вопросы, касающиеся здоровья человека.

Задачи НЛП можно разделить на задачи низкого уровня и задачи высокого уровня. Некоторые из этих задач имеют прямое применение, в то время как другие представляют собой подзадачи, которые используются для решения более крупных задач, при этом задачи низкого уровня обычно переходят в задачи высокого уровня.

Примеры некоторых низкоуровневых задач включают обнаружение границ предложения, токенизацию и сегментацию для конкретных задач. В то время как те, которые предназначены для задач высокого уровня, включают выявление и исправление орфографических или грамматических ошибок, устранение неоднозначности слов и извлечение информации.

Теперь, за последние 20 лет, были достигнуты успехи как в области анализа изображений, так и в области НЛП.

Появление таких подходов, как мультиатласная сегментация, нечеткая кластеризация, разрезы графов, генетические алгоритмы, вспомогательные векторные машины, случайные леса или, в последнее время, глубокое обучение - это лишь некоторые из них, которые улучшили анализ изображений.

Применение глубокого обучения и нейронных сетей в обработке естественного языка - это лишь некоторые из достижений, которые привели к созданию систем голосового диалога и систем преобразования речи в речь, поиску в социальных сетях информации о здоровье или финансах и выявлению настроения и эмоции по отношению к продуктам и услугам.

С обоими полями также были проблемы. Например, анализ изображений демонстрирует потребность в более общих технологиях анализа изображений, которые можно эффективно адаптировать для конкретной клинической задачи. Также необходимы эффективные подходы к генерации достоверных данных, чтобы соответствовать растущим требованиям к валидации и машинному обучению, наряду с алгоритмами для анализа данных разнородных изображений, а также для построения моделей для конкретных пациентов из медицинских изображений с минимальным взаимодействием с пользователем.

Перед НЛП стоят три основные задачи: язык, контекст и рассуждения. Что касается языка, большинству приложений на естественном языке еще предстоит обрабатывать его так же, как это делают люди, в основном из-за подхода, который рассматривает текст как данные, а не как язык, как указано в статье MIT Technology Review «Проблема языка ИИ».

Вторая проблема связана с первой и связана с пониманием контекста, поскольку любой текст на естественном языке должен действовать в правильном контексте. Это происходит, когда алгоритмы сосредотачиваются на структуре языка, а не только на словах, как в большинстве современных приложений.

Затем есть третья задача: проверка истории и применение аргументов, которые алгоритмы естественного языка используют для достижения своего заключения.

Если преодолеть проблемы, с которыми сталкиваются как анализ изображений, так и НЛП, впереди откроются некоторые большие возможности, особенно когда они оба объединены. Например, разработка диагностической системы, которая может не только эффективно читать отчеты о патологии, анализируя изображения и текстовые аннотации, которые приходят в отчеты, но также генерировать отчет о своем отчете на основе анализа изображений с использованием клинической номенклатуры и терминологии в так же, как и человек.

Ситуация, в которой может использоваться система диагностики изображений, - это если, например, пациент идет на сканирование костей, система может анализировать изображения из сканирования и генерировать отчет о вероятности того, насколько хорошо лечение рака работает для рака. в кости. Кроме того, анализируя текст из других клинических материалов, таких как лабораторные отчеты и заметки о клинических консультациях, наша диагностическая платформа также может давать точные рекомендации по дальнейшему лечению пациента.

Система также сможет анализировать изображения огромного числа пациентов и иметь возможность стратифицировать население на основе различных клинических критериев, что может помочь лицам, принимающим политические решения, формулировать стратегии на основе данных, извлеченных из отчетов о медицинских изображениях.

Сбор данных для анализа изображений и НЛП таким образом действительно вызывает некоторые этические проблемы, поскольку данные являются личными для каждого пациента. Хотя добыча данных имеет значение, особенно в исследовательских целях, люди по-прежнему имеют право решать, как и когда их данные будут использоваться. Однако чем больше у нас данных для исследования, тем больше мы сможем добиться не только в области анализа изображений и НЛП, но и в улучшении предоставления услуг в области точной медицины и стратифицированного здравоохранения.