Одна из наиболее важных и быстрорастущих областей нашей экспертизы - это медицинское применение машинного обучения / глубокого обучения и искусственного интеллекта.

Технологии машинного обучения и искусственного интеллекта в последнее время проникают во все сферы медицинских услуг, от улучшения управления здравоохранением до открытия новых лекарств. Несмотря на то, что маловероятно, что компьютеры полностью заменят врачей и медсестер, современные технологии уже трансформируют отрасль здравоохранения, как мы это знали.

Только в 2016 году более 100 компаний предлагали алгоритмы машинного обучения и прогнозную аналитику для повышения эффективности процесса открытия лекарств, оказания помощи пациентам и диагностики заболеваний путем обработки медицинских изображений.

Здесь мы предлагаем некоторые основные моменты приложений машинного обучения, появившихся за последние годы:

1. Выявление / диагностика заболеваний

Современный человек-врач не может вспомнить всю информацию, необходимую для быстрого, но точного диагноза. При современном изобилии учебников, исследовательских работ и тематических исследований ни один врач не может овладеть всеми аспектами медицинской помощи и вспомнить каждую деталь подобных случаев. Тем не менее, можно наполнить систему на основе ИИ соответствующими данными и позволить компьютеру просеять обширную базу данных вместо того, чтобы полагаться на гораздо более ограниченные человеческие знания.

Таким образом, идентификация заболеваний стала одним из основных направлений исследований ML в медицине. Ключевые игроки на рынке одними из первых присоединились к поиску точной диагностики, особенно в столь необходимых областях, как онкология. Назовем лишь некоторые из них. Бостонская биофармацевтическая компания Berg применяет ИИ для исследований и разработки диагностических и терапевтических методов лечения во многих областях, включая испытания дозировки для внутривенного лечения опухолей.

Другой важный пример - Google’s DeepMind Health с его многочисленными партнерствами в Великобритании, в том числе с офтальмологической клиникой Мурфилдс в Лондоне, в которой они разрабатывают технологию для решения проблемы дегенерации желтого пятна у стареющих глаз. Совместные усилия направлены на обнаружение ранних симптомов проблем со зрением, вызванных диабетом и возрастной дегенерацией зрения - наиболее важных причин потери зрения в Великобритании. Технологии искусственного интеллекта проанализируют более миллиона сканированных изображений глаз и обнаружат первые признаки дегенерации зрения, которые могут быть упущены большинством опытных врачей.

2. Индивидуальный подход

Персонализированная медицина, которая может обеспечить более эффективное лечение на основе индивидуальных данных о здоровье в сочетании с прогнозной аналитикой, также является горячей областью исследований. До сих пор доминирующим методом исследования в этой области является обучение с учителем, которое позволяет врачам выбирать из более ограниченных наборов диагнозов и оценивать риск данного пациента на основе сходства симптомов и генетической информации.

Например, британская служба здравоохранения Babylon в 2016 году привлекла 25 миллионов долларов на разработку приложения для медицинских услуг на основе искусственного интеллекта. В настоящее время он предоставляет видеоконсультации с врачами, а в будущих версиях он будет действовать как AI-doctor: приложение будет получать симптомы и проверять их по своей базе данных. Тем не менее, в дополнение к базе данных, Babylon будет учитывать индивидуальный анамнез и обстоятельства пациента, такие как семейный анамнез, медицинские записи, повседневные привычки, частоту сердечных сокращений, уровень холестерина, аллергии и многое другое. Некоторые данные будут получены путем отслеживания показаний носимых устройств.

3. Умные электронные медицинские записи

С персонализированным лечением тесно связана область медицинской документации. Классификация документов с использованием опорных векторных машин, а также оптическое распознавание символов, т. Е. Преобразование почерка в оцифрованные символы, являются важными технологиями на основе машинного обучения в области сбора и оцифровки электронной информации о здоровье. В домен входят такие крупные игроки, как MATLAB с его технологиями распознавания рукописного ввода ML и Google, предлагающий Cloud Vision API для оптического распознавания символов.

Группа клинического машинного обучения Массачусетского технологического института объявила о разработке новейших интеллектуальных электронных медицинских карт со встроенным машинным обучением и искусственным интеллектом, которые одновременно помогут с диагностикой, клиническими решениями и индивидуальными предложениями лечения. Массачусетский технологический институт подчеркивает необходимость в надежных алгоритмах машинного обучения, которые могли бы учиться на небольших размеченных обучающих данных, понимать естественный язык и хорошо обобщать в медицинских учреждениях и учреждениях.

4. Поведенческое изменение

В следующем десятилетии будет наблюдаться рост микробиосенсоров и устройств, а также мобильных приложений с более сложными инструментами измерения здоровья и возможностями удаленного мониторинга, которые предоставят еще больше данных для облегчения исследований и разработок и повышения эффективности лечения. Этот тип данных предоставит человеку важную информацию с точки зрения оптимизации его здоровья, но также поможет снизить общие расходы на здравоохранение, если больше пациентов будут придерживаться следующих предписанных лекарств или планов лечения.

Кроме того, модификация поведения является основой профилактики, и появляется множество стартапов в областях, связанных с выявлением, профилактикой и лечением заболеваний. Говоря о некоторых, Somatix, компания, занимающаяся программной платформой B2B2C для анализа данных, предлагающая приложение на основе машинного обучения, которое распознает жесты из рук в рот, чтобы помочь людям лучше понять свое поведение и внести жизнеутверждающие изменения, в частности в отказе от курения. Второй пример, SkinVision, позиционирующий себя как приложение для оценки риска рака кожи, заявляет о себе как первую и единственную онлайн-оценку, сертифицированную CE.

5. Открытие и производство лекарств

Машинное обучение - мощный инструмент в предварительном (раннем) открытии лекарств, который может использоваться в целом ряде мероприятий, от первоначального скрининга лекарственных соединений до прогнозирования успешности на основе биологических факторов и технологий открытия НИОКР, таких как следующий- секвенирование поколений .

Стартапы используют алгоритмы машинного обучения, чтобы сократить время открытия лекарств, но ключевыми игроками в этой области остаются Группа клинического машинного обучения Массачусетского технологического института, которая проводит исследования в области точной медицины, направленные на разработку алгоритмов для лучшего понимания процессов болезни для эффективного лечения таких заболеваний, как диабет 2 типа и Ганноверский проект Microsoft, который в сотрудничестве с Knight Cancer Institute разрабатывает технологии искусственного интеллекта для точного лечения рака.

6. Клинические испытания

У машинного обучения есть несколько потенциальных приложений, которые могут помочь в проведении клинических исследований. Например, применение расширенной прогнозной аналитики для выявления кандидатов для клинических испытаний может предоставить гораздо более широкий спектр данных, включая социальные сети и посещения врачей, а также генетическую информацию о целевых группах населения. Более совершенные методы отбора проб привели бы к меньшим, более быстрым и менее дорогостоящим испытаниям.

ML также можно использовать для удаленного мониторинга и доступа к данным в реальном времени; например, постоянный мониторинг биологических сигналов на предмет любых признаков причинения вреда участникам или их возможной смерти. Некоторые другие возможности для приложений машинного обучения включают поиск лучших размеров выборки; рассмотрение и адаптация к различиям в местах набора пациентов; и использование электронных медицинских карт для уменьшения количества ошибок в данных.

7. Прогнозирование вспышки эпидемии

Еще одно эффективное применение технологий машинного обучения и искусственного интеллекта - мониторинг и прогнозирование вспышек эпидемий по всему миру. Источники данных включают данные, собранные со спутников, историческую информацию в Интернете, обновления в социальных сетях в реальном времени и многое другое. Например, вспомогательные переносные машины и искусственные нейронные сети помогают прогнозировать вспышки малярии на основе температуры, среднемесячного количества осадков, общего числа положительных случаев и других данных.

Прогнозирование серьезности вспышки особенно важно в странах третьего мира, которым часто не хватает медицинской инфраструктуры, возможностей для образования, опыта и доступа к лечению.

Как утверждает Харприт Сингх Баттар, аналитик Frost & Sullivan, к 2025 году системы искусственного интеллекта могут быть задействованы во всем, от управления здоровьем населения до цифровых аватаров, способных отвечать на конкретные запросы пациентов, и мы в SciForce готовы принять ML и AI Challenge с нашими текущими проектами .