Машинное обучение обеспечивает все больше и больше действий в нашей повседневной жизни. Результаты поиска, фильтры спама в электронной почте, рекомендации продуктов на торговых сайтах, таких как Amazon, проверка компании-эмитента кредитных карт на предмет мошеннических покупок и программное обеспечение для распознавания голоса Siri — все это работает благодаря машинному обучению. С каждым днем ​​машинное обучение расширяется на другие области и приложения.

В 1959 году пионер компьютерных игр и искусственного интеллекта Артур Сэмюэл определил машинное обучение как область исследования, которая дает компьютерам возможность учиться без явного программирования. Вместо того, чтобы полагаться на программирование, компьютер применяет алгоритмы к набору данных, учится на результатах и ​​повторяет. Короче говоря, компьютер выполняет бесконечную серию крошечных экспериментов, которые обучают компьютер и выявляют скрытые идеи и закономерности в данных. Единственными ограничениями являются количество и качество набора данных и соответствие алгоритмов.

Этот процесс машинного обучения создает модели для применения к дополнительным данным или большим наборам данных и делает это намного быстрее, чем это могут сделать люди. Например, в Индианаполисе совместный исследовательский проект Института Регенстрифа и Университета Индианы продемонстрировал, что машинное обучение может выявлять случаи рака из текстовых отчетов о патологии так же эффективно, как человек-рецензент, только намного быстрее. Доктор Шон Граннис, старший автор исследования и исполняющий обязанности директора Центра Регенстрифа, сказал в пресс-релизе Университета Индианы: Мы подошли к тому моменту времени, когда технологии могут справиться с этим. Лучше потратить время человека, помогая другим людям, предоставляя им более качественную медицинскую помощь.

До исследования результатов патологии доктор Граннис и Институт Регенстрифа помогли создать Систему наблюдения за чрезвычайными ситуациями в области общественного здравоохранения в Индиане, которая теперь выявляет вспышки инфекционных заболеваний примерно на неделю раньше, чем это было возможно ранее, по сообщениям людей. В случае формального внедрения в скрининг патологий машинное обучение могло бы устранить существующее многомесячное отставание в области онкологической патологии и ускорить передачу статистики рака от поставщиков медицинских услуг в отделы общественного здравоохранения. Результаты? Более своевременный доступ к информации для принятия решений и распределению ресурсов.

Еще одно впечатляющее применение машинного обучения связано с изучением возможных корреляций между биомаркерами и заболеваемостью депрессией. Австралийское исследование, проведенное Центром стратегических исследований IMPACT, проанализировало данные Национального исследования здоровья и питания США за 2009–2010 годы в попытке связать депрессию с одним или несколькими биомаркерами, такими как количество клеток крови, уровень холестерина и уровень питательных веществ. С помощью машинного обучения 21 из 67 исследованных биомаркеров изначально были связаны с возникновением депрессии, но дальнейшее уточнение алгоритма определило, что только три из них являются истинными сигналами — ширина распределения эритроцитов, уровень глюкозы в сыворотке и общий билирубин.

А теперь представьте, что результаты этих двух исследований, анализ патологии и анализ биомаркеров, были преобразованы в мобильную технологию. Возможно, лаборатория патологии использует приложение на мобильном планшете для записи своих результатов, которое автоматически применяет модель машинного обучения, идентифицируя диагноз рака, а затем инициируя передачу информации в отдел общественного здравоохранения. Или представьте, что врач использует результаты анализа крови пациента, мобильный планшет и приложение биомаркера, основанное на модели машинного обучения, для выявления пациента с риском депрессии во время его или ее ежегодного медицинского осмотра. В одно мгновение врач получает результаты для оказания профилактической помощи, советуя пациенту, как улучшить свое физическое и, косвенно, психическое здоровье.

Сила машинного обучения не должна ограничиваться Интернетом, большими данными, большими исследованиями и мощными компьютерами. Благодаря более мощным вычислительным мощностям и возможностям машинного обучения вне сети возможности мобильного машинного обучения являются мощными.

— Прими надежду.

Что вы думаете о том, как машинное обучение на мобильном устройстве может улучшить здравоохранение?

— — — — — — — — — — — — — — — — — —

Rebounz: стартап с миссией вселить надежду в людей, испытывающих проблемы с психическим здоровьем из-за самооценки, горя или неуверенности. Хотите получать обновления?