Искусственный интеллект помогает врачам поставить правильный диагноз

Искусственный интеллект против докторов: когда диагноз будет ставить компьютер

В один из вечеров прошлого ноября 54-летняя женщина из Бронкса прибыла в отделение скорой помощи медицинского центра Колумбийского университета с жалобой на сильную головную боль. У неё всё расплывалось перед глазами, а левая рука онемела и ослабла. Врачи осмотрели её и порекомендовали сделать компьютерную томографию головы.

Через несколько месяцев, утром одного из январских дней, четыре будущих рентгенолога собрались перед экраном компьютера на третьем этаже госпиталя. В комнате не было окон, и её освещал лишь включённый экран. Анджела Линели-Дипл [Angela Lignelli-Dipple], заведующая отделом нейрорентгенологии университета, стояла за интернами с карандашом и планшетом.

Она учила их разбираться в КТ-снимках. «Когда мозг мёртв, инсульт диагностировать легко, – говорит она. – Хитрость в том, чтобы диагностировать инсульт ещё до того, как умрёт слишком много нервных клеток».

Инсульты обычно происходят из-за блокировки тока крови или кровотечений, и у нейрорентгенолога есть только 45 минут на диагноз, чтобы доктора успели вмешаться в процесс – к примеру, ликвидировать появляющийся сгусток. «Представьте, что вы в отделении скорой помощи, – продолжала Линели-Дипл, увеличивая накал воображаемой ситуации.

– С каждой минутой отмирает очередной участок мозга. Потерянное время – потерянный мозг». Она бросила взгляд на часы на стене, по циферблату которых бежала секундная стрелка. «Ну и в чём же проблема?» – спросила она. Обычно инсульты асимметричны. Снабжение мозга кровью разветвляется влево и вправо, а затем делится на ручейки и притоки с каждой стороны.

Обратите внимание

Сгусток крови или кровотечение обычно поражает одно из ответвлений, что приводит к дефициту с одной стороны мозга. Когда нервные клетки оказываются отрезанными от притока крови и начинают умирать, они немного набухают. На снимке чёткие границы между анатомическими структурами могут оказаться размытыми. В конце концов, ткань сжимается, оставляя высушенную тень на снимке.

Но эта тень всё ещё видна на снимках через несколько часов или даже дней после инсульта, когда возможность вмешательства уже пропущена. «До этого момента, – рассказала мне Линели-Дипл, – на снимке есть намёк», предупреждение о надвигающемся инсульте. Снимки мозга женщины из Бронкса разрезают череп от основания до макушки, как дольки арбуза, разрезанного сверху вниз.

Интерны быстро пролистывали слои изображений, будто перелистывая странички блокнота, называя анатомические структуры: мозжечок, гиппокамп, центральная доля, полосатое тело, мозолистое тело, желудочки. Затем один из учащихся, возраст которого приближался к 30 годам, остановился на одном из снимков и показал карандашом на область с правого края мозга.

«Здесь есть что-то пятнистое, – сказал он. – Границы выглядят размыто». С моей точки зрения, всё изображение выглядело пятнистым и размытым – словно каша из пикселей – но он явно увидел что-то необычное. «Размыто?», – поддержала его Линели-Дипл. «Опиши, пожалуйста, подробнее». Интерн начал что-то мямлить.

Остановился, будто перебирая анатомические структуры в голове, взвешивая возможности. «Она просто неоднородная, – пожал он плечами. – Я не знаю. Выглядит странно». Линели-Дипл открыла следующий набор КТ-снимков, сделанных через 24 часа. Область, размером с виноградину, на которую указал ординатор, была тусклой и раздутой.

Несколько последующих снимков, сделанных с разницей в несколько дней, рассказали оставшуюся часть истории. Появилась серая клинообразная область. Вскоре после поступления в отделение скорой помощи невролог попытался очистить забитую артерию лекарством, растворяющим сгустки, но он прибыл слишком поздно.

Через несколько часов после первоначального снимка она потеряла сознание, и её перевели в отделение реанимации и интенсивной терапии. Два месяца спустя она всё ещё лежала в палате. Левая сторона её тела, включая руку и ногу, была парализована. Мы с Линели-Дипл пошли в её офис.

Я должен был изучить процесс обучения в больнице: как врачи учатся ставить диагнозы? Могут ли этому научиться машины?

Моё посвящение в диагностику началось осенью 1997 года в Бостоне, когда я после медицинского института отправился на практику. Для подготовки я прочёл классический медицинский учебник, разделявший процесс вынесения диагноза на четыре чёткие фазы.

Во-первых, доктор использует историю болезни пациента и физический осмотр для сбора фактов по поводу её жалоб или состояния. Затем информация критически рассматривается с тем, чтобы создать исчерпывающий список потенциальных причин проблем. После этого вопросы и предварительные проверки помогают исключить одни гипотезы и усилить другие – это т.н. “дифференциальная диагностика”.

Важно

Учитываются такие параметры, как распространённость заболевания, история болезни, риски, возможное воздействие на человека (как говорит известный [американский] медицинский афоризм, «топот копыт скорее издают лошади, а не зебры» [“зебра” в медицине США – сленговое название постановки экзотического диагноза в случае, когда наиболее вероятен более простой диагноз]). Список сужается: врач уточняет свои предположения. В финальной фазе лабораторные тесты, рентген или КТ подтверждают гипотезу и диагноз. Варианты этого пошагового процесса воспроизводились в медицинских учебниках десятилетиями, и представление о диагносте, методично и нудно двигающемся от симптомов к причине внушалось поколениям студентов-медиков.

Но настоящее искусство диагноза, как я узнал позже, не бывает таким прямолинейным. Моим наставником в медицинской школе был элегантный житель Новой Англии в отполированных мокасинах и с чопорным акцентом. Он считал себя экспертом-диагностом.

Он просил пациента продемонстрировать симптом – к примеру, кашель – а затем откидывался в кресле и перекатывал у себя на языке прилагательные. «Дребезжащий и металлический, – мог сказать он, или, – низкий, с бренчанием», будто описывая винтажную бутылку Бордо.

Мне все кашли казались одинаковыми, но я подыгрывал ему: «Дребезжащий, ага», – чувствуя себя самозванцем на дегустации вин.

Специалист по классификации кашлей мог сразу сузить возможности диагноза. «Звучит как пневмония», – мог сказать он. Или: «влажный хрип при застойной сердечной недостаточности». Затем он выдавал поток вопросов.

Набирал ли пациент недавно вес? Не было ли у него контакта с асбестом? Он просил пациента покашлять снова и наклонялся, прислушиваясь при помощи стетоскопа. В зависимости от ответов он мог выдать новую серию возможностей, будто усиливающиеся и ослабевающие синапсы.

Затем, с помпой странствующего фокусника он провозглашал диагноз: «сердечная недостаточность!», – и выписывал анализы для доказательства своей правоты. Обычно он оказывался прав. Несколько лет назад бразильские исследователи изучали мозг рентгенологов-экспертов, чтобы понять, как они выдают свои диагнозы.

Обращались ли эти опытные диагносты к умственной «книге правил», или же они применяли «распознавание образов и неаналитические рассуждения»? Двадцать пять рентгенологов попросили оценить рентгеновские снимки лёгкого, и в это время при помощи МРТ отслеживали активность их мозга.

(Тут много чудесных рекурсий: чтобы диагностировать процесс диагноза, нужно сделать фото людей, изучающих фото). Перед глазами испытуемых мелькали рентгеновские снимки. На некоторых были изображены распространённые патологические повреждения – к примеру, тень пневмонии в виде кисти, или серая непрозрачная стена жидкости, скопившейся за оболочкой.

Во вторую группу снимков включали контурные рисунки животных. В третьей встречались контуры букв алфавита. Рентгенологам показывали эти картинки случайным образом, просили их проговаривать вслух название повреждения, животного или букву как можно быстрее, а в это время МРТ-аппарат отслеживал активность их мозга.

В среднем на постановку диагноза рентгенологам требовалось 1,33 с. Во всех трёх случаях «зажигалась» одна и та же часть мозга: широкая дельта нейронов возле левого уха и полоска в виде мотылька у заднего основания черепа.

«Наши результаты поддерживают гипотезу о том, что при распознавании врачом известного ему повреждения работает тот же процесс, что связан с именованием предметов», – заключили исследователи. Определение повреждения очень похоже на определение животного.

Когда вы распознаёте носорога, вы не рассматриваете альтернативных кандидатов, чтобы отбросить неверные варианты. Вы не сочетаете мысленно единорога, броненосца и небольшого слона. Вы узнаёте носорога в целом – как образ. То же самое происходит и у рентгенологов. Они не взвешивали, не вспоминали, не дифференцировали. Они просто видели известный объект.

Для моего наставника влажные хрипы были так же знакомы, как известная мелодия.

В 1945 году британский философ Гилберт Райл прочёл судьбоносную лекцию по поводу двух типов знания. Ребёнок знает, что у велосипеда два колеса, шины наполнены воздухом, а ездить на нём нужно, вращая по кругу педали. Райл назвал такое знание – фактическое, пропозициональное – «знание что». Но чтобы научиться ездить на велосипеде, необходимо обратиться к другой области обучения. Ребёнок учится ездить на велосипеде, падая с него, балансируя на двух колёсах, преодолевая ямы. Райл назвал такое знание – скрытое, экспериментальное, основанное на навыках – «знание как».

Источник: https://habr.com/post/373361/

Искусственный интеллект поставит диагноз

Ученые МФТИ работают над созданием национальной всероссийской информационно-аналитической платформы для сбора и хранения мультимодальных медицинских данных и их анализа с помощью искусственного интеллекта.

Эта платформа будет похожа на агрегатор мобильных приложений. С помощью этой системы можно будет анализировать кардиограммы, флюорограммы, маммограммы, проводить диагностику глазного дна и др.

 Проект рассчитан на три года.

Проект, разрабатываемый в Московском физико-техническом институте (МФТИ), получил название MAIYA (Medical Artificial Intelligence.Your Assistant) . Предполагается, что пользоваться мультимодальной платформой будут как сотрудники медучреждений, так и обычные люди, следящие за своим здоровьем с помощью различных гаджетов.

Совет

Как сообщил «Известиям» руководитель проекта, заместитель директора Физтех-школы биологической и медицинской физики по научной и инновационной работе Антон Беловолов, создание такой платформы позволит собрать различные цифровые медицинские сервисы на одной площадке. По его мнению, разрабатываемая система должна стать универсальным помощником для врачей различных специальностей.

— Это аналитическая программа, в которую будут интегрированы самые разные медицинские цифровые сервисы. Это будет национальная всероссийская платформа. По шести сервисам уже созданы рабочие группы, — сообщил Антон Беловолов.

— К примеру, нашим партнером является «ФтизисБиоМед» — дочерняя фирма радиокомпании «Вектор» из Чистополя (Татарстан). У них есть готовая разработка по анализу флюорографических снимков. Нейросеть у них уже практически обучена.

Как пояснил Антон Беловолов, в систему уже загружено порядка 20 тыс. размеченных снимков и в ближайшее время пройдет дообучение нейросети еще по 200 тыс. снимков. Нейросеть сама определяет, патология или норма перед ней. По задумке разработчиков, в дальнейшем систему планируют довести до 97% точности (пока этот показатель равен 90%).

Кроме флюорографии в высокой степени готовности находится проект по цифровой обработке маммографических изображений. Физтех разрабатывает его совместно с компанией «Медицинские технологии ЛТД». В этом же альянсе создается и программа для обработки электрокардиограмм.

 — Мы создаем очень интересные носимые датчики, — говорит Антон Беловолов. — Сейчас модны фитнес-трекеры.

По статистике, в среднем количество людей, которые интересуются своим здоровьем, в России больше, чем в Европе. Порядка 30% наших соотечественников считают этот вопрос важным.

Цифровые сервисы, которые связаны со здоровьем человека, — стремительно развивающееся направление. Этот проект тоже будет встроен в сервис MAIYA.

Также в систему войдет проект по диагностике заболеваний глазного дна. В дальнейшем, с развитием технологии, эта система поможет диагностировать и другие заболевания, не связанные со зрением.

Суть в том, что на поверхности глазного дна расположено много сосудов, по которым осуществляется микроциркуляция крови. Уже сейчас существует запатентованная технология определения разных болезней по изображениям сосудов глазного дна.

Обратите внимание

Например, специально обученная нейросеть умеет определять некоторые заболевания печени. 

Читайте также:  Искусственный интеллект будет оценивать эмоции человека в социальных сетях

Также платформа будет снабжена системой автоматического распознавания МРТ-изображений и последующей выдачи рекомендаций.

Еще одно приложение, которое может войти в систему, — это программа профилактического осмотра водителя. Приложение будет установлено на телефон, и диспетчер с его помощью сможет контролировать, готов ли водитель к рейсу.

По остальным сервисам, которые будут представлены на универсальной диагностической платформе, пока ведутся переговоры с потенциальными партнерами. Предполагается, что система облегчит постановку диагноза, но не заменит собой врача.

— Мы не можем сказать, что в скором времени машина полностью заменит врача. Хотя недавно прошла информация, что искусственный интеллект успешно сдал экзамен и получил медицинский диплом.

Однако не забывайте об этических проблемах. Разработчики системы не возьмут на себя риски и не поставят диагноз.

Это рекомендации, стороннее мнение — решение все равно будет принимать настоящий врач, — подчеркнул Антон Беловолов.

Завкафедрой информационных и интернет-технологий Первого МГМУ имени Сеченова Георгий Лебедев считает, что система будет востребована, но ее нужно апробировать в клинике.

— Развитие методов математического анализа медицинских данных — это самое передовое направление, за которым будущее медицины. Однако все системы поддержки принятия медицинских решений должны пройти клинические испытания и быть протестированы практикующими врачами, — отметил Георгий Лебедев.

По планам разработчиков, универсальная медицинская платформа MAIYA будет готова в 2021 году.

Источник: https://iz.ru/775809/mariia-nediuk/iskusstvennyi-intellekt-postavit-diagnoz

Рак и робот: как искусственный интеллект ставит диагноз | Технологии | Forbes.ru

Есть ли возможность еще повысить точность постановки диагноза на ранних стадиях онкологических заболеваний? В онкологии стоимость диагностической ошибки особенно высока.

Специалисты отмечают, что основная сложность заключается не в обнаружении злокачественного процесса, а в выявлении его фенотипа. В последнее время ученые стали активно использовать для диагностики искусственный интеллект.

Важно

Уже доказано, что использование умных систем позволяет повысить точность диагностики: так, результаты исследования агентства Frost & Sullivan показали, что технологии искусственного интеллекта повышают точность постановки диагнозов на 30–40%.

Специалист по патологиям Энди Бек из Гарвардской медицинской школы считает, что дальнейшее использование ИИ-технологий позволит снизить уровень ошибок при диагностике на 85%.

Обучение на наглядных примерах

По данным World Cancer Research Fund, самыми часто встречающимися видами рака в 2018 году являются рак легких, рак молочной железы, колоректальный рак и рак простаты. Могут ли новые технологии помочь в диагностике этих видов рака, составляющих 48,8% от всех диагностированных в мире в 2018 году случаев?

Согласно исследованиям Американского онкологического общества в 2018 году, самая высокая онкологическая смертность — от рака легких.

Процент выживаемости при раке легких составляет 17% для мужчин и 24% для женщин: такие низкие показатели объясняются большим числом случаев диагностики рака легких на последней стадии.

Разработки для ранней диагностики рака легких ведутся активно, но, к сожалению, эффективных решений на сегодняшний день немного.

Стартап Optellum, основанный в Великобритании в 2016 году, направлен на разработку системы, позволяющей максимально быстро диагностировать рак легких. Там разрабатывают первое в мире автоматизированное программное обеспечение для оценки риска на основе компьютерной томографии.

Для обучения алгоритмов специалисты собрали самую крупную в мире кураторскую базу пациентов с опухолевыми узлами.

В отличие от врачей, не имеющих возможности определить, являются ли эти узлы безвредными, и вынужденных наблюдать за дальнейшим развитием образований, система, анализируя внутреннюю структуру утолщений, способна поставить правильный диагноз намного раньше.

Совет

Научный и технический сотрудник стартапа доктор Тимор Кадир отмечает, что система позволяет диагностировать рак на ранних стадиях более чем у 4000 больных в год, что увеличивает их шансы на выживание.

Источник: https://www.forbes.ru/tehnologii/367683-rak-i-robot-kak-iskusstvennyy-intellekt-stavit-diagnoz

Доктор искусственный интеллект: будут ли нейросети лечить эффективнее, чем люди?

  • Возможности ИИ в медицине
  • Заменит ли искусственный интеллект живого врача
  • Какие препятствия стоят перед развитием ИИ в медицине
  • Нужно ли врачу знать, как работает ИИ
  • С каждым годом тема искусственного интеллекта звучит все громче. ИИ проникает во многие сферы жизни человека начиная от поисковых систем и заканчивая интернет-магазинами. Исключением не стала и медицина, где машинное обучение уже активно применяется для лечения пациентов.

    Возможности ИИ в медицине

    Большинство людей понимают под термином «искусственный интеллект» робота или суперкомпьютер, который однажды станет настолько умным, что захватит человечество. На самом деле современный ИИ – это алгоритм который не имеет «разума», но способен решать одну конкретную задачу. Например, определять поддельные фото или предсказывать пробки на дорогах.

    Часто нейронные сети используют для автоматического нахождения неизвестных зависимостей в данных. Один из популярных примеров – задача классификации.

    Имеется обучающая выборка, для которой известны входные данные (например, КТ снимок легких человека) и выходные данные (информация, есть ли у человека рак легких).

    На этом основании алгоритм должен определять наличие известной информации на новых снимках.

    Ученый не задает правила поиска рака на снимках, он задает правила обучения системы, а критерии наличия раковой опухоли алгоритм формирует самостоятельно. Это и есть суть машинного обучения.

    В медицине основные направления применения искусственного интеллекта это:

    – Распознавание изображений (КТ, рентген, МРТ, снимки сетчатки, фотографии кожи). В этой области успеха достиг стартап Behold.ai. Нейросеть определяет заболевания легких на рентгеновских снимках с точностью 85%.

    – Оценки вероятности осложнений заболеваний. Компания RxPREDiCT применяет ИИ для определения пациентов с риском развития осложнений. Кроме того, RxPREDiCT помогает людям поддерживать здоровый образ жизни и выбрать подходящую диету.

    – Первичная медицинская помощь и сбор данных. Такие ИИ как ADA, Babylon, Your.MD, WebMD и др. стали настоящими помощниками врачей. Они анализируют жалобы пациента, дают ему информацию о возможных заболеваниях и направляют к нужному специалисту. Точность постановки диагноза еще далека от совершенства, но благодаря нейросети пациент сможет записаться к врачу и избежать самолечения.

    – Помощь в постановке диагнозов и назначение лечения. Новые технологии, собирающие жалобы пациентов, позволяют врачу быстро и точно поставить диагноз за меньшее количество времени.

    – Оценки качества медицинской помощи. Система DOC+ позволяет пациентам оценить качество заполнения электронных медицинских карт, правильность постановки диагноза и назначения лечения. Это поддерживает стандарты лечения, помогает выявить недостатки и исправить их.

    – Анализ данных тяжелобольных пациентов в режиме реального времени. С помощью различных устройств и девайсов, которые носит на себе пациент, врач может следить за показателями сердцебиения, дыхания, давления онлайн. При этом больной в этот момент может находиться у себя дома.

    Появление новых технологий в медицине всегда вызвало множество споров и дискуссий. Ведь от их эффективности зависят здоровье и жизнь человека.

    Сегодня искусственный интеллект еще недостаточно совершенен, чтобы заменить настоящего врача. Он не может абсолютно точно поставить диагноз и назначить эффективное лечение без контроля со стороны человека.

    ИИ уступает настоящему доктору в том, что может находить только те болезни, на которых он обучался, в то время как врач может выявить широкий спектр различных заболеваний. Однако его можно использовать в решении таких задач, как сбор данных о пациенте, мониторинг состояния здоровья.

    Обратите внимание

    Утверждать, что искусственный интеллект заменит врача еще рано, поскольку он затрагивает лишь часть работы живого специалиста. В любом случае предполагается, что внедрение технологий машинного обучения будет поэтапным и займет еще не мало времени.

    Говорить о замене врача алгоритмом еще слишком рано, так как области применения ИИ покрывают очень маленькую часть работы врача. В любом случае внедрение новых технологий будет проходить поэтапно.

    Сначала будут автоматизироваться рутинные операции, а затем подключаться более сложные направления, требующие тщательной диагностики. Будут появляться новые сервисы, основанные на ИИ, для помощи пациентам.

    Какие препятствия стоят перед развитием ИИ в медицине

    Хотя применение машинного обучения может существенно помочь в лечении пациентов, на пути внедрения искусственного интеллекта в медицинскую сферу стоят следующие проблемы:

    – Риск нанесения вреда. В виду того, что врач борется за здоровье и жизнь других людей, алгоритм не должен совершать ошибок. ИИ, влияющие на принятие врачебных решений, должны быть очень точными и эффективными, проходить тестирование под надзором реальных врачей, прежде чем поступят на службу специалистов.

    – Законодательство. Закон требует, чтобы любые медицинские технологии были сертифицированы. Если ИИ для медицины был создан в России, его необходимо регистрировать как медизделие.

    – Наличие неструктурированных данных. Большинство данных в медицине не структурировано, не оцифровано и плохо размечено. А поскольку медицина не точная наука, данные, полученные от разных медицинских школ, могут быть противоречивыми, что затруднит работу искусственного интеллекта.

    – Интерпретируемость. Особенностью многих алгоритмов машинного обучения является сложность интерпретируемости их результата. Для обычных приложений не имеет значения, как алгоритм пришел к тем или иным выводам.

    Но в медицине важно понимание процесса принятия решения.

    Например, если система поддержки принятия решений (clinical decision support, CDS) советует доктору назначить пациенту определенное лекарство, врачу нужно понимать, почему выбор пал именно на этот медикамент.

    – Недоверие врачей. Медицина – достаточно консервативная сфера. Многие врачи с недоверием относятся к внедрению искусственного интеллекта для лечения больных.

    Нужно ли врачу знать, как работает ИИ

    Нужно, но не досконально. Доктору необязательно уметь разрабатывать нейросети самостоятельно, но понимать общие принципы работы будет важно.

    Искусственный интеллект – быстро развивающееся направление, которое может поднять качество жизни людей на новый уровень. Для медицины он может принести ощутимую пользу, но сейчас мы находимся только в начале этого пути. Подводя итог, можно сказать, что ИИ не заменит врачей, но может повысить качество и эффективность их работы.

    Источник: https://supermed.pro/doctor-ii.html

    Себрант: нейросети «Яндекса» помогут врачам ставить диагнозы | Rusbase

    Когда россиян будет лечить искусственный интеллект?

    В СССР искусственным интеллектом в медицине занимались с конца 1970-х годов — в институте кибернетики украинской РАН и в московском институте прикладной информатики. Сейчас над этой темой работает академик Александр Кулешов, ректор Сколковского института науки и технологий.

    На Западе вершиной подобных разработок стал суперкомпьютер IBM Watson. Он умеет анализировать медкарты и выявлять потенциальные риски для конкретного пациента. Также система оказывает информационную поддержку онкологам, помогая им подобрать варианты лечения.

    Этим она повышает компетенцию врачей — IBM Watson сопровождает свои заключения ссылками на релевантные научные статьи и клинические случаи. Сейчас эта платформа помогает ставить диагнозы в 16 онкологических центрах США и Канады.

    На днях российские эксперты обсудили будущее искусственного интеллекта в медицине на конференции в «Яндексе», организованной порталом MedAboutMe. Rusbase записал самые важные тезисы о том, как айтишники помогут отечественным врачам лечить нас лучше.

    Чем нейросети помогут медицине?

    «Яндекс» пока не использует свои наработки в медицине, но уже знает, какую пользу ей может принести. Дело в том, что задача анализа звуков и изображений широко распространена в медицинской диагностике — это рентгены, УЗИ, МРТ, анализы крови и т.д.

    Можно научить нейронную сеть выявлять патологии лучше опытных медсестер и лаборантов. Машина учится непрерывно 24 часа в сутки, не устает и не болеет.

    Все это может быть сделано очень качественно и — что важнее всего — дистанционно (например, в столичном медицинском центре).

    Такая технология поднимет диагностику на другой уровень. Для этого не требуется создавать ничего нового, нужно просто приспособить имеющиеся алгоритмы и железо.

    Читайте также:  Японскими учёными созданы роботы для медицинских учреждений

    А искусственный интеллект, который заменит врача, будет ставить диагнозы и предсказывать эпидемии — это уже на послезавтра (Андрей Себрант, директор по маркетингу сервисов «Яндекса»).

    Важно

    С 2010 года в России создано 500 сосудистых центров, но мало подготовленных специалистов. Им очень нужна машинная обработка томограмм, которая поможет быстрее и правильнее принимать решения. Если правильно определить тип инсульта (всего более 100) в течение трех часов, 90% пациентов возвращаются к полноценной жизни.

    Промедление приводит к смерти или инвалидности с дорогостоящей реабилитацией. Если соединить технологии «Яндекса» с протоколами оказания медпомощи, можно резко снизить смертность от инсультов.

    Для этого нужны лишь воля и организационные усилия (Олег Симаков, член экспертного совета Минздрава по использованию ИКТ в здравоохранении).

    Основная причина смерти в мире — сердечно-сосудистые заболевания. Ощущения боли в сердце возникают гораздо позже, чем их причины. Можно предсказывать гипертонические кризы с помощью датчиков, но их невозможно долго носить — через пару дней на коже начинается раздражение от электродов.

    К тому же при ношении датчиков возникает много помех и шумов, затрудняющих диагностику. Нужно переходить от внешних датчиков к инвазивным, но это дорого. Лечащий врач не может все время смотреть на монитор. Нужна нейронная сеть, которая будет анализировать сердечный ритм и выявлять ишемию.

    Причем она должна обучаться на данных каждого конкретного пациента (Олег Симаков).

    Где взять медицинские данные для обучения ИИ?

    У государства монополия на медицинскую информацию, но нет возможности правильно ее собирать и хранить. Вряд ли оно захочет делиться накопленными данными с рынком, но их обработка требует больших инвестиций.

    Например, проект IBM Watson тратит на R&D на порядка $6 млрд в год.

    У Минздрава таких бюджетов нет, поэтому для анализа медицинских данных россиян нужно государственно-частное партнерство (Константин Горбач , руководитель направления здравоохранения в IBM).

    Пока в России нет данных, пригодных для обработки искусственным интеллектом. Сегодня в стране 38 млн электронных медкарт, но их заполнили по разным классификаторам, что осложняет их анализ.

    Совет

    Кроме того, при ФАНО и Минздраве работает 80 НИИ с медицинским уклоном, каждый из которых пытался создать свой информационный массив.

    Анализ интегрированных медкарт (когда разные медучреждения объединяют свои данные об одном и том же человеке) позволил бы выявить географически обусловленные заболевания, например, болезни легких в Кемерово и Воркуте (Олег Симаков).

    На днях стало известно о том, что фитнес-браслет впервые спас человеку жизнь. Данные с гаджета помогли врачам правильно выбрать тактику лечения. Обычно они вынуждены опираться на рассказ пациента.

    В России зарегистрировано крайне мало медицинских приборов, которые могут дистанционно передавать показания. Их очень сложно зарегистрировать, чтобы использовать для мониторинга здоровья. Надо преодолеть бюрократические барьеры.

    В мире в прошлом году насчитывалось примерно 22 тысячи гаджетов для здоровья (Олег Симаков).

    Чтобы называться электронным врачом, искусственному интеллекту нужны рефлексия и эмпатия, то есть этика. Причем в области формализации этики произошел не меньший прогресс, чем в обработке изображений. Понимание того, как программировать этику и как принимаются решения, продвинулось очень сильно (Владислав Шершульский, директор программ технологического сотрудничества Microsoft в России).

    Для создания универсального ИИ не хватает хорошей постановки задачи, поэтому она решается кусочками. Хотя эти кусочки очень интересные: победа ИИ в го — это история про очень качественную искусственную интуицию. А в «Яндексе» алгоритм обучили чувству прекрасного. Проблема создания полноценного ИИ не столько в ресурсах, сколько в том, что мы задачу не можем поставить (Андрей Себрант).

    Обратите внимание

    Несмотря на непревзойденную компетенцию, IBM Watson — всего лишь ассистент, а принятие решений остается за человеком. Вопрос не в качестве диагностики, а в ответственности за пациента (Константин Горбач).

    В этом году. Сейчас эксперты работают над текстом федерального закона о телемедицине (поправки в 323-ФЗ). Документ легитимизирует удаленные консультации и мониторинг пациентов (юристы категорически против дистанционного лечения и диагностики). Если законопроект успеют внести в Госдуму за две недели, он будет принят в весеннюю сессию (Олег Симаков). 

    Как виртуальная реальность помогает медицине?

    Виртуальная реальность прямо сейчас используется для обучения врачей. Операции лучших хирургов снимаются давно, но зрители не видят их с позиции врача. А в виртуальном шлеме видно все движения от первого лица. Степень погружения такова, что новые методы хирургии будут усваиваться гораздо быстрее. Результат — спасенные жизни (Андрей Себрант).

    Теперь вы можете попасть на прием к доктору с искусственным интеллектом

    Гаджеты будущего будут не только отслеживать вашу активность, но и спасать жизнь

    Этические проблемы в генетике: о чем спорят ученые

    Кто инвестирует в биотехнологии и биомедицину?

    Почему ваш медицинский стартап не взлетит?

    Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

    Источник: https://rb.ru/story/it-medicine-in-russia/

    Диагноз по аватару. Как искусственный интеллект обошел врачей

    Воскресенье, 13 Января 2019, 17:00

    ИИ обучили обнаруживать целый ряд генетических нарушений по фотографии

    https://www.youtube.com/watch?v=EFd1uWNT0AU

    Около 8% населения планеты являются носителями различных генетических заболеваний.

    Некоторые из таких болезней влияют на черты лица: так, у людей с синдромом Нунан (врожденный порок сердца, искривление грудной клетки, низкий рост) – широко поставленные глаза, низко расположенные уши, у людей с синдромом Корнелии де Ланге (умственная отсталость, множественные пороки развития) – тонкие сросшиеся брови, деформированные уши, маленькие курносые носы.

    Распознать, от какого именно генетического заболевания страдает человек, сложно. Для этого проводятся генетические тесты, однако они довольно дорогие, да и порой для правильного диагноза таких тестов приходится проводить немало.

    Между тем в лечении генетических заболеваний важно как можно раньше поставить диагноз, чтобы максимально сгладить течение и последствия недуга.

     Исследователи из израильской компании FDNA, занимающейся фенотипированием с помощью искусственного интеллекта, разработали алгоритм DeepGestalt: он способен определить наличие генетического заболевания у ребенка по фотографии. 

    Медики давно используют изменения черт лица человека для первичной диагностики заболеваний. Были программы, которые анализировали, насколько лицо пациента соответствует набору изменений, характерных для одной определенной болезни. DeepGestalt позволяет проверить лицо пациента на соответствие фенотипа сразу множеству болезней.

    Нейронную сеть обучали на фотографиях детей. Программа разбивает лицо пациента на фрагменты 100х100 и анализирует, какого вероятность возникновения того или иного заболевания для каждого из фрагментов.

    После чего все “мини-диагнозы” суммируются и определяется наиболее вероятное заболевание. Сперва в программу загрузили более 17 тыс фото детей с двумя сотнями различных генетических заболеваний. После обработки этих фотографий систему протестировали на 502 фото больных детей.

    В итоге алгоритм DeepGestalt смог верно распознать заболевание в 64% случаев.

    Важно

    Программа сортировала возможные заболевания по степени вероятности: в 91% случаев правильный синдром оказывался в первой десятке, а в некоторых случаях программа даже превзошла врачей.

     Так, DeepGestalt отличает синдром Ангельмана (“синдром Петрушки” – задержка развития психики и припадки, сопровождающиеся частыми улыбками и смехом) от других заболеваний с точностью в 92%, тогда как результат врачей – 78%.

     При диагностике синдрома Корнелии де Ланге алгоритм смог отличить заболевание от других генетических отклонений в 97% случаев, тогда как врачи – лишь в 75%.

    Также ученым удалось добиться распознавания разных типов генетического заболевания.Так, при синдроме Нунан мутации могут возникать в разных генах, что проявляется к различиям в строении лица. Программа научилась распознавать пять типов этой патологии с точностью до 64%.

    Создатели DeepGestalt называют свою программу “технологией фенотипирования нового поколения”, хотя и отмечают, что ее необходимо дорабатывать. В то же время ученые побаиваются, что посредством их изобретения людям могут нанести вред, разглашая их диагнозы или используя, к примеру, для отказа в приеме на работу – фото человека сегодня раздобыть не проблема.

    Это далеко не первый случай, когда искусственный интеллект используют для диагностики различных заболеваний. Так, существует метод, позволяющий прогнозировать заболевания сердца с помощью сканирования сетчатки глаза.

    По данным исследователей, проблемы с сердцем алгоритм прогнозирует с точностью 70%. Этот результат сопоставим с классической методикой SCORE, для которой пациенту требуется сдать анализ крови.

    Еще одна группа ученых научила искусственный интеллект распознавать рак шейки матки по медицинским снимкам. Еще одна программа на основе трехмерной визуализации сердца может точностью до 73% рассчитать риск смерти у людей с недавно диагностированной легочной гипертензией.

    Совет

    А специалисты Гарвардской медицинской школы и Медицинского центра Бейт-Исраэль разработали систему ИИ, которая диагностирует рак груди с точностью 92%.

    Летом этого года китайская система искусственного интеллекта BioMind стала победителем в соревновании с докторами: программа и доктора диагностировали опухоли мозга и прогнозировали развитие гематом.

    Система ставила правильный диагноз в 87% из 225 случаев за 15 минут, точность диагнозов команды из 15 врачей составила 66%.

    Кроме того, искусственный интеллект правильно диагностировал 83% случаев развития гематомы, оказавшись на 20% точнее команды докторов.

    Источник: http://www.dsnews.ua/society/diagnoz-po-avataru-kak-iskusstvennyy-intellekt-oboshel-13012019170000

    Искусственный интеллект возьмет на себя 30% функций врача и до 60% функций лаборантов

    Искусственный интеллект играет все большую роль в медицине. В апреле 2018 года американская FDA — управление по контролю за продуктами и лекарствами — разрешила компании под названием IDx вывести на рынок диагностическое устройство для офтальмологов на основе ИИ, которое помогает выявлять осложнения при диабете.

    Это первый независимый медицинский прибор на основе ИИ, получивший одобрение от FDA, — и их число будет постоянно расти. Алгоритмы искусственного интеллекта постепенно внедряются и в России.

    В лучевой диагностике (рентген, компьютерная томография, МРТ) они подсвечивают проблемные участки на изображении и позволяют врачу быстрее описывать результаты исследования.

    Директор «Научно-практического центра медицинской радиологии ДЗМ», главный специалист Москвы по лучевой диагностике Сергей Морозов рассказал, как искусственный интеллект помогает автоматизировать работу врачей-рентгенологов, в чем промахиваются стартапы-разработчики решений для медицины и почему роботы еще долго не научатся ставить диагнозы лучше живого «белкового» врача.

    — Какие проблемы в медицине позволяет решить искусственный интеллект?

    — Большая проблема медицины во всем мире, и особенно в России, — это дефицит высококвалифицированных специалистов.

    Врачи не всегда обладают информацией обо всем спектре заболеваний, и потом, медицинское информационное поле сейчас с огромной скоростью насыщается и врачи просто не успевают разбираться во всем.

    Поэтому нужно, чтобы врачи выполняли функции экспертов в той области, в которой они разбираются, — а рутинные задачи переносить на помощников, лаборантов, а от них — на алгоритмы автоматизации. Это позволяет делать медицинские услуги доступными во всех регионах мира, даже в самых отдаленных.

    — Как это работает?

    — Например, в лучевой диагностике большая проблема — это описания и анализ массовых скринингов на туберкулез, на ранние стадии онкологических заболеваний и пр.

    Данных становится все больше и больше — как эти данные проанализировать? Как обеспечить двойной анализ маммограмм, ЭКГ и прочих изображений, когда их должен посмотреть сначала врач, затем еще один эксперт дистанционно, а потом как можно скорее передать результат лечащему врачу, чтобы тот поставил диагноз? Здесь приходит на помощь искусственный интеллект — он может подсветить те участки на изображении, где может возникнуть патологический процесс, и передать эти данные врачу. Это особенно актуально в условиях дефицита врачей. Например, в России 1 врач-диагност на 3 тыс. человек, в США — 1 на 10 тыс. человек, а в Бангладеш — 1 на 1 млн человек. Искусственный интеллект помогает решить проблему недостатка специалистов.

    — Есть ли примеры компаний, которые уже зарабатывают на таких решениях?

    — Конечно, — например компания CAD4TB, которая делает в Юго-Восточной Азии массовые программы для автоматизации рентгеновских изображений грудной клетки, помогающие выявить туберкулез или пневмонию. Или американская компания Viz.ai, которая недавно получила разрешение FDA на регистрацию алгоритма ИИ как медицинского изделия.

    Читайте также:  Применение нейросетей в распознавании изображений

    Когда поступает пациент с инсультом, они делают компьютерную томографию (в том числе на компактном приборе в машине скорой помощи) — и эти данные тут же анализирует программа, которая натренирована находить признаки инсульта и сразу отправлять результат лечащему врачу.

    Это позволяет врачу быстро принять решение — а это очень важно, потому что если у пациента инсульт, его можно спасти лишь в течение 4 часов. Здесь использование ИИ может спасти жизнь пациенту.

    — Какие функции врачей нужно автоматизировать в первую очередь?

    — Есть простое правило: можно построить алгоритм ИИ по тем функциям, которые врач может выполнить менее чем за 1 секунду. Такие функции как раз надо передавать алгоритмам.

    При этом у врачей остается время, чтобы работать не над рутиной, а максимально использовать свои знания и накопленный опыт (который благодаря телемедицине может быть доступен гораздо более широкой аудитории, чем раньше).

    Обратите внимание

    Сохранится функция врача как коммуникатора, принимающего решение о лечении вместе с пациентом, — а рутинные функции перейдут к роботам. Это мощнейший фактор с точки зрения улучшения производительности труда — он поможет обеспечить больше медицинской помощи при ограниченных ресурсах.

    — Заменят ли роботы врачей?

    — Представьте себе, что люди создали новую таблетку, которая позволяет эффективно лечить меланому. Ставит ли это точку в лечении меланомы? Нет. Какие будут побочные реакции, как они будут проявляться по лабораторным данным, как это лечение будет сочетаться с другими видами лечения и т.д.

    , — все эти вопросы нужно анализировать комплексно, и заменить в этом смысле мудрость врача компьютеры пока не способны. Врач будет синтезировать эти знания и принимать решения в ситуации, когда информации недостаточно.

    Только там, где все суперчетко структурировано, можно заменять субъективность принятия решений на алгоритмы.

    Как ИИ помогает врачам

    — Расскажите о технологии, благодаря которой ИИ помогает лучевой диагностике. Как это работает на практике?

    — Любой диагностический аппарат создает изображение (например томограмму или рентген) и поясняющие материалы — что за тип исследования, вводилось ли контрастное вещество, клинические данные, метаданные и пр. Врач смотрит на это, анализирует и находит на изображении признаки, характеризующие патологию.

    Чтобы научить этому алгоритмы машинного обучения, создаются как бы две папки — томограммы с опухолью и томограммы без опухоли. И конволюционная сеть тренируется сама находить признаки опухоли благодаря сравнению томограмм.

    На следующем уровне мы сообщаем компьютеру еще больше: вот эта опухоль злокачественная, а та скорее доброкачественная, а эта имеет признаки прорастания сосудов и пр. Этот процесс называется разметкой — tagging.

    Мы набираем данные и показываем, где находится очаг, как растет опухоль, есть у нее метастазы или нет, словом, воспроизводим процесс анализа данных, который обычно делает человек.

    Бывают и сложные ситуации — а вдруг пациент во время МРТ подвинулся? Компьютеру сложно это понять, значит, ему надо дать еще и некачественное изображение, чтобы он научился разбираться.

    После тренировки идет этап валидации алгоритма. Разработчики обращаются за подтверждением к коллегам из разных стран, чтобы подтвердить, что алгоритм работает в разных ситуациях.

    Дальше проводятся клинические испытания, а после этого можно подавать заявку о регистрации алгоритма как медицинского изделия.

    Когда алгоритм поставляется в больницу, его ставят на рабочие места врачей и врач видит томограмму с разметкой и подсказками — что вот здесь, скорее всего, опухоль. Это позволяет врачу сократить время на описание исследования, не снижая точность диагностики.

    — Как быстро компьютер может научиться точному распознаванию опухолей?

    — Если патология довольно простая (например легкое без опухоли и легкое с крупной опухолью), то даже на примере 10 кейсов. А если мы хотим научить компьютер различать сложные признаки — доходит до 1 млн кейсов от разных пациентов, из разных стран, сделанных на разных типах аппаратов, чтобы компьютер понимал вариабельность.

    — Какой объем работы врача можно автоматизировать таким образом?

    — До 30% функций врача и до 60% функций лаборантов, а также в 2-3 раза увеличить эффективность разных видов исследований. Если сегодня врач описывает 25-30 томограмм за свою рабочую смену, то с использованием алгоритмов сможет описать до 70 исследований.

    — А пациент получает результат быстрее?

    — Как правило, нет. Алгоритмы ИИ не помогают сократить ожидание результатов в сложных случаях (оно даже в Европе доходит до 2 месяцев) — для этого нужно больше высококлассных специалистов.

    А вот стандартные исследования, массовый скрининг (например в ходе диспансеризации) при использовании ИИ можно делать меньшими ресурсами — врач просто может больше исследований описать за свое время работы.

    — Насколько точно алгоритмы ИИ работают сегодня?

    — Приведу пример из собственной практики: есть компания «ФтизисБиоМед», резидент Сколково, с которой мы проводили исследования алгоритма для анализа рентгенограмм при туберкулезе.

    Мы проанализировали их алгоритм по набору параметров, и выяснили, что алгоритм на 97,5% прав, если говорит, что туберкулеза нет. Это отличный результат.

    Конечно, в идеале должно быть 100% — но точность врачей в этом случае составляет всего около 70%.

    Важно

    Так что уже есть масса примеров, когда алгоритм точнее, чем врач, позволяет выявить изменения на изображении.

    Врач может использовать это для постановки диагноза — а может и не использовать, если, например, данные КТ и УЗИ друг другу противоречат.

    Но нельзя забывать, что алгоритм не может самостоятельно ставить диагноз, — это комплексное понятие: он включает историю и стадии болезни, психологическую оценку пациента и пр. Здесь оценка врача в любом случае будет более значимой.

    Ии и медицина в россии

    — Что вашему центру может предложить стартап, который разрабатывает алгоритмы искусственного интеллекта для лучевой диагностики?

    — Проблема в том, что стартапы часто начинают разрабатывать алгоритм, но не понимают, что именно будет являться конкретным продуктом.

    А ведь медицина как индустрия — это про создание цепочки ценностей для конечного потребителя- — пациента, поэтому и нужно четко ответить на вопросы, что это за продукт, на какую аудиторию он будет рассчитан и в чем его ценность.

    Вообще я советую разработчикам сначала понять, в чем проблема врача, как ему помочь сократить текущие расходы, затем найти повторяющиеся рутинные действия, на которые врач тратит менее 1 секунды, и для этих действий создавать решения по автоматизации.

    Еще стартапы часто бывают невнимательны к набору сотрудников, компетентных в медицине. У меня нередко были случаи, когда, анализируя продукт компании, я понимал, что у них в компании не хватает Chief Medical Officer — человека, который комбинирует компетентность в бизнесе, в медицине и в IT.

    — Как вообще дела с разработкой и внедрением таких алгоритмов в России?

    — В России все больше заинтересованы в пиаре на этой теме, чтобы показать, что они прогрессивные и занимаются ИИ.

    Но при этом в России труд медработников и врачей дешевый, врачей здесь избыток, они недозагружены и выполняют множество рутинных функций, которые должна выполнять медсестра или лаборант, так что автоматизация всегда отходит на второй план, — дешевле нанять еще врачей и медсестер, чем разрабатывать сложное решение. Поэтому в России почти нет для этого условий.

    Чтобы они появились, нужно создавать стандарты, которые прописывают шаблоны описания КТ, МРТ и пр. (когда они будут структурированы, из них можно будет извлекать дополнительную информацию). Нужны стандарты создания хранилищ данных с доступом к ним разработчиков, чтобы компании понимали, какие продукты востребованы, и могли на них ориентироваться.

    И, наконец, нужно дать компаниям возможность регистрировать алгоритмы ИИ как медицинские изделия (в США сейчас упростили процедуру получения разрешения FDA Class 3 для таких случаев). Но в России пока непонятно, каким образом вывести такое решение и кто будет нести ответственность за этот алгоритм.

    — Как недавно принятый закон о телемедицине поможет развитию ИИ в этой отрасли?

    — Телемедицина — это драйвер развития компьютерного анализа. В телемедицине четко структурируется поток данных, они описываются, читаются компьютерными алгоритмами, поэтому этот закон — мощная поддержка для разработчиков. Кстати, в России эта отрасль менее зарегулирована, чем за рубежом.

    В США , например, разработчикам алгоритмов для медицины очень тяжело — клиники почти не делятся своими данными, трудно создать коллаборации между разными клиниками, трудно набрать достаточное количество данных, и стоят они очень дорого. В России проще — но потребность в компьютеризации меньше.

    — Могут ли российские компании натренировать свои алгоритмы для лучевой диагностики в России и продавать их на зарубежные рынки?

    — Это почти невозможно для алгоритмов, работающих с реальными медицинскими данными для клинического применения. Алгоритм, созданный на российских процессах и данных, зачастую может оказаться никому не нужен за рубежом. Но решения, разработанные в одной стране, вообще плохо применимы к другим странам.

    Совет

    Например, IBM создает решения Watson for Oncology, и эти алгоритмы тоже неприменимы для других стран. Везде слишком разные региональные клинические рекомендации и медицинские принципы.

    Поэтому когда компания приходит на новый рынок, она должна принципы этого алгоритма согласовать с обществом кардиологов, гематологов и прочих специалистов, и только получив от них подтверждение, можно уже адаптировать алгоритм.

    — Какие еще проблемы возникают при попытке автоматизировать медицину?

    — Как говорил Билл Гейтс, если автоматизировать плохой процесс — то он останется плохим процессом. Поэтому прежде чем автоматизировать любой процесс, его нужно настроить и стандартизировать. А в медицине это сделать крайне сложно — очень много неоднородных решений.

    Кроме того, бывает, стартап пришел к одному врачу, под идею этого конкретного врача они разработали решение, а потом оказывается, что это решение никому не нужно, потому что основано на чьей-то личной практике.

    И потом, автоматизация встречает сопротивление в медицинской среде. Многие врачи считают, что их работа — это искусство, и им не нравится, что компьютер может их «посчитать» и проанализировать, почему они так принимают решения.

    А если окажется, что половину профессиональной практики принимал решения неправильно? Тут много когнитивного диссонанса.

    — В каком направлении стоит развиваться стартапам в этой индустрии?

    Источник: https://drivems.by/news/iskusstvennyj-intellekt-vozmet-na-sebya-30-funktsij-vracha-i-do-60-funktsij-laborantov/

    Искусственный интеллект научился ставить диагноз психиатрическим больным

    Решить сложную задачу с разведением диагнозов большого депрессивного и биполярного расстройств помогли алгоритмы машинного обучения.

    С помощью функциональной магнитно-резонансной томографии они научились определять эти заболевания по активности мозга и в сложных случаях, когда специалисты не могут поставить точный диагноз, предсказывать лечение одной, либо другой патологии с более чем 90-процентной точностью. Этому посвящена статья, опубликованная в журнале Acta Psychiatrica Scandinavica.

    Credit: Public Domain

    Психиатрам иногда трудно отличить биполярное (BD) от большого депрессивного расстройства (MDD) у пациентов без очевидной фазы мании, и таких больных могут лечить ошибочно в течение многих лет.

    Обратите внимание

    Чтобы облегчить врачам задачу и обеспечить пациентов даже в сложных случаях нужной терапией, которая им поможет, специалисты Исследовательского института здоровья Лоусона (Лондон, Онтарио) и Сети исследований психики в Альбукерке (Нью-Мексико) решили подключить к ее решению искусственный интеллект.

    Под управлением доктора Элизабет Осъюч (Elizabeth Osuch), руководителя программы FEMAP Лондонского центра наук о здоровье (London Health Sciences Centre’s First Episode Mood and Anxiety Program), исследователи включили в программу 78 новых пациентов, с которыми решили провести эксперимент.

    66 из них поставили точный диагноз сразу (BD или MDD), а вот с двенадцатью оказалось сложнее – их клинические проявления не обладали очевидными характеристиками, благодаря которым их можно было отнести в одну, либо другую группу.

    Кроме того, в исследование вошла контрольная группа из 33 здоровых добровольцев.

    Всем участникам провели функциональную магнитно-резонансную томографию, которая позволяет «прочитать» активность мозга, и выявили достоверные отличия в его работе среди больных депрессией и биполярным расстройством.

    Активность различалась в нескольких областях, в том числе в сети пассивного режима работы мозга, которая активируется во время бездействия и, как считается, отвечает за формирование сознания.

    Кроме того, различия выявились и в работе таламусов – главной «трансформаторной будки» мозга, перераспределяющей поступающие в него сигналы и контролирующей бдительность.

    Этих данных хватило для того, чтобы обучить алгоритм разделять патологии с точностью в 92,4 процента. Затем его направили на анализ томограмм оставшихся 12 «неясных» пациентов и проверили, насколько точным окажется прогнозирование их ответа на лечение, которое назначат в соответствии с результатом проверки.

    И искусственный интеллект не подвел – участники эксперимента из этого числа, которым машина поставила диагноз большого депрессивного расстройства, хорошо отреагировали на антидепрессанты, тогда как люди с биполярным расстройством прекрасно ответили на стабилизаторы настроения.

    Важно

    Причем, точность ответа достигла 91,7 процента – 11 из 12 пациентов терапия пошла на пользу.

    Ученые тем не менее понимают, что их выборка слишком мала для того, чтобы делать какие-то глобальные выводы, и собираются совершенствовать алгоритм, добавляя в его обучающую базу новую информацию.

    Источник: http://neuronovosti.ru/ai-bipolar/

    Ссылка на основную публикацию
    Adblock
    detector