Как искусственный интеллект и глубинное обучение могут помочь выявлять генетические заболевания?

Искусственный интеллект уже реально помогает бороться с онкологическими заболеваниями и расстройствами психики

Привет. Медицина – это и наука и искусство.

Умения врача диагностировать болезнь и определять необходимый курс терапии базируются на его опыте лечения предыдущих пациентов, на накопленных за годы медицинской практики наблюдениях, вот почему идея широкого внедрения машин в медицину многим кажется ошибочной и даже безрассудной. Как робот, независимо от того, насколько хорошо обучен, может занять место врача?

Машинное обучение (ML) – основная форма искусственного интеллекта, уже проникает в медицинскую сферу и, оказывается, что машины могут играть важную роль в улучшении нашего здоровья, в том числе при постановке диагноза, определении индивидуального метода лечения для конкретного пациента с учетом множества данных, что сокращает лишние финансовые и временные затраты.

Фактически, когда современная медицина во все возрастающей степени зависит от большого количества исследований, вариантов лекарств и других данных, машины могут лучше справляться с таким потоком информации, точнее интерпретируя их.

Идея искусственного интеллекта (AI) в медицине заключается не столько в полной замене врачей (по крайней мере, не на какое-то время в ближайшем будущем), сколько в повышении их возможностей.  AI программы накапливают знания, которые уже имеются у медицинских работников, полученные ими в институтах и на протяжении медицинской практики, доводя их до беспрецедентного уровня.

Обратите внимание

Почему пациент должен пользоваться знаниями и умениям только одного конкретного врача, с которым он сталкивается в больнице или поликлинике, если сейчас есть возможность пользоваться знаниями и опытом тысяч лучших врачей за всю историю. Звучит просто грандиозно. Почему пациенты в сельской местности, живущие далеко от ведущих медицинских центров страны, лишены всех накопленных современной медициной знаний, которые там используются? 

То, что сейчас делает искусственный интеллект в сфере здравоохранения – это агрегация и переработка всех экспертных знаний и практического опыта для предоставления наиболее эффективной медицинской помощи каждому пациенту.

С таким объемом данных, доступном сегодня врачам – от информации о симптомах болезни до новых лекарств, взаимодействия между различными лекарствами, возможных побочных эффектах до того, как разные люди по разному реагируют на одинаковое лечение, способность анализировать и применять на практике эти большие данные становится необходимым навыком.

Это то, что машинное обучение делает гораздо лучше человека.

Сегодня во многих медицинских учебных заведениях изучают, как человек и машина могут лучше сочетать свои навыки, чтобы использовать этот беспрецедентный объем медицинской информации на практике.

В Университете штата Техас MD Cancer Center, программа APOLLO анализирует  генетические данные, полученные пациентов больных раком, и создает лучшие методы лечения, позволяющие пациентом прожить дольше.

В компании Boston Neurala исследователи заняты создании на базе микропроцессора нейронной сети – аналога человеческого мозга во всей его сложности и изощренности. 

И в области психического здоровья стартапы уже разрабатывают приложения на принципах машинного обучения, которые могут помочь обнаружить, когда люди с такими состояниями, как депрессия или биполярное расстройство находятся на грани нового обострения болезни, что не мог бы сделать ни один психиатр.  

Основой в системе машинного обучения медицинской отрасли является, конечно же, машина. И машины от IBM

Источник: https://golos.io/ru–tekhnologii/%40konstantin/iskusstvennyi-intellekt-uzhe-realno-pomogaet-borotsya-s-onkologicheskimi-zabolevaniyami-i-rasstroistvami-psikhiki

Искусственный интеллект и генетика живых существ обучаются очень похоже

Сети генов у животных чем-то напоминают сети нейронов в наших мозгах — они тоже могут «обучаться» на ходу. В 1996 году молодой аспирант по имени Ричард Уотсон решил прочитать статью об эволюции. Она была провокационной и затрагивала старую проблему в эволюционной биологии: мы плохо понимаем, как организмы могут так успешно адаптироваться к окружающей среде.

Живые существа на протяжении своей жизни подвергаются изменениям, или мутациям, в генах, но они совершенно не кажутся случайными. Вместо этого они фактически «улучшают» свою способность адаптироваться. Кажется, что эта способность объясняется не только процессом естественного отбора, когда наилучшие черты передаются наиболее успешным организмам.

Поэтому авторы статьи Гюнтер Вагнер из Йельского университета и Ли Альтенберг из Гавайского института геофизики и планетологии в Гонолулу решили поискать ответы в неожиданном месте: компьютерных науках.

Важно

Уотсон, компьютерный ученый, буквально сошел с ума. За 20 лет, прошедших с тех пор, как он прочитал эту статью, он разработал теорию, основанную на высказанных тогда идеях.

Она могла бы помочь объяснить, почему животные так хорошо эволюционируют: эта черта называется «эволюционируемость» (или развиваемость).

Более того, она могла бы помочь решить старые любопытные вопросы в области эволюционной биологии.

Многим людям знакомо представление о том, что гены передаются от родителей к потомкам, и гены, которые помогают своим хозяевам выживать и размножаться, имеют больше шансов быть переданными. В этом суть эволюции и естественного отбора.

Но это еще не все, потому что гены часто работают вместе. Они образуют «сети генов», и эти сети генов также иногда могут передаваться интактными в течение нескольких поколений.

В основе утверждения Уотсона лежит идея, что связи между генами могут быть усилены или ослаблены по мере эволюции и изменений вида — и именно сила этих связей в генных сетях позволяет организмам адаптироваться.

Этот процесс аналогичен тому, как работают искусственные нейронные сети на компьютерах.

В наше время эти системы используются для выполнения самых разных задач. Например, они могут распознавать лица людей на фотографиях или видео, и даже анализировать съемку футбольных игр, чтобы понять, тактика какой команды показывает себя лучше и почему. Как компьютерам удается определять даже такое?

Совет

Искусственные нейронные сети созданы по образу и подобию биологических сетей — по большей части мозга. Каждая сеть — это собрание смоделированных «нейронов», которые связаны определенным образом; подобно станциям и линиям метро.

Сети вроде этих способны получать вводные данные — скажем, слово «привет», записанное на странице, — и сравнивать их с выводом — скажем, в данном случае со словом «привет», которое хранится в памяти компьютера. Примерно так дети учатся читать и писать.

Как и ребенок, нейронная сеть не может мгновенно устанавливать соединение, а должна обучаться с течением времени. Это обучение сложное, но по существу предполагает изменение сильных связей между виртуальными нейронами.

Каждый раз это улучшает результат, пока вся сеть не сможет надежно вывести желаемый ответ: в нашем примере смешные символы на странице («привет») соответствуют слову «привет». Теперь компьютер знает, что вы записали.

Уотсон считает, что нечто подобное происходит и в природе. Развивающийся вид «выводит» черту как раз для определенной среды.

Существуют различные способы обучения нейронных сетей. Тот, на котором сосредоточился Уотсон, представляет хороший пример того, что происходит в биологических генных сетях, «Хеббовское обучение».

В Хеббовском обучении связь между смежными нейронами, которые имеют сходные результаты, усиливается с течением времени. Вкратце: «нейроны, которые срабатывают вместе, связываются между собой». Сеть «учится», создавая прочные связи внутри себя.

Если у организма есть определенные гены, срабатывающие вместе таким образом, и этот организм оказывается достаточно успешным для размножения, то его потомство не просто наследует его полезные гены, утверждает Уотсон. Оно также наследует связь между этими генами.

Обратите внимание

Особое преимущество Хеббовского обучения в том, что эти сети могут разрабатывать «модульные» функции. Например, одна группа генов может определять, имеет ли животное задние лапы, или глаза, или пальцы. Точно так же горстка связанных адаптаций — как способность рыбы справляться с повышенной температурой и соленостью воды — может связаться и унаследоваться целиком, в одной сети генов.

«Если есть отдельное существо, которое имеет чуть более сильную регуляторную связь между этими генами, чем какое-либо другое, оно будет предпочтительнее», говорит Уотсон. «Их выберет естественный отбор. И значит, по прошествии эволюционного времени, сила связей между этими генами будет увеличена».

Для Уотсона это помогает обойти прилипчивую проблему в теории эволюции.

Представьте себе на мгновение, что геном организма представляет собой компьютерный код. Программист-новичок мог бы постепенно обновлять свой код время от времени, пытаясь внести улучшения. С их помощью можно было бы определить, может ли другая последовательность команда заставить программу работать чуть более эффективно.

Начнем с того, что этот процесс проб и ошибок может работать достаточно хорошо. Но со временем обновление кода таким образом сделает его довольно громоздким. Код начнет выглядеть беспорядочным, что затруднит определение того, к каким последствиям может привести определенное изменение. Иногда это случается и в программировании, результат называют «спагетти-кодом».

Если организмы действительно развивались таким образом, говорит Уотсон, их «эволюционируемость — способность адаптироваться к новым стрессам или окружению — была бы не самой лучшей». Но на деле «способность природных организмов адаптироваться к селективному окружению или проблемам просто удивительна».

Уотсон также предположил, что сети генов могут включать «воспоминания» предыдущих адаптаций, которые могли быть обусловлены требованиями окружающей среды.

Например, возможно, некоторые группы организмов могли быстро развиваться, чтобы употреблять пищу, вредную для других членов тех же видов — потому что их предки уже выдержали такую диету. В прошлом структура регуляции генов могла измениться, облегчив некоторые триггеры генной экспрессии. Этот «уклон» в конечном счете помог бы их потомкам переварить сложную еду.

Один из реальных примеров Уотсона — колюшки. Эти рыбы выработали в одно время переносимость пресной, затем соленой воды, затем вернулись обратно, в зависимости от того, что требовало от них текущее окружение.

Идея Уотсона означает, что организмы должны быть начинены множеством вариантов для адаптации.

Важно

Также это означает, что генные сети эволюционировали — у всех животных — чтобы приспособиться к природному миру Земли. Вот почему организмы так хорошо реагируют на окружающую среду: стрессы и напряжения в окружающей среде Земли запечатлены в регулятивных связях между генами на протяжении миллионов лет.

«Я думаю, всегда был глубокий потенциал исследовать параллели между компьютерным обучением и эволюцией, но никто не занимался этим с такой же строгостью, как и Ричард Уотсон», говорит Кевин Лаланд из Университета Сент-Эндрюс в Великобритании, участвовавший в крупномасштабном проекте вместе с Уотсоном.

Читайте также:  Инновационная технология: дрон против проблемы обезлесения планеты

Однако большая проблема гипотезы Уотсона заключается в том, можно ли найти какие-либо эмпирические доказательство ее в природе.

До сих пор все идеи Уотсона основывались на вычислительных экспериментах в лаборатории. По-видимому, эти эксперименты могли дать результаты, аналогичные реальным организмам, но конкретные процессы у них пока не наблюдались.

«Это вопрос на 64 миллиона долларов», признает Уотсон.

Но Уотсон и Лаланд полагают, что есть другие способы проверить эту теорию эволюционируемости. Уотсон предлагает проанализировать, как меняются сети генов у микробов, развивающихся в лаборатории. Поскольку микробы, например бактерии, воспроизводятся быстро, за несколько дней можно наблюдать несколько поколений адаптации.

«Если вы хотите провести жесткое испытание теории, вам стоит задаться вопросом, сможете ли вы сделать новые предсказания, еще не отраженные в литературе?», говорит Лаланд.

Например, можно было бы разработать компьютерную систему, основанную на идеях Уотсона, которая могла бы предсказать, как будут развиваться организмы в дикой природе при определенных известных условиях. Если такая система окажется точной, это, безусловно, поможет укрепить теорию.

В генных сетях уже существует несколько особенностей, которые помогают выйти на подход Уотсона. Мини-сеть генов, определяющих конкретную адаптацию, вроде одного из модулей, упомянутых выше, иногда может включаться или выключаться лишь одним другим активаторным геном.

Примеры такого можно найти в природе, говорит Уотсон. Среди них «эволюционные отбрасывания»: организмы с адаптациями, которые, как полагали, должны были исчезнуть еще у их предков. Это называется «атавизм».

Известный пример такого — зубы у кур. Куры генетически способны отращивать зубы, но не делают этого обычно в дикой природе или в неволе. Однако рост зубов можно включить в лаборатории при помощи молекулярной биологии.

Совет

Иногда атавистические черты проявляются у естественных популяций. Один из последних возможных случаев — кит, найденный на пляже в Австралии в феврале 2016 года. У него были похожие на клыки зубы, которых обычно не видно у китов. Возможно, это осталось от предков, у которых также были зубы, похожие на клыки, миллионы лет назад.

Другим актуальным явлением является «конвергентная эволюция», когда неродственные виды, живущие в совершенно разных средах обитания, каким-то образом приходят к одной и той же адаптации. Среди примеров — определенные рисунки на крыльях бабочек и очень похожие рыбы, обитающие в отдельных озерах в Африке, говорит Лаланд.

Эволюционируемость такого рода, описанная Уотсоном, может это объяснить. Генетические сети, утверждает он, постепенно научились реагировать похожим образом в подобных ситуациях. Эти модульные функции, такие как рисунок крыла бабочки, могут быть наиболее вероятными решениями для системы обучения, чем другие.

Другими словами, при наличии нескольких необходимых условий эволюция будет выполнять одни и те же трюки снова и снова.

И здесь рождаются весьма философские вопросы. С одной стороны, эволюция функционирует как большой природный компьютер.

И может ли «эволюционируемость» предполагать, что жизнь в каком-то смысле запрограммирована на улучшение — хотя бы на генетическом уровне? Некоторые биологи в ужасе от этой идеи, но если способность организмов к адаптации улучшается со временем, если эволюция учится со временем, неужели все настолько прозрачно?

Уотсон думает, что да.

Источник: https://Hi-News.ru/research-development/iskusstvennyj-intellekt-i-genetika-zhivyx-sushhestv-obuchayutsya-ochen-poxozhe.html

Искусственный интеллект научился выявлять болезнь Альцгеймера на 6 лет раньше врачей

Искусственный интеллект способен радикально повлиять на их деятельность, оптимизировав рабочие процессы, снизив количество обследований и даже оказав помощь в поиске геномных маркеров

Маммографические системы обнаружения с компьютерной обработкой данных существуют более 20 лет и по сути являются единственными программами машинного обучения, которые сегодня широко применяются в диагностической визуализации. Около 90% маммографов используют его, однако с огромной долей сомнения и скептицизма, а в некоторых случаях и с насмешкой, — сообщил Сигель.

Однако, по его словам, использование графических процессоров для машинного обучения привело к значительному увеличению вычислительной мощи. Это облегчило реализацию наиболее требовательных к ресурсам вычислительных методов, таких как глубинное обучение, распознавание изображений и сверточные нейронные сети.

Обратите внимание

Все это имеет большой потенциал для работы с медицинскими снимками, однако требует тщательной маркировки и составления детальных описаний изображений вручную, а также большого количества исследований по визуализации, добавил эксперт.

Доктор Марк Коли (Marc Kohli) из Калифорнийского университета в Сан-Франциско согласен, что искусственный интеллект все еще далек от клинической практики среднестатистического радиолога, несмотря на многочисленные проекты в Кремниевой долине.

Вместе с тем все больше специалистов по лучевой диагностике получает базовые знания о машинном обучении и применении их на практике. Академики надеются, что растущий интерес к искусственному интеллекту увеличит инвестиции в этой области. При этом специалисты по обработке и анализу данных все чаще вступают во многие академические программы, отмечает Коли.

Доктор Брэдли Эриксон (Bradley Erickson) из клиники Майо в Рочестере (штат Миннесота, США) говорит, что к 2017 году наиболее распространенной областью использования машинного обучения является распознавание речи, однако есть еще много направлений для совершенствования технологии.

По мнению доктора Лучиано Преведелло (Luciano Prevedello) из медицинского центра Университета штата Огайо в Векснере, развитие искусственного интеллекта в радиологии протекает быстро, однако эта сфера все еще находится в зачаточном состоянии.

Преведелло ожидает, что ИИ-решения начнут чаще использоваться к 2019 году для оптимизации рабочих процессов.

К примеру, в одной из клиник Огайо уже используются «умные» алгоритмы для поиска снимков компьютерной томографии с критическими показаниями.

Использование ИИ для постановки диагнозов по медицинским снимкам будет возможно позднее из-за необходимости проведения многочисленных испытаний перед внедрением, считает доктор.

Важно

Доктор Раймонд Гейс (Raymond Geis) из Медицинской школы Университета Колорадо считает, что ИИ полезен для поиска закономерностей в данных и прогнозирования поведения на основе предыдущих моделей, а первые коммерческие ИИ-алгоритмы в радиологии не будут анализировать сами изображения. Скорее, они будут задействованы для составления отчетов на основе выводов врачей.

Коммерческие решения могут использоваться, например, в КТ-сканировании для предупреждения врачей об опасных отклонениях, такик как острое внутричерепное кровоизлияние, предполагает Гейс.

Элиот Сигель видит большие перспективы искусственного интеллекта в специализированных областях: определение переломов тел позвонков, обнаружение и составление характеристик узлов в легких, МРТ и ядерный анализ изображений сердца.

Марк Коли затруднился назвать, какие области будут наиболее важными для клинического использования искусственного интеллекта в радиологии, но выразил мнение о том, что успех проектов будет зависеть от многих факторов, в том числе от правильности интеграции и проверок, а также от решений регуляторов.

Приложения, которым не нужны одобрения регулирующих органов, будут развиваться быстрее, поскольку у властей нет отлаженного механизма, позволяющего разработчикам PACSи других подобных систем предлагать ИИ-софт, созданный сторонними разработчиками, из-за жестких требований к написанию кода, документации и тестированию.

Еще одной проблемой, по мнению Зигеля, являются высокие системные требования к компьютерам, на которых выполняются алгоритмы машинного обучения. Решение этой проблемы могли бы стать облачные сервисы, однако многие радиологи не доверяют им и не активно используют их, отметил он.[6]

Брэдли Эриксон уверен, что искусственный интеллект, в первую очередь, будет полезен для отображения геномных или диагностических свойств, которые радиологи не видят сегодня.

Мы и другие публикуем исследования, показывающие, что глубинное обучение может предсказать геномные маркеры с высокой точностью по обычным изображениям КТ и МРТ, даже если люди мало или вообще ничего не знают об этих признаках», — рассказал Эриксон. [7]

Источник: http://tmexpo.ru/news/iskusstvennyj-intellekt-nauchilsya-vyyavlyat-bolezn-altsgejmera-na-6-let-ranshe-vrachej

Искусственный интеллект сможет предсказывать развитие болезни Крона

Искусственный интеллект

Новая система машинного обучения, получившая название ExPecto, может предсказать эффекты генетических мутаций в так называемых областях «темной материи» генома человека. ExPecto указывает, как определенные мутации могут нарушить способ включения и выключения генов во всем теле. Такие нарушения в экспрессии генов иногда могут иметь фатальные последствия.

Используя этот метод, его создатели в Центре вычислительной биологии (CCB) Института Уоллирона в Нью-Йорке и Принстонском университете вычислили генетические последствия более 140 миллионов мутаций в разных тканях. Исследователи также точно определили мутации, потенциально ответственные за увеличение риска ряда заболеваний, связанных с иммунитетом, включая хроническую инфекцию вируса гепатита В (HBV) и болезнь Крона (БК).

По словам создателей метода, в будущем ExPecto сможет помочь в выборе лекарственной терапии и помочь понять, как эволюция сформировала наш генетический код.

Ваша ДНК содержит гены, которые служат чертежами для создания белков, рабочих молекул наших органов, ответственными за выполнение важных задач, таких как обмен кислородом, общение с другими клетками и борьба с инфекциями.

Совет

Протеин-кодирующие последовательности составляют менее двух процентов от всего вашего генома. Все эти гены присутствуют в клетках по всему телу.

Эта вездесущность означает, что гены, кодирующие белок, жизненно важные для функционирования мозга, например, также существуют и в вашем пищеварительном тракте.

Гены включаются и выключаются другими 98 процентами вашего генома, частью темной материи, которая не кодирует белки. “Темное вещество” – участки генома, которые не кодируют белки, они также называются энхансерами.

Связываясь с определенными молекулами, такие участки способны изменять активность какого-либо гена, несмотря на то, что сами они не кодируют белки. Энхансеры, однако, являются «инструкциями», которые показывают гену, когда тому следует усилить работу.

Большинство генетических мутаций обнаружено в этой некодирующей области. Мутация по существу является генетической опечаткой – добавлением, делецией или изменением геномной последовательности.

Мутации в некодирующей области могут иногда приводить к тому, что гены экспрессируют или не экспрессируют в неправильной части вашего тела в неподходящее время, увеличивая риск таких заболеваний, как рак.

Идентификация какой-либо конкретной мутации – задача весьма непростая, поскольку некодирующая часть ДНК достаточно велика. Предыдущие исследования сравнивали геномы многих людей с одним и тем же заболеванием, ища схожие генетические мутации.

Однако этот подход становится все более сложным для более редких мутаций.

Кроме того, струны ДНК иногда унаследованы в больших кластерах, поэтому ученые изо всех сил пытаются определить, какой именно фрагмент генетического кода является “нарушителем”.

Обратите внимание

Авторы текущего исследования придерживались иного подхода. Они разработали ExPecto (названный в честь заклинания Патронуса из серии Гарри Поттера) в качестве программы, которая может читать последовательность ДНК и предсказывать соответствующий эффект на экспрессию генов.

Читайте также:  Колеса-оригами для роботов

ExPecto основан на искусственном интеллекте и использует методы машинного обучения. Используя один эталонный геном, исследователи обучили программу понимать, как ДНК контролирует экспрессию генов в более чем 200 различных тканях и типах клеток. Из этой информации ExPecto может предсказать эффект любой мутации, в т.ч. той, которые ученые никогда раньше не видели.

Исследователи использовали ExPecto для прогнозирования мутаций, которые способствуют болезни Крона, хронической инфекции вируса гепатита В и болезни Бехчета.

Затем соавтор исследования Chandra Theesfeld экспериментально проверила результаты.

Для всех трех заболеваний она обнаружила, что предсказанный ExPecto кандидат является более потенциальным источником болезни, чем те, которые были предложены в предыдущих исследованиях.

Исследователи надеются, что ExPecto в один прекрасный день поможет медицинским экспертам определить генетические факторы, влияющие на болезнь пациента, и разработать методы лечения, адаптированные к геному пациента.

Любой может получить доступ к прогнозам ExPecto о влиянии более 140 миллионов возможных мутаций генов, кодирующих белок.

Эти результаты доступны в Интернете в рамках HumanBase – системы прогнозирования данных о биологии человека и заболеваниях.

Посетители могут ввести название гена и увидеть все возможные мутации, которые могут повлиять на его экспрессию в любой из 218 тканей и типов клеток.

Важно

Jian Zhou надеется, что ExPecto будет особенно полезен для изучения эволюционных последствий мутаций. Он и его коллеги обнаружили, например, что мутации менее склонны влиять на гены, выраженные во всем человеческом теле, чем на гены, специализированные для одного конкретного типа ткани.

Источник: https://unspecific.ru/iskusstvennyj-intellekt-smozhet-predskazyvat-razvitie-bolezni-krona/

9 преград на пути искусственного интеллекта в медицине

  • Как искусственный интеллект может помочь врачам
  • Что препятствует искусственному интеллекту внедряться в медицину
  • Что будет с внедрением ИИ в медицину в будущем
  • Технологии искусственного интеллекта проникают во все сферы человеческой деятельности, в том числе и медицину.

    Нейросети, созданные и обученные людьми, уже помогают систематизировать большие объемы данных, ставить предварительный диагноз и участвовать в разработке медикаментов.

    Однако несмотря на такие возможности и перспективы в лечении пациентов, специалисты медицинской области не спешат активно внедрять ИИ в свою работу.

    Как искусственный интеллект может помочь врачам

    Потенциал технологий глубинного обучения в медицине сложно переоценить. Нейросети уже повышают качество медицинских услуг, увеличивают эффективность диагностики благодаря возможности работы с большими объемами данных.

    Например, медицинские чат-боты, основанные на ИИ, помогают в решении многих задач. Сервис собирает жалобы пациентов и, учитывая указанные симптомы, может посоветовать лекарственные препараты или записать на прием к врачу. Собранная информация поступает к медицинскому специалисту, который сможет эффективнее провести первую консультацию и оказать необходимую помощь пациенту гораздо быстрее.

    Система с искусственным интеллектом IBM Watson уже помогает осуществлять качественную диагностику и лечение онкологических заболеваний. Так, ИИ выявил у 60-летней пациентки с неверным диагнозом редкую форму лейкемии, изучив 20 миллионов научных статей о раке.

    Программы с ИИ также используются в анализе рентгеновских снимков и в разработке новых лекарственных препаратов.

    Компания Semantic Hub недавно создала сервис на базе искусственного интеллекта для оценки потенциала медицинских препаратов перед их выпуском на рынок.

    Алгоритм собирает и анализирует научные публикации, связанные с заболеванием, назначением и действием разрабатываемого лекарства. Затем ИИ анализирует информацию и делает вывод о конкурентных преимуществах медикамента и возможностях его продвижения на рынке.

    Перспективными направлениями для нейросетей в медицине являются:

    1.     Сбор и систематизация данных;

    2.     Диагностика заболеваний и установление предварительного диагноза;

    3.     Телемедицина;

    4.     Разработка новых лекарственных препаратов.

    Что препятствует искусственному интеллекту внедряться в медицину

    Рассмотрим, какие препятствия не дают развиваться ИИ в медицинской сфере.

    1. Недоверие медицинских экспертов к искусственному интеллекту

    Медицина – консервативная сфера. Каждая инновация сначала должна быть тщательно проверена прежде, чем будет использована в работе врачей, ведь речь идет о здоровье и жизни людей. Многие врачи с недоверием относятся к внедрению искусственного интеллекта во врачебную практику, считая, что технологии еще далеки от совершенства и использовать их для лечения людей еще небезопасно.

    1. Устаревшая информация о пациентов

    Данные в карточках пациентов не всегда могут быть достоверными или исчерпывающими. В них могут быть ошибки и неточности, а процесс анализа затрудняться неразборчивым почерком.

    Для устранения этой проблемы разрабатываются варианты обучения нейросетей на небольших объемах информации. В качестве успешных примеров подобного обучения можно назвать принцип работы клавиатуры смартфонов. Алгоритм запоминает и анализирует введенные ранее слова и может прогнозировать содержание следующих текстов.

    Во время работы с пациентами искусственный интеллект не должен совершать ошибок. ИИ, влияющие на принятие врачебных решений, должны быть точными и эффективными.

    Совет

    Именно поэтому в процессе разработки и тестирования нового алгоритма участвуют реальные врачи. Искусственный интеллект должен многочисленные проверки, прежде чем поступит на службу специалистов.

    Как правило, это занимает много времени.

    1. Проблемы с установлением ошибок

    Искусственный интеллект работает по принципу «черного ящика». Если в алгоритме есть ошибка, и системой принято неправильное решение, то ответить на вопрос «почему» будет крайне трудно.

    Компании, специализирующиеся на разработке ИИ, уже занимаются созданием таких алгоритмов, которые будут раскрывать причины своих решений.

    Внедрение технологий искусственного интеллекта требует, чтобы медицинский персонал умел его эффективно применять. Врачам не нужно  досконально знать, как работает машинное обучение, но иметь понятие об общих принципах функционирования необходимо.

    1. Нехватка кадров среди разработчиков ИИ

    Для создания эффективного алгоритма и его внедрения в медицинскую сферу требуется сильная команда разработчиков, среди которых должны быть специалисты:

    • с широким спектром знаний в предметной области, математических алгоритмах и подходах к защите информации;
    • с навыками программирования и наглядного представления данных.

    На данный момент наблюдается нехватка таких сотрудников.

    1. Высокая стоимость нейросети

    Сложности с поиском кадров повышают стоимость разработки сервисов на основе искусственного интеллекта. И это, не говоря о том, что созданный ИИ еще нужно настроить под данные, накопленные в конкретном медучреждении.

    В результате получается, что новые технологии не могут позволить себе многие клиники и больницы в виду ограниченного бюджета.
             7. Наличие несистематизированных 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 в постановке диагноза.

    Обеспечение работы искусственного интеллекта связано с вычислительными мощностями, которых нет во многих медицинских учреждениях нет. Соответственно, что и безопасность хранящихся данных будет под угрозой.

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

    Кроме того, с точки зрения закона еще актуален вопрос по предоставлению и хранению личной информации пациента.

    Что будет с внедрением ИИ в медицину в будущем

    Медицинское сообщество не может не признавать полезность искусственного интеллекта для лечения больных. Тем не менее, на его внедрение потребуется время.

    В ближайшие годы ИИ будут активнее применяться фармацевтическими компаниями при разработке медицинских препаратов, постановке диагноза и даже участвовать в проведении операций.

    Источник: https://supermed.pro/9-obstacle.html

    Искусственный интеллект в медицине

    Статья написана в соавторстве с С.Л. Добриднюком, директором по исследованиям и инновациям, компания “Диасофт Системы”.

    Введение

    На сегодняшний день искусственный интеллект (ИИ) считается одним из самых перспективных направлений развития не только ИТ-отрасли, но и многих других сфер деятельности человека. В частности, решения на базе ИИ являются одной из основных надежд в плане реализации концепции «Цифровой экономики».

    Как электричество изменило и привело к новой промышленной революции в XIX веке, так и искусственный интеллект становится одним из основных драйверов глубокой трансформации общества и экономики в XXI веке. Однако, в отличие от прежних промышленных революций, основной движитель этих тектонических изменений – не технологии, и не ИТ.

    Изменяется само общество, его уклад. Информатизация преобразует поведение потребителей. Они, имеющие доступ к разного качества информации, становятся более искушенными и требовательными. Применяя ИТ, менеджмент получил качественные профессиональные инструменты наблюдения, управления и контроля.

    Меняется политика государства и инвесторов, они больше не хотят вкладываться в профессии и деятельность, где есть унаследованная от прежних лет рутина, применяется низкоквалифицированный ручной труд. Идет решительная замена их роботами и сервисами на базе искусственного интеллекта.

    Согласно данным IDC, объём рынка когнитивных систем и технологий ИИ в 2016 году в денежном выражении составил приблизительно 7,9 млрд. долл. В 2017-м, как ожидается, он вырастет на 59,3% и достигнет 12,5 млрд. долл. Аналитики полагают, что до конца текущего десятилетия среднегодовой темп роста (CAGR) окажется на уровне 54%. В результате, в 2020 г.

    Обратите внимание

    объём отрасли превысит 46 млрд. долл. Наибольшую долю этого рынка составят когнитивные приложения, которые автоматически изучают данные и составляют различные оценки, рекомендации или прогнозы.

    Инвестиции в программные платформы ИИ, которые предоставляют инструменты, технологии и сервисы на основе структурированной и неструктурированной информации, будут измеряться 2,5 млрд. долл. в год. Рынок искусственного интеллекта в области здравоохранения и наук о жизни, по оценкам Frost & Sullivan, также будет расти на 40% в год, достигнув в 2021 г. уровня 6,6 млрд. долл..

    Искусственный интеллект имеет длинную историю, основанную на теоретических работах Тьюринга по кибернетике, датированных началом XX века. Хотя концептуальные предпосылки появились еще ранее, с философских работ Рене Декарта «Рассуждение о методе» (1637) и работы Томаса Гоббса «Человеческая природа» (1640).

    В 1830-х годах английский математик Чарльз Бэббидж придумал концепцию сложного цифрового калькулятора — аналитической машины, которая, как утверждал разработчик, могла рассчитывать ходы для игры в шахматы.

    А уже в 1914 году директор одного из испанских технических институтов Леонардо Торрес Кеведо изготовил электромеханическое устройство, способное разыгрывать простейшие шахматные эндшпили почти так же хорошо, как и человек.

    С середины 30-х годов прошлого столетия, с момента публикации работ Тьюринга, в которых обсуждались проблемы создания устройств, способных самостоятельно решать различные сложные задачи, к проблеме искусственного интеллекта в мировом научном сообществе стали относиться внимательно.

    Читайте также:  Прохождение теста тьюринга - фейк!

    Тьюринг предложил считать интеллектуальной такую машину, которую испытатель в процессе общения с ней не сможет отличить от человека. Тогда же появилась концепция Baby Machine, предполагающая обучение искусственного разума на манер маленького ребенка, а не создание сразу «умного взрослого» робота — прообраз того, что сейчас мы называем машинным обучением.

    В 1954 году американский исследователь Ньюэлл решил написать программу для игры в шахматы. К работе были привлечены аналитики корпорации RAND Corporation. В качестве теоретической основы программы был использован метод, предложенный основателем теории информации Шенноном, а его точная формализация была выполнена Тьюрингом.

    Математик Джон Маккарти в Лаборатории искусственного интеллекта в Стэнфорде
    Летом 1956 года в Университете Дартмута в США прошла первая рабочая конференция с участием таких ученых, как Маккарти, Минский, Шеннон, Тьюринг и другие, которые впоследствии были названы основателями сферы искусственного разума. В течение 6 недель ученые обсуждали возможности реализации проектов в сфере искусственного интеллекта. Именно тогда и появился сам термин Artificial Intelligence (AI) — искусственный интеллект. Подробнее об этом событии, ставшем отправной точкой ИИ, рассказано тут https://meduza.io/feature/2017/07/01/pomogat-lyudyam-ili-zamenyat-ih-kak-v-amerike-1950-h-sozdavali-iskusstvennyy-intellekt Следует уточнить, что исследовательские работы по ИИ не всегда шли путем победителя, а их авторы добивались успеха. После взрывного интереса инвесторов, технологов, ученых в 50-е годы XX века и фантастических ожиданий, что вот-вот компьютер заменит человеческий мозг, в 60-70-е годы наступило тяжелое разочарование. Возможности компьютеров того времени не позволяли проводить сложные вычисления. В тупик зашла и научная мысль по разработке математического аппарата ИИ. Отголоски этого пессимизма встречаются во многих учебниках по прикладной информатике, выпускаемых до настоящего времени. В общественной культуре и даже государственных нормативных документах сформировался образ робота или кибернетического алгоритма как жалкого, недостойного внимания, агента. Который может выполнять свои функции только под контролем человека.

    Важно

    Однако, с середины 90-х гг. интерес к ИИ вернулся, и технологии стали развиваться быстрыми темпами. С этого времени наблюдается настоящий взрыв исследований и патентной работы по этой тематике.

    В 2005-2008 годах в работах по ИИ произошел качественный скачок. Математический научный мир нашел новые теории и модели обучения многослойных нейронных сетей, ставших фундаментом развития другой теории – глубокого машинного обучения. А ИТ-отрасль стала выпускать высокопроизводительные, и, что главное, недорогие и доступные вычислительные системы.

    Итогом совместных усилий математиков и инженеров стало достижение за последние 10 лет выдающихся успехов, а практические результаты в проектах ИИ посыпались, как из «рога изобилия».

    Первые примеры воодушевляющих и впечатляющих результатов применения ИИ удалось достичь в деятельности, требующей учета большого числа часто изменяющихся факторов и гибкой адаптивной реакции человека, например, в развлечениях и играх.

    В 1997 году компьютер IBM под названием Deep Blue стал первым компьютером, который победил чемпиона мира по шахматам Гарри Каспарова. Подробнее об этом событии тут http://mashable.com/2016/02/10/kasparov-deep-blue/

    Искусственный интеллект Deep Blue победил чемпиона мира по шахматам Гарри Каспарова

    Источник: http://www.kmis.ru/site.nsf/apages/ai_2017.htm

    Четыре проблемы искусственного интеллекта, требующие решения

    Если верить новостям, опросам и показателям инвестиционной привлекательности, искусственный интеллект и машинное обучение скоро станут неотъемлемой частью нашей повседневной жизни.

    Подтверждением этого тезиса является череда нововведений и прорывов, которые показали мощь и эффективность ИИ в различных областях, включая медицину, торговлю, финансы, СМИ, борьбу с преступностью и многое другое.

    Совет

     Но в то же время бурное развитие ИИ подчеркнуло тот факт, что помогая людям в решении их задач машины вместе с тем станут причиной возникновения новых проблем, которые могут повлиять на экономические, правовые и этические основы нашего общества.

    Отсюда вытекают четыре вопроса, которые компании, занятые в разработке искусственного интеллекта, должны решить по мере развития технологии и расширения сфер ее применения.

    Занятость

    Автоматизация снижала количество рабочих мест в производстве в течение многих десятилетий. Скачкообразные темпы развития искусственного интеллекта ускорили этот процесс и распространили его на те сферы жизни человека, которые, как принято было считать, еще довольно долго должны были оставаться монополией человеческого интеллекта.

    Управление грузовиками, написание новостных статей, ведение бухучета, алгоритмы искусственного интеллекта угрожают рабочим местам среднего класса как никогда раньше. Идея замены врачей, юристов или даже президентов искусственным интеллектом не кажется уже такой фантастичной.

    В то же время верно и то, что революция ИИ создаст много новых рабочих мест в исследовательской сфере, сферах машинного обучения, инженерии и информационных технологий, которым потребуются человеческие ресурсы для разработки и поддержки систем и программного обеспечения, участвующих в работе алгоритмов ИИ.

    Но проблема заключается в том, что в большинстве своем люди, которые теряют рабочие места, не обладают навыками, необходимыми для того, чтобы занять такие вакантные должности. Таким образом, с одной стороны мы имеем расширяющийся кадровый вакуум в технологических областях, а с другой — растущий поток безработного и раздраженного населения.

    Некоторые лидеры рынка технологий даже готовятся к тому дню, когда народ с вилами постучится к ним в двери.

    Чтобы не упустить контроль над ситуацией, индустрия высоких технологий должна помочь обществу адаптироваться к тем серьезным изменениям, которые отразятся на социально-экономическом ландшафте, и плавно перейти к будущему, где роботы будут занимать все больше и больше рабочих мест.

    Обучение новым техническим навыкам тех людей, чьи рабочие места в будущем отойдут ИИ, станет одним из воплощений подобных усилий.

    Обратите внимание

    Кроме того, технологические компании могут использовать перспективные направления, типа когнитивных вычислений и программирования на основе естественного языка, чтобы помочь упростить задачи и снизить порог вхождения в высокотехнологичные профессии, делая их доступными для большего числа людей.

    В долгосрочной перспективе правительствам и корпорациям нужно продумать возможность введения универсального основного дохода — безусловных ежемесячных или ежегодных выплат всем гражданам, так как мы медленно, но уверенно, движемся в сторону дня, когда все работы будут выполняться роботами.

    Тенденциозность

    Как было доказано на нескольких примерах в последние годы, искусственный интеллект может быть столь же, а может даже более необъективен, чем человек.

    Машинное обучение, популярная ветвь ИИ, которая стоит за алгоритмами распознавания лица, контекстной рекламой и многим другим, в зависимости от данных, на основе которых строится обучение и отладка алгоритмов.

    Проблема состоит в том, что, если информация, вносимая в алгоритмы, будет несбалансированной, в результате на выходе может возникать скрытая и открытая тенденциозность, основанная на этой информации. В настоящее время сфера искусственного интеллекта страдает от распространенной беды под общим названием «проблема белого человека», т.е. преобладании белых мужчин в результатах его работы.

    По этой же причине в конкурсе красоты, жюри которого был искусственный интеллект, были награждены главным образом белые конкурсантки, алгоритм, выбирающий имена, отдавал предпочтение «белым» именам, а рекламные алгоритмы предпочитали показывать высокооплачиваемые вакансии для посетителей мужского пола.

    Источник: https://TehnoJam.pro/category/technologies/chetyre-problemy-iskusstvennogo-intellekta-trebujushie-reshenija.html

    ​Искусственный интеллект помогает учёным открывать новые вирусы — Общенет

    Эти микроскопические организмы могут выжить лишь внутри живого носителя, и при этом они причиняют вред нашим телам. Тем не менее, это не единственная причина, почему учёные озадачены ими.

    Недавно стало известно, что вирусы могут быть замешаны и в невирусных заболеваниях, таких как цирроз печени или даже синдроме хронической усталости, как, впрочем, и при воспалениях кишечника, учёные-исследователи всё ещё не понимают, как они это делают.

    Ввиду того, что невозможно лабораторное разведения вирусов, исследователям приходится спускаться в метро и в канализацию для отбора проб в поисках новых видов. Но добывание отдельных микробов из грязи это медленный процесс и он никак не может помочь исследователям в понимании поведения быстро развивающихся вирусов.

    И тут на помощь учёным приходит искусственный интеллект. Машинное обучение — это форма искусственного интеллекта, используемого при определении комплексных образцов. Алгоритм для начала обучают, пропуская через него значительный объём данных до того, как он станет автономным и его можно будет начать использовать для исследования массивов геномов в поисках новых вирусов.

    Например, журнал Nature сообщает, что специалист по биоинформатике Дэйвид Амгартен, работающий на Университет Сан Паоло в Бразилии, применял машинное обучение для идентификации вирусных геномов в навозных кучах городского зоопарка. Он рассказал журналу, что он использует свои открытия для того, чтобы понять, как вирусы могут помочь разлагать органику и сделать компостирование более эффективным.

    Важно

    На эту работу его вдохновил инструмент, созданный Джи Реном, цифровым биологом из Университета Южной Калифорнии Лос Анджелеса, который применял свой алгоритм, исследуя и сравнивая образцы стула здоровых людей и людей, страдающих от цирроза печени. Его команда обнаружила, что некоторые вирусы чаще встречаются у здоровых людей, нежели у больных циррозом, и это ключ к тому, что вирусы могут играть некую роль в заболевании.

    Nature утверждает, что открытия, подобные сделанным Джи Реном, пробуждают в учёных интерес к способности вирусов влиять на такие неуловимые заболевания, как синдром хронической усталости и воспалительные заболевания кишечника, которые только в США поражают порядка 3 миллионов взрослых людей.

    Иммунолог Дерья Унутмаз, работающая в Лаборатории генетической медицины Джексона в Фармингтоне, штат Коннектикут, поддерживает эти предположения, ведя наблюдение за тем, как вирусы могут вызывать воспалительные реакции, способные нанести вред нашему обмену веществ и всей иммунной системе.

    От определения роли вирусов в невирусных заболеваниях и до сопоставления вирусов с конкретными семействами бактерий, чтобы бороться с их устойчивостью к лекарственным средствам, искусственный интеллект может произвести революцию в нашем изучении мира столь мизерных организмов, подчас играющих весьма значимую роль в нашей жизни.

    Источник: «GearMix» / фото — «gearmix.ru

    Источник: http://obshe.net/posts/id927.html

    Ссылка на основную публикацию
    Adblock
    detector