Машинное зрение появляется в медицинских диагностических приложениях, и следует отметить, что улучшения в этой области будут коррелировать с успешным внедрением ИИ и МО в приложения для здравоохранения. Однако процесс проб и ошибок существенно повлияет на ценность этой технологии в реальном мире. Появляющиеся инструменты диагностики на основе машинного обучения в основном делятся на четыре основные категории:

-Онкология: исследователи используют глубокое обучение для обучения алгоритмов распознаванию раковых тканей, чтобы помочь обученным врачам.

-Патология: Патология - это медицинская специальность, которая занимается диагностикой заболеваний на основе лабораторного анализа телесных жидкостей и тканей. Технологии машинного обучения могут повысить эффективность работы патологоанатомов с микроскопами.

- Чат-боты: чат-боты на основе искусственного интеллекта с возможностью распознавания речи могут выявлять закономерности в симптомах пациента, чтобы сформировать потенциальный диагноз, предотвратить заболевание и / или рекомендовать соответствующий план действий.

-Редкие заболевания: программное обеспечение для распознавания лиц с использованием машинного обучения помогает врачам диагностировать редкие заболевания. Анализируются лица на фотографиях пациентов, и с помощью алгоритмов глубокого обучения он может обнаруживать фенотипы, коррелирующие с редкими генетическими заболеваниями.

онкология

Исследователи из Стэнфордского университета обучили алгоритм для диагностики рака кожи с помощью глубокого обучения, в частности глубоких сверточных нейронных сетей (CNN). Алгоритм был обучен обнаруживать рак кожи или меланому, используя 130 000 изображений поражений кожи, представляющих более 2000 различных заболеваний.

Ежегодно в США диагностируется примерно 5,4 миллиона новых случаев рака кожи, и раннее выявление имеет решающее значение для повышения уровня выживаемости. Раннее обнаружение коррелирует с пятилетней выживаемостью 97%, но быстро снижается на более поздних стадиях, достигая 15–20%-го предела на стадии IV. Визуальный осмотр обычно является первым шагом в диагностике рака кожи, и дерматолог осматривает интересующее поражение, и если первоначальная оценка не дает результатов, дерматолог проводит биопсию.

Алгоритм глубокого обучения Стэнфорда был протестирован с участием 21 сертифицированного дерматолога, и результаты показали, что алгоритм имеет те же возможности, что и 21 дерматолог, в определении наилучшего образа действий при анализе образцов изображений. Несмотря на многообещающие результаты, исследовательская группа признает, что требуется дополнительное тщательное тестирование, прежде чем алгоритм можно будет интегрировать в клиническую практику.

Perfomatix помог разработать систему диагностики рака, использующую искусственный интеллект для обработки изображений и имеющую интуитивно понятную панель инструментов, которая предоставляет аннотации к гистопатологическим изображениям с высоким разрешением, истории болезни, а также системы поддержки принятия решений для диагностики рака. Прочтите все об этом здесь".

Чат-боты

Распознавание речи в чат-ботах можно сравнить с симптомами, которые он получает от пользователя по базе данных заболеваний. Чат-боты, использующие ИИ, могут рекомендовать соответствующий план действий, анализируя симптомы, историю болезни и обстоятельства пациента.

При симптоматическом анализе с помощью чат-ботов при простых гриппоподобных симптомах чат-боты могут порекомендовать посетить аптеку за безрецептурным лекарством. При более серьезных симптомах бот может порекомендовать набрать номер службы экстренной помощи или посетить медицинское учреждение напрямую.

В некотором смысле чат-боты в сфере здравоохранения немного напоминают IoT для фитнес-пространства несколько лет назад. Это кажется неизбежным, у него большие перспективы. Мы, безусловно, прогнозируем, что в 2020-х годах медицинские приложения на основе чат-ботов будут иметь много успешных применений ИИ в здравоохранении.

Патология

Патологи диагностируют заболевания, вручную наблюдая изображения под микроскопом, этот метод остается относительно неизменным уже более века. Этому часто не хватает эффективности, патологическая диагностика на основе AI и ML может обеспечить повышенную скорость и точность. Исследование Гарвардской медицинской школы использовало глубокое обучение для обучения алгоритма, способного интегрировать множественное распознавание речи и распознавание изображений для диагностики опухолей.

Исследователи начали с сотен изображений с помеченными областями, показывающими раковые и нераковые клетки. Затем были извлечены помеченные области, в результате чего были получены миллионы примеров, которые послужили основой для модели, которая будет обучать алгоритм.

По сравнению с человеческими патологами результаты исследования показали, что алгоритм достиг 92-процентной диагностической успешности; на четыре процентных пункта ниже человеческого показателя в 96 процентов. Однако при объединении алгоритма и результатов, полученных человеком, была достигнута точность 99,5%.

Это проливает свет на столь необходимую скорость, необходимую для диагностики патогенов. AI и ML могут помочь патологам добиться эффективности в глобальном масштабе.

Редкие заболевания

Программное обеспечение для распознавания лиц Face2Gene является образцовым решением в этой категории, которое использует машинное обучение, чтобы помочь клиницистам диагностировать редкие заболевания (в данном случае генетически связанные дисморфические черты лица). Анализ лица и глубокое обучение используются для выявления фенотипов, коррелирующих с редкими генетическими заболеваниями. Платформа в настоящее время доступна только для обученных клиницистов из США, чтобы предотвратить ложные срабатывания и поддерживает более 7500 заболеваний.

Подведение итогов

Применение решений на основе искусственного интеллекта и машинного обучения в медицинской диагностике находится на ранней стадии внедрения по всему миру. Доступ к некоторым из имеющихся ограничен, поэтому данных о результатах недостаточно, чтобы сделать обоснованный вывод об эффективности. Но мы можем широко признать потенциал ИИ и МО в диагностике здравоохранения, чтобы повлиять на клиники, практикующих врачей и системы здравоохранения. Он может произвести революцию в отрасли, чтобы люди могли понимать свое здоровье в режиме реального времени.

Необходимо будет продолжать тщательное тестирование этих приложений для проверки их полезности в сочетании с обучением врачей и систем здравоохранения тому, как эффективно внедрять эти технологии в клиническую практику. Огромные инвестиции в сектор искусственного интеллекта в здравоохранении предполагают, что следующая волна медицинских диагностических технологий быстро приближается. Компании, занимающиеся решениями для здравоохранения, прилагают огромные усилия, чтобы вывести на рынок точную и надежную медицинскую диагностику, основанную на приложениях машинного обучения и глубокого обучения.

При этом медицинские работники с большой осторожностью относятся к ИИ в медицинской диагностике. Многие клиницисты в значительной степени неудовлетворены и все еще сомневаются в надежности и чувствительности машин.

Практическая интеграция таких интеллектуальных машин должна осуществляться без ущерба для человеческого опыта и клинической помощи.