В этом году НИПС провел два семинара по вопросам здравоохранения / медицины. Машинное обучение для здравоохранения (ML4H) и медицинская визуализация соответствуют NIPS. Естественно, некоторые люди могут задаться вопросом о разнице между ними. ML4H фокусировался на применении машинного обучения во многих различных областях здравоохранения, включая открытие лекарств, операции в больницах, точную медицину и т. Д. Это включало различные методы, включая компьютерное зрение, НЛП и прогнозирование временных рядов. MedNIP, как я описал в прошлом месяце, сосредоточен на конкретном приложении машинного обучения к медицинской визуализации. Другими словами, ML4H был более общим. Было некоторое совпадение, но поскольку я подробно рассмотрел визуализацию в своей последней статье, я собираюсь сосредоточиться на всех других областях, которые охватывала ML4H.

Интересно, что, несмотря на разные области машинного обучения и медицины, о которых говорили докладчики на обоих семинарах, казалось, что существует одна универсальная основная тема: проблема ограниченных и / или беспорядочных данных. Аналогичным образом, методы, представленные на семинарах, такие как многозадачное обучение, генерация синтетических данных с помощью GAN и включение обратной связи с людьми в обучение, были направлены на решение этой фундаментальной проблемы.

[К сожалению, в отличие от MedNIP, ни один из докладов (насколько мне известно) по ML4H не ведется онлайн, и только некоторые отрывки доступны. Кроме того, значительную часть пятницы я бегал, пытаясь напечатать свой собственный плакат. Поэтому мне может не хватать некоторых важных частей. Поэтому, если один из докладчиков или других участников хочет что-то добавить, не стесняйтесь оставлять комментарий, и я обязательно его включу].

Операции в больнице

Машинное обучение может улучшить работу и уход за больными. Некоторые из приглашенных спикеров и ведущих докладчиков обсуждали этот вопрос. Есть много областей, в которых машинное обучение потенциально может улучшить качество медицинского обслуживания в больницах. Фей Фей Ли выступил с основным докладом о текущих исследованиях в Стэнфорде, направленных на снижение внутрибольничных инфекций и улучшение медицинского обслуживания. Фей Фэй рассказал, как большая часть исследований сосредоточена исключительно на поиске новых лекарств или лучшей интерпретации радиологических отчетов. Однако большая часть медицинской помощи осуществляется не только в лаборатории, но и во взаимодействии между медицинскими работниками и их пациентами. Она утверждала, что, изучая и дополняя эти повседневные взаимодействия с машинным обучением, мы потенциально можем спасти гораздо больше жизней. Эти области включают снижение внутрибольничных инфекций, мониторинг деятельности отделений интенсивной терапии и прогнозирование численности персонала.

В дополнение к своей предыдущей статье о выявлении нарушений протокола гигиены рук, которую они представили в Бостоне прошлым летом, Мишель Гуо и др. представил плакат об использовании «Сверточных нейронных сетей с инвариантной точкой обзора» для автоматического обнаружения потенциально рискованных сценариев гигиены рук в больницах. Они использовали изображения глубины и передавали их в сверточные сети, чтобы классифицировать тип действия, сделанного на фотографии. Здесь они были заинтересованы в том, чтобы классифицировать фотографию либо как касающуюся пациента, либо как стерильную область в окружающей среде.

Лучшая статья семинара Обнаружение инструментов и оценка оперативных навыков в хирургических видео с использованием региональных сверточных нейронных сетей Эми Джин и др. (также из исследовательской группы Фэй Фэя) описал, как использовать региональные CNN, такие как F-RCNN, для оценки навыков хирургов. Они изложили подход, который отслеживает и анализирует использование инструментов в хирургических видеороликах. Такой подход может дать хирургам ценную обратную связь о том, насколько хорошо они работают и какие области им необходимо улучшить. Специально они отслеживали смену инструментов и продолжительность операции, чтобы оценить навыки хирурга. Этот тип мониторинга потенциально может снизить количество хирургических ошибок.

Еще одна статья, сделанная Габриэлем Бьянкони и др. (также из исследовательской группы Фей Фей) описал Прогнозирование на основе видения деятельности по мобильному уходу в ОИТ с помощью RNN. В этой работе была предпринята попытка классифицировать действия пациентов в отделении интенсивной терапии больницы с использованием датчиков глубины жалоб HIPPA. Устный перевод этих действий дает множество преимуществ; например, его можно использовать для оценки соблюдения больницей протоколов, а также взаимосвязи между соблюдением протокола и общими результатами для пациентов.

Дэвид Кейл из Университета Южной Калифорнии рассказал о создании общедоступного эталонного теста для данных MIMIC-III. Его команда обучила многозадачный LSTM прогнозировать четыре взаимосвязанных показателя, включая общую смертность, продолжительность пребывания, фенотип заболевания и физиологическое снижение. Они опубликовали в Интернете как свои модели, так и код, необходимый для создания конкретных наборов для обучения и тестирования, которые они использовали. В целом это было интересным применением многозадачного обучения в здравоохранении, и оно дает некоторые ценные ориентиры для сравнения будущих результатов.

Лечение с поддержкой ML

В нескольких статьях описывалось применение обучения с подкреплением для лечения сепсиса и для прогнозирования наличия у кого-то малярии, что мне показалось интересным. До этого я представлял RL как своего рода нишевую тему, которая работает только над проблемами с четко определенными правилами, такими как PacMan или Alpha Go.

Обучение лечению сепсиса с помощью глубоких рекуррентных Q-сетей с гауссовским процессом с несколькими выходами »Futoma et al. описал применение обучения с подкреплением и гауссовских процессов. В их статье использовались две основные части, работающие в унисон: MGP или мультигауссовский процесс и рекуррентная Q-сеть. Процесс MGP обрабатывает временные ряды физиологических данных пациента, которые часто неаккуратны, так как записываются с разными интервалами, в то время как повторяющаяся сеть q изучает клиническую политику. Специфика несколько сложна, но в целом это очень интересный синтез ряда различных тем. В целом авторы оценивают, что их подход может снизить общую смертность пациентов на 8,2% (по сравнению с общим исходным уровнем 13,2%).

В ориентированном на политику здравоохранения документе Rajpurkar et al. озаглавленный Прогнозирование вероятности малярии путем эффективного обследования домашних хозяйств с использованием глубокого обучения с подкреплением, описал обучение агента RL заданию серии вопросов, чтобы предсказать, есть ли у кого-то малярия. В частности, авторы пишут: Агент RL учится определять, какой вопрос опроса задать следующим и когда остановиться, чтобы сделать прогноз относительно вероятности заболевания малярией на основе их ответов до настоящего времени (отрывок из Rajpurkar, et al.).

Еще одна статья, посвященная лечению, называлась Корреляционные дуэльные бандиты в применении к клиническому лечению в больших пространствах принятия решений. В этой статье авторы формулируют исследование пространства клинических решений как проблему бандитов с K-Armed. Однако это создает проблемы, поскольку пространство для принятия решений очень велико, а это означает, что может пройти очень много времени, прежде чем традиционные методы сойдутся в оптимальном плече. Чтобы преодолеть это, они разработали алгоритм под названием CorrDuel, который использует корреляцию между руками для более быстрой сходимости. Затем они применили это, чтобы помочь найти оптимальные электрические стимулы, которые помогут парализованным парам нижних конечностей восстановить контроль над своими движениями (через эти спинномозговые стимулы) и даже встать.

Наконец, Гибридные деревья повышения градиента и нейронные сети для прогнозирования данных операционной »Чена и др. также представили метод прогнозирования гипоксии.

Открытие лекарств и персонализированная медицина

Некоторые из докладчиков рассказали об использовании машинного обучения для открытия новых лекарств. Атул Бьютт, например, в своем центре внимания, обсуждал интеллектуальный анализ данных из данных клинических испытаний и передачу их в алгоритмы машинного обучения для открытия новых лекарств. Кроме того, он описал методы визуализации данных для построения наиболее вероятного прогноза для пациента. (Слайды Батта доступны на слайд-шоу, и их стоит прочитать, если у вас есть время). Несколько других докладчиков подробно рассказали о конкретных областях, на которые может повлиять персонализированная медицина.

Дженнифер Чейес выступила с докладом «Проблемы и возможности машинного обучения в иммунотерапии рака». Chayes описал проблему прогнозирования иммуногенности неоантигенов и ответов пациентов на определенные типы иммунотерапии. Лучше прогнозируя иммуногенность неоантигенов, легче найти неоантигены, которые действительно обладают противоопухолевыми свойствами. Во-вторых, благодаря прогнозированию конкретных реакций пациента на лечение, лечение потенциально может быть введено раньше, когда иммунная система не ослаблена химиотерапией. Однако, как и во многих других областях медицинских исследований, это ограничено небольшим набором данных. Набор данных не только небольшой, но и очень многомерный.

В другом центре внимания, «Спросите доктора - Улучшение прогнозов чувствительности к лекарствам с помощью активного сбора экспертных знаний», описывалось, как улучшить модели, которые измеряют специфическую эффективность раковой клетки по отношению к лекарству, задавая вопросы «эксперту». Этот метод чем-то похож на активное обучение (о котором я говорил в своей предыдущей статье). В данном случае эксперты были специалистами по лечению рака крови. Обычно алгоритмы запроса эксперта отправляют эксперту характеристики препарата случайным образом, и они указывают, актуально это или нет. Основной вклад авторов заключается в разработке алгоритма, который сокращает количество запросов, отправляемых экспертам, путем отправки им только пар, в которых их обратная связь является наиболее полезной (а не случайных пар), и включая направленную обратную связь в дополнение к релевантным и несобственным. -актуальная обратная связь.

Синтетические данные

В нескольких статьях обсуждалось использование GAN для генерации синтетических данных. Это полезный метод из-за сложности получения реальных медицинских данных из-за соответствия HIPPA. В статье Синтетические медицинские изображения из двойных генеративных враждебных сетей Дж. Т. Гибаса описывается, как пару GAN можно использовать для создания реалистичных изображений сетчатки. Исследователи представили онлайн-хранилище под названием SynthMed для синтетических изображений медицинских изображений.

В другом документе Генерация реальных (медицинских) временных рядов с помощью рекуррентных условных сетей GAN (которая также была в центре внимания) описывается, как сгенерировать синтетические данные временных рядов ICU с помощью сетей R-GAN. Затем они провели несколько интересных экспериментов, чтобы подтвердить свои результаты; например, они смотрели на распределение ошибок реконструкции, качественно сравнивая сгенерированные выборки и интерполяцию. В целом в документе представлен действительно хороший пример использования GAN, который может помочь решить многие проблемы доступа к данным, от которых страдают исследователи. Если вы работаете в GAN, это определенно стоит проверить.

Другой

Несколько других статей я с трудом поместил в указанные выше категории, но, тем не менее, нашел их интересными. Вкратце:

Выявление и характеристика незаконного маркетинга и продвижения рецептурных лекарств в Твиттере »от Kalyanam et al.

Процессы Мондриана для анализа проточной цитометрии Джи и др.

Наконец, всего на семинаре было представлено 97 работ, поэтому я наверняка пропустил несколько хороших. Поэтому я рекомендую вам заглянуть на сайт семинара. Также, если у кого-то есть какая-либо информация по другим основным выступлениям, сообщите об этом, и я добавлю ее.

Анонсы

В среду, 7 февраля, я буду говорить о работе с небольшими наборами данных с упором на приложения для здравоохранения. Доклад состоится в Orono ME с 19:00 до 21:00 по восточному стандартному времени и будет транслироваться в прямом эфире по следующей ссылке на Zoom http://zoom.us/j/794523352.

Канал CurativeAI Slack теперь с 40+ участниками и продолжает работать. Так что присоединяйтесь к обсуждению, если вы еще этого не сделали.