Нейронные сети в медицине реферат

Обновлено: 06.07.2024

Моделирование поведения живых существ в процессе исследований в области искусственного интеллекта. Особенности искусственного нейрона и структура нейронных сетей. Осуществление диагностики с помощью использования пакета Statistica Neural Networks.

Рубрика	Программирование, компьютеры и кибернетика
Вид	статья
Язык	русский
Дата добавления	29.01.2016
Размер файла	317,5 K

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

HTML-версии работы пока нет.
Cкачать архив работы можно перейдя по ссылке, которая находятся ниже.

Подобные документы

Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией.

реферат [158,2 K], добавлен 16.03.2011

Понятие искусственного интеллекта как свойства автоматических систем брать на себя отдельные функции интеллекта человека. Экспертные системы в области медицины. Различные подходы к построению систем искусственного интеллекта. Создание нейронных сетей.

презентация [3,0 M], добавлен 28.05.2015

Понятие о нейронных сетях и параллели из биологии. Базовая искусственная модель, свойства и применение сетей. Классификация, структура и принципы работы, сбор данных для сети. Использование пакета ST Neural Networks для распознавания значимых переменных.

реферат [435,1 K], добавлен 16.02.2015

Сущность и функции искусственных нейронных сетей (ИНС), их классификация. Структурные элементы искусственного нейрона. Различия между ИНС и машинами с архитектурой фон Неймана. Построение и обучение данных сетей, области и перспективы их применения.

презентация [1,4 M], добавлен 14.10.2013

Понятие искусственного нейрона и искусственных нейронных сетей. Сущность процесса обучения нейронной сети и аппроксимации функции. Смысл алгоритма обучения с учителем. Построение и обучение нейронной сети для аппроксимации функции в среде Matlab.

лабораторная работа [1,1 M], добавлен 05.10.2010

История создания и основные направления в моделировании искусственного интеллекта. Проблемы обучения зрительному восприятию и распознаванию. Разработка элементов интеллекта роботов. Исследования в области нейронных сетей. Принцип обратной связи Винера.

реферат [45,1 K], добавлен 20.11.2009

Описание технологического процесса напуска бумаги. Конструкция бумагоделательной машины. Обоснование применения нейронных сетей в управлении формованием бумажного полотна. Математическая модель нейрона. Моделирование двух структур нейронных сетей.

Острая боль в груди. Скорая помощь доставляет больного в приемный покой, где дежурный врач должен поставить диагноз и определить, действительно ли это инфаркт миокарда. Опыт показывает, что доля пациентов, перенесших инфаркт среди поступивших с аналогичными симптомами, невеликa. Точных методов диагностики, тем не менее, до сих пор нет. Электрокардиограмма иногда не содержит явных признаков недуга. А сколько всего параметров состояния больного могут так или иначе помочь поcтавить в данном случае правильный диагноз? Более сорока. Может ли врач в приемном покое быстро проанализировать все эти показатели вместе с взаимосвязями, чтобы принять решение о направлении больного в кардиологическое отделение? В какой-то мере эту задачу помогают решать нейросетевые технологии.

Статистика такова: врач правильно диагностирует инфаркт миокарда у 88% больных и ошибочно ставит этот диагноз в 29% случаев. Ложных тревог (гипердиагностики) чересчур много. История применения различных методов обработки данных для повышения качества диагностики насчитывает десятилетия, однако лучший из них помог сократить число случаев гипердиагностики лишь на 3%.

Сеть продемонстрировала точность 92% при обнаружении инфаркта миокарда и дала только 4% случаев сигналов ложной тревоги, ошибочно подтверждая направление пациентов без инфаркта в кардиологическое отделение. Итак, налицо факт успешного применения искусственных нейронных сетей в диагностике заболевания. Теперь необходимо пояснить, в каких параметрах оценивается качество диагноза в общем случае. Предположим, что из десяти человек, у которых инфаркт действительно есть, диагностический метод позволяет обнаружить заболевание у восьми. Тогда чувствительность метода составит 80%. Если же мы возьмем десять человек, у которых инфаркта нет, а метод диагностики заподозрит его у трех человек, то доля ложных тревог составит 30%, при этом дополнительная к нему характеристика - специфичность метода - будет равна 70%.

Идеальный метод диагностики должен иметь стопроцентные чувствительность и специфичность - во-первых, не пропускать ни одного действительно больного человека и, во-вторых, не пугать здоровых людей. Чтобы застраховаться, можно и нужно стараться прежде всего обеспечить стопроцентную чувствительность метода - нельзя пропускать заболевание. Но в это оборачивается, как правило, низкой специфичностью метода - у многих людей врачи подозревают заболевания, которыми на самом деле пациенты не страдают.

Нейронные сети для задач диагностики

Нейронные сети представляют собой нелинейные системы, позволяющие гораздо лучше классифицировать данные, чем обычно используемые линейные методы. В приложении к медицинской диагностике они дают возможность значительно повысить специфичность метода, не снижая его чувствительности.

Вспомним, что нейронная сеть, диагностирующая инфаркт, работала с большим набором параметров, влияние которых на постановку диагноза человеку невозможно оценить. Тем не менее нейросети оказались способными принимать решения, основываясь на выявляемых ими скрытых закономерностях в многомерных данных. Отличительное свойство нейросетей состоит в том, что они не программируются - не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. В этом смысле нейросети совсем не похожи на экспертные системы, разработка которых в 70-е годы происходила после временной "победы" Искусственного Интеллекта над тем подходом к моделированию памяти, распознавания образов и обобщения, который основывался на изучении нейронной организации мозга.

Одной из наиболее известных из разработанных экспертных систем, действие которых основывалось на знаниях, извлеченных у экспертов, и на реализации процедур вывода, была система MYCIN. Данную систему разработали в Стэнфорде в начале 70-х годов для диагностики септического шока. Половина больных умирала от него в течение суток, а врачи могли обнаруживать сепсис лишь в 50% случаев. MYCIN, казалось, была подлинным триумфом технологии экспертных систем - ведь она позволяла обнаружить сепсис в 100% случаев. Однако после более внимательного знакомства с этой экспертной системой врачи значительно усовершенствовали традиционные методы диагностики, и MYCIN потерял свое значение, превратившись в учебную систему. Экспертные системы "пошли" только в кардиологии - для анализа электрокардиограмм. Сложные правила, которые составляют главное содержание книг по клиническому анализу ЭКГ, использовались соответствующими системами для выдачи диагностического заключения.

Диагностика является частным случаем классификации событий, причем наибольшую ценность представляет классификация тех событий, которые отсутствуют в обучающем нейросеть наборе. Здесь проявляется преимущество нейросетевых технологий - они способны осуществлять такую классификацию, обобщая прежний опыт и применяя его в новых случаях.

Примером программы диагностики служит пакет кардиодиагностики, разработанный фирмой RES Informatica совместно с Центром кардиологических исследований в Милане. Программа позволяет осуществлять неинвазивную кардиодиагностику на основе распознавания спектров тахограмм. Тахограмма представляет собой гистограмму интервалов между последовательными сердцебиениями, и ее спектр отражает баланс активностей симпатической и парасимпатической нервной системы человека, специфично изменяющейся при различных заболеваниях.

Так или иначе, уже сейчас можно констатировать, что нейронные сети превращаются в инструмент кардиодиагностики - в Англии, например, они используются в четырех госпиталях для предупреждения инфаркта миокарда.

В медицине находит применение и другая особенность нейросетей - их способность предсказывать временные последовательности. Уже отмечалось, что экспертные системы преуспели в анализе ЭКГ. Нейросети здесь тоже приносят пользу. Ки Чженху, Ю Хену и Виллис Томпкинс из университета штата Висконсин разработали нейросетевую систему фильтрации электрокардиограмм, позволяющую подавлять нелинейный и нестационарный шум значительно лучше, чем ранее использовавшиеся методы. Дело в том, что нейросеть хорошо предсказывала шум по его значениям в предыдущие моменты времени. А то, что нейросети очень эффективны для предсказания временных последовательностей (таких, например, как курс валют или котировки акций), убедительно продемонстрировали результаты соревнования предсказательных программ, проводимых университетом в Санта Фе - нейросети заняли первое место и доминировали среди лучших методов.

Возможности применения нейросетей

ЭКГ - это частное, хотя и исключительно важное приложение. Однако сегодня существует и много других примеров использования нейросетей для медицинских прогнозов. Известно, что длинные очереди в кардиохирургические отделения (от недель до месяцев) вызваны нехваткой реанимационных палат. Увеличить их число не удается из-за высокой стоимости реанимационной помощи (70% средств американцы тратят в последние 2 недели жизни именно в этом отделении).

Выход только в более эффективном использовании имеющихся средств. Предположим, что состояние прооперированных в некоторый день больных настолько тяжелое, что им необходимо их длительное пребывание в реанимационной палате (более двух суток). Все это время хирурги будут простаивать, поскольку вновь прооперированных больных некуда класть. Тяжелых больных разумнее оперировать перед выходными или праздниками - операционные все равно закрыты в эти дни, хирурги будут отдыхать, а больные восстанавливаться в реанимации. А вот в начале рабочей недели лучше прооперировать тех пациентов, которым нужно будет находиться в реанимационной палате только один-два дня. Тогда койки в реанимации будут освобождаться быстрее и принимать новых, прооперированных во вторник и среду больных.

Вопрос в том, как угадать, кому придется надолго задержаться в блоке интенсивной терапии после операции, а кому - нет. Джек Ту и Майкл Гуэрир из госпиталя Святого Михаила университета в Торонто использовали нейронные сети для такого предсказания. В качестве исходных данных они взяли только те сведения о пациенте, которые известны в предоперационный период. Заметим, что в предшествующих работах, не использующих нейронные сети, в качестве факторов повышенного риска пребывания в реанимации применялись также важные послеоперационные сведения - различные осложнения, возникшие в ходе хирургического вмешательства.

Ту и Гуэрир обучили двухслойный персептрон разделять больных на три группы риска, учитывая их возраст, пол, функциональное состояние левого желудочка, степень сложности предстоящей операции и наличие сопутствующих заболеваний. Из тех пациентов, которых сеть отнесла к группе малого риска задержки в реанимации, только 16,3% действительно провели в ней более двух дней. В то же время свыше 60% из тех, кого сеть отнесла в группу повышенного риска, оправдали неблагоприятный прогноз.

Мы уделяли особое внимание сердечно-сосудистым заболеваниям, поскольку именно они удерживают печальное лидерство в списке причин смертности. На втором месте находятся онкологические заболевания. Одно из главных направлений, в котором сейчас идут работы по использованию нейронных сетей, - диагностика рака молочной железы. Этот недуг - причина смерти каждой девятой женщины.

Обнаружение опухоли осуществляется в ходе первичного рентгенографического анализа молочной железы (маммографии) и последующего анализа кусочка ткани новообразования (биопсии). Несмотря на существование общих правил дифференцирования доброкачественных и злокачественных новообразований, по данным маммографии, только от 10 до 20% результатов последующей хирургической биопсии действительно подтверждают наличие рака молочной железы. Опять мы имеем дело со случаем крайне низкой специфичности метода.

Исследователи из университета Дьюка обучили нейронную сеть распознавать маммограммы злокачественной ткани на основе восьми особенностей, с которыми обычно имеют дело радиологи. Оказалось, что сеть способна решать поставленную задачу с чувствительностью около 100% и специфичностью 59% (сравните с 10-20% у радиологов). Сколько женщин с доброкачественными опухолями можно не подвергать стрессу, связанному с проведением биопсии, если использовать эту нейронную сеть! В клинике Майо (Миннесота) нейросеть анализировала результаты ультразвукового исследования молочной железы и обеспечила специфичность 40%, в то время как для тех же женщин специфичность заключения радиологов оказалась нулевой. Не правда ли, успех использования нейросетевых технологий выглядит совсем не случайным?

После лечения рака молочной железы возможны рецидивы возникновения опухоли. Нейросети уже помогают эффективно их предсказывать. Подобные исследования проводятся на медицинском факультете Техасского университета. Обученные сети показали свои способности выявлять и учитывать очень сложные связи прогностических переменных, в частности, их тройные связи для улучшения предсказательной способности.

Разнообразны возможности применения нейросетей в медицине, и разнообразна их архитектура. На основе прогноза отдаленных результатов лечения заболевания тем или иным методом можно предпочесть один из них. Значительного результата в прогнозе лечения рака яичника (болезнь каждой семидесятой женщины) добился известный голландский специалист Герберт Каппен из университета в Нимегене (он использует в своей работе не многослойные персептроны, а так называемые Машины Больцмана - нейросети для оценки вероятностей).

А вот пример другого онкологического заболевания. Исследователи из медицинской школы в Кагаве (Япония) обучили нейросеть, которая практически безошибочно прогнозировала по предоперационным данным результаты резекции печени у больных печеночно-клеточной карциномой.

В Троицком институте инновационных и термоядерных исследований (ТРИНИТИ) в рамках реализуемого Министерством науки проекта создания нейросетевых консультационных систем была разработана нейросетевая программа, которая выбирает метод лечения базальноклеточного рака кожи (базалиомы) на основе долгосрочного прогноза развития рецидива. Число заболеваний базалиомой - онкологическим недугом белокожих людей с тонкой кожей - составляет треть всех онкологических заболеваний.

Диагностика одной из форм меланомы - опухоли, которую иногда непросто отличить от пигментной формы базалиомы, была реализована с помощью нейросетевого симулятора Multineuron, разработанного в ВЦ СОАН в Красноярске под руководством А.Н.Горбаня.

Тушенка из говядины: купить консервы от производителя. Выгодная цена, гарантия качества

С. Д. Богомолов, С. В. Киселев, А. П. Медведев, В. М. Назаров

Государственная медицинская академия, Нижний Новгород

Применение искусственных нейронных сетей для прогнозирования в хирургии

В последнее время сильно возрастает значение информационного обеспечения деятельности, в том числе медицинской. Это становится движущим фактором развития науки, что обусловливает разработку и внедрение разных информационных систем.

Разработка математических методов решения медико-биологических задач началась в XX веке — исследователи изобрели много способов проверки гипотез и выводов. В 60-е годы были разработаны методы анализа, общим признаком которых явилось наличие явных алгоритмов принятия решений. Наиболее популярные методы до сих пор активно используются в теоретической медицине, однако в клинической практике они не нашли широкого применения. Вопросы прогнозирования в хирургии, и в частности в кардиохирургии, получили развитие, благодаря работам А.Н.Амосова, В.И.Бураковского, Ю.Л.Шевченко, Н.Н.Шихвердиева [1, 2 и др.].

Многолетние исследования, проводимые с различными явными алгоритмами, показали, что медицинские задачи, имеющие неявный характер (а таких задач большинство), решаются явными методами с точностью и удобством, неприемлемыми для широкого практического использования в конкретных задач диагностики, прогнозирования и принятия решений.

Поиски и изучение неявных алгоритмов, позволяющих автоматически накапливать и затем использовать опыт при обучении, продолжаются уже более 100 лет. Однако первые серьезные попытки создания нейронных сетей были сделаны в 40—50-х гг., когда У.Маккалок и У.Питтс выдвинули основное положение теории работы головного мозга. В дальнейшем их идеи блестяще развил Ф.Розенблатт, который сформулировал принципы нейродинамики [3]. В связи с появлением относительно дешевой компьютерной техники произошла своего рода революция в мире вычислительной математики и кибернетики, приведшая к формированию новой науки — нейроинформатики. Неявные задачи медицины и биологии явились идеальным полем для применения нейросетевых технологий, и именно в этой области наблюдается наиболее яркий практический успех нейроинформационных методов.

Выбор функции такого вида обусловлен ее гладкостью, непрерывностью на всем диапазоне переменных значений Х, диапазон значений всегда ограничен.

Итак, определим преимущества нейросетевых экспертных систем перед обычными.

Нейросети принимают решения на основе опыта, приобретаемого ими самостоятельно.

Решение, принимаемое нейросетью, не является категоричным. Сеть выдает решение вместе со степенью уверенности в нем, что оставляет пользователю возможность критически оценивать ее ответ.

Нейросеть позволяет моделировать ситуацию принятия решения.

Нейросети дают ответ очень быстро (доли секунды), что позволяет использовать их в различных динамических системах, требующих незамедлительного принятия решения, например при интраоперационном нейромониторинге.

Возможности нейросетей (коррекция классификационной модели, минимизация обучающих параметров и др.) позволяют определять направления научного поиска.

Очевидно, что все вышеизложенное доказывает необходимость, актуальность и востребованность использования искусственных нейронных сетей для решения медицинских задач. По нашему мнению, использование нейросетевых технологий открывает качественно иной уровень изучения процессов в такой стохастической системе, как человеческий организм. Особенно полезными нам кажутся возможности моделирования при ургентных состояниях, встречающихся в хирургической практике, (таких как черепно-мозговая травма, например), а также возможности прогнозирования, поскольку степень воздействия на организм при хирургических вмешательствах крайне высока, и было бы не лишним иметь инструмент, помогающий предвидеть течение событий после разных способов воздействия.

Учитывая это, мы стали применять нейросети для решения задач предикции при некоторых нозологических формах, лечение которых чаще бывает оперативным. Так, на кафедре неврологии, нейрохирургии и медицинской генетики НГМА в рамках изучения болевого синдрома в поясничной области было исследовано его течение у 295 больных остеохондрозом поясничного отдела позвоночника. Часть из них, в основном, пациенты неврологического отделения железнодорожной больницы на ст. Горький, лечилась консервативно (n=105); другая часть, пациенты нейрохирургического отделения ОКБ им. Н.А.Семашко, была прооперирована (n=190) в разные сроки.

В качестве входных сигналов были взяты: данные официального анамнеза (3 признака), субъективное описание больным своей боли (3 признака), объективные характеристики течения болевого феномена (2 признака), некоторые данные анамнеза, касающиеся развития болевого синдрома (2 признака), данные неврологического осмотра (10 признаков), информация о типе лечения (2 признака). В качестве выходного сигнала для одной нейросети был выбран 1 признак — показанность хирургического вмешательства; для другой — результат лечения, т.е. наличие или отсутствие боли в пояснице после проведенного лечения.

Литература

"Медикум"

новый научно-практический медицинский журнал, который будет издаваться на 2-х языках: русском и английском, в трех формах выпуска: печатная, интернет-версия, CD-версия.

Моделирование поведения живых существ в процессе исследований в области искусственного интеллекта. Особенности искусственного нейрона и структура нейронных сетей. Осуществление диагностики с помощью использования пакета Statistica Neural Networks.

Рубрика	Программирование, компьютеры и кибернетика
Вид	статья
Язык	русский
Дата добавления	29.01.2016
Размер файла	317,5 K

HTML-версии работы пока нет.
Cкачать архив работы можно перейдя по ссылке, которая находятся ниже.

Подобные документы

реферат [158,2 K], добавлен 16.03.2011

презентация [3,0 M], добавлен 28.05.2015

реферат [435,1 K], добавлен 16.02.2015

презентация [1,4 M], добавлен 14.10.2013

лабораторная работа [1,1 M], добавлен 05.10.2010

реферат [45,1 K], добавлен 20.11.2009

Обзор

Автор

Редакторы

Генеральный партнер конкурса — ежегодная биотехнологическая конференция BiotechClub, организованная международной инновационной биотехнологической компанией BIOCAD.

Спонсор конкурса — компания SkyGen: передовой дистрибьютор продукции для life science на российском рынке.

Как видно из названия, нейронные сети этимологически связаны с нейронами — структурно-функциональными единицами нервной системы. Именно эти клетки мозга получают информацию, обрабатывают ее и делают выводы. Искусственные нейронные сети (далее — нейронные сети) — это математические модели, приближенные к сетям нейронов головного мозга. Обычно они представлены в виде программы или устройства, которые способны обучаться. Способность нейронных сетей к обучению позволяет им решать множество задач, а также делает их одним из способов воплощения искусственного интеллекта (ИИ). Как происходит обучение, как работают нейронные сети и как их применяют в медицине — об этом пойдет речь в статье.

Курс дает системные знания: от основ математики и машинного обучения до алгоритмов и структуры данных на Python, MySQL, PyTorch и Linux. Поэтому работать вы сможете не только в медицине, но и в других сферах бизнеса, где требуется умение обрабатывать большие данные.

Вы будете обучаться у экспертов, которые постоянно используют искусственный интеллект в своих проектах; решать бизнес-задачи с помощью машинного обучения; поработаете с медицинскими данными; проанализируете исследования лекарств; познакомитесь с рынком труда.

По итогам обучения у вас будет 15 готовых проектов, доступ ко всем материалам и диплом о переподготовке. Кроме того, прошедшим курс GeekBrains гарантирует трудоустройство — это закреплено в договоре. Оставить заявку на обучение можно и нужно уже сейчас.

Материал предоставлен партнером — GeekBrains

Как мы сами развиваем нейронные сети

Рисунок 1. Пример CAPTCHA.

Наверняка все пользователи интернета сталкивались с CAPTCHA при доступе к сайтам: искали все светофоры, поезда, мосты (рис. 1). Но задумывались ли вы, что, проходя проверку, вы учите нейронные сети узнавать такие объекты, а это, в свою очередь, улучшает работу беспилотных автомобилей? Расшифровывая тексты из перечеркнутых письменных символов, мы учим искусственный интеллект распознавать почерки. Для обучения нейронных сетей, которые определяют объекты, часто нужна большая база данных с уже названными объектами. После обучения они могут с небольшим процентом ошибок различать кошек и собак, отсутствие светофора и его наличие, ребенка и взрослого.

Устройство нейронных сетей

Работа и устройство искусственных нейронных сетей действительно очень похоже на устройство живых нейронных сетей. Сначала искусственные нейронные сети также получают входные данные: конкретно — их получают нейроны внешних слоев. Эти нейроны можно сравнить с рецепторными нейронами рефлекторной дуги, теми нейронами, которые получают информацию о внешнем мире или о состоянии организма. Сперва информация в искусственных нейронных сетях переводится в численный формат, который понимает компьютер, например, картинка переводится в пиксельное изображение, а пиксели, как известно, задаются численно. Затем нейроны внешнего слоя передают информацию в скрытый слой; там она обрабатывается. Скрытый слой нейронов можно сравнить со вставочными нейронами рефлекторной дуги. Как правило, их количество велико и между ними много связей; именно вставочные нейроны обрабатывают информацию. После обработки скрытым слоем нейронная сеть предоставляет выходную информацию — этим занимается выходной слой. Если продолжать аналогию искусственной нейронной сети с рефлекторной дугой, то выходной слой можно сравнить с двигательным нейроном. Только искусственная нейронная сеть не дает команду к сокращению или расслаблению мышцы и т.д. Искусственная сеть дает итоговую информацию, хотя иногда информация может быть и командой к действию, например, когда нейронная сеть управляет беспилотным автомобилем.

Чтобы обработать информацию в скрытом слое, с ней надо что-то делать при передаче от одного нейрона к другому. В искусственных нейронных сетях изменение входной информации осуществляется с помощью весов — обычно веса представляют собой коэффициент, на который умножается полученная нейроном информация. Чем больше вес, тем более значима информация от этого нейрона, и наоборот. Помимо этого, информация на выходе будет зависеть от того, через какие нейроны она пройдет. Это, в свою очередь, зависит от входной информации и структуры нейронной сети — какие нейроны с какими связаны. Важно понимать, что после работы нейронной сети нельзя узнать, по каким связям прошла информация; нельзя точно сказать, как и почему она так обработалась, поэтому скрытый слой нейронов называют черным ящиком. Также стоит отметить, что тут описана многослойная нейронная сеть, а в однослойных нейронных сетях нет скрытого слоя — в них нейроны входного слоя сразу передают сигнал на выходной слой, он преобразует сигнал и сразу же дает ответ (рис. 2). От настройки связей между нейронами, количества связей и величины базы данных зависит то, насколько точно будет работать нейронная сеть.

Рисунок 2 Структура искусственной нейронной сети.

Между нейронами скрытого слоя нейронных сетей есть связи, и если информация прошла через один нейрон, то она пройдет и через связанные с ним, как и в случае распространения сигнала в мозге.
У искусственных нейронов существует аналог порога возбуждения нейронов мозга: нужен определенный вес у какого-то условия, чтобы информация пошла дальше.

Как нейронные сети применяют в медицине

Рисунок 3. Нейронная сеть определяет раковые участки в срезах легкого.

Эффективность нейронных сетей в медицине

Рисунок 4. Оценка одних и тех же гистологических срезов профессиональными медиками (слева) и нейросетью (справа).

Вывод относительно рака: нейронные сети могут выделять те образцы, с которыми должен ознакомиться специалист, и выступать в качестве второго мнения. Аналогичным образом применяют нейронные сети для мониторинга серьезных хронических заболеваний, например, диабета [2].

Другие примеры диагностики с помощью нейронных сетей

Нейросети можно применять для самых разных диагностик, не только рака, хотя принцип их работы сохраняется.

Взять хотя бы болезни сердца: для определения диагноза классическим методом является ЭКГ с последующей расшифровкой медиком. К сожалению, не всегда по полученной записи ЭКГ можно определить заболевание. В особенности это относится к аритмии — довольно опасному заболеванию, при котором нарушается частота сердечных сокращений и их регулярность. Чтобы зафиксировать такое состояние, люди иногда сутками ходят с электродами для записи ЭКГ — и все равно в некоторых случаях аритмия остается невыявленной, что опасно и печально. Сейчас учеными Стэнфорда во главе с Эндрю Энджи создана нейронная сеть, которая может даже точнее и быстрее врачей диагностировать аритмию. Когда такое нововведение внедрят в медицинскую практику, это сильно ускорит диагностику аритмии и упростит работу врачей. Эта нейронная сеть обучалась на 30 000 тридцатисекундных записях ЭКГ, а потом еще на 300 более длинных. Кроме этого, создаются нейронные сети для диагностики заболеваний позвоночника. Для обучения одной из таких нейронных сетей использовалось 250 наборов записей о состоянии пациентов. В результате точность тестирования оказалась равна 83%, что очень неплохо для такого небольшого набора исходных данных [4].

Нейросети против резистентных бактерий

Как можно использовать нейросети, которые определяют объект в медицине, мы рассмотрели. Но в медицине также применяют нейросети, которые обобщают информацию и находят закономерности среди огромных объемов данных. Люди могут не видеть закономерность в горах данных — а они есть, и нейросеть их найдет. Такие нейросети применяют для решения очень важных и актуальных проблем. Известно, что многие антибиотики начинают работать все хуже. Это происходит из-за того, что бактерии становятся устойчивы к антибиотикам. Когда бактерий становится очень много, они быстро размножаются и мутируют. После приема антибиотиков, особенно не по правилам, без соблюдения рекомендаций и назначений врача, есть ненулевая вероятность, что какая-нибудь бактерия, обладающая некоторой мутацией, выживет и даст начало огромному количеству бактерий, которые тоже буду выживать после приема антибиотика. Выжившая сильная бактерия даст начало целой колонии резистентных бактерий, которым не страшен антибиотик. Находить новые антибиотики — единственный способ бороться с проблемой. На данный момент ничего лучше еще не придумали. С каждым разом новые виды антибиотиков становится искать все сложнее и сложнее; низко висящих плодов становится все меньше, приходится рассматривать все больше веществ. Как это часто бывает, в случае, где нужно проанализировать гигантские объемы информации, биологам помогают методы программирования.

Рисунок 5. Схема работы нейронной сети.

Перспективы и реальность

Сейчас уже создано много эффективных и перспективных проектов с внедрением нейронных сетей в медицину — гораздо больше, чем описано здесь. Пока внедрение происходит медленно; требуется больше данных, чтобы приобрести уверенность в эффективности нейросетей и в том, что нейронные сети не будут делать роковых ошибок. Кроме того, внедрение нейросетей потребует изменения алгоритма работы медучреждений. Дополнительной проблемой является то, что по сути мы не можем узнать точно, как именно нейронная сеть пришла к выводу, поскольку скрытый слой, хоть его и настраивают люди, представляет из себя черный ящик, тогда как врач всегда может рассказать, почему он поставил такой диагноз. Нейронным сетям будет сложно доверять — мало ли что они там решили?

Тем не менее, возможности нейронных сетей очень велики, и если все сложится удачно, они станут превосходными помощниками врачей, смогут выполнять за них многие задачи, выступать в роли второго мнения в сложных случаях. В перспективе нейросети сделают диагностику гораздо более быстрой и эффективной, а мониторинг заболеваний будет возможен в домашних условиях. Они смогут сделать жизнь проще и врачам, и пациентам.

Читайте также: