В глубокий мир медицинских данных — ft. краткая история

За последнее десятилетие такие ключевые термины, как искусственный интеллект (ИИ), машинное обучение, нейронные сети и глубокое обучение, нашли свое место в нашем повседневном лексиконе. Однако, хотя эти термины тесно связаны между собой, между ними есть тонкие, но существенные различия. Следовательно, чтобы точно понять, как данные принимаются, анализируются и возвращаются, мы должны понимать разницу между этими терминами. В этой статье мы сосредоточимся на океаническом термине современных технологий: глубоком обучении. Затем, учитывая неизбежную зависимость современной медицины от вычислений, мы сосредоточимся на применении глубокого обучения в здравоохранении.

Что такое глубокое обучение?

Глубокое обучение, также известное как глубокое структурированное обучение или иерархическое обучение, представляет собой область машинного обучения, в которой для анализа данных используется многоуровневая алгоритмическая архитектура. Поскольку алгоритм обычно состоит из большого количества слоев (или нейронов), его называют глубоким.

  • В моделях глубокого обучения данные фильтруются через каскад из нескольких слоев, при этом каждый последующий слой использует выходные данные предыдущего для информирования о своих результатах. Модели глубокого обучения могут становиться все более и более точными по мере того, как они обрабатывают больше данных, по существу извлекая уроки из предыдущих результатов, чтобы улучшить свою способность устанавливать связи и корреляции.

Глубокое обучение в общих чертах основано на том, как биологические нейроны соединяются друг с другом для обработки информации в нашем мозгу. Подобно тому, как электрические сигналы распространяются по клеткам живых организмов, каждый последующий слой узлов активируется, когда он получает стимулы от соседних нейронов.

В глубокое прошлое — краткая история глубокого обучения

1943 г. Логик Уолтер Питтс и нейрофизиолог Уоррен МакКаллох использовали нейронные сети человеческого мозга для создания на их основе компьютерной модели.

  • Питтс и Уоррен использовали комбинацию математических уравнений и алгоритмов, которые они назвали «пороговой логикой», чтобы имитировать мыслительный процесс человека.

1960 г. Математик Генри Дж. Келли разработал основы непрерывной модели обратного распространения, введя концепцию обратного распространения: обратное распространение ошибок в учебных целях.

1965 г. Появились самые ранние разработки алгоритмов глубокого обучения.

  • Украинский математик Алексей Григорьевич Ивахненко разработал Групповой метод обработки данных.
  • Валентин Григорьевич Лапа написал Кибернетика и методы прогнозирования.
  • Оба они использовали модели с полиномиальными функциями активации, которые затем подвергались статистическому анализу. С каждого слоя лучшие статистически выбранные признаки передавались на следующий уровень в медленном ручном процессе.

С 1970-х до начала 2000-х мир машинного обучения испытывал широкое неприятие со стороны научного сообщества из-за его больших обещаний (таких как создание машин, которые работают так же хорошо или даже лучше, чем человеческий мозг), которые не могли быть сохранены. Вследствие последующего отсутствия финансирования развитие как глубокого обучения, так и искусственного интеллекта стало ограниченным. Несмотря на это, все еще были люди, которые проводили исследования без финансирования.

2001 г. В исследовательском отчете META Group (теперь называемой Gartner) описывается увеличение объема данных и увеличение скорости их генерации. Это был призыв подготовиться к работе с такими большими объемами с помощью таких инноваций, как глубокое обучение.

2012 Google Brain опубликовал результаты Эксперимента с кошками. Использование глубокого обучения в этом проекте доказало значительные преимущества этого инструмента с точки зрения эффективности и скорости. В результате многие другие проекты стали чаще внедрять глубокое обучение.

В настоящее время глубокое обучение все еще развивается…

Глубокое обучение в медицине

За последние пару лет глубокое обучение показало огромную пользу для здравоохранения благодаря большому объему генерируемых данных (около 150 эксабайт, или 1018 байт, только в США). Тем не менее, глубокое обучение может особенно помочь здравоохранению в медицинской диагностике и, в частности, в медицинской визуализации.

  • Диагностические ошибки случаются часто. Фактически, от 12 до 18 миллионов американцев каждый год сталкиваются с тем или иным неверным диагнозом. Есть надежда, что глубокое обучение сможет изменить эту тревожную ситуацию к лучшему.
  • Медицинская визуализация. В последние годы глубокое обучение использовалось для анализа медицинских изображений в различных областях, показывая отличные результаты. Одним из наиболее широко используемых алгоритмов глубокого обучения в этой области является свертка, на основе которой построена сверточная нейронная сеть (CNN). Эта система основана на первичной зрительной коре животных. Он способен расшифровывать и изучать самые сложные закономерности, существующие в наборе изображений, с приложениями для анализа рентгеновских снимков, МРТ и компьютерной томографии. Например, в 2017 году компьютерщики Стэнфордского университета создали модель CNN, обученную на 130 000 клинических изображений кожных патологий для выявления рака.

С текущими достижениями в области машинного обучения — и особенно глубокого обучения — кажется, что область здравоохранения может использовать преимущества мощных инструментов. Имея это в виду, можно с уверенностью сказать, что постоянно развивающееся пересечение медицины и технологий претерпевает большие изменения: глубокую революцию!

Об этой медицинской сети

Если вам понравилась эта статья, обязательно подпишитесь на нас для получения дополнительной информации на нашем Веб-сайте, Facebook, Twitter, Instagram, LinkedIn.

Чувствуете себя дружелюбно или рады нашей следующей статье? Подпишитесь на нашу публикацию в Medium, чтобы оставаться в курсе.

Напишите нам на [email protected], если у вас есть вопросы.

Рекомендации

  1. Бресник, Дженнифер. Что такое глубокое обучение и как оно изменит здравоохранение? HealthITAnalytics, HealthITAnalytics, 18 декабря 2019 г., https://healthitanalytics.com/features/what-is-deep-learning-and-how-will-it-change-healthcare.
  2. Глубокое обучение в медицинской диагностике: как искусственный интеллект спасает жизни и сокращает расходы на лечение. AltexSoft, AltexSoft, 23 апреля 2020 г., https://www.altexsoft.com/blog/deep-learning-medical-diagnosis/.
  3. Эстева, Андре и др. Руководство по глубокому обучению в здравоохранении. Nature News, Nature Publishing Group, 7 января 2019 г., https://www.nature.com/articles/s41591-018-0316-z.
  4. Фут, Кейт Д. Краткая история глубокого обучения. DATAVERSITY, 31 января 2017 г., https://www.dataversity.net/brief-history-deep-learning/.
  5. Марков, Джон. Сколько компьютеров, чтобы идентифицировать кошку? 16 000. The New York Times, The New York Times, 25 июня 2012 г., https://www.nytimes.com/2012/06/26/technology/in-a-big-network-of- computer-evidence-of-machine-learning.html.