// Нейронные сети

Нейронные Сети в Сфере Здравоохранения: 10 Вариантов Использования

Содержание

#1. Роботизированная хирургия
#2. Визуализирующая диагностика
#3. Виртуальные помощники по уходу
#4. Рабочий процесс и административные задачи
#5. Прогнозирование вспышек инфекционных заболеваний
#6. Создание лекарств и новых методов лечения
#7. Персонализированная медицина
#8. Борьба с мошенничеством
#9. Корректировка поведения
#10. Сбор и анализ данных

Появились вопросы?
Олег Колесников
Автор статьи
Merehead занимается разработкой веб проектов

Рынок искусственного интеллекта в здравоохранении был оценен в 8,23 миллиарда долларов в 2020 году и, по прогнозам, достигнет 194,4 миллиарда долларов к 2030 году, увеличившись в среднем на 38,1% с 2021 по 2030 год. При этом главным драйвером роста рынка станут искусственные нейронные сети, поскольку именно благодаря им цифровой  «разум» может настолько быстро и эффективно обучаться. В этой статье мы расскажем, как именно искусственные нейронные сети сегодня используются в медицине.

Роботизированная хирургия

Хирургические процедуры требуют глубоких познаний в медицине, высокой точности, способности адаптироваться к изменяющимся обстоятельствам и постоянного внимания в течение длительного периода времени. Хотя обученные хирурги, как правило, обладают всеми этими качествами, но они всего лишь обычные люди, а потому могут ошибаться, особенно если у них плотный график. Согласно исследованиям Johns Hopkins University, только в США хирургические ошибки происходят более 4000 раз в год. К примеру, не менее
39 раз в неделю хирург оставляет внутри пациентов посторонние предметы, более 20 раз в неделю хирурги проводят не ту операцию или оперируют не тот орган.

Smart Tissue Autonomous Robot, или STAR — первый ИИ, который спланировал и выполнил хирургическую операцию в мягких тканях (свиньи) без вмешательства человека.

Smart Tissue Autonomous Robot, или STAR — первый ИИ, который спланировал и выполнил хирургическую операцию в мягких тканях (свиньи) без вмешательства человека.

Роботизированная хирургия может сгладить эту проблему. В частности, ИИ на базе нейронных сетей можно использовать для моделирования и планирования операции, оценки навыков хирурга и упрощения хирургических задач. Также роботы с механическими руками могут самостоятельно проводить хирургические процедуры, что ускорит и удешевит такого рода услуги, а также сделает высокопрофессиональную хирургию более распространенной — крутой хирург вряд ли захочет жить в бедных районах Африки или Азии, тогда как робота-хирурга можно разместить в любом помещении с электричеством.

И все это не просто слова: отрасль роботизированной хирургии уже сейчас оценивается в 40 млрд долларов, и она показывает отличные результаты:

  • Искусственные нейронные сети анализируют данные из предоперационных медицинских карт, чтобы направлять инструмент хирурга во время операции, что сокращает пребывание пациента в больнице на 21% и больше.
  • Исследование, в котором приняли участие 379 ортопедических пациентов, показало, что роботизированная процедура на базе нейросети привела к в пять раз меньшему количеству осложнений по сравнению с хирургами, работающими в одиночку.
  • Кардиохирургам помогает миниатюрный робот Heartlander. Он входит в небольшой разрез на груди для выполнения стабильного и локализованного зондирования, картирования и лечения на всей поверхности сердца. Его использование уменьшает ущерб для пациента, если необходим доступ к сердцу.
  • Автономный робот-хирург Smart Tissue (STAR) самостоятельно выполнил сложную задачу на мягких тканях свиньи (повторное соединение двух концов кишечника), показав значительно лучшие результаты, чем люди-хирурги.

Визуализирующая диагностика

Под визуализацией в медицине подразумевают процесс создания визуальных представлений внутренних структур тела для клинического анализа и медицинского вмешательства, а также визуального представления функций некоторых органов или тканей. Визуализация позволяет улучшить диагностику при использовании рентгена, компьютерной томографии, маммографии, МРТ, ПЭТ, УЗИ и других процедур.

Медицинское сообщество уже давно осознало, что визуализация способна значительно повысить вероятность обнаружения заболеваний. Вот только часто даже натренированный человеческий глаз врача не может распознать мелкие детали на изображениях. Кроме того, также не стоит забывать про проблему с «замыливанием» глаз: исследователи из Harvard University добавили изображение гориллы на рентгеновские снимки и показали их врачам — 83% ренгенологов не заметили изображение гориллы на рентгеновских снимках.

Гориллу на этом снимке заметили только 2 врача из 10

Гориллу на этом снимке заметили только 2 врача из 10.

Сверточные нейронные сети (CNN) отлично подходят для медицинской визуализации. По словам ученых из Стэнфордского университета, CNN разрабатываются с расчетом на то, что они будут обрабатывать изображения, а значит, их можно использовать в медицине, например для анализа результатов МРТ или рентгеновских снимков. Причем CNN часто превосходят точность людей. Для примера, у профессиональных дерматологов точность обнаружения меланомы составляет от 65% до 85%. Тогда как такие решения, как TensorFlow, scikit-learn или keras, показывают точность на уровне от 87% до 95%.

Нейросети на 10% более точны в выявлении меланом, чем люди-дерматологи.

Нейросети на 10% более точны в выявлении меланом, чем люди-дерматологи.

При этом они работают намного быстрее людей, без обеденных перерывов и выходных: исследователи из Медицинской школы Маунт-Синай Икан разработали нейронную сеть, способную диагностировать важные неврологические состояния, такие как инсульт и кровоизлияние в мозг, в 150 раз быстрее, чем люди-радиологи.

Вот еще несколько примеров медицинской визуализации с помощью нейросетей:

  • В 2019 году исследователи использовали сверточную нейронную сеть, построенную на архитектурах ResNet50 и InceptionV3, для анализа наборов медицинских изображений и дерматоскопии. Данное решение обеспечило тот же уровень точности, что и профессиональные люди-диагносты.
  • Один из инструментов раннего выявления рака молочной железы, разработанный Хьюстонским медицинским научно-исследовательским институтом, интерпретирует маммограммы с точностью 99% и предоставляет диагностическую информацию в 30 раз быстрее, чем человек.
  • Группа китайских исследователей разработала систему нейросетей для анализа рентгенологических снимков на предмет ранних признаков пневмонии, вызванной COVID-19. Этот инструмент экономит врачам до 40% времени при диагностике, что позволяет им быстрее выявлять, изолировать и лечить заразных пациентов.
  • Научная группа из Испании разработала алгоритм глубокого обучения на основе нейронной сети для повышения разрешения МРТ. Он помогает выявить сложные патологии, связанные с мозгом, включая рак, нарушения речи и физические травмы.
  • Facebook AI (сейчас Meta) и NYU Langone Health разработали ИИ под названием Он предлагает новый подход к созданию изображений МРТ, ускоряющий процесс сканирования в 4 раза. Когда такие изображения были предоставлены радиологам, они не могли отличить традиционное сканирование от сканирования, созданного с помощью fastMRI.

Виртуальные помощники по уходу

Еще одна вещь, с которой нейронные сети могут помочь, — это взаимодействие с пациентами в таких вещах, как запросы пациентов, управление конфиденциальной медицинской информацией пациентов, назначение встречи с врачами, отправка отчета об анализах, напоминания о визитах в медицинские учреждения и прочее. Если передать эти задачи ИИ, это позволит ежегодно экономить 20 млрд долл только на американском рынке здравоохранения.

Такие виртуальные помощники медсестры, как Care Angel, способны проводить первую встречу, организовывать визит в больницу, частично вести медицинские записи, сообщать о результатах анализов и даже проводить проверку состояния здоровья с помощью голоса. Другой пример подобного решения — Sensely. Этот виртуальный помощник представляет собой интерактивное приложение, созданное с целью оптимизации медицинского рабочего процесса, автоматизации рутинных процессов, снижения затрат на мониторинг лечения пациентов. Исследования показывают, что использование Sensely позволяет снизить трудозатраты на мониторинг пациентов на 66% по сравнению с обычной процедурой.

Рабочий процесс и административные задачи

Опрос The New England Journal of Medicine (NEJM) среди британских врачей показал, что более 80% респондентов считают выгорание врачей проблемой в своей организации. При этом половина из этих респондентов сообщили, что «разгрузка административных задач» может полностью или частично решить эту проблему, позволив врачам проводить больше времени с пациентами, а также тратить больше времени на профессиональное развитие. Причем больше всего жалоб на необходимость ведения Электронных медицинских карт (EHR) пациентов, которые используют множество больниц во всем мире.

Насколько распространена проблема выгорания среди медицинского персонала в США.

Насколько распространена проблема выгорания среди медицинского персонала в США.

Искусственный интеллект на базе нейронных сетей может взять на себя значительную часть рутинной канцелярской работы по заполнению документов и отчетов, что позволит сэкономить до 18 млрд долл в здравоохранении. Например, алгоритм для транскрипции голоса в текст может помочь заполнять EHR, назначать анализы, выписывать лекарства, делать заметки и прочие вещи с помощью голоса во время осмотра пациента.

Одним из примеров таких решений является Olive — платформа на базе ИИ, автоматизирующая несколько административных процессов, таких как проверка правомочности необоснованных медицинских требований, передача необходимых медицинских данных соответствующим медицинским работникам и т. д. Olive легко интегрируется с существующими медицинскими программными инструментами.

Аналогичные услуги предоставляет K2 Process Automation. Эта платформа использует искусственный интеллект для оптимизации управления медицинскими учреждениями и их персоналом. В частности, ИИ K2 может автоматически обновлять данные в карте пациента, обрабатывать запросы пациентов, отправляя им уведомления при получении результатов анализов, регистрировать звонки и сохранять информацию соответствующим образом.

Прогнозирование вспышек инфекционных заболеваний

В конце декабря 2021 года платформа BlueDot предсказала вспышку коронавируса в Китае. Искусственный интеллект BlueDot изучив новости на 65 языках, разговоры людей в соцсетях и сводки о заболевании, сообщил о вспышке новой инфекции, похожей на грипп, на неделю раньше, чем это сделала Всемирная организация здравоохранения (ВОЗ). И это не первый такой случай. До этого BlueDot предсказал вспышку вируса Зика во Флориде в 2016 году, за шесть месяцев до того, как это произошло. Еще раньше BlueDot предсказал вспышку лихорадки Эбола в 2014 году и ее распространение за пределами Африки.

Еще один стартап, который показал свою способность предсказывать вспышки инфекционных заболеваний, это Metabiota. По словам издания TechCrunch, эта платформа помогла остановить распространение лихорадки Эбола в Сьерра-Леоне.

Нейронная сеть HealthMap сумела засечь CoVID-19, когда уханьские врачи только начали обсуждать странное заболевание на сайте ProMED-mail. Использовать данные этой площадки может любой пользователь интернета

Нейронная сеть HealthMap сумела засечь CoVID-19, когда уханьские врачи только начали обсуждать странное заболевание на сайте ProMED-mail. Использовать данные этой площадки может любой пользователь интернета.

Создание лекарств и новых методов лечения

В 2015 году во время вспышки вируса Эбола в Западной Африке американская фармацевтическая компания Atomwise, использующая возможности искусственного интеллекта, в партнерстве с IBM провела скрининг соединений, способных связываться с гликопротеином, предотвращающим проникновение Эболы в клетки внутри организма. Этот анализ нейронная сеть Atomwise провела менее чем за день, хотя обычно данный процесс занимает месяцы и даже годы.

Это был первый раз, когда ИИ настолько сильно ускорил процесс разработки лекарств. Пройдет еще 5 лет, и в США одобрят первое лекарство, почти полностью созданное ИИ, — препарат DSP-1181 для лечения обсессивно-компульсивного расстройства. Этот препарат создали в компании Exscientia, и, по словам ее руководства, на это ушло всего 12 месяцев.

Но и этот срок не предел. В Insilico Medicin заявляют, что их ИИ GENTRL, способен создавать новые лекарства против определенных патологий всего за 3 недели. Еще около 25 дней уйдет на выбор наилучшего варианта и его тестирование. Таким образом, на создание лекарств с помощью GENTRL нужно всего 46 дней.

Однако самым амбициозным проектом в этом направлении является Deep Genomics. Данная компания разрабатывает ИИ под названием Project Saturn для открытия новых методов устранения последствий генетических мутаций. Deep Genomics уже оценил 69 млрд молекул олигонуклеотидов в сравнении с 1 млн мишеней in silico для создания библиотеки из 1000 соединений, которые экспериментально подтверждены для манипулирования клеточной биологией по назначению.

Персонализированная медицина

Еще одна ресурсоемкая область в здравоохранении, где могут быть полезны искусственные нейронные сети, — это персонализированная медицина. Дело в том, что каждый случай лечения уникален, поскольку у каждого человека уникальный иммунитет, медицинская история и текущее состояние здоровья. И все это нужно учитывать для максимальной эффективности лечения. Вот только врач, во-первых, не всегда может увидеть все нюансы в состоянии пациента, а во-вторых, врач не обладает должной компетенцией для принятия комплексного решения по построению максимально эффективного плана лечения с учетом всех этих нюансов — для этого нужно обладать глубочайшими познаниями во всех областях медицины, что нереально.

Зато это под силу искусственному интеллекту. Он способен изучить и проанализировать огромные объемы данных и принять решение, которое будет учитывать все имеющиеся данные как о состоянии пациента, так и вариантах его лечения. Пока таких проектов не много (они слишком сложные и требуют огромных объемов качественных медицинских данных). Но первые успехи в этом направлении уже есть: ИИ Merative от IBM (раньше назывался Watson Oncology) разработан именно для решения таких задач.

Борьба с мошенничеством

Еще одна важная проблема в здравоохранении — мошенничество. Контрафактные лекарства, мошенничество со страховкой, а также некачественные, незаконные и заведомо неэффективные медицинские услуги приносят отрасли не меньше вреда, чем фальшивые и некачественные клинические исследования. Только в США, по консервативным оценкам, мошенничество в сфере здравоохранения обходится стране примерно в 68 млрд долл в год, что составляет 3% от расходов всей страны на здравоохранение.

С этой проблемой также может справиться искусственный интеллект на базе нейронных сетей. К примеру, у медицинской компании Aetna есть около 350 моделей нейронных сетей для обеспечения безопасности и защиты от мошенничества. В Highmark Inc тоже есть свой NN для борьбы с мошенничеством, и, по словам представителей компании, их продукт на базе нейронных сетей уже помог компании сэкономить 245 млн долл.

Корректировка поведения

Как часто вы пропускали время приема лекарств, забывали или игнорировали профилактический осмотр у врача? Опросы показывают, что это весьма распространенная проблема и врачи почти никак не могут на нее повлиять. Более того, наставления и критика поведения пациентов со стороны врачей только усугубляют проблему, поскольку пациенты начинают стесняться своих болезней и просто перестают ходить в больницу.

Зато с этим могут помочь различные гаджеты и приложения, корректирующие поведение людей. Самый очевидный пример — это фитнес-браслеты и смарт-часы, которые помогают установить цели (например, пройти 4 километра в день) и отслеживают их выполнение, а также напоминают о профилактических обследованиях и необходимости физической активности. Более сложные приложения, такие как Somatix, отслеживают повседневную деятельность пациента и указывают на его привычки и рутину, чтобы он мог сосредоточиться на избавлении от них и вылечиться.

Somatix легко интегрируется с умными гаджетами, отслеживающими активность пациента, чтобы скорректировать его поведение.

Somatix легко интегрируется с умными гаджетами, отслеживающими активность пациента, чтобы скорректировать его поведение.

Также не стоит забывать о различных приложениях для устранения плохих и создания хороших привычек. Они создают нужный пациенту «внешний контроль», который часто является более эффективным мотиватором, нежели советы врачей, просьбы или даже угрозы родственников. При этом такие приложения особенно эффективны, если они используют элементы геймификации — использование игровых практик (наград, достижений, поощрений, уровней, роста аккаунта) в неигровом контексте.

Сбор и анализ данных

Последняя в нашем списке, но не по значимости проблема — это сбор и анализ качественных медицинских данных. И это не только сбор анамнеза пациента, но и различные сопутствующие данные, начиная с того, где работает пациент и как часто он ходит в спортзал и заканчивая тем, какие фильмы он смотрит и какую еду ест — в идеале все это также нужно учитывать при построении плана лечения.

Проблема в том, что собирать такие данные очень сложно и затратно. Люди не захотят отчитываться о каждой покупке, пробежке или просмотре ужастика. Но это могут делать платформы на базе искусственного интеллекта. Если такое решение интегрировать со смартфоном, смарт-часами, холодильником, онлайн-банкингом и другими источниками, то искусственный интеллект соберет такую статистику для каждого пациента — автоматически и с соблюдением конфиденциальности.

Примеров подобных решений много. Например, гаджет от Current Health с искусственным интеллектом для медицинского мониторинга состояния человека. Это носимое устройство одним из первых получило одобрение Food and Drug Administration США (FDA) для использования в домашних условиях. Гаджет может измерять пульс, дыхание, насыщение кислородом, температуру и подвижность пациентов, чтобы предоставить эти данные врачу, который даст рекомендации пациенту.

Current Health позволяет организациям здравоохранения персонализировать и масштабировать способы оказания медицинской помощи на дому с помощью единого гибкого решения

Current Health позволяет организациям здравоохранения персонализировать и масштабировать способы оказания медицинской помощи на дому с помощью единого гибкого решения.

Более популярный пример — смарт-часы Apple Watch, которые помимо возможностей Current Health также могут снимать электрокардиограммы (ЭКГ) и отправлять сообщения в ближайшую больницу, родственникам или друзьям, если часы фиксируют падение или нерегулярный сердечный ритм — эти функции спасли жизнь не одному человеку.

Есть вопросы? Задайте их здесь

Имя *
Email *
Телефон
Ваш бюджет
Сообщение
TorMarket - маркетплейс с гибкой системой фильтрации и удобным кабинетом для поставщиков.

  Category: Нейронные сети 09/21/2022
Как Внедрить Нейронные Сети в Бизнес?
За последние пятнадцать лет нейронные сети (они же искусственные нейронные сети, или ANNs) прошли путь от «сырой» технологии до самого многообещающего инструмента, способного улучшить почти все процессы человеческой деятельности — от оптимизации логистики и прогнозирования спроса до создания картин и игры в шахматы. Поэтому не удивительно, что эксперты прогнозируют рост мирового рынка нейронных сетей с $14,35 млрд в 2020 году до $152,61 млрд к 2030 году с CAGR на уровне 26,7% в год, — государства и бизнес увидели преимущества ANNs и спешат использовать их, чтобы оптимизировать свои процессы и обойти конкурентов.
  Category: Нейронные сети 09/30/2022
Плюсы и Минусы Архитектуры Нейронной Сети
В последние годы нейронные сети стали чем-то вроде нового электричества — революционной технологией, которая проникла во все сферы человеческой деятельности. И это неудивительно, так как технологические решения на основе нейронных сетей могут выполнять чрезвычайно широкий спектр задач — от лечения сложнейших заболеваний до рекомендаций по выбору сериала на вечер. Однако эта технология не идеальна, у нее есть свои плюсы и минусы, которые нужно знать и учитывать, если вы решите создать свой продукт на базе нейронных сетей.