Главная особенность медицинского образования — его непрерывность. Попробуем разобраться, как искусственный интеллект помогает врачам и студентам оптимизировать процесс обучения.
1021 просмотров
Медицинское образование подразумевает непрерывное обучение в течение всей жизни — от программы специалитета до последипломного и специализированного обучения с необходимостью регулярного подтверждения квалификации на протяжении всей врачебной карьеры.
Глобально, цель программы медицинского университета — формирование у врача способности к:
- анализу отдельных фактов;
- логическому моделированию конкретной клинической ситуации;
- системному мышлению.
Трудность этой задачи заключается в огромном количестве информации, которую как будущему, так и практикующему специалисту нужно «уложить в голове» для качественной работы.
ИИ в медицине
Медицина и здравоохранение являются перспективным направлением в области разработок систем ИИ. В 2018 году доля рынка ИИ в области медицинских технологий составляла порядка 12%. В настоящей момент в медицине интересным является все, что помогает здравоохранению справиться с дефицитом или неэффективным распределением ресурсов, включающих в первую очередь человеческие (в т.ч. затраты на обучение врачей). Об этом свидетельствуют данные анализа объема глобального рынка технологий ИИ в медицине. По подсчетам Grand View Research 2019 году объем рынка ИИ в области медицинских технологий оценивался в $3.9 млрд. с ожидаемым среднегодовым темпом роста до 41,5% в 2024.
Тест по МЕДИЦИНЕ. 20 заданий
Основные причины развития ИИ в области медицины и здравоохранения:
- Увеличение продолжительности жизни;
- Рост объема данных о здоровье каждого конкретного пациента;
- Ежедневное появление новых научных данных, которые должны учитываться врачом при принятии решений;
- Необходимость непрерывного медицинского образования.
Необходимость оптимизации
Рост интереса в оптимизации процесса обучения врачей подтверждает значительное увеличение числа научных публикаций в области разработок программ обучения с применением ИИ.
Количество научных публикаций за год в области разработок новых программ с применением технологий ИИ для обучения студентов и врачей, база Web of Science.
Основные направления развития
Учебные чат-боты
За последние 25 лет на основе ИИ было разработано множество программ для оптимизации процесса обучения врачей. Примером могут служить учебные боты.
Не так давно был разработан чат-бот для обучения по различным направлениям, в том числе и в медицине. Зачастую, ответ на определенный вопрос необходим студенту здесь и сейчас. В классической системе преподавания это невозможно. BotCore может вести диалог и выдавать актуальную информацию по любой академической тематике, анализировать процесс обучения конкретного студента и давать рекомендации по изменению учебного плана как студенту, так и его преподавателю. По заявлению создателей бота, он значительно упрощает и ускоряет процесс обучения.
23 Психологические Уловки, которые всегда Работают
Аналогичные технологии — SnatchBot, VirtualSpirits и Botsify.
Основным преимуществом учебных ботов считается поддержка студентов 24/7 и персонализация обучения, что позволяет добиться большего прогресса в обучении. Чат-боты применяются для оценки эффективности обучения и персональной удовлетворенности каждого конкретного студента, что позволяет автоматически выявлять «пробелы» в обучении и оптимизировать процесс взаимодействия преподавателя и ученика.
Источник: https://www.dermatologyadvisor.com
Учебные ассистенты для студентов и врачей
Расшифровка рентгеновских снимков может вызывать трудности даже у опытных врачей. Разработчики технологии TROVE ставят задачу упростить и ускорить работу радиологов путем тренировки с помощью системы, включающей тысячи рентгеновских снимков. Программа анализирует прогресс и выявляет «слабые» стороны ученика, будь то студент или практикующий специалист.
Технологии ИИ помогают изучать нормальную физиологию органов и систем человека, обучают врачей и студентов корректной интерпретации ЭКГ, последовательности хода операций в хирургии.
Аналоги живых пациентов
Важной составляющей медицинского образования является практика. Однако, именно этот аспект обучения чрезвычайно сложно реализовать. Одна из причин — юридический аспект ответственности куратора за ошибки студента или молодого врача. Постепенно в образовательном процессе на замену реального пациента может прийти виртуальный.
Отличным примером такой системы является разработка обучающей модели для диагностики боли в животе. Программа включает 208 сценариев с пятью возможными диагнозами. Получая вводные данные о пациенте, студент выдвигает гипотезу о причине боли и назначает дополнительные исследования. Далее программа помогает исключить или подтвердить предположение в зависимости от сценария. Данная технология крайне интересна, так как затрагивает область «неотложной медицины», где врач должен уметь быстро и верно принимать решение.
Анестезиология — это отдельная область медицины, где процесс практической подготовки будущих врачей требует много сил и времени от куратора из-за высоких рисков для пациента. Система Computational Virtual Reality Environment for Anesthesia (CVREA) помогает молодым специалистам в обучении на модели пациента с использованием технологии VR. Также программа может выявлять новые данные о методах ведения пациентов, которые в будущем применяются на практике.
Как распознать рак?
Диагностика раковых опухолей представляет особую сложность. На курсе патологии студентам показывают «картинки», пытаясь объяснить особенности бесконечного многообразия видов раковых опухолей и их особенностей. Каждый день в мире появляются новые данные о типах рака, что ставит под вопрос актуальность изучаемой студентом темы на занятии, ведь не каждый преподаватель способен охватить весь объем новых знаний и преобразовать их в стройный рассказ о новом подтипе раковой опухоли.
Часто два разных специалиста-патоморфолога не могут прийти к согласию в диагнозе, так как эта область медицины характеризуется наличием субъективного мнения врача, основанного на личном опыте. Самообучающиеся программы могут помочь студентам и врачам научиться верно определять патологию путем сравнения своего мнения с заключением программы.
PathVision.ai разработала нейросеть, способную обрабатывать гистологический срез и выделять область с характерными изменениями, указывая, что это за признаки и какому заболеванию они соответствуют.
В будущем такая система может в разы облегчить процесс обучения студентов и врачей, поскольку программа нацелена на постановку верного диагноза, то есть сможет обратить внимание студента, какой фрагмент материала стоит изучить более детально.
Главное — верный диагноз
Очевидно, что постановка неверного диагноза приводит к неблагоприятным последствиям. В 2016 году было проведено исследование, доказавшее, что врачи, обучаемые с помощью ИИ, на 22% точнее устанавливают правильный диагноз. В сравнении с классической системой тренингов (лекции, семинары), где точность диагноза увеличилась всего на 8%.
Уже существуют программы, позволяющие обучать медиков дифференциальному диагнозу различных заболеваний. Примером может служить игра, где возможно научиться корректно отвечать на звонок в приемный покой, проконсультировать пациента в зависимости от предполагаемого диагноза или же участвовать в роли врача-терапевта.
Заключение
Важность процесса обучения будущих врачей и повышение уровня знаний специалистов здравоохранения не вызывает сомнений. Классическая академическая система уже сейчас не может в полной мере обеспечить студента должным уровнем знаний и практических умений. Технологии ИИ помогают оптимизировать процесс обучения путем персонализации учебного плана, предоставления актуальных клинических данных и возможности применять и оттачивать полученные знания на виртуальных пациентах.
Источник: vc.ru
Нейрокомпьютеры: какие они?
Ошибка сети зависит, как уже говорилось, от конфигурации сети — совокупности всех ее синаптических весов. Но эта зависимость не прямая, а опосредованная. Ведь непосредственные значения весов скрыты от внешнего наблюдателя . Для него сеть — своего рода черный ящик, и оценивать ее работу он может лишь основываясь на ее поведении, т.е. на том, каковы значения выходов сети при данных входах. Иными словами, в общем виде функция ошибки имеет вид:
Здесь 
— набор примеров (т.е. пар входов-выходов), на которых обучается нейросеть, а 
— реальные значения выходов нейросети, зависящие от конкретных значений ее синаптических весов. Такой способ обучения, когда действительный выход нейросети сравнивают с эталонным, называют обучением с учителем.
Иногда выходная информация известна не полностью. Например, вместо эталонных ответов известно лишь хуже или лучше данная конфигурация сети справляется с задачей (вспомним детскую игру «холоднее-горячее» или лабораторную мышь в лабиринте с лакомствами и электрошоком). Этот тип обучения называют обучением с подкреплением (reinforcement learning).
Такой режим обучения сети называют обучением без учителя. В этом случае сети предлагается самой найти скрытые закономерности в массиве данных. Так, избыточность данных допускает сжатие информации, и сеть можно научить находить наиболее компактное представление таких данных, т.е. произвести оптимальное кодирование данного вида входной информации.
| Что подается в качестве обучающих примеров | Набор пар входов-выходов |
Оценка выходов сети  |
Только набор входных значений |
| Что требуется от сети | Найти функцию, обобщающую примеры, в случае дискретных  — классифицировать входы. В целом — научиться реагировать схожим образом в схожих ситуациях. |
Научиться заданной «правильной» линии поведения. | Найти закономерности в массиве данных, отыскать порождающую данные функцию распределения, найти более компактное описание данных. |
С практической точки зрения, «помеченные» данные зачастую дороги и не столь многочисленны, как «непомеченные» , например, в случае, когда «учителем» является человек — эксперт. В силу этого обстоятельства на таких данных можно обучить лишь относительно простые и компактные нейросети. Напротив, нейросети, обучаемые без учителя часто используют для переработки больших массивов «сырых» данных — в качестве предобрабатывающих фильтров. Указанное различие, однако, исчезает, когда данные естественным образом распадаются на входы-выходы, например при предсказании временных рядов, где следующее значение ряда является выходом, а предыдущие несколько значений — соответствующими входами обучаемой нейросети.
Архитектура связей
На способ обработки информации решающим образом сказывается наличие или отсутствие в сети петель обратных связей. Если обратные связи между нейронами отсутствуют (т.е. сеть имеет структуру последовательных слоев, где каждый нейрон получает информацию только с предыдущих слоев), обработка информации в сети однонаправленна. Входной сигнал обрабатывается последовательностью слоев и ответ гарантированно получается через число тактов равное числу слоев.
Наличие же обратных связей может сделать динамику нейросети (называемой в этом случае рекуррентной) непредсказуемой. В принципе, сеть может «зациклиться» и не выдать ответа никогда. Причем, согласно Тьюрингу, не существует алгоритма, позволяющего для произвольной сети определить придут ли когда-либо ее элементы в состояние равновесия (т.н. проблема останова).
Вообще говоря, то, что нейроны в рекуррентных сетях по многу раз принимают участие в обработке информации позволяет таким сетям производить более разнообразную и глубокую обработку информации. Но в этом случае следует принимать специальные меры к тому, чтобы сеть не зацикливалась (например, использовать симметричные связи, как в сети Хопфилда, или принудительно ограничивать число итераций, как это делается в эмуляторе MultiNeuron группы НейроКомп).
| Преимущества | Простота реализации. Гарантированное получение ответа после прохождения данных по слоям. | Минимизация размеров сети — нейроны многократно участвуют в обработке данных. Меньший объем сети облегчает процесс обучения. |
| Недостатки | Требуется большее число нейронов для алгоритмов одного и того же уровня сложности. Следствие — большая сложность обучения. | Требуются специальные условия, гарантирующие сходимость вычислений. |
Классификация по типу связей и типу обучения (Encoding-Decoding)
Ограничившись лишь двумя описанными выше факторами, разделяющими сети по типу обучения (программирования) и функционирования, получим следующую полезную классификацию базовых нейро-архитектур, впервые предложенную, по-видимому, Бартом Коско (Таблица 2.7).
| Без обратных связей | Многослойные персептроны (аппроксимация функций, классификация) | Соревновательные сети, карты Кохонена (сжатие данных, выделение признаков) |
| С обратными связями | Рекуррентные аппроксиматоры (предсказание временных рядов, обучение в режиме on-line) | Сеть Хопфилда (ассоциативная память, кластеризация данных, оптимизация) |
Тип связей (Decoding) 
С «учителем» Без «учителя» В этой таблице различные архитектуры сетей, которые встретятся нам далее в этой книге, распределены по ячейкам в зависимости от способа обработки ими информации и способа их обучения. В скобках указаны основные типы задач, обычно решаемых данным классом нейросетей.
В следующих лекциях, после более близкого знакомства с перечисленными выше основными нейро-архитектурами, мы рассмотрим конкретные примеры задач из области финансов и бизнеса, интересные с практической точки зрения.
Источник: intuit.ru
Обучение нейросети с учителем, без учителя, с подкреплением — в чем отличие?
Обучение нейросети бывает с учителем, без учителя, с подкреплением. Но как выбрать оптимальный алгоритм и чем они отличаются? Есть несколько способов собрать мебель из IKEA. Каждый из них приводит к собранному дивану или стулу. Но в зависимости от предмета мебели и его составляющих один способ будет более разумным, чем другие.
Есть руководство по эксплуатации и все нужные детали? Просто следуйте инструкции. Ну как, получается? Можно выбросить руководство и работать самостоятельно. Но стоит перепутать порядок действий, и уже вам решать, что делать с этой кучей деревянных болтов и досок.
Все то же самое с глубоким обучением (deep learning). Разработчик предпочтет алгоритм с конкретным способом обучения, учитывая вид данных и стоящую перед ним задачу.
При обучении с учителем нейронная сеть обучается на размеченном наборе данных и предсказывает ответы, которые используются для оценки точности алгоритма на обучающих данных. При обучении без учителя модель использует неразмеченные данные, из которых алгоритм самостоятельно пытается извлечь признаки и зависимости.
Обучение с частичным привлечением учителя представляет собой нечто среднее. Оно использует небольшое количество размеченных данных и большой набор неразмеченных. А обучение с подкреплением тренирует алгоритм при помощи системы поощрений. Агент получает обратную связь в виде вознаграждений за правильные действия. Похожим образом дрeссируют животных.
Для каждого способа обучения рассмотрим примеры подходящих для него данных и задач.
Обучение нейросети с учителем
Обучение с учителем (supervised learning) предполагает наличие полного набора размеченных данных для тренировки модели на всех этапах ее построения.
Наличие полностью размеченного датасета означает, что каждому примеру в обучающем наборе соответствует ответ, который алгоритм и должен получить. Таким образом, размеченный датасет из фотографий цветов обучит нейронную сеть, где изображены розы, ромашки или нарциссы. Когда сеть получит новое фото, она сравнит его с примерами из обучающего датасета, чтобы предсказать ответ.
В основном обучение с учителем применяется для решения двух типов задач: классификации и регрессии.
В задачах классификации алгоритм предсказывает дискретные значения, соответствующие номерам классов, к которым принадлежат объекты. В обучающем датасете с фотографиями животных каждое изображение будет иметь соответствующую метку — «кошка», «коала» или «черепаха». Качество алгоритма оценивается тем, насколько точно он может правильно классифицировать новые фото с коалами и черепахами.
А вот задачи регрессии связаны с непрерывными данными. Один из примеров, линейная регрессия, вычисляет ожидаемое значение переменной y, учитывая конкретные значения x.
Более утилитарные задачи машинного обучения задействуют большое число переменных. Как пример, нейронная сеть, предсказывающая цену квартиры в Сан-Франциско на основе ее площади, местоположения и доступности общественного транспорта. Алгоритм выполняет работу эксперта, который рассчитывает цену квартиры исходя из тех же данных.
Таким образом, обучение с учителем больше всего подходит для задач, когда имеется внушительный набор достоверных данных для обучения алгоритма. Но так бывает далеко не всегда. Недостаток данных — наиболее часто встречающаяся проблема в машинном обучении на 2018 год.
Обучение без учителя
Идеально размеченные и чистые данные достать нелегко. Поэтому иногда перед алгоритмом стоит задача найти заранее неизвестные ответы. Вот где нужно обучение без учителя.
При обучении без учителя (unsupervised learning) у модели есть набор данных, и нет явных указаний, что с ним делать. Нейронная сеть пытается самостоятельно найти корреляции в данных, извлекая полезные признаки и анализируя их.
В зависимости от задачи модель систематизирует данные по-разному.
- Кластеризация. Даже без специальных знаний эксперта-орнитолога можно посмотреть на коллекцию фотографий и разделить их на группы по видам птиц, опираясь на цвет пера, размер или форму клюва. Именно в этом заключается кластеризация — наиболее распространенная задача для обучения без учителя. Алгоритм подбирает похожие данные, находя общие признаки, и группируют их вместе.
- Обнаружение аномалий. Банки могут обнаружить мошеннические операции, выявляя необычные действия в покупательском поведении клиентов. Например, подозрительно, если одна кредитная карта используется в Калифорнии и Дании в один и тот же день. Похожим образом, обучение без учителя используют для нахождения выбросов в данных.
- Ассоциации. Выберете в онлайн-магазине подгузники, яблочное пюре и детскую кружку-непроливайку и сайт порекомендует вам добавить нагрудник и радионяню к заказу. Это пример ассоциаций: некоторые характеристики объекта коррелируют с другими признаками. Рассматривая пару ключевых признаков объекта, модель может предсказать другие, с которыми существует связь.
- Автоэнкодеры. Автоэнкодеры принимают входные данные, кодируют их, а затем пытаются воссоздать начальные данные из полученного кода. Не так много реальных ситуаций, когда используют простой автоэнкодер. Но стоит добавить слои и возможности расширятся: используя зашумленные и исходные версии изображений для обучения, автоэнкодеры могут удалять шум из видеоданных, изображений или медицинских сканов, чтобы повысить качество данных.
В обучении без учителя сложно вычислить точность алгоритма, так как в данных отсутствуют «правильные ответы» или метки. Но размеченные данные часто ненадежные или их слишком дорого получить. В таких случаях, предоставляя модели свободу действий для поиска зависимостей, можно получить хорошие результаты.
Обучение нейросети с частичным привлечением учителя
Это золотая середина. Обучение нейросети с частичным привлечением учителя (semi-supervised learning) характеризуется своим названием: обучающий датасет содержит как размеченные, так и неразмеченные данные. Этот метод особенно полезен, когда трудно извлечь из данных важные признаки или разметить все объекты – трудоемкая задача.
Этот метод машинного обучения распространен для анализа медицинских изображений, таких как сканы компьютерной томографии или МРТ. Опытный рентгенолог может разметить небольшое подмножество сканов, на которых выявлены опухоли и заболевания. Но вручную размечать все сканы — слишком трудоемкая и дорогостоящая задача. Тем не менее нейронная сеть может извлечь информацию из небольшой доли размеченных данных и улучшить точность предсказаний по сравнению с моделью, обучающейся исключительно на неразмеченных данных.
Популярный метод обучения, для которого требуется небольшой набор размеченных данных, заключается в использовании генеративно-состязательной сети или GAN.
Представьте себе соревнование двух нейронных сетей, где каждая пытается перехитрить другую. Это GAN. Одна из сетей, генератор, пытается создать новые объекты данных, которые имитируют обучающую выборку. Другая сеть, дискриминатор, оценивает, являются ли эти сгенерированные данные реальными или поддельными. Сети взаимодействуют и циклично совершенствуются, поскольку дискриминатор старается лучше отделять подделки от оригиналов, а генератор пытается создавать убедительные подделки.
Обучение нейросети с подкреплением
Видеоигры основаны на системе стимулов. Завершите уровень и получите награду. Победите всех монстров и заработаете бонус. Попали в ловушку – конец игры, не попадайте. Эти стимулы помогают игрокам понять, как лучше действовать в следующем раунде игры.
Без обратной связи люди бы просто принимали случайные решения и надеялись перейти на следующий игровой уровень.
Обучение нейросети с подкреплением (reinforcement learning) действует по тому же принципу. Видеоигры — популярная тестовая среда для исследований.
Агенты ИИ пытаются найти оптимальный способ достижения цели или улучшения производительности для конкретной среды. Когда агент предпринимает действия, способствующие достижению цели, он получает награду. Глобальная цель — предсказывать следующие шаги, чтобы заработать максимальную награду в конечном итоге.
При принятии решения агент изучает обратную связь, новые тактики и решения способные привести к большему выигрышу. Этот подход использует долгосрочную стратегию — так же как в шахматах: следующий наилучший ход может не помочь выиграть в конечном счете. Поэтому агент пытается максимизировать суммарную награду.
Это итеративный процесс. Чем больше уровней с обратной связи, тем лучше становится стратегия агента. Такой подход особенно полезен для обучения роботов, которые управляют автономными транспортными средствами или инвентарем на складе.
Так же, как и ученики в школе, каждый алгоритм учится по-разному. Но благодаря разнообразию доступных методов, вопрос в том, чтобы выбрать подходящий и научить вашу нейронную сеть разбираться в среде.
- Метод 3D-реконструкции волос по одному входному изображению
- Редактировать изображения стало проще с семантической разметкой, создаваемой нейросетью
- Реконструкция фотографий методом частичной свертки от Nvidia
Источник: neurohive.io