Медики предпочли нейросетям более простые алгоритмы ИИ
Ученые БФУ определили, что медики вместо нейросетей предпочитают использовать в своей работе более простые алгоритмы машинного обучения. Это объясняется тем, что нейронные сети практически не оставляют специалисту возможности по-своему интерпретировать полученные результаты, тогда как окончательное заключение во избежание ошибок должен делать врач. Кроме того, авторы определили, какие именно алгоритмы ИИ используются в отдельных медицинских областях. Благодаря этому статья может служить справочником, который поможет медикам выбрать оптимальный для конкретной задачи метод машинного обучения.
В настоящее время технологии искусственного интеллекта (ИИ) широко используются в медицине. Они помогают врачам находить патологии — например, опухоли — на снимках, подбирать индивидуальное лечение для каждого пациента, в режиме реального времени отслеживать состояние больного. Кроме того, ИИ используется при разработке роботизированных медицинских устройств, таких как компактные носимые датчики, проводящие разнообразные измерения и отправляющие данные врачу.
Ученые из Балтийского федерального университета имени Иммануила Канта (Калининград) с коллегами из Национального медико-хирургического Центра имени Н. И. Пирогова (Москва) и Центрального научно-исследовательского института организации и информатизации здравоохранения (Москва) определили, какие алгоритмы ИИ пользуются наибольшей популярностью в медицине, проанализировав их упоминание в 10 тысячах исследовательских статей из базы данных PubMed.
Авторы предложили подход, который позволяет восстанавливать структуры различных наборов данных путем построения сетей совместного появления. С помощью программы VOSviewer ученые визуализировали такого рода сеть, отображающую частоту совместной встречаемости медицинских понятий и терминов, связанных с алгоритмами ИИ. В качестве ключевых понятий ученые использовали, например, слова и словосочетания «нейронная сеть», «машинное обучение», «глубокое обучение», «мозг», «прогнозирование», «томография» и другие. Оказалось, что все термины можно разделить на пять тематических кластеров.
Кластер обработки сигналов включил в себя понятия, связанные с такими областями применения ИИ как электроэнцефалография (ЭЭГ) и электрокардиография (ЭКГ). Кластеры машинного и глубокого обучения объединили различные подходы и принципы работы систем ИИ. При этом глубокое обучение можно рассматривать как разновидность машинного, главная особенность которого — применение в работе нейросетей. В обычном машинном обучении они не используются, а соответствующие системы работают на более простых математических алгоритмах.
Кластер обработки изображений объединил алгоритмы, используемые для анализа медицинских снимков, а также соответствующие сферы, например магнитно-резонансную томографию. Последний кластер — ретроспективных исследований — был посвящен понятиям, связанным с оценкой достоверности и воспроизводимости результатов.
Самый крупный кластер — «машинное обучение» — имел большое количество связей с другими группами терминов, при этом наиболее частые — с кластерами глубокого обучения, обработки изображений и ретроспективных исследований. Эти связи, с одной стороны, указывают на то, что соответствующие алгоритмы широко используются для анализа медицинских снимков, в частности, неврологических, а с другой — для прогнозирования заболеваний, например, роста опухолей.
Исследование также показало, что глубокое обучение — то есть нейросети — редко применяется в медицине, а если и используется, то в основном при обработке изображений. Это связано с тем, что решения, принимаемые медицинским ИИ такого типа, сложно объяснить явным образом. Иными словами, переходя к аналогии «черного ящика», технология медицинского ИИ должна быть «прозрачной»: врач, пользуясь ею, должен быть способен восстановить, почему ИИ пришел к тем или иным выводам. Тогда как технологии глубокого обучения часто не оставляют врачу возможности интерпретировать полученные с их помощью результаты, что в медицине пока крайне важно для постановки правильного диагноза. В то же время авторы определили, что методы, основанные на глубоком обучении, популярны в исследованиях болезней сердечно-сосудистой системы. Более простые, но зато более легко интерпретируемые алгоритмы машинного обучения чаще всего используются для анализа сигналов, например ЭЭГ и ЭКГ, а также прогнозирования развития заболеваний.
Кроме того, авторы определили, что наиболее часто в связке с терминами ИИ в медицинских статьях встречались слова «визуализация» и «параметры здоровья», что указывает на то, что данные технологии используются преимущественно для обработки изображений и анализа состояния человека по различным характеристикам его организма.
«Полученные нами данные могут помочь специалистам-медикам выбрать оптимальные для исследований алгоритмы искусственного интеллекта. Таким образом, наша статья может служить своего рода справочником как для врачей, так и для IT-специалистов, работающих в области медицинского ИИ. Также мы полагаем, что предложенный нами метод может быть эффективным при анализе сложноструктурированных данных в других областях науки. Как разработчики систем поддержки принятия врачебных решений в медицине, в дальнейшем мы планируем использовать полученные нами данные для расширения спектра тех алгоритмов машинного обучения, которые мы используем в задачах диагностики заболеваний головного мозга», — рассказывает Александр Храмов, доктор физико-математических наук, профессор, главный научный сотрудник Балтийского центра нейротехнологий и искусственного интеллекта БФУ имени Иммануила Канта.
