15 May 2023, 22:00 Виталина Власова

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.

Source:  Пресс-служба БФУ

News article publications

Read also

Алгоритмы машинного обучения ускорят производство сердечных протезов
Ученые предложили использовать искусственный интеллект для разработки новых протезов клапанов сердца. Сочетание моделей машинного обучения совместно с математическими алгоритмами оптимизации позволяет ускорить подбор множественных параметров створок протеза и получить клапан сердца «идеальной» конфигурации в несколько тысяч раз быстрее, чем в случае классической разработки, основанной на многократном цикле изготовления прототипа и его исследования. Оптимизация поможет сократить напряжение, возникающее в створках протезов при работе, а значит, сделает их более долговечными.
Artificial intelligence
Machine learning
Medicine
17 October 2023
ИИ ускорит постановку диагноза по снимкам легкого
Врачу необходимо лишь взглянуть на снимок и подтвердить выводы модели, которые она напишет текстом. В результате на постановку диагноза тратятся секунды, что очень ценно при большой нагрузке
Artificial intelligence
Machine learning
Medicine
18 April 2023
Модель машинного обучения выявила болезнь Паркинсона по сигналам ЭЭГ
Ученые разработали модель машинного обучения, позволяющую за сотые доли секунды по результатам электроэнцефалограммы (ЭЭГ) с 99,9% точностью выявлять болезнь Паркинсона. Еще одно преимущество нового алгоритма — в совместимости с портативными бытовыми устройствами, которые пациенты могут иметь у себя дома. Поэтому предложенный алгоритм может использоваться не только в больнице при диагностике, но и в домашних условиях для мониторинга состояния здоровья людей с ранее выявленной болезнью Паркинсона.
Machine learning
Medicine
Neuroscience
4 December 2023
Алгоритм распознал глобальные особенности в мозге людей с депрессией
Авторы по снимкам активности мозга строили функциональные сети, отражающие взаимодействия разных отделов головного мозга больных и здоровых людей. Различить две эти группы удалось с точностью в 82,6%
Machine learning
Medicine
Neural networks
Neuroscience
4 July 2023
«Оптимальная перевозка» легла в основу улучшенной модели генеративного ИИ
Соответствующая математическая теория обеспечила план наиболее оптимального «перемещения» изображений из одного домена в другой — по сути их обработки по необходимым критериям, в том числе стилизации. Чтобы обучить модель по такому плану, не требуются, как обычно, парные выборки входа-выхода
Artificial intelligence
Machine learning
10 April 2023
Нейросеть помогла рассчитать температуру Аррениуса по двум параметрам материала
Это позволит эффективнее контролировать процесс затвердевания расплавов и применим для различных типов материалов — металлических, силикатных, боратных и органических
Artificial intelligence
Machine learning
Materials Science
Mathematical modeling
20 February 2023