Искусственный интеллект в здравоохранении | Примеры использования ИИ в здравоохранении

Несмотря на то, что искусственный интеллект вызывает страх у большинства из нас, он приносит нам пользу во многих отношениях. Искусственный интеллект в здравоохранении революционизирует медицинскую отрасль, протягивая руку помощи. Этот блог поможет вам понять положительное влияние искусственного интеллекта в сфере здравоохранения.

Что такое искусственный интеллект?

Искусственный интеллект — это процесс использования машинного обучения, глубокого обучения, обработки естественного языка и многих других методов для создания моделей с искусственным интеллектом, которые могут выполнять высокоуровневые вычисления и решать сложные задачи.

Теперь давайте разберемся, как ИИ влияет на здравоохранение.

Искусственный интеллект в здравоохранении

С момента появления искусственного интеллекта в 1950-х годах он повлиял на различные области, включая маркетинг, финансы, игровую индустрию и даже музыкальное искусство. Однако наибольшее влияние искусственный интеллект оказывает на сферу здравоохранения. Согласно последнему отчету PwC, к 2030 году искусственный интеллект внесет в мировую экономику дополнительно 15,7 трлн долларов, и наибольшее влияние он окажет на сферу здравоохранения.

В следующем разделе вы поймете, как ИИ используется для решения реальных задач.

Искусственный интеллект в управлении данными

Искусственный интеллект приносит пользу организациям здравоохранения, внедряя когнитивные технологии для обработки огромного количества медицинских карт и выполнения диагностики мощности. Возьмем, к примеру, Nuance, поставщика услуг прогнозирования, который использует искусственный интеллект и машинное обучение для предсказания намерений пользователей.

Внедрив Nuance в рабочий процесс организации, можно разработать персонализированный пользовательский интерфейс, который позволит компании предпринимать более эффективные действия, повышающие качество обслуживания клиентов и общие преимущества для бизнеса.

Вот список основных функций Nuance:

Ускорение обслуживания: предложите наилучший следующий шаг, чтобы обеспечить удовлетворение потребностей потребителя.

Отклонение звонков: сведите к минимуму количество входящих звонков и снизьте расходы, предвосхищая намерения клиентов и перенаправляя клиентов на другие онлайн-встречи.

Сокращение оттока: использование методов машинного обучения и обработки естественного языка для прогнозирования поведения потенциальных клиентов, которые могут быть близки к аннулированию их услуги, на основе их истории, поисковых запросов, настроений и т. д., и принятия соответствующих мер, чтобы избежать отмены таких услуг.

• Автоматизируйте утомительные задачи. Избавьтесь от монотонной задачи звонков пользователям, внедрив автоматизированную систему, которая отправляет уведомления по SMS или электронной почте и использует чат-боты на основе ИИ, которые упрощают работу.

Теперь давайте обсудим, как искусственный интеллект использует методы глубокого обучения для улучшения медицинской диагностики.

Искусственный интеллект в медицинской диагностике

«Медицинская визуализация и диагностика на основе ИИ должны вырасти более чем на 40% и к 2024 году превысить 2,5 миллиарда долларов США». Анализ глобального рынка. С помощью нейронных сетей и моделей глубокого обучения искусственный интеллект революционизирует область диагностики изображений в медицине. Он взял на себя сложный анализ МРТ-сканов и упростил его.

• МРТ-сканы трудно анализировать из-за большого объема информации, которую они содержат. Обычный МРТ-анализ занимает несколько часов, и исследователи, пытающиеся сформулировать результат на основе больших наборов данных, часами ждут, пока компьютер сгенерирует сканирование.
• Большие и сложные наборы данных можно анализировать с помощью нейронных сетей, и это именно то, что реализовала команда исследователей из Массачусетского технологического института. Они разработали нейронную сеть под названием VoxelMorph, которая была обучена на наборе данных примерно из 7000 МРТ-сканирований.
• Нейронная сеть функционирует, вводя данные на одном конце, которые претерпевают преобразование по всей сети, пока не будет сформирован окончательный желаемый результат. Нейронные сети работают по принципу весов и смещений.

VoxelMorph удалось превзойти традиционные методы анализа МРТ. Нейронным сетям потребовалось несколько секунд, чтобы выполнить анализ МРТ, тот же анализ, который занимает часы для обычной программы МРТ.

Искусственный интеллект в раннем обнаружении

Искусственный интеллект сыграл ключевую роль в раннем прогнозировании заболеваний, таких как сердечные приступы. Многие носимые трекеры здоровья на основе ИИ были разработаны для наблюдения за здоровьем человека и отображения предупреждений, когда устройство собирает что-то необычное или маловероятное. Примеры таких носимых устройств включают Fitbit, Apple watch и многие другие.

«Предосторожность всегда лучше, чем лечение», — таков девиз последней версии Apple Watch.

Apple использовала искусственный интеллект для создания часов, которые следят за здоровьем человека.

Эти часы собирают данные, такие как частота сердечных сокращений человека, цикл сна, частота дыхания, уровень активности, артериальное давление и т. д., и ведут запись этих показателей 24/7.

Собранные данные затем обрабатываются и анализируются с помощью алгоритмов машинного обучения и глубокого обучения для построения модели, предсказывающей риск сердечного приступа.

Благодаря часам Apple человек по имени Скотт Киллиан спас свою жизнь.

Искусственный интеллект в медицинской помощи

По мере роста потребности в медицинской помощи увеличилось количество виртуальных медсестер на основе искусственного интеллекта. Согласно недавнему опросу, виртуальные помощники медсестер соответствуют максимальной краткосрочной стоимости в 20 миллиардов долларов США к 2027 году.

Sensely является одним из таких примеров виртуальной медсестры, которая реализует обработку естественного языка, распознавание речи, машинное обучение и беспроводную интеграцию с медицинскими устройствами, такими как манжеты для измерения артериального давления, для оказания медицинской помощи пациентам.

Вот список ключевых функций, которые предоставляет виртуальная медсестра Sensely:

• Уход за собой
• Клинический совет
• Назначение встречи
• Линия медсестры
• направление скорой помощи

С такими революциями в области здравоохранения становится ясно, что, несмотря на риски и так называемые «угрозы», искусственный интеллект приносит нам пользу во многих отношениях.

Искусственный интеллект в принятии решений

Искусственный интеллект играет важную роль в принятии решений. Не только в сфере здравоохранения, ИИ также улучшил бизнес, изучая потребности клиентов и оценивая любые потенциальные риски.

Мощным примером использования искусственного интеллекта в принятии решений является использование хирургических роботов, которые могут свести к минимуму ошибки и отклонения и в конечном итоге помочь повысить эффективность работы хирургов. Одним из таких хирургических роботов является Da Vinci, названный весьма удачно. Он позволяет профессиональным хирургам проводить сложные операции с большей гибкостью и контролем, чем при использовании традиционных подходов.

Основные особенности Da Vinci включают в себя:

• В помощь хирургам с расширенным набором инструментов
• Трансляция движений рук хирурга на консоли в режиме реального времени
• Создание четкого и увеличенного трехмерного изображения хирургической области высокой четкости.

Хирургические роботы не только помогают в процессах принятия решений, но и улучшают общую производительность за счет повышения точности и эффективности.

Итак, это была пара реальных приложений искусственного интеллекта в здравоохранении. На протяжении всего блога я упоминал две очень важные области искусственного интеллекта: машинное обучение и глубокое обучение. Давайте разберемся, что именно означают эти термины.

Что такое машинное обучение?

Машинное обучение — это процесс передачи машинам тонн данных, чтобы они могли интерпретировать, обрабатывать и анализировать эти данные, чтобы получать действенные идеи, которые приносят пользу организации.

Более продвинутая концепция машинного обучения — это глубокое обучение. Давайте разберемся, что такое глубокое обучение.

Что такое глубокое обучение?

Глубокое обучение — это более продвинутая область машинного обучения, в которой используется концепция нейронных сетей для решения более сложных задач, требующих многомерных данных и автоматического извлечения признаков.

Теперь давайте посмотрим, как вариант использования искусственного интеллекта в здравоохранении может быть реализован с использованием концепций глубокого обучения.

Глубокое обучение с Python

Небольшой отказ от ответственности, прежде чем мы перейдем к практической части:

Я буду использовать Python для запуска этой демонстрации, поэтому, если вы не знаете языка, вот несколько блогов, которые помогут вам начать программирование на Python:

Постановка задачи: Изучить набор данных рака молочной железы в Висконсине (диагностический) и смоделировать классификатор нейронной сети, который предсказывает стадию рака молочной железы как M (злокачественная) или B (доброкачественная).

Описание набора данных: Набор данных содержит описательную информацию о клеточном ядре, присутствующем в образце. Он содержит около 32 атрибутов/функций, которые помогут определить, является ли конкретный образец раковым или нет. Вы можете найти набор данных здесь

Логика: Построить бинарную нейронную сеть, которая может правильно классифицировать образец клетки как злокачественный или нет. Результатом будет категориальная переменная, содержащая два значения:

Злокачественные – Раковые клетки

Доброкачественные – нераковые клетки

Теперь, когда вы знаете логику постановки задачи, пришло время надеть очки детектива и приступить к программированию.

Шаг 1. Импортируйте необходимые пакеты

# Linear algebra

import numpy as np

# Data processing
import pandas as pd

import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.pyplot as plt2

from sklearn import preprocessing
from subprocess import check_output

Шаг 2: Чтение входных данных

# Import the data set
data = pd.read_csv('C://Users//NeelTemp//Desktop//data.csv')

#Display the first few observations in the data set

print(data.head())

         id diagnosis ... fractal_dimension_worst Unnamed: 32
0 842302 M ... 0.11890 NaN
1 842517 M ... 0.08902 NaN
2 84300903 M ... 0.08758 NaN
3 84348301 M ... 0.17300 NaN
4 84358402 M ... 0.07678 NaN

[5 rows x 33 columns]

Шаг 3: Обработка данных

# Cleaning and modifying the data
data = data.drop('id',axis=1)
data = data.drop('Unnamed: 32',axis=1)

# Mapping Benign to 0 and Malignant to 1
data['diagnosis'] = data['diagnosis'].map({'M':1,'B':0})

# Scaling the dataset
datas = pd.DataFrame(preprocessing.scale(data.iloc[:,1:32]))
datas.columns = list(data.iloc[:,1:32].columns)
datas['diagnosis'] = data['diagnosis']

# Creating the high dimensional feature space X
data_drop = datas.drop('diagnosis',axis=1)
X = data_drop.values

Шаг 4: Построение нейронной сети

# Create a feed forward neural network with 3 hidden layers
from keras.models import Sequential, Model
from keras.layers import Dense, Dropout, Input
from keras.optimizers import SGD

model = Sequential()
model.add(Dense(128,activation="relu",input_dim = np.shape(X)[1]))
model.add(Dropout(0.25))
model.add(Dense(32, activation='relu'))
model.add(Dropout(0.25))
model.add(Dense(32, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss="binary_crossentropy", optimizer=sgd, metrics=['accuracy'])

Шаг 5: Сращивание данных и перекрестная проверка

# Fit and test the model by randomly splitting it
# 67% of the data for training and 33% of the data for validation
model.fit(X, datas['diagnosis'], batch_size=5, epochs=10,validation_split=0.33)

# Cross validation analysis
from sklearn.model_selection import StratifiedKFold

# K fold cross validation (k=2)
k = 2
kfold = StratifiedKFold(n_splits=2, shuffle=True, random_state=seed)
cvscores = []
Y = datas['diagnosis']
for train, test in kfold.split(X, Y):

Шаг 6: Запуск модели

# Fit the model
model.fit(X[train], Y[train], epochs=10, batch_size=10, verbose=0)

Train on 381 samples, validate on 188 samples
Epoch 1/10

5/381 [..............................] - ETA: 2:39 - loss: 0.5185 - acc: 0.8000
45/381 [==>...........................] - ETA: 16s - loss: 0.6274 - acc: 0.6444
100/381 [======>.......................] - ETA: 6s - loss: 0.5755 - acc: 0.7100
155/381 [===========>..................] - ETA: 3s - loss: 0.4560 - acc: 0.7871
215/381 [===============>..............] - ETA: 1s - loss: 0.3723 - acc: 0.8326
260/381 [===================>..........] - ETA: 1s - loss: 0.3404 - acc: 0.8538
305/381 [=======================>......] - ETA: 0s - loss: 0.3252 - acc: 0.8623
381/381 [==============================] - 3s 7ms/step - loss: 0.2802 - acc: 0.8845 - val_loss: 0.0870 - val_acc: 0.9628

Epoch 2/10

5/381 [..............................] - ETA: 0s - loss: 0.0647 - acc: 1.0000
165/381 [===========>..................] - ETA: 0s - loss: 0.0966 - acc: 0.9758
381/381 [==============================] - 0s 314us/step - loss: 0.0944 - acc: 0.9659 - val_loss: 0.0497 - val_acc: 0.9894

Шаг 7: Оценка модели

# evaluate the model
scores = model.evaluate(X[test], Y[test], verbose=0)

# Print scores from each cross validation run
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

acc: 97.89%
acc: 97.89%

cvscores.append(scores[1] * 100)
print("%d-fold cross validation accuracy - %.2f%% (+/- %.2f%%)" % (k,np.mean(cvscores), np.std(cvscores)))

2-fold cross validation accuracy - 97.89% (+/- 0.00%)

Итак, как вы можете видеть, нейронная сеть дает нам точность 97,89%, что является довольно хорошим результатом. Если вы хотите еще больше улучшить модель, вы можете выполнить настройку параметров и методы оптимизации, такие как метод снижения, с более эффективным значением.

Если вам все еще интересно узнать об искусственном интеллекте, вот пара блогов, которые могут вас заинтересовать:

Итак, на этом мы подошли к концу этого блога «Искусственный интеллект в здравоохранении». Следите за новыми блогами о самых популярных технологиях.