Медицинские практики будущего могут скоро появиться перед нами: искусственный интеллект развивался и совершенствовался в последние годы, и вполне возможно, что неверный диагноз и лечение симптомов болезни, а не ее причины, остались в прошлом. Подумайте на мгновение о том, сколько памяти вам нужно освободить, чтобы уместить полное трехмерное изображение органа на вашем компьютере или годы измерений артериального давления, которые вы сохранили. Массы данных, генерируемых и хранящихся в цифровых медицинских записях с помощью медицинских изображений и общих тестов, позволяют ИИ разрабатывать больше приложений и наступать в эпоху высокопроизводительной медицины, управляемой электроникой. Эти приложения искусственного интеллекта формируют подход исследователей и врачей к решению медицинских проблем, детальнее на сайте.
Однако некоторые алгоритмы могут конкурировать с клиницистами во многих задачах, иногда даже превосходя их. Так почему же ИИ еще не полностью внедрен в повседневную медицинскую практику? Это связано с тем, что существует множество регуляторных проблем, на которые необходимо ответить в первую очередь, даже несмотря на то, что алгоритмы могут оказать существенное влияние на медицину.
Что делает алгоритм разумным?
Алгоритмы ИИ со временем учатся делать то, что им нужно, точно так же, как доктор учился бы годами в медицинской школе, сдавая практические экзамены и задания, получая оценки и учась на ошибках, ИИ должен делать то же самое. Обычно задачи, которые выполняет ИИ, требуют человеческого интеллекта для выполнения, например, распознавание речи и образов, принятие решений и анализ изображений. Человек нужен, чтобы сказать системе, что именно она должна искать в изображении, которое видит алгоритм. Короче говоря, автоматизация основных задач с использованием алгоритма ИИ — это именно то, чему их обучают, и часто они могут выполнять это намного лучше, чем любой человек.
Компьютерные системы начинают с данных, которые им передаются для разработки эффективного алгоритма ИИ. Данные должны быть хорошо структурированы, а это означает, что точки данных должны иметь аннотацию или метку, что-то, что распознается алгоритмом. После того, как алгоритм просмотрит достаточно наборов данных и их аннотаций, производительность системы оценивается для проверки точности, как экзамены для студентов. Эти «экзамены» обычно включают ввод тестовых данных, ответ на которые система уже знает. Это позволяет пользователю проверить способность алгоритма выработать правильный ответ. Алгоритм можно изменить, добавить больше данных или развернуть по результатам тестирования.
Существует множество алгоритмов, которые могут учиться на основе данных. Многие приложения ИИ в здравоохранении считывают те или иные данные, будь то на основе изображений (например, МРТ-сканы или изображения образцов тканей) или на числовой основе (например, кровяное давление или частота сердечных сокращений). Алгоритмы читают и изучают данные, а затем предоставляют результат вероятности или классификации. Например, результатом может быть маркировка образца ткани как ракового или неракового или вероятность того, что у пациента имеется артериальный сгусток, показанная данными артериального давления и частоты сердечных сокращений. В приложениях для здравоохранения производительность алгоритма сравнивается с производительностью врача, чтобы определить, соответствует ли диагноз и является ли его ценность и возможности приемлемыми в клинике.