медицинские учреждения

Искусственный интеллект в медицине

Искусственный интеллект — отрасль информатики, способная анализировать сложные медицинские данные. Их потенциал использовать значимые отношения в наборе данных может быть использован при диагностике, лечении и прогнозировании результатов во многих клинических сценариях.

Искусственный интеллект (ИИ) определяется как «область науки и техники, связанная с компьютерным пониманием того, что обычно называют интеллектуальным поведением, и созданием артефактов, демонстрирующих такое поведение»

1. Аристотель попытался формализовать «правильное мышление» ( логика) через его силлогизмы (три части дедуктивного мышления). Большая часть работы в современную эпоху была вдохновлена ​​этим, и ранние исследования работы ума помогли установить современное логическое мышление. Программы, которые позволяют компьютерам функционировать так, чтобы люди казались умными, называются искусственными интеллектуальными системами. Британский математик Алан Тьюринг (1950) был одним из основателей современной информатики и искусственного интеллекта. Он определил интеллектуальное поведение в компьютере как способность достигать производительности на уровне человека при выполнении когнитивных задач, что позже стало популярным как «тест Тьюринга»

2. С середины прошлого века исследователи изучали потенциальное применение интеллектуальных методов в в каждой области медицины. 3,4 Применение технологии искусственного интеллекта в области хирургии было впервые последовательно исследовано Ганном в 1976 году, когда он исследовал возможность диагностики острой боли в животе с помощью компьютерного анализа5. В последние два десятилетия наблюдался всплеск в интересах медицинского ИИ.

Современная медицина сталкивается с проблемой приобретения, анализа и применения большого количества знаний, необходимых для решения сложных клинических проблем. Развитие медицинского искусственного интеллекта было связано с разработкой программ искусственного интеллекта, призванных помочь врачу в постановке диагноза, принятии терапевтических решений и прогнозировании результата. Они предназначены для поддержки работников здравоохранения в их повседневных обязанностях, помогая с задачами, основанными на манипулировании данными и знаниями. Такие системы включают в себя искусственные нейронные сети (ANN), нечеткие экспертные системы, эволюционные вычисления и гибридные интеллектуальные системы.

Искусственные нейронные сети

Судя по объему публикации за последние два десятилетия, ANN является наиболее популярной техникой искусственного интеллекта в медицине6. ANN являются вычислительными аналитическими инструментами, основанными на биологической нервной системе. Они состоят из сетей сильно взаимосвязанных компьютерных процессоров, называемых «нейронами», которые способны выполнять параллельные вычисления для обработки данных и представления знаний. Их способность учиться на исторических примерах, анализировать нелинейные данные, обрабатывать неточную информацию и обобщать возможность применения модели к независимым данным сделала их очень привлекательным аналитическим инструментом в области медицины.

McCulloch and Pitts (1943) изобрели первый искусственный нейрон, используя простые бинарные пороговые функции.7 Следующая важная веха наступила, когда Франк Розенблатт, психолог, разработал Перцептрон в 1958 году8  в качестве практической модели. Было предложено много вариантов базовой сети Perceptron, но наиболее популярной моделью был многослойный Perceptron с прямой связью (рис. 1). Эти сети состоят из слоев нейронов, обычно входного слоя, одного или нескольких средних или скрытых слоев и выходного слоя, каждый из которых полностью связан с другим слоем. Нейроны связаны ссылками, и каждая ссылка имеет числовой вес, связанный с ней. Нейронная сеть «учится» путем многократной корректировки этих весов. Одним из важных символов ANN является то, что они могут извлечь уроки из своего опыта в учебной среде. Использование многослойного Perceptron с прямой связью было ограничено из-за отсутствия подходящего алгоритма обучения, пока Пол Вербос (1974) не защитил аспирантуру в обучении по принципу «обратного распространения»9. Некоторые из других популярных проектов сетей включают сети Хопфилда, 10 Radial Basis Function11 и Self-Organizing Feature Map.12

Выводы

Существует много различных методов искусственного интеллекта, которые способны решать различные клинические проблемы. Однако, несмотря на прежний оптимизм, технология медицинского ИИ не была воспринята с энтузиазмом. Одной из причин этого является отношение врачей к технологии, используемой в процессе принятия решений. Как ни парадоксально, нет смысла принимать биохимические результаты, полученные на автоанализаторе, или изображения, полученные с помощью магнитно-резонансной томографии. Однако исследователи, работающие в этой области, обязаны предоставить доказательства того, что эти методы работают на практическом уровне. Поэтому необходимо проводить более рандомизированные контролируемые исследования, чтобы доказать эффективность систем ИИ в медицине.

Существуют убедительные доказательства того, что медицинский ИИ может играть жизненно важную роль, помогая врачу эффективно оказывать медицинскую помощь в 21-м веке. Нет никаких сомнений в том, что эти методы послужат улучшению и дополнению «медицинского интеллекта» будущего врача.

Использованные источники

  1. Shapiro Artificial intelligence. In: Shapiro SC. (ed) Encyclopedia of Artificial Intelligence, vol. 1, 2nd edn. New York: Wiley, 1992.
  2. Turing Computing machinery and intelligence. Mind 1950; 59: 433–60.
  3. Lusted Medical progress – medical electronics. N Engl J Med 1955; 252: 580–5.
  4. Ledley RS, Lusted Reasoning foundations of medical diagnosis. Science 1959; 130: 9–21.
  5. Gunn The diagnosis of acute abdominal pain with computer analysis. J R Coll Surg Edinb 1976; 21: 170–2.
  6. Steimann On the use and usefulness of fuzzy sets in medical AI. Artif Intell Med 2001; 21: 131–7.
  7. McCulloch WS, Pitts A logical calculus of the ideas imminent in nervous activity. Bull Math Biophys 1943; 5: 115–33.
  8. Rosenblatt The Perceptron: a probabilistic model for information storage and organization in the brain. Psychol Rev 1958; 65: 386–408.
  9. Werbos Beyond regression: new tools for prediction and analysis in the behavioral sciences. PhD Thesis, Harvard University, 1974.
  10. Hopfield Neural networks and physical systems with emergent collective computational abilities. Proc Natl Acad Sci USA 1982; 79: 2554–8.
  11. Park J, Sandberg Universal approximation using radial-basis-function networks. Neural Comput 1991; 3: 246–57.
  12. Carpenter GA, Grossberg The ART of adaptive pattern recognition by a self-organizing neural network. Computer 1988; 21: 77–88.
  13. Baxt Use of an artificial neural network for data analysis in clinical decision-making: the diagnosis of acute coronary occlusion. Neural Comput 1990; 2: 480–9.
  14. Baxt WG, Skora Prospective validation of artificial neural network trained to identify acute myocardial infarction. Lancet 1996; 347: 12–5.
  15. Stamey TA, Barnhill SD, Zang Effectiveness of ProstAsureTMin detecting prostate cancer (PCa) and benign prostatic hyperplasia (BPH) in men age 50 and older. J Urol 1996; 155: 436A.
  16. Pesonen E, Ohmann C, Eskelinen M, Juhola Diagnosis of acute appendicitis in two databases. Evaluation of different neighborhoods with an LVQ neural network. Methods Inf Med 1998; 37: 59–63.
  17. Golub R, Cantu Jr R, Tan The prediction of common bile duct stones using a neural network. J Am Coll Surg 1998; 187: 584–90.
  18. Henson DB, Spenceley SE, Bull Artificial neural network analysis of noisy visual field data in glaucoma. Artif Intell Med 1997; 10: 99–113.
  19. Bounds DG, Lloyd PJ, Mathew A comparison of neural network and other pattern recognition approaches to the diagnosis of low back disorders. Neural Networks 1990; 3: 583–91.
  20. Boon ME, Kok Neural network processing can provide means to catch errors that slip through human screening of pap smears. Diagn Cytopathol 1993; 9: 411–6.
  21. Downs J, Harrison RF, Kennedy RL, Cross Application of the fuzzy ARTMAP neural network model to medical pattern classification tasks. Artif Intell Med 1996; 8: 403–28.
  22. Karakitsos P, Stergiou EB, Pouliakis A, Tzivras M, Archimandritis A, Liossi AI et al. Potential of the back propagation neural network in the discrimination of benign from malignant gastric Anal Quant Cytol Histol 1996; 18: 245–50.
  23. Karakitsos P, Cochand-Priollet B, Guillausseau PJ, Pouliakis Potential of the back propagation neural network in the morphologic examination of thyroid lesions. Anal Quant Cytol Histol 1996; 18: 495–500.
  24. Brickley MR, Cowpe JG, Shepherd Performance of a computer simulated neural network trained to categorise normal, premalignant and malignant oral smears. J Oral Pathol Med 1996; 25: 424–8.
  25. Hurst RE, Bonner RB, Ashenayi K, Veltri RW, Hemstreet 3rd Neural net-based identification of cells expressing the p300 tumor-related antigen using fluorescence image analysis. Cytometry 1997; 27: 36–42.

Artificial intelligence in medicine
Chandra Kambhampati
University of Hull

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *



Яндекс.Метрика


Рейтинг@Mail.ru

Октябрь 2019
Пн Вт Ср Чт Пт Сб Вс
« Сен    
 123456
78910111213
14151617181920
21222324252627
28293031