г. Одесса
ЖМ "Радужный" 4

0989602115
0632434564

Будущее доказательной медицины и ортодонтии.  Искусственный интеллект и машинное обучение. 

Введение

Принятие решения в медицине на самом деле намного сложнее, чем может показаться на первый взгляд. Мы относительно хорошо знаем как лечить то или иное заболевание. Трудности возникают когда различных факторов, которые нужно брать во внимание, становится всё больше и больше. Например, назначив пациенту одно лекарственное средство, мы можем достаточно просто оценить все риски. просто прочитав инструкцию. Хотя и там редко можно встретить информацию о том, какая же точно вероятность в процентах того или иного побочного эффекта. Вероятность получить какую-то неприятность в 0,1 % и 10% - это, как говорят у нас в Одессе, две большие разницы. Но что делать, если нам нужно назначить несколько препаратов или пациент уже принимает какую-то лекарственную терапию? А если вспомнить, что в каждом препарате может быть множество различных основных и вспомогательных веществ, то задача превращается в большое уравнение с множеством неизвестных.  Нас этому не учили! Что же может помочь нам в решении бесчисленного множества медицинских задач? Насколько может быть полезен опыт доктора, если все случаи уникальны и неповторимы? Какая разница между информацией, знанием и мудростью? И какое будущее ждет в принятии медицинских решение ждет нас. 

Будущее ортодонтии 

Если коротко, то в будущее и уже частично настоящее принятия решений в медицине принадлежит машинному обучению и искусственному интеллекту. Эта технология позволила компьютеру научиться отличать фотографии котят от щенят и вообще находить распознавать различные предметы (попробуйте сами решения от Google, Google Images), распознавать нашу речь лучше нас, выигрывать у нас в Шахматы и Го (статья), водить машину и наконец принимать медицинские решения.  

Искусственный интеллект стоит на вершине всей иерархии этих технологий. Его составной частью является машинное обучение - это когда компьютер учиться самостоятельно, хотя зачастую ему требуются наша предварительна подготовка к этому процессу. В реальности это выглядит так: компьютер играет в шахматы сам с собой и при помощи различных математических моделей запоминает какой ход привел его к победе в той или иной ситуации.  Для существенного улучшения своих навыков ему совсем не обязательно прорабатывать все возможные комбинации. Наиболее успешной математической моделью является нейронная сеть. Как можно догадаться из названия, она пытается имитировать работу нашего мозга, а именно комбинацию нейронов и силу связей между ними. Самая простая модель нейронной сети - перцептрон.  Я обязательно напишу когда-то статью с наглядными графиками и возможностью прямо на сайте протестировать работу этой системы, это очень увлекательно! А пока не пугайтесь изобилия и сложности терминов. Я постараюсь изложить всю необходимую суть доступно и с схемой.  

Симптомами сахарного диабета являются высокий уровень глюкозы в крови и повышенная жажда. Имея информацию только о этих двух показателях нам нужно сделать вывод о том, может быть ли у человека сахарный диабет или нет. 

Как работает машинное обучение

Давайте попробуем разобрать пример. У нас есть два источника информации: уровень глюкозы и количество воды. Давайте будем называть их x1 и x2 ответственно. Они соответствуют двум зеленым кружочкам на схеме. Красный кружочек - это результат работы нашей нейронной сети, он выражается цифрой от 0 до 1.  Условно назовём эту цифру y. Чем меньше y, тем меньше вероятность того, что мы имеем дело с сахарным диабетом. Если y >= 0.5, то наша сеть считает, что это сахарный диабет.  Таким образом мы получаем такой себе магический калькулятор для диагностики сахарного диабета. Вводим две цифры и получаем числовой результат. Разве это не прекрасно? А самое чудесное в том, что мы можем создать такой калькулятор любой сложности и для любой информации.  

А за всей этой магией скрывается простая математика и формулы.  Синие линии - это связи. Каждая связь имеет свой вес (weight).  Обозначим вес каждой связи буквой w + номер связи.  Желтые кружочки - это промежуточный слой нашей сети. Этих кружочков может быть сколь угодно много, их количество и расположение называется дизайном нейронной сети. Оно может быть разным, один дизайн может подходить для одной задачи другой для другой. 

Далее компьютер "читает и считает" нашу сеть. Проще говоря, он сначала считает какие цифры должны быть в жёлтых кружочках, перемножая и суммируя по специальной формуле x1, x2 с весами их связей (w11...w25). Получив результаты для жёлтых кружочков можно подсчитать чему равен красный кружочек y.  Подробней о том как это работает можно узнать на курсе по Машинному обучению от Стэнфордского университета. Да здравствует открытые курсы университетов!

Так работает нейронная сеть. А машинное обучение - это еще одна математическая формула, которая учится и находит значения для весов каждой связи (w11...w5). Для начала нам нужна информация для обучения нашей сети. Для этого нам нужна информация о пациентах с известным диагнозом и информация о уровне их глюкозы в крови и количестве выпитой воды.  Если собрать достаточно много такой информации и ввести её в программу машинного обучения, то машина сама сможет определить все значения весов (w11...w5), при которых наша нейронная сеть меньше всего ошибается. Имея значения этих весов, нейронная сеть становится обученной и способна поставить диагноз, основываясь на полученном опыте.

Заключение

Теперь от нас требуется только собрать достаточно много информации (x1, x2, x3...x1000) и обучить нужную нам нейронную сеть. Ну, например, измерим размер каждого зуба, размер зубной дуги, размеры и положение челюстей относительно черепа, вредные привычки, предпочтения пациента и научим нашу сеть ставить ортодонтические диагнозы и принимать решения о плане лечения.  Это всё еще во многом фантастика, которая стремительно приближается к нам с каждым днем.  И мне бы очень хотелось принять в этом какое-то участие и поделиться с Вами полученными результатами.