Виталий Мильке о предобученных нейронных сетях (Pre-trained Neural Networks) в медицине и генетике

Первый алгоритм обучения нейронных сетей сформулировал канадский нейропсихолог Дональд Хебб. Учёный изучал взаимодействие нейронов друг с другом, его интересовал принцип, по которому они объединяются в ансамбли. Идеи Хебба подвергались критике, однако спустя несколько лет группа американских ученых смоделировала искусственную нейросеть, которая могла отличать квадраты от других геометрических фигур.

В 2014 году произошло революционное событие: глубокие искусственные нейронные сети (Deep Artificial Neural Networks) стали распознавать объекты на картинках с точностью выше 95%, что лучше, чем это делает человек. С этого момента началось триумфальное шествие нейросетей по планете.

Такие нейронные сети достаточно большие (от нескольких десятков до нескольких сотен слоёв), и для их обучения требуются большие вычислительные ресурсы. Однако все картинки состоят из примерно одинакового набора элементарных объектов: точки, наклонные линии, контрастности и так далее. Поэтому можно не обучать каждый раз нейронную сеть с нуля, а только дообучить уже существующую.

Например, можно взять базу данных рентгеновских снимков рака лёгкого и дообучить только несколько последних слоёв уже готовой нейронной сети. Самое важное, что для такого дообучения не требуется мощных специальных вычислительных ресурсов.

Такая «упрощённая» технология снизила порог входа и позволила многим индивидуальным исследователям и некрупному бизнесу создавать то, что сейчас называется «технологиями искусственного интеллекта в медицине».

Artificial intelligence index

Если надо анализировать обыкновенные медицинские данные — например, анамнез, результаты анализа или даже запах изо рта, то можно использовать несложные нейронные сети для получения массы интересной и неочевидной информации. Можно поставить диагноз с помощью нейросетей, оценить состояние здоровья человека, сделать прогнозы на ближайшее время и даже назначить лечение.

Нейросети оперируют цифрами. В них можно одновременно анализировать все параметры общего или расширенного анализа крови, слюны, волос, мокроты, пота и так далее, включая все референтные значения. Обычно каждый вид анализа делает отдельная нейронная сеть, выдающая набор диагнозов. При сравнении с наборами диагнозов от других нейронных сетей (других анализов) можно получить практически точный диагноз.

Добавим ещё одну нейросеть — и по наборам диагнозов можно получить варианты лечения. Врач должен посмотреть результаты и подтвердить диагноз и лечение. Главное — экономится время и уменьшается вероятность врачебной ошибки.

Подобные технологии называются Слабым (или Специализированным) искусственным интеллектом, а иногда просто машинным обучением. Медицина — наиболее очевидная область для получения быстрых практических результатов от применения машинного обучения, так называемых «быстрых побед» (Quick Wins). Также в последнее время с помощью искусственного интеллекта проводятся полномасштабные исследования генетического кода, такие как британская программа «100 000 геномов» (The 100,000 Genomes Project).

Основная цель проекта — расшифровка геномов ста тысяч человек для получения информации о различных видах рака, а также о редких генетических болезнях. Такая информация поможет специалистам более эффективно бороться с раковыми опухолями и различными наследственными заболеваниями. Проект признан чрезвычайно успешным и будет расширен до пяти миллионов геномов. Конечная цель The100,000 GenomesProject— создание персонифицированной медицины и фармакологии. Подобную государственную программу необходимо срочно запускать и в России!

С каждым днём примеров успешного применения искусственного интеллекта в медицине становится всё больше: нейронные сети уже умеют распознавать злокачественные опухоли, в том числе новообразования кожи, тромбы, нарушения зрения, способны диагностировать состояние внутренних органов человека на основе ультразвука, рентгеновских снимков, МРТ и т. д.

Технологии слабого искусственного интеллекта в последнее время крайне популярная тема, однако некоторые аспекты, как правило, остаются в тени. В следующем выпуске, вместе с вами, исследуем эти вопросы подробно. Следите за обновлениями!

Материал подготовил:
Виталий Мильке,
Советник президента по экономике и финансам, АО «Бизнес Альянс»,
PhD reseacher in Computer Science & Machine Learning