С тех пор, как в конце половины 20 века компьютеры начали широко использоваться, в соответствии с потребностями были разработаны алгоритмы и программы для моделирования и анализа больших объемов данных. В конце ХХ века были популяризированы методы машинного обучения, или машинное обучение. Эти методы состоят из принятия решений и выполнения задач на основе искусственного интеллекта. Обучение происходит путем определения набора правил, сгенерированных путем анализа базы данных или даже с помощью ранее установленных моделей. Это позволяет сгенерированной модели распознавать закономерности, короче говоря, принимать решения для выполнения задач.
Машинное обучение может указывать на глубокое обучение, используемое для интерпретации и обработки данных, начиная от изображений, голоса, речи, интерпретации текстов и других. Эта модель постоянно учится без возможного и естественного культурного вмешательства и не представляет трудностей, характерных для человеческого обучения. При этом он может объединять все полученные знания, или ввод, и обрабатывать их в поисках ответа, или вывода, со скоростью, которой не может достичь ни один человек.
Использование машинного обучения в медицине
Эти методы глубокого обучения используются с начала 21 века в современных больницах, которые оснащены устройствами, которые собирают и обмениваются большими объемами данных в информационных системах; эти данные применяются для клинического анализа с использованием искусственного интеллекта.
В настоящее время исследования показывают, что методы искусственного интеллекта могут быть более точными, чем оценка человека для диагностики в области медицины. Вдобавок к этому, в неотложных случаях, требующих быстрого медицинского вмешательства, использование глубокого обучения для легкого анализа данных еще более необходимо, чтобы за несколько минут можно было принять меры, чтобы избежать возможных последствий и даже смерть пациентов.
Помимо широкой применимости, единая модель точного глубокого обучения может быть убедительно использована в различных формах диагностики в области медицины. В настоящее время проводится идентификация нескольких медицинских осложнений, таких как диабетическая ретинопатия, сердечно-сосудистые риски, поражения молочной железы, поражения меланомы, заболевания сетчатки (из глазных изображений), проблемы с позвоночником, среди бесчисленных других примеров, даже действующих в прогнозировании заболеваний. Вы можете пойти глубже, нажав здесь.
Ощутимый пример, который мы можем кратко упомянуть здесь, касается обнаружения рака кожи. В его диагностике мы заметили то, что называется меланомой и немеланомой. Хотя меланомы встречаются гораздо реже, они являются причиной самой высокой смертности от рака кожи. На изображении ниже мы можем видеть сегментацию изображений по алгоритмам, определяя плоскоклеточную карциному в A и базальноклеточную карциному в B, которые являются наиболее распространенными формами рака кожи, в то время как в C злокачественная меланома, самый смертельный рак кожи.
Изменения пигментации являются характеристиками, наиболее важными при обнаружении. Однако во многих случаях из-за способа регистрации изображения необходимо учитывать несколько факторов, чтобы не спутать алгоритм обнаружения, что приведет к плохой сегментации изображения, как в случае освещения, окружающей среды и инструмента, используемого при регистрации. .
Заменят ли системы искусственного интеллекта человека?
При этом возникают многочисленные вопросы о возможности применения биотехнологии в сочетании с информационными системами и биоинформатикой при создании интеллектуальных машин для замены профессиональной деятельности врачей. Это уже реальность во многих странах, таких как Великобритания и Китай.
Это происходит с помощью персонализированного и автоматизированного сервиса, который показывает большое преимущество, поскольку можно обрабатывать одновременные данные от бесчисленного количества пациентов, получать информацию из научной литературы о том, как действовать в клиническом случае, в дополнение к возможности обрабатывать и интерпретировать результат взаимодействия между вводимыми препаратами.
Возможный аргумент, что пациенты предпочли бы обратиться к врачу напрямую, в некоторых случаях легко опровергнуть. Это связано с тем, что в настоящее время мы являемся заложниками времени, из-за чего многие пациенты предпочитают точное и быстрое обслуживание и диагностику записи на прием к врачу. Это предотвращает появление неудач, помимо получения надежных результатов, не зависящих от присутствия человека.
Другим фактором, который может стимулировать принятие этих роботов для лечения, могут быть случаи, когда пациент в конечном итоге стесняется рассказывать врачу о симптомах или поведении и привычках.
В связи с этим большое значение будет иметь использование аппаратов для медицинской диагностики в труднодоступных местах или там, где мало врачей, как в случае с Амазонии, где многие люди в течение жизни имеют очень редкие консультации. В Китае сейчас машины используются не только для диагностики, но и для хирургии, как это было в случае с первым зубным имплантатом без вмешательства человека.
Однако, даже со всеми этими прерогативами, люди-врачи всегда будут существовать, пусть и в меньшем количестве, поскольку они все равно будут необходимы для разработки машин, помимо их эксплуатации. Вдобавок к этому критическое и человеческое мышление с их стороны будет необходимо во многих случаях, и они не могут допустить своего исчезновения как функции и профессии.
Возможное противоречие использованию роботов для выполнения диагностических и медицинских функций заключается в том, что между пациентом и знаниями о болезни, с которой ему предстоит столкнуться, возникнет разрыв. Это связано с тем, что не может быть прямого контакта с искусственной системой, как с врачом-человеком, что предотвращает естественное разрешение многих сомнений (поскольку, например, разговор с системой распознавания голоса Google никогда не будет похож на разговор с человеком). другой человек). Кроме того, необходимо, чтобы население приняло его, чтобы избежать течений мысли типа «эта машина ничего не знает, я не буду следовать указаниям».
При этом можно отметить большой прогресс науки в целом, вносящий вклад в общественное здравоохранение, а также демократизирующий его с помощью эффективных и практичных способов диагностики и наблюдения за пациентами, будь то на месте или на расстоянии. Будучи великой и многообещающей областью биотехнологии и биоинформатики, которая все еще обещает многое для развития и революции в медицине и других областях, и может даже сделать некоторых специалистов устаревшими.
Ссылки
- Эстева А., Робике А., Рамсундар Б., Кулешов В., ДеПристо М., Чоу К., Цуй С., Коррадо Г., Трун С., Дин Дж. Руководство по глубокому обучению в здравоохранении. Нат Мед. 2019 янв; 25 (1): 24–29. doi: 10.1038/s41591–018–0316-z. Epub 2019, 7 января. PMID: 30617335.
- Винс Дж., Шеной Э.С. Машинное обучение для здравоохранения: на пороге серьезного сдвига в эпидемиологии здравоохранения. Клин Инфекция Дис. 6 января 2018 г .; 66 (1): 149–153. doi: 10.1093/cid/cix731. PMID: 29020316; PMCID: PMC5850539.
Первоначально опубликовано на https://alissonkalel.com.