Текст уведомления здесь

Искусственный интеллект обучили диагностировать генетические заболевания по фото

И оказалось, что он может делать это даже лучше, чем врачи

Для многих генетически обусловленных заболеваний существуют специфические особенности черт лица, которые медики используют в диагностике. Это своеобразная база данных, которую может использовать не только человек, но и машина.
Добавить в закладки
Комментарии

Для многих генетически обусловленных заболеваний существуют специфические особенности черт лица, которые медики используют в диагностике. Команда ученых из Германии, Израиля и США успешно обучила этому способу определения возможных заболеваний искусственный интеллект, после чего по эффективности такой диагностики компьютер неожиданно опередил в экспериментах клинических экспертов.

Ученые использовали для обучения ИИ базу данных из 17 тысяч фотографий лиц пациентов с уже установленными диагнозами (более 200 разных синдромов), собранную медиками. Далее алгоритм, получивший название DeepGestalt, работал с несколькими десятками новых изображений и для каждого из них выдал ранжированный список возможных генетических синдромов пациента. Программа использует технологии компьютерного зрения и глубокого обучения.

В 90% случаев верный синдром оказался среди десяти наиболее вероятных, названных программой. Успешность той же работы клинических экспертов оказалась ниже, как показали три дополнительных эксперимента, где люди соревновались с машинами. В двух из них медикам и DeepGestalt нужно было отобрать из всех представленных только людей с определенным синдромом, а в третьем — различить между собой несколько подтипов одного синдрома.

Авторы работы полагают, что ИИ, хоть и не должен полностью подменять собой врача, может стать хорошим помощником при определении приоритетов диагностики в клинической практике, особенно когда речь идет о редких генетических синдромах. Предупреждают ученые и о возможных рисках технологии: поскольку фотографии лиц, в отличие от генетических данных, легко доступны, технология их анализа, оказавшись в широком доступе, может стать инструментом дискриминации в различных ситуациях.

Вам понравилась публикация?
Расскажите, что вы думаете, и мы подберем подходящие материалы

Течь в Марианской впадине оказалась вчетверо больше, чем ожидалось

Благодаря новым сейсмическим данным геологи выяснили, что за год из впадины утекает в недра Земли свыше ста тонн воды на метр разлома

Марианская впадина находится на  стыке двух тектонических плит — Тихоокеанской и Филиппинской. Тихоокеанская плита медленно движется в сторону Азии и подныривает под Филиппинскую, уходя в глубь низлежащего слоя, мантии. Вместе с собой плита уносит и воду, но точное количество утекающей в глубь планеты жидкости оставалось неясным. Работа исследователей, сотрудников университета штата Вашингтон и университета Стони-Брук в Нью-Йорке, позволила уточнить объемы «марианской течи».
Добавить в закладки
Комментарии

Чтобы получить картину происходящего на глубинах в десятки километров ниже самой глубокой впадины, ученые расставили на дне океана 19 сейсмометров, а еще семь аналогичных устройств разместили на островах; все вместе они регистрировали сейсмические волны, распространяющиеся внутри нашей планеты.

Сейсмические волны возникают как при землетрясениях, так и в ходе различных фоновых процессов, не сопровождающихся значимыми подземными толчками. Наблюдение за их распространением является стандартным методом изучения внутреннего строения планеты уже больше ста лет: именно благодаря отражению волн, расходящихся от землетрясения, в 1897 году немецкий исследователь Иоганн Вихерт обнаружил ядро Земли, а в наши дни «простукивание и прослушивание» недр повсеместно используется для поиска нефти. Точно так же теперь геологи смогли получить гораздо более качественные данные о строении глубинных слоев и точнее оценить содержание воды в увлекаемых внутрь мантии частях коры.

Схема расположения тектонических плит. Как правило, на месте стыков формируются либо горы, либо впадины; также в этих местах часто возникают вулканыUSGS, Bolelav1 / Wikimedia commons

Как оказалось, прошлые исследования давали число примерно в четыре раза меньшее, чем показало новое исследование. [ ... ]

Читать полностью

Стартап из ИТМО создал умный стетоскоп для всех

Машинное обучение поможет обычным людям следить за здоровьем легких.
Добавить в закладки
Комментарии

Стартап Laeneco из Университета ИТМО создал умный стетоскоп с функцией диагностики дыхания. С помощью него и специального приложения для смартфона, использующего встроенные алгоритмы машинного обучения, можно обнаружить наличие патологий в легких и выявить различные заболевания уже на ранней стадии.

Гаджет предназначен для регулярного использования обычными людьми. Пользователь с помощью электронного стетоскопа делает запись своего дыхания, после чего приложение проводит анализ звуков и сообщает о вероятности наличия патологий (точность, по результатам исследований, составляет 99 процентов). Особенность сервиса заключается в том, что он анализирует не сами звуковые дорожки, а спектрограммы, то есть графические отображения физических характеристик звуков. Спектрограмма дыхания обрабатывается сверточной нейронной сетью. Такие сети используют также в компьютерном зрении, распознавании образов, речи и даже в анализе смысла текстов.

Девайс подходит для анализа дыхания детей от трех лет и взрослых. В настоящий момент (до прохождения официальной медицинской сертификации) Laeneco представляет собой рекомендательный сервис, который подходит для доврачебной диагностики и отслеживания динамики развития заболевания.

Дополнительная опция Laeneco — передача и хранение данных для их дальнейшей обработки врачом. Получив звук легких в высоком качестве, специалист будет иметь возможность предоставить консультацию и назначить лечение сразу же, удаленно, либо позднее посмотреть, как в динамике развивалось заболевание. Планируется, что в перспективе система сможет идентифицировать отклонения от нормы даже качественнее, чем это делает врач, за счет работы девайса в широком диапазоне частот. [ ... ]

Читать полностью

Нейросеть научили «переводить» жалобы населения в соцсетях на язык медицины

Новая программа будет искать жалобы на побочные эффекты фармакологических препаратов в социальных сетях.
Добавить в закладки
Комментарии

Российские ученые из КФУ и МФТИ совместно с американскими коллегами обучили нейронную сеть находить и анализировать мнения пользователей социальных сетей о тех или иных эффектах лекарств. Соответствующая статья опубликована в Journal of Biomedical Informatics.

Авторы новой работы использовали последовательное обучение рекуррентных нейросетей, чтобы они могли находить в англоязычных соцсетях упоминания о действии различных лекарственных препаратов и корректно сопоставлять такие высказывания с медицинской классификацией их возможных постэффектов. Например, написанные «народным» языком комментарии из постов с формулировками типа «не могу заснуть всю ночь» или «слегка кружится голова» оцениваются нейросетью как относящиеся к определенным группам, с которыми сопоставлены конкретные медицинские характеристики — «бессонница» и «головокружение» соответственно. (Поскольку работа была поддержана грантом Российского научного фонда, то в ближайшие годы группа планирует перенести технологию на русский язык.)

Несмотря на кажущуюся простоту задачи, она чрезвычайно сложна. Пользователи соцсетей, как правило, не используют стандартную и строгую терминологию, могут писать с орфографическими и синтаксическими ошибками, что часто затрудняет понимание их высказываний даже для других людей.

Чтобы научить программное обеспечение разбирать истинный смысл таких «народных» формулировок, ученые применили искусственные нейронные сети. Это система взаимодействующих между собой простых процессоров, которые называют искусственными нейронами. Сети из таких процессоров не программируются в привычном смысле этого слова, а «обучаются». Им дают входящие данные и обучающую выборку (результаты, которые они должны получить на выходе), а затем находят математические коэффициенты связей между нейронами, при которых входящая информация даст «верную» информацию на выходе. После «обучения» на достаточно большой тренировочной выборке нейросеть сможет выдать правильный результат на основании одних только входящих данных, притом таких, которые отсутствовали в обучающей выборке. [ ... ]

Читать полностью