Vedi traduzione automatica
Questa è una traduzione automatica. Per vedere il testo originale in inglese cliccare qui
#News
{{{sourceTextContent.title}}}
Comprendere l'apprendimento automatico e l'apprendimento profondo in medicina
{{{sourceTextContent.subTitle}}}
Algoritmi, set di dati, apprendimento automatico, apprendimento profondo, calcolo cognitivo, grandi dati e intelligenza artificiale: Espressioni informatiche che hanno conquistato con forza sorprendente il linguaggio della sanità del XXI secolo. Se i medici professionisti vogliono anticipare la curva, dovrebbero familiarizzare con le nozioni di base di A.I. e avere un'idea di quali problemi medici intendono risolvere. Quindi, diamo uno sguardo più da vicino all'apprendimento automatico e all'apprendimento profondo in medicina.
{{{sourceTextContent.description}}}
L'anticamera dell'intelligenza artificiale
Il termine "intelligenza artificiale" potrebbe essere fuorviante in quanto a causa dell'uso eccessivo dell'espressione, il suo significato ha cominciato a gonfiarsi. Implica software con cognizione e sensibilità, una tecnologia molto più sviluppata di quella attuale. Ad esempio, Facebook ha annunciato un A.I. per rilevare i pensieri suicidi inviati alla sua piattaforma, ma un'ispezione più attenta ha rivelato che il "rilevamento A.I." in questione è poco più di un filtro di pattern-matching che segnala i messaggi per i manager della comunità umana.
Nel migliore dei casi, la tecnologia attuale con vari metodi algoritmici è in grado di raggiungere l'intelligenza artificiale ristretta (ANI) in alcuni campi, le aree più avanzate sono la computer vision e l'elaborazione del linguaggio naturale. In termini molto semplici, l'ANI ha un incredibile pattern di riconoscimento di capacità in enormi set di dati, il che lo rende perfetto per risolvere problemi di classificazione e clustering basati su testo, voce o immagini. Ma mentre i metodi di analisi dei dati più complessi suonano eccitanti e accattivanti, a volte si possono ottenere grandi risultati anche utilizzando tecniche meno avanzate.
Ad esempio, in un piccolo ospedale ungherese, il tempo di attesa per i pazienti oncologici è sceso drasticamente da 54 a 21 giorni solo ottimizzando i processi di gestione dei pazienti con l'aiuto di semplici meccanismi come la registrazione e il follow-up dei casi da vicino. Il primo passo per l'analisi dei dati consiste nel registrare i dati in modo appropriato - e poi eseguire le necessarie azioni di follow-up. Il secondo passo consiste nell'utilizzare vari metodi statistici, come il data mining per raccogliere, analizzare, descrivere, descrivere, visualizzare e trarre conclusioni dai dati, ad esempio dalle cartelle cliniche elettroniche o dall'universo "OMICS". L'attenzione è focalizzata sulla scoperta di relazioni matematiche e proprietà all'interno di grandi insiemi di dati e sulla quantificazione dell'incertezza. L'estrazione di dati significa di solito quando le intuizioni e i modelli sono estratti da database su larga scala.
Tuttavia, questo è solo l'anticamera dell'intelligenza artificiale: l'apprendimento automatico e l'apprendimento profondo vanno ben oltre.
I Pattern recognizers dominano il mondo: apprendimento controllato delle macchine e morbillo
L'apprendimento automatico è il campo dell'informatica che permette ai computer di apprendere senza essere esplicitamente programmati, basandosi su statistiche computazionali e data mining. Come per le statistiche tradizionali, l'apprendimento automatico richiede un numero sufficiente di dati di formazione (noto anche come dimensione del campione nelle statistiche tradizionali) e gli algoritmi giusti per ottimizzare le sue prestazioni sul set di dati di formazione prima del test. Tuttavia, a differenza dei metodi tradizionali, l'apprendimento automatico si concentra sulla costruzione di sistemi decisionali automatizzati.
Il campo ha diversi tipi: potrebbe essere supervisionato, non supervisionato, semi-supervisionato o di rinforzo, tra gli altri. Il primo è tipicamente utilizzato per problemi di classificazione, ad esempio per accoppiare le immagini con le etichette. Si dispone di dati di ingresso e di uscita - l'immagine e l'etichetta - e l'algoritmo impara le regole generali su come classificare. E 'il tipo più popolare di apprendimento automatico in medicina, e in pochi anni, sarà ampiamente utilizzato in imaging medico in radiologia, patologia e altri campi ad alta intensità di immagini. Anche se ha certamente i suoi limiti: per diventare sufficientemente precisi è necessario disporre di grandi serie di dati e i dati devono essere adeguatamente etichettati. Ecco perché il lavoro degli annotatori di dati è così cruciale.
Tuttavia, l'apprendimento automatico supervisionato può anche essere efficacemente utilizzato per prevedere gli eventi di salute sulla base di vari dati di input, che possono essere classificati in modo lineare. Ad esempio, dalle statistiche sui tassi di vaccinazione contro il morbillo e sui focolai di malattia dei Centri per il controllo e la prevenzione delle malattie, nonché da dati sanitari non tradizionali, compresi i dati sui social media e sulla sorveglianza sindromica generati da un software che estrae una vasta gamma di fonti di cartelle cliniche, un algoritmo può fornire una mappa affidabile dei futuri focolai di morbillo.
Apprendimento automatico senza supervisione e interazioni con i farmaci
Nel caso di apprendimento automatico non supervisionato, al programma informatico viene chiesto di scoprire la struttura e i modelli intrinseci che si trovano all'interno dei dati. A differenza del machine learning supervisionato, i set di dati non sono etichettati e non strutturati. Quindi, l'algoritmo deve comporre i propri gruppi, cluster e categorie basate su "similitudini" in enormi set di dati. Di solito viene utilizzato per prevedere risultati sconosciuti e per determinare come scoprire modelli nascosti. L'apprendimento automatico non supervisionato ha sottotipi: algoritmi di clustering e algoritmi di apprendimento delle regole di associazione.
L'apprendimento non supervisionato è spesso utilizzato nell'apprendimento profondo ed è stato implementato in veicoli e robot autoguidati, oltre ad essere utilizzato in applicazioni di riconoscimento di discorsi e modelli. In medicina, ad esempio, i campioni di tessuti possono essere raggruppati sulla base di valori simili di espressione genica utilizzando tecniche di apprendimento non supervisionato. Come esempio di algoritmi di apprendimento delle regole di associazione, si può citare la sperimentazione di nuove interazioni droga-droga.
Rafforzare l'apprendimento e la magia di AlphaGo
L'ultima categoria, il reinforcement learning costituisce probabilmente il tipo di machine learning più conosciuto: quando il programma per computer impara dai suoi errori e successi; e costruisce le sue esperienze nell'algoritmo. L'esempio più famoso è AlphaGo, la macchina sviluppata da Google che ha decisamente battuto il campione del mondo Lee Sedol nel marzo 2016. Usando uno schema di ricompensa e penalità, il modello si è prima allenato su milioni di posizioni di bordo nella fase di apprendimento supervisionato, poi si è giocato nella fase di apprendimento di rinforzo per diventare infine abbastanza buono da trionfare sul miglior giocatore umano.
Tuttavia, il problema con l'applicazione del rafforzamento dell'apprendimento in ambito sanitario, soprattutto per l'ottimizzazione del trattamento, è che, a differenza di AlphaGo, non si può giocare un gran numero di scenari in cui l'agente interviene per imparare la politica ottimale, in quanto sono in gioco le vite dei pazienti. Fortunatamente, abbiamo già esempi in cui la questione può essere mitigata. In uno studio pubblicato dai ricercatori del MIT, gli autori hanno riportato una formulazione di successo del dosaggio in studi clinici come problema di apprendimento di rinforzo, dove l'algoritmo ha insegnato i regimi di dosaggio appropriati per ridurre i diametri medi dei tumori nei pazienti sottoposti a chemioterapia e radioterapia.
Apprendimento profondo in medicina usato per questioni molto complesse
L'apprendimento profondo è il sottocampo dell'apprendimento automatico in cui i computer imparano con l'aiuto di reti neurali a strati. Tuttavia, non c'è una linea stretta tra macchina e apprendimento profondo, di solito, la pulizia dei dati e la complessità del problema determinano quale è più applicabile. Algoritmi di apprendimento profondo di solito si occupano di insiemi di dati disordinati, pile di informazioni non strutturate per cercare di dare risposte a domande difficili.
Cosa sono le reti neurali? Il loro funzionamento imita fondamentalmente i neuroni del cervello. Quartz ha formulato la spiegazione come segue: algoritmi che sono costruiti approssimativamente per modellare il modo in cui il cervello elabora le informazioni, attraverso reti di equazioni matematiche collegate. I dati forniti a una rete neurale sono suddivisi in pezzi più piccoli e analizzati per modelli sottostanti migliaia o milioni di volte a seconda della complessità della rete. Una rete neurale profonda si ha quando l'uscita di una rete neurale viene immessa nell'ingresso di un'altra, incatenandoli insieme come strati. Tipicamente, gli strati di una rete neurale profonda analizzerebbero i dati su livelli di astrazione sempre più alti, il che significa che ognuno di essi butta via i dati che ha imparato ad essere inutili fino a quando non viene lasciata la rappresentazione più semplice e più accurata dei dati.
L'apprendimento profondo ha diversi tipi basati sui modi di collegare gli strati e sui modi in cui agiscono i 'neuroni'. Ci sono anche algoritmi di apprendimento non supervisionato, supervisionato e di rinforzo in algoritmi di apprendimento profondo, in quanto significano il modo in cui l'algoritmo è alimentato con i dati dai ricercatori. Oltre a ciò, le reti neurali convoluzionali (CNN) sono tipiche per riconoscere immagini, video e dati audio, grazie alla loro capacità di lavorare con dati densi. Le reti neurali ricorrenti (RNNN) sono utilizzate per l'elaborazione del linguaggio naturale, mentre le reti di memoria lunga a breve termine (LSTM) sono varianti delle RNNN, destinate a conservare informazioni strutturate basate su dati. Per esempio, una RNN potrebbe riconoscere tutti i sostantivi e gli aggettivi di una frase e determinare se sono usati correttamente, e un LSTM potrebbe ricordare la trama di un libro.
Come esempio di profondo apprendimento in medicina, i ricercatori hanno proposto un approccio per dedurre le politiche terapeutiche per i pazienti settici, utilizzando modelli spazio-statale continuo e un profondo apprendimento di rinforzo. In un altro studio, gli esperti tentano di risolvere il difficile problema della stima delle dimensioni dei polipo utilizzando immagini o video della colonscopia, che è cruciale per fare una diagnosi nello screening del cancro al colon. Inoltre, l'apprendimento profondo non supervisionato può facilitare l'esplorazione di nuovi fattori nei sistemi di punteggio o aggiungere fattori di rischio nascosti ai modelli esistenti. Può anche essere usato per classificare nuovi genotipi e fenotipi da ipertensione polmonare, cardiomiopatia e molti altri fattori.
Navigare in mare di informazioni sull'intelligenza artificiale è difficile. Come tutti si sono resi conto che le tecnologie che portano all'A.I. potrebbero rivoluzionare la sanità, ci sono molti esperimenti, ricerche, ma anche informazioni fasulle ed eccessive. Noi di The Medical Futurist ci proponiamo di fornirvi un contesto, di interpretare i risultati degli studi e di cercare di dare un senso alla rivoluzione digitale della salute. Sentitevi liberi di contattarci per domande, commenti o semplicemente per una conversazione. Ci farebbe piacere sentirvi!