В последние годы исследователи разрабатывают алгоритмы машинного обучения для все более широкого круга целей. Это включает в себя алгоритмы, которые могут быть применены в медицинских учреждениях, например, помогая клиницистам диагностировать конкретные заболевания или нервно-психические расстройства, или контролировать здоровье пациентов с течением времени. Исследователи больницы общего профиля недавно провели исследование, изучающее возможность использования глубокого обучения подкреплению для контроля уровня бессознательности пациентов, которым требуется анестезия для медицинской процедуры.
Их доклад, который будет опубликован в сборнике трудов международной конференции по искусственному интеллекту в медицине 2020 года, был признан лучшим докладом, представленным на конференции.
Наша лаборатория добилась значительного прогресса в понимании того, как анестетические препараты влияют на нервную активность, и теперь у нас есть междисциплинарная команда, изучающая, как точно определить дозы анестетика по нейронным записям, сказал TechXplore Габриэль Ламберт, один из исследователей, проводивших это исследование. В нашем недавнем исследовании мы обучили нейронную сеть, используя метод кросс-энтропии, многократно позволяя ей работать на моделируемых пациентах и поощряя действия, которые привели к хорошим результатам.
По существу, Ламберт и его коллеги разработали глубокую нейронную сеть и обучили ее управлять дозированием анестетика с помощью обучения подкреплению в моделируемой среде. Они специально сосредоточились на дозировке propofola, лекарства, которое снижает уровень сознания людей и обычно используется для выполнения общей анестезии или седа ции пациентов, проходящих медицинские процедуры.
Исследователи обучили разработанную ими нейронную сеть моделированию данных пациентов, которые были сгенерированы на основе форма динамических моделей с рандомизированными параметрами. Это в конечном счете позволило им учесть множество пациентов с различными характеристиками и особенностями.Они провели серию тренировочных испытаний, используя так называемый метод кросс-энтропии. Во время этих испытаний нейронная сеть постепенно научилась сопоставлять наблюдаемое состояние анестетика с вероятностью введения фиксированной дозы propofola. Когда они оценивали эффективность своей модели, исследователи применяли детерминированную политику, которая преобразует вероятность введения фиксированной дозы propofola в непрерывную скорость ин фузии. В целом их нейронная сеть достигла замечательных результатов, превзойдя пропорционально-интегрально-производный (ПИД) контроллер, который ранее использовался для определения идеальных доз анестезии.
Два основных преимущества нашего подхода — это его способность масштабировать клинические переменные, включенные в наблюдение, и непрерывная связь глубокой сети между входными переменными и рекомендуемой дозировкой, сказал Ламберт. Глубокие нейронные сети позволяют нам создавать модель с большим количеством непрерывных входных данных, поэтому наш метод генерирует более последовательные политики управления, чем предыдущие политики на основе таблиц.
В будущем нейрон сетевая модель, разработанная этой командой исследователей, может помочь анестезиологам определить идеальную дозировку propofola для отдельных пациентов и достичь различных уровней бессознательности. Тем не менее, модель до сих пор тестировалась только в симуляциях поэтому прежде чем ее можно будет применить в реальных условиях, она должна будет пройти серию клинических испытаний с реальными пациентами.
До сих пор наш подход превосходил широко используемый пропорционально-интегрально-производный контроллер и был устойчивым при различных вариациях метаболизма и эффекта лекарств у пациентов, сказал Ламберт. Теперь мы хотели бы протестировать предложенную парадигму на людях в контролируемых клинических условиях.