Новая модель, разработанная в MIT, автоматизирует критически важные этапы использования Искусственного интеллекта для принятия медицинских решений, вместо выявления важных признаков экспертами в ручную. Модель была в состоянии автоматически идентифицировать образцы голоса людей и, в свою очередь, использовать эти функции, чтобы предсказать, что люди делают и имеют ли расстройства.
Программисты MIT планируют ускорить использование искусственного интеллекта для улучшения принятия медицинских решений за счет автоматизации ключевого шага, который обычно выполняется вручную - и это становится более трудоемким, поскольку некоторые наборы данных становятся все больше и больше.
Область прогностической аналитики все больше обещает помощь врачам в диагностике и лечении пациентов. Модели машинного обучения можно обучить, чтобы находить закономерности в данных пациента, для помощи в лечении сепсиса, разрабатывать более безопасные схемы химиотерапии и прогнозировать риск развития рака молочной железы или смерти пациента в отделении интенсивной терапии, и это лишь несколько примеров.
Как правило, обучающие наборы данных состоят из множества больных и здоровых испытуемых, но с относительно небольшим количеством данных для каждого испытуемого. Затем эксперты должны найти именно те аспекты - или «особенности» - в наборах данных, которые будут важны для прогнозирования.
Эта «разработка функций» может быть трудоемким и дорогостоящим процессом. Но это становится еще более сложной задачей с появлением носимых датчиков, потому что исследователи могут легче контролировать биометрические показатели пациентов в течение длительных периодов, например, отслеживая характер сна, походку и голосовую активность. После всего лишь недели мониторинга эксперты могут получить несколько миллиардов выборов данных по каждому предмету.
В статье, представленной на конференции «Машинное обучение для здравоохранения» на этой неделе, исследователи из Массачусетского технологического института(MIT) демонстрируют модель, которая автоматически изучает функции, предиктивные для нарушений голосовых связок. Функции получены из набора данных, состоящего примерно из 100 образцов, каждый из которых содержит данные голосового мониторинга за неделю и несколько миллиардов выборов, иными словами, небольшое количество испытуемых и большое количество данных на испытуемого. Набор данных содержит сигналы, полученные от небольшого датчика акселерометра, установленного на шее испытуемого.
В экспериментах модель использовала функции, автоматически извлеченные из этих данных, чтобы с высокой точностью классифицировать пациентов с узелками голосовых связок и без них. Это повреждения, которые развиваются в гортани, часто из-за неправильного использования голоса, например, издающих песни или воплей. Важно отметить, что модель выполнила эту задачу без большого набора данных, помеченных вручную.
«Становится все проще собирать наборы данных длинных временных рядов. Но у вас есть врачи, которым необходимо применить свои знания для маркировки набора данных », - говорит ведущий автор Хосе Хавьер Гонсалес Ортис, доктор философии. студент в лаборатории компьютерных наук и искусственного интеллекта MIT (CSAIL). «Мы хотим удалить эту ручную часть для экспертов и перенести всю функциональность в модель машинного обучения».
Модель может быть адаптирована для изучения моделей любого заболевания или состояния. По словам исследователей, способность выявлять закономерности ежедневного использования голоса, связанные с узелками голосовых связок, является важным шагом в разработке улучшенных методов профилактики, диагностики и лечения расстройства. Это может включать разработку новых способов выявления и предупреждения людей о потенциально вредных вокальных нагрузках.
К работе над документом присоединился Гонсалес Ортис - Джон Гуттаг, профессор компьютерных наук и электротехники им. Дугальда К. Джексона и глава группы CSAIL по управлению данными; Роберт Хиллман, Джаррад Ван Стэн и Дарьюш Мехта, все из Центра Массачусетской больницы общего профиля для хирургии гортани и восстановления голоса; и Марзи Гассеми, доцент кафедры информатики и медицины в Университете Торонто.
