За последние два года искусственный интеллект (artificial intelligence, AI) зарекомендовал себя как преобразующая технология в индустрии медицинского оборудования, и одним из самых больших преимуществ AI является его роль в прогностическом анализе или принятии медицинских решений.
Но для того, чтобы использовать искусственный интеллект для принятия решений при диагностике или лечении, кто-то должен готовить наборы данных, а затем выделять признаки в наборах данных, которые будут важны для составления прогнозов. Этот процесс, известный как проектирование признаков (feature engineering), часто является трудоемким и дорогостоящим, особенно с учетом популярности носимых сенсоров.
Именно поэтому исследователи Массачусетского технологического института решили разработать модель машинного обучения, которая автоматически учитывает особенности, позволяющие прогнозировать заболевания голосовых связок. Характеристики были получены из набора данных, включающего около 100 человек, для каждого из которых существовал недельный объем данных голосового мониторинга и несколько миллиардов выборок (небольшое число субъектов и большой объем данных на субъект). Набор данных содержит сигналы, полученные от крошечного акселерометра, установленного на шее человека. Акселерометр отправлял данные на смартфон, который собирал данные о смещениях в акселерометре.
Исследователи сообщили, что в экспериментах модель использовала признаки, автоматически извлеченные из этих данных, для высокоточной классификации пациентов с узлами на голосовых связках и без них. Модель справилась с этой задачей без большого массива данных, маркированных вручную.
Ведущий автор этого проекта Хосе Хавьер Гонсалес Ортис, аспирант Лаборатории информатики и искусственного интеллекта Массачусетского технологического института, говорит:
Сейчас становится все проще собирать массивы данных за большие периоды времени. Но у вас должны быть врачи, которые смогут применять свои знания для маркировки набора данных. Мы хотим убрать эту ручную часть, где используются эксперты, и перенести все проектирование признаков в модель машинного обучения.
Исследователи утверждают, что модель может быть адаптирована для изучения закономерностей любого заболевания или состояния. При этом, по словам ученых, способность определять структуры, связанные с узелками на голосовых связках, в обычной ежедневной речи является важным шагом в разработке усовершенствованных методов профилактики, диагностики и лечения заболевания. В том числе при создании новых способов выявления и оповещения людей о потенциально вредном голосовом поведении.
В ближайшем времени исследователи намерены заняться мониторингом того, как различные методы лечения, такие как хирургия и голосовая терапия, влияют на голосовое поведение. Если поведение пациентов со временем меняется с ненормального на нормальное, то, скорее всего, оно улучшается. Исследователи также хотят использовать аналогичную методику на данных электрокардиограммы.