По данным всемирной организации здравоохранения, более 50% всех причин преждевременной смерти составляют различные заболевания. В мире, количество людей погибающих в результате заболеваний неизмеримо больше, чем жертв аварий на дорогах, вооруженных конфликтов и преступности. Поэтому развитие медицины имеет огромное и первостепенное значение для каждого из нас.
За последние годы развитие науки привело к принципиальному изменению подходов к лечению многих заболеваний. Но темпы появления новой информации столь высоки, что врачи часто не успевают следить за современными исследованиями, и как следствие пациенты получают устаревшее лечение. Подсчитано, что современный врач должен тратить не менее 3 часов в день на чтение специальной литературы, чтобы оставаться в курсе последних достижений медицины.
Помочь ситуации могут системы искусственного интеллекта
Поиск и рекомендации оптимального лечения для пациентов
В нашей компании по заказу иностранных партнеров была разработана система рекомендации лечений онкологических заболеваний, с учетом генетического профиля опухоли.
Система использует методы понимания естественного языка для того, чтобы сканнировать публикации в научных конференциях, журналах и базах данных, собирая информацию о клинических испытаниях противоопухолевых препаратов и влиянии генетических маркеров на их эффективность.
Благодаря этому система может уведомить врача о появившихся новых методах лечения, или об появлении новых данных относительно сравнительной эффективности известных методов. Для пациентов имеющих неблагоприятных прогноз, система также способна рекомендовать экспериментальную терапию.
Конечно, окончательное решение всегда остается за врачом, но благодаря более полной информированности система позволяет повысить качество лечения пациентов.
Анализ медицинских изображений
Современные системы машинного зрения способны анализировать содержимое рентгеновских снимков, томограмм и гистологических срезов, для того, чтобы повысить точность постановки диагноза.
Нашими сотрудниками разработана система классификации патологий на рентгеновских снимках, с использованием общедоступного набора данных медицинских изображений. Точность полученных результатов не уступает мировому уровню
Полученные результаты классификации медицинских изображений по сравнению с данными приведенными в работе
Wang X. et al. ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases //arXiv preprint arXiv:1705.02315. – 2017.
| Название класса | Проверка площади под ROC-кривой | Результат из статьи | Разница |
|---|---|---|---|
| Инфильтрация | 0.72970284 | 0.61 | 0.11970284 |
| Консолидация | 0.773057944 | ||
| Отек | 0.720719823 | ||
| Плевральное утолщение | 0.745625259 | ||
| Не найдено | 0.658433213 | ||
| Пневмония | 0.64059523 | 0.63 | 0.01059523 |
| Кардиомегалия | 0.848813059 | 0.81 | 0.038813059 |
| Выпот | 0.799360531 | 0.73 | 0.069360531 |
| Грыжа | 0.546365906 | ||
| Ателектаз | 0.732973511 | 0.706 | 0.026973511 |
| Фиброз | 0.742025218 | ||
| Узел | 0.642177937 | 0.71 | -0.067822063 |
| Эмфизема | 0.716968368 | ||
| Пневмоторакс | 0.769281729 | 0.789 | -0.019718271 |
Если вы интересуетесь машинным обучением для медицинских приложений то свяжитесь с нами