Это ежемесячный обзор наиболее важных и интересных новостей от экспертной группы проекта Технологии Долголетия. Сайт группы rlegroup.net.
В текущем обзоре рассматриваются последние наиболее значительные и интересные публикации о использовании технологий машинного интеллекта для диагностики заболеваний, моделировании свойств лекарственных препаратов, создании моделей живых организмов, анализа биомаркеров старения, прямого научного поиска средств продления жизни, других применениях ИИ в медицине и биологии.
Отдельный интерес представляет использование технологий машинного интеллекта для увеличения эффективности исследований, прямого научного поиска средств продления жизни, начиная с простейших алгоритмических механизмов для аналитики научных публикаций в областях, связанных с продлением жизни.
Ученые автоматизировали поиск белковых кристаллов с помощью компьютерного зрения
Группа исследователей из MARCO (MAchine Recognition of Crystallization Outcomes) совместно с разработчиками из Google разработали инструмент распознавания белковых кристаллов с помощью сверточных нейросетей. С помощью анализа белковых кристаллов можно распознать структуру сложной молекулы, таким образом определить ее функции и впоследствии создать препарат, нацеленный на нее.
Источник:http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0198883
Робот-химик с искусственным интеллектом сможет предсказывать новые вещества
Исследователи из Университета Глазго научили искусственную нейронную сеть находить новые соединения и определять химические реакции. Система в режиме реального времени отслеживает вещества, возникшие в ходе реакции и исчезнувшие с помощью инфракрасной спектроскопии методов, основанных на ядерном магнитном резонансе. После чего нейронная сеть, на основе которой разработана система, обрабатывает полученные данные и принимает решения о дальнейшем пути реакции.
Источник: https://www.nature.com/articles/s41586-018-0307-8
Стэнфордский ИИ может прогнозировать побочные эффекты миллионов комбинаций лекарств
Исследователи Стэнфордского университета разработали систему, управляемую искусственным интеллектом, которая может проанализировать взаимодействие двух лекарственных препаратов.
В качестве решения, ученые создали обширную систему глубокого обучения, на основе данных о взаимодействии более 19 000 белков, и взаимодействий с ними разных лекарств. Система называется Decagon, и она может эффективно предсказать взаимодействие любых двух разных препаратов.
На данный момент система анализирует взаимодействие не более двух препаратов, но ученые предполагают в будущем расширить их до более сложных комбинаций лекарств.
Источник: https://academic.oup.com/bioinformatics/article/34/13/i457/5045770
Машинное обучение будет способствовать отказу от опытов на животных
Группа исследователей под руководством Томаса Хартунга из Университета Джонса Хопкинса разработали компьютерный подход выявления токсичности химических веществ, превосходящий по точности опыты на животных. Для его создания использовали бинарные коэффициенты сходства, а сама система обучена на информации о более чем 866 тысячах опасных свойств распространенных в опытах химикатов.
Ученые использовали данные о 80 тысячах химических веществ из досье, собранных Европейским химическим агентством: в конечном датасете содержится информация о 866 тысячах свойств и указаний на токсичность и возможные вредные воздействий всех проанализированных химикатов. В результате исследователи смогли добиться точности токсикологического анализа в 87 процентах случаев: для сравнения, единичный опыт с участием животного имеет точность в 57 процентов, а повторный — 81 процент.
Источник: http://www.pnas.org/content/early/2017/09/07/1700689114
Нейросеть научили создавать данные для лечения редких болезней
Инженеры Университета Торонто способствовали решению проблемы ограниченности количества данных для редких заболеваний для алгоритмов машинного обучения, сымитировав рентгеновские снимки с помощью соревнования двух нейросетей. Новый подход улучшил диагностику редких заболеваний почти в полтора раза.
Ученые применили технологию глубокой сверточной генеративно-состязательной сети (DCGAN). Генеративно-состязательная сеть — разновидность алгоритма, опирающегося на взаимодействие двух сетей. Одна генерирует изображения, а другая пытается отличить искусственные от настоящих. Обучение происходит до тех пор, пока вторая машина не перестанет замечать различия. Как только таким образом создается достаточное количество рентгеновских снимков, к их анализу подключают сверточную нейронную сеть, которая пытается распознать на них признаки заболевания.
Сравнив эффективность нового подхода с традиционным, разработчики обнаружили, что точность диагностики распространенных заболеваний увеличилась на 20%, а для ряда редких — на 40%, пишет Science Daily.
Источник: https://www.sciencedaily.com/releases/2018/07/180706150816.htm
Нейросеть научилась определять IQ человека по МРТ
Ученые из калифорнийского медицинского центра Cedars-Sinai совместно с коллегами из университета Салерно в Италии разработали программу, которая определяет уровень интеллекта по МРТ. Искусственный интеллект анализирует карту мозговой активности и выдает результат. В качестве данных для обучения нейросети ученые использовали МРТ и итоги тестов IQ более 900 человек. Исследователи отмечают, что нейросеть еще требует доработки и пока не может сравниться с полноценным тестом на IQ. Кроме того, систему хотят научить диагностировать такие расстройства, как аутизм, шизофрения и тревожность.
Источник: https://www.biorxiv.org/content/early/2018/05/07/257865
«Стимулятор воображения» поможет восстановиться после инсульта
Российские ученые разработали игровой комплекс для реабилитации пациентов после инсульта. Специалисты в области искусственного интеллекта заменили физические тренировки по восстановлению двигательных функций игрой с воображением, по окончании которой пациент получает возможность двигаться.
В рамках нового подхода, прежде чем приступать к тренировкам, невролог и нейрофизиолог проводят стандартные исследования, выявляющие особенности активности мозга пациента. После этого происходит сбор данных о мозговой активности: сначала пациент должен представить, как он двигает рукой, сжимает кисть, а потом постараться совершить эти движения. В этот момент ученые при помощи электроэнцефалографа фиксируют поверхностную активность мозга. По их словам, программа совершенствуется на основе полученных данных с помощью методов машинного обучения. Всего период реабилитации занимает около двух месяцев.
Источник: https://www.biorxiv.org/content/early/2018/05/07/257865
Российский стартап Skychain представил искусственный интеллект для медицины
Стартап Skychain Global представил платформу для использования искусственного интеллекта в медицине.
На платформе будут работать три нейронных сети, способных определять болезни и отклонения на рентгене и МРТ намного быстрее, чем люди. Планируется, что платформа для работы искусственного интеллекта объединит производителей оборудования, поставщиков данных, разработчиков нейросетей и больных. Это значительно ускорит постановку диагноза и снизит возможность врачебной ошибки.
Источник:https://hightech.fm/2018/07/23/hospital
Искусственный интеллект научился диагностировать инфаркт миокарда
Немецкие инженеры разработали нейронную сеть, которая может выявить признаки инфаркта миокарда не хуже кардиологов.
Для работы искусственного интеллекта использует данные ЭКГ. Учёные собрали базу из 148 записей ЭКГ пациентов с инфарктом миокарда и 52 записей здоровых людей. Для подачи данных в нейронную сеть они применили метод скользящего окна (sliding window protocol). Система анализировала не полную ЭКГ, а разделенную на фрагменты, в каждом из которых было зафиксировано по три удара сердца.
Чтобы обучить нейросеть выявлять признаки сердечного приступа, команда использовала 90% данных, а остальные приберегла для тестирования. Результаты оказались впечатляющими: чувствительность алгоритма составила 93,3%, а специфичность – 89,7%.
Источник:https://arxiv.org/abs/1806.07385
Нейросеть научили распознавать признаки деменции без учета возрастного фактора
Исследователи из Торонто разработали систему на основе машинного обучения для прогнозирования деменции, которая выявляет приоритеты конкретных переменных при анализе данных, и способна изолировать искажающие факторы, например возраст. Учёные достигли до 100% точности в классификации подтипов афазии, и 82% в случаях с деменцией.
Классификаторы протестировали на наборах данных DementiaBank и Famous People, которые включают в себя записи голоса и транскрипты людей с деменцией и людей без когнитивных нарушений. Метод, предложенный учёными, позволяет отделить и не учитывать возрастной фактор, и при этом справляется лучше чем существующие классификаторы, теряя всего 2,56% точности на датасете DementiaBank и 2,25% на Famous People.
Источник:https://arxiv.org/abs/1807.07217
Автор: Олеся Сидорова
Перепечатка разрешается при сохранении ссылок на источник публикации.
