Это ежемесячный обзор наиболее важных и интересных новостей от экспертной группы проекта Технологии Долголетия по направлению “Искусственный интеллект в медицине и биологии”
Общее быстрое развитие технологий, исследований и разработок в области применения искусственного интеллекта (ИИ) приводит к появлению соответствующих разработок в медицинских технологиях, росту инвестиции в проекты, связанные с ИИ, в медицине и биологии.
IT-компании активно создают биомедицинские подразделения, так как видят большой потенциал в применении ИИ для развития здравоохранения. Наиболее практическое применение находят технологии машинного обучения и нейросетей для создания систем автоматизированной диагностики заболеваний. Также развиваются технологии создания лекарственных препаратов на основе моделирования. Созданы и развиваются системы анализа биомаркеров различного типа. Огромную перспективу имеет создание моделей живых организмов, включая полную модель организма человека.
Разработчики Google DeepMind создали алгоритм машинного обучения, способный прогнозировать обострение заболевания почек за двое суток до того, как оно произойдет.
Разработчики DeepMind разработали метод глубокого обучения для непрерывного прогнозирования риска будущего ухудшения состояния пациентов, опираясь на недавнюю работу, которая моделирует нежелательные явления на основе электронных медицинских карт и используя острое повреждение почек — распространенное и потенциально опасное для жизни состояние — в качестве примера.
Модель была разработана на большом наборе данных электронных медицинских карт, охватывающих различные клинические среды, в который вошли 703 782 взрослых пациента в 172 стационарных и 1062 амбулаторных участках. Модель прогнозирует 55,8% всех стационарных эпизодов острого повреждения почек и 90,2% всех острых повреждений почек, которые требовали последующего введения диализа, с временем выполнения до 48 часов и соотношением 2 ложных предупреждений для каждого истинного оповещения. В дополнение к прогнозированию будущего острого повреждения почек модель предоставляет оценки достоверности и список клинических признаков, которые наиболее характерны для каждого прогноза, а также прогнозируемые будущие траектории для клинически значимых анализов крови.
Несмотря на то, что распознавание и быстрое лечение острого повреждения почек, как известно, сопряжено с трудностями, разработанный подход может предложить возможности для выявления пациентов, подвергающихся риску, в пределах временного интервала, позволяющего проводить лечение на ранней стадии.
Источник: https://www.nature.com/articles/s41586-019-1390-1.epdf
Российские ученые создали ИИ, способный предсказывать вредные мутации
Молекулярные биологи и математики из «Сколтеха», МФТИ, а также их коллеги из Индии создали систему машинного обучения BorodaTM, которая анализирует линейную и трехмерную структуру ранее изученных белков, выявляет полезные, нейтральные и вредные мутации и находит общие закономерности в их структуре.
Способность оценивать фенотипические эффекты мутаций является очень важной способностью в точной медицине. Однако большинство доступных в настоящее время структурно-ориентированных методов фактически предсказывают изменения, вызванные мутациями. Также нет специальных методов для предсказания повреждающих мутаций, особенно в трансмембранных белках. В этом исследовании ученые разработали и применили подход машинного обучения, чтобы различать вредные, связанные с заболеванием и доброкачественные мутации в трансмембранных областях белков с известной трехмерной структурой.
Источник: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0219452
Ученые изобрели новый метод обучения ИИ, вдохновившись работой мозга
Используя результаты передовых исследований головного мозга, группа ученых из Университета имени Бар-Илана в Израиле показала новый тип сверхбыстрых алгоритмов обучения искусственного интеллекта, основанных на медленной динамике мозга. Они частично превосходят показатели успеваемости, достигнутые с помощью самых современных алгоритмов обучения ИИ.
По словам исследователей динамика мозга не соответствует четко определенным часам, синхронизированным для всех нервных клеток, поскольку биологическая схема должна справляться с асинхронными входами по мере развития физической реальности. Напротив, традиционные алгоритмы искусственного интеллекта основаны на синхронных входах, поэтому относительная синхронизация различных входов, составляющих один и тот же кадр, обычно игнорируется.
Новое исследование демонстрирует, что сверхбыстрая скорость обучения на удивление одинакова для малых и больших сетей. Следовательно, по словам исследователей, «недостаток сложной схемы обучения мозга на самом деле является преимуществом». Другим важным открытием является то, что обучение может происходить без этапов обучения посредством самоадаптации в соответствии с асинхронными входами. Этот тип обучения без обучения происходит в дендритах, в нескольких терминалах каждого нейрона, как это недавно наблюдалось экспериментально. Кроме того, динамика сети при дендритном обучении определяется слабыми весами, которые ранее считались незначительными.
Идея эффективных алгоритмов глубокого обучения, основанных на очень медленной динамике мозга, дает возможность реализовать новый класс усовершенствованного искусственного интеллекта на основе быстрых компьютеров. Он призывает к восстановлению моста от нейробиологии к искусственному интеллекту, и, как делает вывод исследовательская группа, «понимание фундаментальных принципов нашего мозга должно быть снова в центре будущего искусственного интеллекта».
Источник: https://www.eurekalert.org/pub_releases/2019-08/bu-tb080719.php
Микроскоп с дополненной реальностью с интеграцией искусственного интеллекта в реальном времени для диагностики рака
Микроскопическая оценка образцов тканей играет важную роль в диагностике и постановке рака и, следовательно, направляет терапию. Тем не менее, эти оценки демонстрируют значительную изменчивость, и многие регионы мира не имеют доступа к обученным патологам. Хотя искусственный интеллект (ИИ) обещает улучшить доступ и качество медицинской помощи, затраты на оцифровку изображений при патологии и трудности при развертывании решений ИИ остаются барьерами для реального использования.
В своем исследовании ученые рассказывают об экономически эффективном решении: микроскопе дополненной реальности (ARM). ARM накладывает информацию на основе AI на текущее представление образца в режиме реального времени, обеспечивая бесшовную интеграцию AI в рутинные рабочие процессы. Исследователи демонстрируют полезность ARM для обнаружения метастатического рака молочной железы и идентификации рака простаты, с латентностью, совместимой с использованием в реальном времени. Ожидается, что ARM сможет устранить барьеры на пути использования ИИ, предназначенного для повышения точности и эффективности диагностики рака.
Источник: https://www.nature.com/articles/s41591-019-0539-7
Автор: Олеся Сидорова
Перепечатка разрешается при сохранении ссылок на источник публикации.
