Але й вирішувати важливіші завдання – наприклад, шукати нові ліки. The Village звернувся до експертів, щоб дізнатися, в чому полягають особливості технології та як її використовують вітчизняні компанії та університети.

Що таке нейронні мережі?

Щоб зрозуміти, яке місце нейронні мережі займають у світі штучного інтелекту і як вони пов'язані з іншими технологіями створення інтелектуальних систем, почнемо з визначень.

Нейронні сіті- один із методів машинного навчання, основи якого зародилися у 1943 році, ще до появи терміна «штучний інтелект». Є математичною моделлю, що віддалено нагадує роботу нервової системи тварин.

За словами старшого наукового співробітника університету Іннополіс Станіслава Протасова, найближчим аналогом людського мозку є згорткові нейронні мережі, вигадані математиком Яном Лекуном. "Вони лежать в основі багатьох додатків, які претендують на звання штучного інтелекту, - наприклад, у FindFace або Prisma", - зазначає він.

Машинне навчання- підрозділ штучного інтелекту на перетині математики та комп'ютерних наук. Він вивчає методи побудови моделей та алгоритмів, заснованих на принципі навчання. Машина аналізує скормлені їй приклади, виділяє закономірності, узагальнює їх і будує правила, за допомогою яких вирішуються різні завдання - наприклад, передбачення подальшого розвитку подій або розпізнавання та генерації зображень, тексту та мовлення. Крім нейромереж, тут також застосовуються методи лінійної регресії, дерева рішень та інші підходи.

Штучний інтелект- Розділ комп'ютерної науки про створення технологічних засобів для виконання машинами завдань, які раніше вважалися виключно прерогативою людини, а також позначення таких розробок. Напрямок офіційно оформився 1956 року.

Олександр Крайнов

Що можна назвати штучним інтелектом, а що ні – питання домовленостей. Людство за великим рахунком так і не дійшло однозначного формулювання, що таке інтелект взагалі, не кажучи вже про штучне. Але якщо узагальнити те, що відбувається, можна говорити про те, що штучний інтелект - це глибокі нейронні мережі, що вирішують складні завдання на рівні, близькому до рівня людини, і в тій чи іншій мірі самонавчені. При цьому під самонавчанням тут розуміється здатність самостійно отримувати корисний сигнал із сирих даних.

У якому стані зараз галузь?

За оцінками аналітичного агентства Gartner, машинне навчання зараз перебуває на піку завищених очікувань. Характерний цього етапу ажіотаж навколо нової технології призводить до зайвому ентузіазму, який обертається невдалими спробами її повсюдного використання. Передбачається, що на порятунок від ілюзій галузі знадобиться від двох до п'яти років. На думку російських експертів, незабаром нейромережам доведеться пройти перевірку на міцність.

Сергій Негодяєв

керуючий портфелем Фонду розвитку інтернет-ініціатив

Хоча вчені займаються формалізацією та розробкою нейромереж вже 70 років, можна виділити два переломні моменти у розвитку цієї технології. Перший – 2007 рік, коли в Університеті Торонто створили алгоритми глибокого навчання багатошарових нейронних мереж. Другий момент, що спровокував сьогоднішній бум, - це 2012 рік, коли дослідники з того ж університету застосували глибинні нейромережі та виграли конкурс ImageNet, навчившись розпізнавати об'єкти на фото та відео з мінімумом помилок.

Зараз комп'ютерних потужностей вистачає на вирішення якщо будь-яких, то переважної більшості завдань з урахуванням нейромереж. Тепер головна перешкода – нестача розмічених даних. Умовно кажучи, щоб система навчилася розпізнавати захід сонця на відео чи фотографіях, їй треба згодувати мільйон знімків заходу сонця, вказавши, де саме він знаходиться в кадрі. Наприклад, коли ви завантажуєте у Facebook фотографію, ваші друзі розпізнають на ній котика в променях західного сонця, а соціальна мережа бачить у ній набір міток: «тварина», «кіт», «дерев'яна», «підлога», «вечір», « помаранчевий». У кого даних для навчання виявиться більше, у того нейромережа і буде розумнішим.

Андрій Калінін

керівник «Пошуку Mail.Ru»

Розважальні програми на основі нейромереж - наприклад, наші Artisto або Vinci - це тільки вершина айсберга, а заразом відмінний спосіб продемонструвати їх можливості широкої аудиторії. Насправді нейромережі здатні вирішувати низку найскладніших завдань. Найбільш «гарячі» напрями зараз – це автопілоти, голосові помічники, чат-боти та медицина.

Олександр Крайнов

голова служби комп'ютерного зору "Яндекса"

Можна сказати, що бум нейромереж вже настав, але на пік він ще не вийшов. Далі буде лише цікавіше. Найперспективніші напрями сьогодні – це, мабуть, комп'ютерний зір, діалогові системи, аналіз текстів, робототехніка, безпілотний транспорт та генерація контенту – текстів, зображень, музики.

Перспективні сфери для впровадження нейромереж

Транспорт

Робототехніка

Біотехнології

Сільське господарство

Інтернет речей

Медіа та розваги

Лінгвістика

Безпека

Влад Шершульський

директор програм технологічного співробітництва Microsoft у Росії

Сьогодні вже трапилася нейронна революція. Іноді важко відрізнити фантастику від реальності. Уявіть собі автоматизований комбайн із безліччю камер. Він робить по 5 тисяч знімків за хвилину і через нейромережу аналізує, бур'ян перед ним або заражена шкідниками рослина, після чого вирішує, як вчинити далі. Фантастика? Вже не зовсім.

Борис Вольфсон

директор з розвитку HeadHunter

Навколо нейромереж є певний хайп і, на мій погляд, трохи завищені очікування. Ми ще пройдемо через етап розчарування, перш ніж навчимося їх ефективно використати. Багато проривних результатів досліджень поки не дуже застосовні у бізнесі. Насправді найчастіше розумніше використовувати інші методи машинного навчання - наприклад, різні алгоритми, засновані деревах рішень. Напевно, це не так захоплююче і футуристично, але ці підходи дуже поширені.

Чому вчать нейронні мережі у Росії?

Учасники ринку згодні, що багато досягнень нейронних мереж поки що застосовні лише в академічній сфері. За її межами технологія використовується переважно в розважальних програмах, які й підігрівають інтерес до теми. Проте російські розробники вчать нейромережі та вирішення соціально-значимих та бізнес-завдань. Зупинимося докладніше на деяких напрямках.

Наука та медицина

Школа аналізу даних "Яндекса" бере участь в експерименті CRAYFIS спільно з представниками "Сколково", МФТІ, ВШЕ та американських університетів UCI та NYU. Його суть полягає у пошуку космічних частинок надвисокої енергії за допомогою смартфонів. Дані з камер передаються прискореним нейромережам, здатним зафіксувати сліди слабо взаємодіючих частинок на знімках.

Не єдиний міжнародний експеримент, у якому задіяні російські фахівці. Вчені університету Іннополіс Мануель Маццара та Леонард Йохард беруть участь у проекті BioDynaMo. Заручившись підтримкою Intel та ЦЕРН, вони хочуть створити досвідчений зразок, здатний відтворити повномасштабну симуляцію мозкової кори. З його допомогою планується підвищити ефективність та економічність експериментів, у яких потрібна наявність живого людського мозку.

Професор Іннополіса Ярослав Холодов брав участь у розробці комп'ютерної моделі, здатної вдесятеро швидше передбачити утворення білкових зв'язків. За допомогою цього алгоритму можна прискорити розробку вакцин та ліків. У цій же сфері відзначилися розробники з Mail.Ru Group, Insilico Medicine та МФТІ. Вони використовували генеративні змагальні мережі, навчені вигадувати молекулярні структури, для пошуку речовин, які можуть бути корисними при різних хворобах - від онкології до серцево-судинних захворювань.

краса і здоров'я

У 2015 році російська компанія Youth Laboratories запустила перший міжнародний конкурс краси Beauty.AI. Фотографії учасників у ньому оцінювалися нейромережами. При визначенні переможців вони враховували стать, вік, національність, колір шкіри, симетричність обличчя та наявність чи відсутність у користувачів зморшок. Останній фактор також підштовхнув організаторів до створення сервісу RYNKL, що дозволяє відстежити, як старіння впливає на шкіру та як із ним борються різні препарати.

Також нейромережі застосовують у телемедицини. Російська компанія «Мобільні медичні технології», що управляє проектами «Онлайн Доктор» та «Педіатр 24/7», тестує бота-діагноста, який буде корисним як пацієнтам, так і лікарям. Першим він підкаже, до якого фахівця звернутися при тих чи інших симптомах, а другим допоможе визначити, чим саме хворий.

Оптимізація бізнес-процесів та реклами

Російський стартап Leadza зумів застосувати нейромережі для більш ефективного розподілу бюджету на рекламу у Facebook та Instagram. Алгоритм аналізує результати минулих кампаній, будує прогноз ключових метрик і на їхній основі автоматично перерозподіляє витрати таким чином, щоб інтернет-магазини змогли отримати більше клієнтів за меншу вартість.

Команда GuaranaCam задіяла технології машинного навчання з метою оцінки ефективності розміщення товарів та рекламних матеріалів в офлайні. Система працює на базі хмари Microsoft Azure і аналізує купівельну поведінку камер відеоспостереження. Власники бізнесу одержують звіт про стан торгівлі в режимі реального часу. Проект вже застосовується у торговому центрі «Мега Біла Дача».

На цьому успішні вітчизняні приклади використання нейромереж у бізнесі не закінчуються. Компанія LogistiX, що експериментує з технологіями створення штучного інтелекту з 2006 року, розробила систему оптимізації роботи складу. В її основі лежить нейронна мережа, що навчається, яка аналізує отримані з фітнес-трекерів дані про працівників і перерозподіляє між ними навантаження. Тепер команда вчить нейромережі розрізняти шлюб.

Холдинг "Белфінгруп" пішов ще далі. Його "дочка" BFG-soft створила хмарну платформу BFG-IS, що дозволяє керувати підприємством за допомогою його віртуальної моделі. Остання будується автоматично на підставі зібраних системою даних про виробництво і не лише показує, як краще організувати процеси з урахуванням заданих цілей, а й прогнозує наслідки будь-яких змін – від заміни обладнання до введення додаткових змін. Наприкінці 2016 року Фонд розвитку інтернет-ініціатив вирішив вкласти в компанію 125 мільйонів рублів.

Рекрутинг та управління персоналом

Російський агрегатор рекрутерів Stafory закінчує навчання рекурентної нейронної мережі, здатної не тільки давати односкладові відповіді на питання кандидатів, а й вести з ними повноцінну розмову про вакансію, що зацікавила. А команда порталу SuperJob тестує сервіс, який передбачає, які з сотень однотипних резюме виявляться потрібними конкретним роботодавцем.

Транспорт

Російський розробник інтелектуальних систем Cognitive Technologies застосовує нейронні мережі для розпізнавання транспортних засобів, пішоходів, дорожніх знаків, світлофорів та інших об'єктів, які потрапляють до кадру. Також компанія збирає дані для навчання нейромережі для безпілотного автомобіля. Йдеться про десятки тисяч епізодів, які описують реакцію водіїв на ті чи інші критичні ситуації на дорогах. У результаті система має сформулювати оптимальні сценарії поведінки авторобота. Такі ж технології використовуються і для створення розумного сільськогосподарського транспорту.

Крім того, нейронні мережі можуть використовуватись у сфері транспорту та іншим чином. Влітку 2016 року «Яндекс» додав до належної дошки оголошень «Авто.ру» функцію автоматичного визначення моделі машини за її фото. На той час система знала 100 марок.

Психологія та безпека

Російський стартап NTechLab, який обійшов Google у міжнародному конкурсі алгоритмів розпізнавання облич The MegaFace Benchmark, використовував технології машинного навчання у додатку FindFace. Воно дозволяє знайти людину у соціальних мережах за фотографією. Найчастіше користувачі звертаються до сервісу виявлення фейків, але може бути корисним і правоохоронцям. З його допомогою вже встановили особу кількох злочинців, у тому числі загарбника Сітібанку у Москві. Бізнес-версія FindFace.Pro надається компаніям, які зацікавлені в ідентифікації клієнтів. Зараз систему доучують визначати стать, вік та емоції оточуючих, що може бути корисним не тільки при спілкуванні з клієнтами, а й при управлінні персоналом.

Аналогічно нейромережі застосовуються і ще однією російською компанією - VisionLabs. Вона використовує технології розпізнавання осіб для забезпечення безпеки у банках та формування спеціальних пропозицій для найбільш лояльних клієнтів різних роздрібних точок.

У подібному напрямку працює стартап «Емотіан». Він доопрацьовує систему визначення емоційного стану міст. Поки нейромережа обчислює найбільш щасливі райони публікацій у соціальних мережах, проте надалі компанія збирається враховувати і біометричні дані з камер.

Медіа та творчість

Одним із основних гравців на російському ринку нейронних мереж є «Яндекс». Компанія використовує машинне навчання у своїх пошукових сервісах, а й у інших продуктах. У 2015 році вона запустила рекомендаційну систему. Дзен», яка формує стрічку з новин, статей, фотографій та відео, ґрунтуючись на інтересах конкретного користувача. Чим частіше він звертається до відібраних алгоритмів матеріалів, тим точніше нейромережа визначає, що ще може сподобатися.

Крім того, "Яндекс" експериментує і з творчістю. Співробітники компанії вже встигли застосувати нейромережевий підхід до поезії, а потім і

Студенти Башкирського державного медичного університету вирішили застосувати нейромережі для передбачення деяких захворювань. Молоді медики сподіваються, що їхнє дослідження принесе суттєву користь республіканській медицині. Подробиці автори діляться з «Електрогазетою».

Нейросеть – це особливе програмне забезпечення, програмний код, який має певні можливості та «вміння». Нейронна мережа, як інтелектуальна система, здатна виявляти складні залежності між вхідними та вихідними даними, а також виконувати узагальнення. По суті, така програма (якщо її ефективно навчити) може передбачати хвороби, – розповідає студент третього курсу БДМУ Григорій Гололобов. - Почати дослідження в цій галузі ми вирішили з виразкової хвороби шлунка та дванадцятипалої кишки.

Чому саме це захворювання? Справа в тому, що виразка дуже небезпечна своїми ускладненнями – перфорація шлунка чи кровотеча. Несподіване ускладнення може сильно послабити хворого і затримати одужання, а також може призвести до смерті. Нейронна мережа потрібна, щоб дізнатися, яка ймовірність кровотечі у того чи іншого пацієнта. Якщо буде відомо, що ця ймовірність 50-60 відсотків і вище, хірург зможе особливо уважно стежити за пацієнтом та заздалегідь підготуватися до будь-яких форс-мажорів. Особливо це актуально для молодих недосвідчених хірургів.

У роботі ми використовували безкоштовне програмне забезпечення.

Отже, чи здатна нейронна мережа передбачити виразку та її ускладнення і наскільки достовірним буде діагноз? Першим етапом стало навчання нейронної мережі. З метою тренування в програму було завантажено дані 200 реальних пацієнтів уфімських лікарень. При цьому вхідною інформацією виступили скарги пацієнтів, тобто так званий анамнез (наявність болю, їх локалізація та інтенсивність, рівень артеріального тиску, чи курить людина тощо), - ціла сукупність параметрів. А на виході нейронна мережа мала видати діагноз - чи є виразка у людини, і якою є ймовірність ускладнень. Варто зазначити, що вибірка пацієнтів була поділена на дві частини. 70 відсотків вибірки ми використали для навчання (тренування) програми, а 30 відсотків – для перевірки.

Якими виявились проміжні результати? На сьогодні точність передбачення становила в середньому 87 відсотків. Наша нейронна мережа передбачає виразку та її наслідки у людини з дуже високим ступенем достовірності. Надалі ми плануємо покращити якість прогнозу, і отримати реально працюючий інструмент для лікарів-практиків. Для цього потрібно більше пацієнтів та більше анамнезу. На поточному етапі нейромережа добре пророкує саму виразкову хворобу. Але треба навчити програму ефективніше передбачати ускладнення. Цим ми займатимемося на другому етапі.

Як пояснив співрозмовник «Електрогазет», проект реалізується під керівництвом д.м.н., професора БДМУ Марата Нуртдінова. Робота ведеться у співпраці з кафедрою обчислювальної техніки УДНТУ.

Наші московські та новосибірські колеги вже активно використовують нейронні мережі для прогнозування захворювань та постановки діагнозів. Але в Башкирії ми «першопрохідники», - додає Григорій Гололобов. - Єдиний поки що приклад - апарати ЕКГ з відповідною програмною «начинкою», які на основі знятої кардіограми видають попередній діагноз. Вважаю, що в найближчі кілька років нейромережі міцно увійдуть до медицини. Нейросеть – дуже ефективна технологія, яка може надати суттєву підтримку лікарю. Адже таке програмне забезпечення, насправді, є інтелектуальною системою. Знову ж таки, надалі можна буде впровадити нейронні програмні комплекси не тільки в діагностиці виразкової хвороби, а й інших захворювань.

17.04.1997 Олександр Єжов, Володимир Чечеткін

Гострий біль у грудях. Швидка допомога доставляє хворого до приймального спокою, де черговий лікар повинен поставити діагноз і визначити, чи це справді інфаркт міокарда. Досвід показує, що частка пацієнтів, які перенесли інфаркт серед надійшли з аналогічними симптомами, невелика. Точних методів діагностики, проте, досі немає. Електрокардіограма іноді не містить явних ознак недуги. А скільки всього параметрів стану хворого можуть так чи інакше допомогти поставити в даному випадку правильний діагноз? Понад сорок. Чи може лікар у приймальному спокої швидко проаналізувати всі ці показники разом із взаємозв'язками, щоб ухвалити рішення про направлення хворого до кардіологічного відділення? Якоюсь мірою це завдання допомагають вирішувати нейромережеві технології. Нейронні мережі для задач діагностики Конкретні системи Можливості застосування нейромереж Боротьба з раком Нейросистеми, генетика та молекули Нейросети крокують планетою Замість укладання Гострий біль у грудях. Швидка допомога

Гострий біль у грудях. Швидка допомога доставляє хворого до приймального спокою, де черговий лікар повинен поставити діагноз і визначити, чи це справді інфаркт міокарда. Досвід показує, що частка пацієнтів, які перенесли інфаркт серед надійшли з аналогічними симптомами, невелика. Точних методів діагностики, проте, досі немає. Електрокардіограма іноді не містить явних ознак недуги. А скільки всього параметрів стану хворого можуть так чи інакше допомогти поставити в даному випадку правильний діагноз? Понад сорок. Чи може лікар у приймальному спокої швидко проаналізувати всі ці показники разом із взаємозв'язками, щоб ухвалити рішення про направлення хворого до кардіологічного відділення? Якоюсь мірою це завдання допомагають вирішувати нейромережеві технології. .

Статистика така: лікар правильно діагностує інфаркт міокарда у 88% хворих та помилково ставить цей діагноз у 29% випадків. Хибних тривог (гіпердіагностики) надто багато. Історія застосування різних методів обробки даних для підвищення якості діагностики налічує десятиліття, проте найкращий з них допоміг скоротити кількість випадків гіпердіагностики лише на 3%.

В 1990 Вільям Бакст з Каліфорнійського університету в Сан-Дієго використовував нейронну мережу - багатошаровий персептрон - для розпізнавання інфаркту міокарда у пацієнтів, що поступають у прийомний спокій з гострим болем в грудях. Його метою було створення інструменту, здатного допомогти лікарям, які не в змозі впоратися з потоком даних, що характеризують стан хворого, що надійшов. Іншою метою можливо вдосконалення діагностики. Своє завдання дослідник ускладнив, оскільки аналізував дані лише тих пацієнтів, кого вже направили до кардіологічного відділення. Бакст використовував лише 20 параметрів, серед яких були вік, стать, локалізація болю, реакція на нітрогліцерин, нудота і блювання, потіння, непритомність, частота дихання, прискореність серцебиття, попередні інфаркти, діабет, гіпертонія, здуття шийної вени, наявність особливостей значних ішемічних змін.

Мережа продемонструвала точність 92% при виявленні інфаркту міокарда та дала лише 4% випадків сигналів помилкової тривоги, помилково підтверджуючи направлення пацієнтів без інфаркту до кардіологічного відділення. Отже, очевидним є факт успішного застосування штучних нейронних мереж у діагностиці захворювання. Тепер необхідно пояснити, у яких параметрах оцінюється якість діагнозу у випадку. Припустимо, що з десяти осіб, які мають інфаркт дійсно є, діагностичний метод дозволяє виявити захворювання у восьми. Тоді чутливість методу становитиме 80%. Якщо ж ми візьмемо десять осіб, які не мають інфаркту, а метод діагностики запідозрить його у трьох осіб, то частка помилкових тривог складе 30%, при цьому додаткова до нього характеристика - специфічність методу - дорівнюватиме 70%.

Ідеальний метод діагностики повинен мати стовідсоткову чутливість і специфічність - по-перше, не пропускати жодної дійсно хворої людини і, по-друге, не лякати здорових людей. Щоб застрахуватися, можна і потрібно намагатися передусім забезпечити стовідсоткову чутливість методу – не можна пропускати захворювання. Але в це обертається, як правило, низькою специфічністю методу – у багатьох людей лікарі підозрюють захворювання, на які насправді пацієнти не страждають.

Нейронні мережі для задач діагностики

Нейронні мережі є нелінійними системами, що дозволяють набагато краще класифікувати дані, ніж зазвичай використовувані лінійні методи. У додатку до медичної діагностики вони дозволяють значно підвищити специфічність методу, не знижуючи його чутливості.

Згадаймо, що нейронна мережа, що діагностує інфаркт, працювала з великим набором параметрів, вплив яких на встановлення діагнозу людині неможливо оцінити. Проте нейромережі виявилися здатними приймати рішення, ґрунтуючись на прихованих закономірностях, що виявляються ними, в багатовимірних даних. Відмінна властивість нейромереж полягає в тому, що вони не програмуються - не використовують жодних правил виведення для встановлення діагнозу, а навчаються робити це на прикладах. У цьому сенсі нейромережі зовсім не схожі на експертні системи, розробка яких у 70-ті роки відбувалася після тимчасової "перемоги" Штучного Інтелекту над тим підходом до моделювання пам'яті, розпізнавання образів та узагальнення, що ґрунтувався на вивченні нейронної організації мозку.

Однією з найвідоміших із розроблених експертних систем, дія яких ґрунтувалася на знаннях, витягнутих у експертів, та на реалізації процедур виведення, була система MYCIN. Цю систему розробили у Стенфорді на початку 70-х років для діагностики септичного шоку. Половина хворих помирала від нього протягом доби, а лікарі могли виявляти сепсис лише у 50% випадків. MYCIN, здавалося, була справжнім тріумфом технології експертних систем – адже вона дозволяла виявити сепсис у 100% випадків. Однак після більш уважного знайомства з цією експертною системою лікарі значно вдосконалили традиційні методи діагностики, і MYCIN втратив своє значення, перетворившись на навчальну систему. Експертні системи "пішли" лише в кардіології – для аналізу електрокардіограм. Складні правила, які становлять головний зміст книг щодо клінічного аналізу ЕКГ, використовувалися відповідними системами для видачі діагностичного висновку.

Діагностика є окремим випадком класифікації подій, причому найбільшу цінність представляє класифікація тих подій, які відсутні в навчальному нейромережі наборі. Тут проявляється перевага нейромережевих технологій – вони здатні здійснювати таку класифікацію, узагальнюючи колишній досвід та застосовуючи його у нових випадках.

Конкретні системи

Прикладом програми діагностики є пакет кардіодіагностики, розроблений фірмою RES Informatica спільно з Центром кардіологічних досліджень у Мілані. Програма дозволяє здійснювати неінвазивну кардіодіагностику на основі розпізнавання спектрів тахограм. Тахограма є гістограмою інтервалів між послідовними серцебиттями, і її спектр відображає баланс активностей симпатичної і парасимпатичної нервової системи людини, що специфічно змінюється при різних захворюваннях.

Так чи інакше, вже зараз можна констатувати, що нейронні мережі перетворюються на інструмент кардіодіагностики – в Англії, наприклад, вони використовуються у чотирьох шпиталях для попередження інфаркту міокарда.

У медицині знаходить застосування й інша особливість нейромереж - їхня здатність передбачати тимчасові послідовності. Вже зазначалося, що експертні системи досягли успіху в аналізі ЕКГ. Нейросети тут теж приносять користь. Кі Чженху, Ю Хену і Вілліс Томпкінс з університету штату Вісконсін розробили нейромережеву систему фільтрації електрокардіограм, що дозволяє придушувати нелінійний і нестаціонарний шум значно краще, ніж методи, що раніше використовувалися. Справа в тому, що нейромережа добре пророкувала шум за його значеннями в попередні моменти часу. А те, що нейромережі дуже ефективні для передбачення тимчасових послідовностей (таких, наприклад, як курс валют або котирування акцій), переконливо продемонстрували результати змагання передбачуваних програм, що проводяться університетом у Санта Фе – нейромережі посіли перше місце та домінували серед найкращих методів.

Можливості застосування нейромереж

ЕКГ - це приватна, хоча і виключно важлива програма. Однак сьогодні існує багато інших прикладів використання нейромереж для медичних прогнозів. Відомо, що довгі черги до кардіохірургічних відділень (від тижнів до місяців) викликані нестачею реанімаційних палат. Збільшити їхнє число не вдається через високу вартість реанімаційної допомоги (70% коштів американці витрачають в останні 2 тижні життя саме в цьому відділенні).

Вихід лише у більш ефективному використанні наявних коштів. Припустимо, що стан прооперованих у день хворих настільки важкий, що їм необхідне їх тривале перебування у реанімаційної палаті (понад дві доби). Весь цей час хірурги простоюватимуть, оскільки новопрооперованих хворих нікуди класти. Тяжких хворих розумніше оперувати перед вихідними чи святами - операційні все одно закриті в ці дні, хірурги відпочиватимуть, а хворі відновлюватимуться у реанімації. А ось на початку робочого тижня краще прооперувати тих пацієнтів, яким потрібно перебувати в реанімаційній палаті лише один-два дні. Тоді ліжка в реанімації звільнятимуться швидше та прийматимуть нових, прооперованих у вівторок та середу хворих.

Питання, як вгадати, кому доведеться надовго затриматися в блоці інтенсивної терапії після операції, а кому - ні. Джек Ту і Майкл Гуерір зі шпиталю Святого Михайла університету в Торонто використовували нейронні мережі для такого передбачення. Як вихідні дані вони взяли ті відомості про пацієнта, які відомі в передопераційний період. Зауважимо, що у попередніх роботах, які не використовують нейронні мережі, як фактори підвищеного ризику перебування в реанімації застосовувалися також важливі післяопераційні відомості - різні ускладнення, що виникли в ході хірургічного втручання.

Ту і Гуерир навчили двошаровий персептрон розділяти хворих на три групи ризику, враховуючи їх вік, стать, функціональний стан лівого шлуночка, ступінь складності майбутньої операції та наявність супутніх захворювань. З тих пацієнтів, яких мережа віднесла до групи малого ризику затримки у реанімації, лише 16,3% справді провели у ній понад два дні. Водночас понад 60% тих, кого мережа віднесла до групи підвищеного ризику, виправдали несприятливий прогноз.

Боротьба з раком

Ми приділяли особливу увагу серцево-судинним захворюванням, оскільки саме вони утримують сумне лідерство у списку причин смертності. На другому місці знаходяться онкологічні захворювання. Один із головних напрямів, у якому зараз йдуть роботи з використання нейронних мереж, – діагностика раку молочної залози. Ця недуга - причина смерті кожної дев'ятої жінки.

Виявлення пухлини здійснюється під час первинного рентгенографічного аналізу молочної залози (мамографії) та подальшого аналізу шматочка тканини новоутворення (біопсії). Незважаючи на існування загальних правил диференціювання доброякісних та злоякісних новоутворень, за даними мамографії, лише від 10 до 20% результатів наступної хірургічної біопсії справді підтверджують наявність раку молочної залози. Знову маємо справу з випадком вкрай низької специфічності методу.

Дослідники з університету Дьюка навчили нейронну мережу розпізнавати маммограми злоякісної тканини на основі восьми особливостей, з якими зазвичай мають справу радіологи. Виявилося, що мережа здатна вирішувати поставлене завдання з чутливістю близько 100% та специфічністю 59% (порівняйте з 10-20% у радіологів). Скільки жінок з доброякісними пухлинами можна не наражати на стрес, пов'язаний з проведенням біопсії, якщо використовувати цю нейронну мережу! У клініці Майо (Міннесота) нейромережа аналізувала результати ультразвукового дослідження молочної залози та забезпечила специфічність 40%, тоді як для тих самих жінок специфічність укладання радіологів виявилася нульовою. Чи не правда, успіх використання нейромережевих технологій виглядає зовсім не випадковим?

Після лікування раку молочної залози можливі рецидиви пухлини. Нейросети вже допомагають ефективно їх пророкувати. Подібні дослідження проводяться на медичному факультеті Техаського університету. Навчені мережі показали свої здібності виявляти та враховувати дуже складні зв'язки прогностичних змінних, зокрема, їх потрійні зв'язки для поліпшення передбачуваної спроможності.

Різноманітні можливості застосування нейромереж у медицині, і різноманітна їхня архітектура. На основі прогнозу віддалених результатів лікування захворювання тим чи іншим методом можна віддати перевагу одному з них. Значного результату в прогнозі лікування раку яєчника (хвороба кожної сімдесятої жінки) досяг відомий голландський фахівець Герберт Каппен з університету в Німегені (він використовує у своїй роботі не багатошарові персептрони, а так звані Машини Больцмана - нейромережі для оцінки ймовірностей).

А ось приклад іншого онкологічного захворювання. Дослідники з медичної школи в Кагаві (Японія) навчили нейромережу, яка практично безпомилково прогнозувала за передопераційними даними результати резекції печінки у хворих на печінково-клітинну карциному.

У Троїцькому інституті інноваційних та термоядерних досліджень (ТРІНІТІ) в рамках проекту створення нейромережевих консультаційних систем, що реалізується Міністерством науки, була розроблена нейромережева програма, яка обирає метод лікування базальноклітинного раку шкіри (базаліоми) на основі довгострокового прогнозу розвитку рецидиву. Число захворювань на базаліому - онкологічною недугою білошкірих людей з тонкою шкірою - становить третину всіх онкологічних захворювань.

Діагностика однієї з форм меланоми - пухлини, яку іноді непросто відрізнити від пігментної форми базаліоми, було реалізовано за допомогою нейромережевого симулятора Multineuron, розробленого у ВЦ СОАН у Красноярську під керівництвом А.Н.Горбаня.

Нейросети можна використовувати і для прогнозу дії різних засобів лікування, що розробляються. Вони вже успішно застосовуються в хімії для прогнозу властивостей сполук на основі їхньої молекулярної структури. Дослідники з Національного інституту раку США використовували нейромережі для передбачення механізму дії препаратів, що застосовуються при хіміотерапії злоякісних пухлин. Зауважимо, що існують мільйони різних молекул, які необхідно досліджувати щодо їх антиракової активності. Фахівці Інституту раку розбили відомі онкологічні препарати на шість груп відповідно до механізму їхньої дії на ракові клітини та навчили багатошарові мережі класифікувати нові речовини та розпізнавати їхню дію. Як вихідні дані використовувалися результати експериментів з придушення росту клітин з різних пухлин. Нейромережна класифікація дозволяє визначити, які із сотень щоденно апробованих молекул варто вивчати далі у досить дорогих експериментах in vitro та in vivo. Для вирішення аналогічного завдання використовувалися мережі Кохонена. Ці нейромережі, що навчаються без вчителя, самоорганізуються, розбивали речовини на заздалегідь невідому число кластерів і тому дали дослідникам можливість ідентифікувати речовини, що володіють новими цитотоксичними механізмами впливу.

Нейросистеми, генетика та молекули

Діагностика та лікування онкологічних захворювань, а також розробка нових медикаментозних засобів безсумнівно є найважливішою сферою застосування нейромережевих технологій. Проте останнім часом серед дослідників та лікарів зростає усвідомлення того факту, що майбутні успіхи мають бути тісно пов'язані з вивченням молекулярних та генетичних причин розвитку захворювань.

Не випадково у квітні 1997 року експерти Національного інституту здоров'я (США) виступили з рекомендаціями щодо посилення досліджень, пов'язаних із виявленням причин, що викликають рак, та розробок, спрямованих на попередження хвороб. Нейросети вже досить давно активно застосовуються в аналізі геномних послідовностей ДНК, зокрема для розпізнавання промоторів - ділянок, що передують генам та зв'язуються з білком РНК-полімеразу, який ініціює транскрипцію. Їх використовують для диференціації кодуючих та некодуючих ділянок ДНК (екзонів та інтронів) та передбачення структури білків.

У 1996 році було зроблено сенсаційне відкриття, що пов'язало фундаментальні дослідження в молекулярній генетиці з проблемою патогенезу та лікування найпоширенішого онкологічного захворювання – базальноклітинного раку шкіри. Дослідники виявили в дев'ятій хромосомі людини ген (PTC), мутації в якому, на відміну від p53 гена, викликані впливом ультрафіолету і є причиною розвитку пухлини. Ключем до відкриття стало вивчення так званого латочного гена, зміни в якому стимулювали дефекти розвитку плодової мушки і той факт, що у дітей, які також страждають на дефекти розвитку кісткової тканини (базальний невусний синдром), часто є множинні базаліоми.

Тепер генетики та лікарі сповнені надій знайти медикаментозний засіб лікування базаліоми або використовувати методи генної хірургії, та замінити ними такі нещадні методи лікування, як звичайна лазерна, рентгенівська та кріохірургія. Чи можуть нейронні мережі виявитися корисними для цих досліджень? Зокрема, чи не можна з їхньою допомогою оцінити можливий вплив певної мутації на зміну властивостей відповідних білків або оцінити її прогностичне значення, скажімо, для розвитку рецидиву раку молочної залози?

Якби це можна було зробити, то нейромережі значно зменшили б область пошуку для молекулярних біологів, які часто "на дотик" проводять дуже дорогі експерименти з оцінки ролі мутацій у молекулі ДНК. Нагадаємо, що до розвитку злоякісних пухлин призводить неконтрольоване зростання та поділ клітин. Геном людини, в якому записана інформація про всі білки, що виробляються в організмі, налічує близько трьох мільярдів нуклеотидів. Але тільки 2-3% з них дійсно кодують білки - решта потрібна самій ДНК для підтримки правильної структури, реплікації та іншого.

У геномних послідовностях ДНК можна приблизно виділити три складові: у першій містяться численні копії однакових фрагментів (сателітна ДНК); у другій знаходяться помірно повторювані послідовності, розсіяні по геному; а в третій _унікальна ДНК. У сателітній ДНК різні копії представлені неоднаково - їх кількість варіюється від сотень до мільйонів. Тому вони зазвичай ще поділяються на міні- та мікросателітів.

Чудово, що розподіл мікросателітів по геному настільки специфічно, що може використовуватися як аналог відбитків пальців для людини. Вважають також, що цей розподіл може бути використаний і для діагностики різних захворювань.

У прихованому вигляді повтори нуклеотидних послідовностей відіграють важливу роль і унікальні послідовності ДНК. Згідно з гіпотезою Френсіса Крика, еволюція ДНК починається від квазіперіодичних структур, і якщо ми зможемо знайти приховані повтори, то дізнаємося, де відбулися мутації, що визначили еволюцію, а отже, знайдемо і найдавніші, і найважливіші ділянки, мутації яких найбільш небезпечні. Розподіл прихованих повторів також тісно пов'язане зі структурою та функцією білків, що кодуються відповідною послідовністю.

У ТРІНІТІ була розроблена система, в якій для пошуку прихованих повторів та оцінки ролі мутацій у послідовностях ДНК використовуються модифікації нейромереж Хопфілда. Є надія, що цей підхід можна буде використовувати для узагальненого спектрального аналізу послідовностей даних загального виду, наприклад, для аналізу електрокардіограм.

Нейросети крокують планетою

Географія дослідницьких груп, що застосовують нейромережі для розробки медичних програм, дуже широка. Про США нема чого й казати - в університеті кожного штату ведуться подібні дослідження, причому головний їхній напрямок - рак молочної залози. Та що там університети – військові академії цим теж займаються. У Чехії Іржі Шима розробив теорію навчання нейронних мереж, здатних ефективно працювати з так званими інтервальними даними (коли відомі не значення параметра, а інтервал його зміни) і використовує їх у різних медичних додатках. У Китаї співробітники Інституту атомної енергії навчили нейромережу відрізняти хворих з легкими та тяжкими захворюваннями епітелію стравоходу від тих, хто страждає на рак стравоходу, на основі елементного аналізу нігтів.

У Росії в НДІЯФ МГУ нейромережі застосовуються для аналізу захворювань органів слуху.

Нарешті, в Австралії Джордж Христос використав теорію нейронних мереж для побудови першої гіпотези про причини загадкового синдрому раптової смерті новонароджених.

***

Зрозуміло, у статті наведено далеко не повний перелік прикладів використання технологій штучних нейронних мереж у медицині. Осторонь залишилася психіатрія, травматологія та інші розділи, в яких нейромережі пробуються на роль помічника діагноста та клініциста. Не все, звичайно, виглядає безхмарним у спілкі нової комп'ютерної технології та охорони здоров'я. Нейросетельні програми часом дуже дорогі для широкого впровадження в клініці (від тисяч до десятків тисяч доларів), а лікарі досить скептично ставляться до будь-яких комп'ютерних інновацій. Висновок, виданий нейронною мережею, повинен супроводжуватися прийнятними поясненнями або коментарями.

Але підстави для оптимізму таки є. Освоїти та застосовувати технології нейронних мереж значно простіше, ніж вивчати математичну статистику чи нечітку логіку. Для створення нейромережевої медичної системи потрібні не роки, а місяці. Та й параметри дуже обнадіюють – згадаємо ще раз високу специфічність діагностики.

І ще одна надія на співпрацю – саме слово "нейрон". Все-таки воно так добре знайоме медикам.

Олександр Єжов, Володимир Чечеткін - Інститут інноваційних та термоядерних досліджень (Троїцьк).

Кількість публікацій із застосування нейротехнології у медицині важко оцінити точно. Однак якщо у 1988-89 роках їх були одиниці, то з 1995 року щороку з'являються сотні. Можуть виявитися корисними такі адреси:

Нейросети діагностують проблеми із серцем точніше, ніж лікарі

• Медгаджети
• Здоров'я гіка

Людський фактор часто стає причиною виникнення проблем. Це стосується виробництва, побутових ситуацій, водіння та, звичайно ж, медицини. Помилка лікаря може означати втрату здоров'я або життя пацієнтом, а лікарі помиляються не так вже й рідко. Навіть професіонал вищої проби може робити помилки - адже фахівець може бути втомленим, роздратованим, концентруючись на проблемі гірше, ніж зазвичай.

І тут на допомогу можуть прийти машини. Та ж когнітивна система IBM Watson, наприклад, цілком непогано керується роботою в медичній сфері (онкологія, читання рентгенівських знімків тощо). Але й інші рішення, запропоновані незалежними дослідниками. Одне з таких рішень було створено вченими зі Стенфорда на чолі з Ендрю Енджі, досить відомим у своїй сфері фахівцем із штучного інтелекту.

Він із колегами розробив систему, яка здатна діагностувати аритмію серця за кардіограмою, причому комп'ютер робить це краще, ніж експерт. Йдеться про нейромережу, яка після навчання здатна діагностувати аритмію з високим ступенем точності. У цьому комп'ютер працює як надійніше, а й швидше нейромережа, отже завдання аналізу медичних знімків і результатів ЕКГ можна перекласти комп'ютер після остаточної «доведення» системи. Лікарю залишається лише перевіряти роботу програмно-апаратної платформи, про яку йдеться і діяти відповідно до остаточного діагнозу.

Цей проект показує, наскільки комп'ютер може змінити медицину, покращивши різні аспекти цієї сфери. Нейросети вже допомагають лікарям діагностувати рак шкіри, рак грудей, захворювання очей. Тепер настала черга і кардіології.

«Мені дуже подобається те, наскільки швидко люди приймають ідею, що глибоке навчання може допомогти покращити точність постановки діагнозу лікарем», – каже Енджі. Він також вважає, що на цьому можливості комп'ютерних систем не вичерпуються, їх можна застосовувати у багатьох інших сферах.

Команда Стенфорда витратила чимало часу для навчання нейромережі, щоб система могла ідентифікувати відхилення від норми на даних ЕКГ. При цьому аритмія є дуже небезпечним захворюванням, вона може призвести до раптової смерті від зупинки серця. Проблема в тому, що виявити аритмію не так легко, тому пацієнтам з підозрою на неї іноді доводиться носити на собі ЕКГ датчик протягом декількох тижнів. І навіть після цього даних для діагностики відхилень може виявитися недостатньо.

Як говорилося вище, нейромережу довелося навчати, причому з прикладу реальних показників пацієнтів лікарень. Самостійно набрати кілька десятків тисяч результатів вимірювань ЕКГ фахівці Стенфорда були не в змозі, тому вони запросили до партнерства iRhythm, компанію, яка виготовляє портативні ЕКГ-гаджети. Компанія надала 30000 30-секундних записів результатів вимірювань роботи серцевого м'яза пацієнтів, які страждають від різних форм аритмії. Щоб збільшити точність роботи алгоритму, і навіть порівняти результати роботи комп'ютера з результатами діагностики лікарів, використовувалися ще 300 записів. Їх одночасно аналізували і машина, і лікарі. Потім результати оцінювалися спеціальним журі, до якого увійшли 3 кардіологи екстра-класу.

Глибоке навчання нейромережі почалося зі «годування» великої кількості даних. Потім використовувалася вже тонка настройка підвищення точності діагностики.

Крім фахівців, про яких вже говорилося вище, машинне навчання для створення систем, здатних діагностувати аритмію, використовують інші групи. Наприклад, Ерік Горовіц, керуючий директор Microsoft Research (сам він медик) з колегами працюють приблизно в тому ж напрямку, що і фахівці зі Стенфорда. На їхню думку, нейромережі справді здатні покращити якість медичного обслуговування пацієнтів, допомагаючи лікарям витрачати менше часу на рутину та більше – на пошук ефективних методів лікування своїх підопічних.

Теги:

• нейромережі
• лікарі
• медицина

Дата рецензування:

12-02-2016

Дата публікації:

03-03-2016

Abstract.

Diabetes є хронічним розладом, в патогенезі, з якою є кулька інсуліну в людському тілі, пов'язана з метаболічним розчином і патологічними змінами в різних органах і tissues, спрямованих на високу загрозу з боку атаки і хитрості. Автівки відповідають на створення системи для попередньої diagnosis diabetes пацієнтів, використовуючи пристрою artificial neural networks. Матеріали зображені на моделі neural network, що базується на multilayer perceptron trained by back-propagation algorithm. Для дизайну neural network author used Neural Network Toolbox з MATLAB 8.6 (R2015b), який є потужним і flexible інструмент для роботи з neural networks. Результати тренування та виконання тестів з neural network designed show its successful application for task and ability to find patterns and complex relationships between different characteristics of the object. Потужність розвиненого neural network model is 89.5%, specificity of 87.2%. Після того, як мережа працює, вона стає достовірною і бездосяжною diagnostic tool.