Застосування технологій машинного навчання для встановлення медичного діагнозу
DOI: 10.31673/2412-9070.2024.051397
Анотація
У даній статті проведено детальний аналіз і опис методик, які застосовуються для використання технологій машинного навчання у медичних діагнозах. Це важливий аспект, оскільки розвиток машинного навчання в медицині не лише змінює підходи до діагностики, але й сприяє створенню нових підходів до лікування, поліпшенню якості медичних послуг та оптимізації процесів прийняття рішень. Наведено парадигми машинного навчання, такі як контрольоване навчання, неконтрольоване навчання, навчання з підкріпленням та представлені приклади їх використання у сфері медицини. Проаналізовано основні типи даних, які використовуються для навчання моделей машинного навчання у медичній практиці, такі як клінічні дані, медичні зображення, інформація про геном пацієнта. Розглянуто наукові підходи до застосування технологій машинного навчання у медичній діагностиці, а саме логістична регресія, метод опорних векторів (SVM), дерева рішень та Random Forest, штучні нейронні мережі (ANN), глибокі нейронні мережі (Deep Learning), конволюційні нейронні мережі (CNN), лінійна та поліноміальна регресія та обробка природної мови (NLP). Доведено, що сучасна медицина значною мірою залежить від новітніх технологій для поліпшення якості діагностики та лікування пацієнтів. Розроблені рекомендації щодо застосування технологій машинного навчання, що дозволить автоматизувати процеси діагностики та підвищити точність результатів лікування. Використання машинного навчання у медичній сфері відкриває нові можливості обробки великих обсягів даних для визначення діагнозу, покращення ефективності прийняття клінічних рішень і в цілому спрощення роботи лікарів.
Ключові слова: машинне навчання, інформаційні технології, штучний інтелект, нейронні мережі, інформаційна система, модель, метод опорних векторів.
Список використаної літератури
1. Висоцький А.А., Суріков О.О., Василюк-Зайцева С.В. Розвиток штучного інтелекту в сучасній медицині. Український медичний часопис 2.154 (2023): 1-4. DOI: 10.32471/umj.1680-3051.154.241221.
2. Алексіна, Л. Т., А. П. Бондарчук. "Оптимізація гіперпараметрів для машинного навчання." Зв’язок 2 (2024): 18-22. doi: 10.31673/2412-9070.2024.022326.
3. Nikkei Staff Writers (2018) Japan plans 10 «AI hospitals» to ease doctor shortages. asia.nikkei.com/Politics/Japan-plans-10-AI-hospitals-to-ease-doctor-shortages.
4. Haymond S., McCudden C. (2021) Rise of the Machines: Artificial Intelligence and the Clinical Laboratory. J. Appl. Lab. Med., 6(6): 1640–1654. doi: 10.1093/jalm/jfab075.
5. Benjamins J.W., Hendriks T., Knuuti J. et al. (2019) A primer in artificial intelligence in cardiovascular medicine. Neth. Heart. J., 27(9): 392–402. doi: 10.1007/s12471- 019-1286-6.
6. Бродкевич В., Людвіченко В. Штучний інтелект і машинне навчання в галузі охорони здоров’я: виклики і перспективи. Інформаційні технології та суспільство, (2022). (2 (4), 20-28. https://doi.org/10.32689/maup.it.2022.2.3.
7. Abràmoff, M. D., Lavin, P. T., Birch, M., Shah, N., & Folk, J. C. (2018). Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. npj Digital Medicine, 1(1), 1-8. doi:10.1038/s41746-018-0040-6.
8. Saygılı A., Albayrak S. (2019) An efficient and fast computer-aided method for fully automated diagnosis of meniscal tears from magnetic resonance images. Artif. Intell. Med., 97: 118–130. doi: 10.1016/j.artmed.2018.11.008.
9. N. Mohammadi-Sepahvand, T. Hassner, D.L. Arnold and T. Arbel, CNN Prediction of Future Disease Activity for Multiple Sclerosis Patients from Baseline MRI and Lesion Labels, International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) Workshops, Grenada, Spain, September 2018.
10. Carballido-Gamio J., Yu A., Wang L. et al. (2019) Hip fracture discrimination based on statistical multi-parametric modeling (SMPM). Ann. Biomed. Eng., 47(11): 2199–2212. doi: 10.1007/s10439-019-02298-x.
