في اتحاد الجمهوريات الاشتراكية السوفياتية، تمت دراسة الذكاء الاصطناعي في الطب منذ أواخر السبعينيات - في معهد علم التحكم الآلي التابع لـ RAS الأوكراني وفي معهد موسكو للمعلوماتية التطبيقية. ويعمل الآن الأكاديمي ألكسندر كوليشوف، عميد معهد سكولكوفو للعلوم والتكنولوجيا، على هذا الموضوع.

وفي الغرب، كان الكمبيوتر العملاق IBM Watson هو ذروة هذه التطورات. يمكنه تحليل السجلات الطبية وتحديد المخاطر المحتملة لمريض معين. يوفر النظام أيضًا دعمًا معلوماتيًا لأطباء الأورام، مما يساعدهم على تحديد خيارات العلاج. ومن خلال القيام بذلك، فإنه يزيد من كفاءة الأطباء - يقوم IBM Watson بإرفاق استنتاجاته بروابط للمقالات العلمية والحالات السريرية ذات الصلة. حاليًا، تساعد هذه المنصة في إجراء التشخيص في 16 مركزًا للسرطان في الولايات المتحدة وكندا.

قبل بضعة أيام، ناقش الخبراء الروس مستقبل الذكاء الاصطناعي في الطب في مؤتمر في ياندكس، نظمته بوابة MedAboutMe. سجل Rusbase أهم النقاط حول كيفية مساعدة متخصصي تكنولوجيا المعلومات للأطباء المحليين على علاجنا بشكل أفضل.

كيف ستساعد الشبكات العصبية الطب؟

لا تستخدم ياندكس تطوراتها في الطب بعد، لكنها تعرف بالفعل الفوائد التي يمكن أن تجلبها لها. والحقيقة هي أن مهمة تحليل الأصوات والصور منتشرة على نطاق واسع في التشخيص الطبي - مثل الأشعة السينية والموجات فوق الصوتية والتصوير بالرنين المغناطيسي واختبارات الدم وما إلى ذلك. من الممكن تدريب الشبكة العصبية على اكتشاف الأمراض بشكل أفضل من الممرضات وفنيي المختبرات ذوي الخبرة. الآلة تتعلم بشكل متواصل 24 ساعة يوميا، لا تتعب ولا تمرض.

كل هذا يمكن القيام به بكفاءة عالية - والأهم من ذلك - عن بعد (على سبيل المثال، في المركز الطبي بالعاصمة). ستأخذ هذه التقنية التشخيص إلى مستوى آخر. للقيام بذلك، لا تحتاج إلى إنشاء أي شيء جديد، تحتاج فقط إلى تكييف الخوارزميات والأجهزة الموجودة. والذكاء الاصطناعي، الذي سيحل محل الطبيب، سيقوم بالتشخيص والتنبؤ بالأوبئة - وهذا بالفعل بعد غد (أندريه سبرانت، مدير التسويق لخدمات ياندكس).

منذ عام 2010، تم إنشاء 500 مركز للأوعية الدموية في روسيا، ولكن هناك عدد قليل من المتخصصين المدربين. إنهم يحتاجون حقًا إلى المعالجة الآلية للتصوير المقطعي، مما سيساعدهم على اتخاذ القرارات بشكل أسرع وأكثر صحة. إذا تم تحديد نوع السكتة الدماغية (أكثر من 100 في المجموع) بشكل صحيح خلال ثلاث ساعات، فإن 90٪ من المرضى يعودون إلى الحياة الكاملة. التأخير يؤدي إلى الوفاة أو الإعاقة مع إعادة التأهيل الباهظة الثمن. إذا قمت بدمج تقنيات ياندكس مع بروتوكولات الرعاية الطبية، فيمكنك تقليل معدل الوفيات الناجمة عن السكتات الدماغية بشكل كبير. كل ما يتطلبه الأمر هو الإرادة والجهد التنظيمي. (أوليغ سيماكوف، عضو مجلس الخبراء التابع لوزارة الصحة بشأن استخدام تكنولوجيا المعلومات والاتصالات في الرعاية الصحية).

السبب الرئيسي للوفاة في العالم هو أمراض القلب والأوعية الدموية. تنشأ مشاعر الألم في القلب في وقت متأخر بكثير عن أسبابها. من الممكن التنبؤ بأزمات ارتفاع ضغط الدم باستخدام أجهزة الاستشعار، لكن لا يمكن ارتداؤها لفترة طويلة - بعد يومين، يبدأ تهيج الأقطاب الكهربائية على الجلد. بالإضافة إلى ذلك، عند ارتداء أجهزة الاستشعار، يكون هناك الكثير من التداخل والضوضاء مما يجعل التشخيص صعبًا. من الضروري الانتقال من أجهزة الاستشعار الخارجية إلى أجهزة الاستشعار الغازية، ولكن هذا مكلف. لا يمكن للطبيب المعالج أن ينظر إلى الشاشة طوال الوقت. نحن بحاجة إلى شبكة عصبية تقوم بتحليل إيقاع القلب والكشف عن نقص التروية. علاوة على ذلك، يجب أن يتم تدريبه على بيانات كل مريض على حدة. (أوليغ سيماكوف).

أين يمكنني الحصول على البيانات الطبية لتدريب الذكاء الاصطناعي؟

تحتكر الدولة المعلومات الطبية، لكن لا توجد طريقة لجمعها وتخزينها بشكل صحيح. ومن غير المرجح أن ترغب في مشاركة البيانات المتراكمة مع السوق، لكن معالجتها تتطلب استثمارات كبيرة. على سبيل المثال، ينفق مشروع IBM Watson حوالي 6 مليارات دولار سنوياً على البحث والتطوير. لا تمتلك وزارة الصحة مثل هذه الميزانيات، لذا هناك حاجة إلى الشراكة بين القطاعين العام والخاص لتحليل البيانات الطبية للروس (كونستانتين جورباخ، رئيس قسم الرعاية الصحية في شركة IBM).

حتى الآن في روسيا لا توجد بيانات مناسبة للمعالجة بواسطة الذكاء الاصطناعي. يوجد اليوم 38 مليون سجل طبي إلكتروني في البلاد، ولكن تم ملؤها باستخدام مصنفات مختلفة، مما يعقد تحليلها. بالإضافة إلى ذلك، يوجد في إطار FANO ووزارة الصحة 80 معهدًا بحثيًا متخصصًا في المجال الطبي، حاول كل منها إنشاء مجموعة معلومات خاصة به. تحليل السجلات الطبية المتكاملة (عندما تجمع المؤسسات الطبية المختلفة بياناتها عن نفس الشخص) من شأنه أن يحدد الأمراض المحددة جغرافيا، على سبيل المثال، أمراض الرئة في كيميروفو وفوركوتا (أوليغ سيماكوف).

أصبح من المعروف مؤخرًا أن سوار اللياقة البدنية أنقذ حياة شخص لأول مرة. ساعدت البيانات الواردة من الأداة الأطباء على اختيار أساليب العلاج الصحيحة. عادة ما يضطرون إلى الاعتماد على قصة المريض. يوجد عدد قليل جدًا من الأجهزة الطبية المسجلة في روسيا والتي يمكنها نقل القراءات عن بُعد. ومن الصعب جدًا تسجيلها لاستخدامها في المراقبة الصحية. وعلينا أن نتغلب على الحواجز البيروقراطية. كان هناك ما يقرب من 22 ألف أداة صحية في العالم العام الماضي (أوليغ سيماكوف).

متى سيصبح الذكاء الاصطناعي طبيباً متكاملاً؟

لكي تُلقب بالطبيب الإلكتروني، يحتاج الذكاء الاصطناعي إلى التفكير والتعاطف، أي الأخلاق. علاوة على ذلك، في مجال إضفاء الطابع الرسمي على الأخلاق، لم يكن هناك تقدم أقل من معالجة الصور. لقد تطور فهم كيفية برمجة الأخلاقيات وكيفية اتخاذ القرارات بشكل كبير (فلاديسلاف شيرشولسكي، مدير برامج التعاون التكنولوجي في مايكروسوفت في روسيا).

لإنشاء ذكاء اصطناعي عالمي، لا تكفي صياغة المشكلة بشكل جيد، لذلك يتم حلها على أجزاء. على الرغم من أن هذه القطع مثيرة جدًا للاهتمام: فإن انتصار الذكاء الاصطناعي في Go هو قصة عن حدس اصطناعي عالي الجودة. وفي ياندكس، تم تعليم الخوارزمية الشعور بالجمال. إن مشكلة إنشاء ذكاء اصطناعي كامل لا تكمن في الموارد بقدر ما تكمن في حقيقة أننا لا نستطيع تحديد المهمة (أندريه سبرانت).

على الرغم من كفاءته التي لا مثيل لها، فإن IBM Watson هو مجرد مساعد، ويترك اتخاذ القرارات للبشر. فالمسألة ليست في جودة التشخيص، بل في مسؤولية المريض (كونستانتين جورباخ).

متى سيتم السماح بالتطبيب عن بعد في روسيا؟

هذا العام. يعمل الخبراء حاليًا على نص القانون الاتحادي بشأن التطبيب عن بعد (تعديلات القانون الاتحادي رقم 323). تضفي الوثيقة الشرعية على الاستشارات عن بعد ومراقبة المرضى (المحامون يعارضون بشكل قاطع العلاج والتشخيص عن بعد). إذا كان من الممكن تقديم مشروع القانون إلى مجلس الدوما في غضون أسبوعين، فسيتم اعتماده في جلسة الربيع (أوليغ سيماكوف).

كيف يساعد الواقع الافتراضي الطب؟

يتم استخدام الواقع الافتراضي لتدريب الأطباء في الوقت الحالي. لقد تم تصوير عمليات أفضل الجراحين منذ فترة طويلة، لكن المشاهدين لا يرونها من وجهة نظر الطبيب. وفي الخوذة الافتراضية يمكنك رؤية جميع الحركات من منظور الشخص الأول. درجة الغمر تجعل من الممكن تعلم التقنيات الجراحية الجديدة بشكل أسرع بكثير. والنتيجة هي إنقاذ الأرواح (أندريه سبرانت).

كلية: علوم الحوسبة والمعلومات
قسم: أنظمة مراقبة الكمبيوتر
تخصص: المراقبة البيئية والاقتصادية بالكمبيوتر
موضوع رسالة الماجستير:
"النقل المخفي لكميات كبيرة من المعلومات عن طريق تشفير ملفات WAV"
المستشار العلمي: جوبينكو ناتاليا افجينييفنا، أستاذ مشارك، دكتوراه.

ملخصات التقرير المقدم في مؤتمر "مراقبة الحاسوب وتكنولوجيا المعلومات 2008" حول موضوع "تطبيق الشبكات العصبية في الطب"

عادة ما يرتبط استخدام الشبكات العصبية في الطب بأنظمة التشخيص والتشخيص التفريقي للأمراض. ومع ذلك، فإن الشبكة العصبية المدربة لا تعرف فقط كيفية التعرف على الأمثلة، ولكنها أيضًا تخزن معلومات مهمة جدًا. ولذلك، فإن أحد المجالات الخطيرة لتطبيق الشبكات العصبية هو تفسير البيانات الطبية. بدأ البحث عن أنماط عميقة بين البيانات التي تم الحصول عليها والعمليات المرضية يتخلف عن تطوير المزيد والمزيد من الأساليب الجديدة، وبالتالي فإن استخدام الشبكات العصبية لهذا الغرض يمكن أن يكون مفيدًا للغاية.

الشبكات العصبية هي أنظمة غير خطية يمكنها تصنيف البيانات بشكل أفضل بكثير من الطرق الخطية المستخدمة بشكل شائع. عند تطبيقها على التشخيص الطبي، فإنها تجعل من الممكن زيادة خصوصية الطريقة بشكل كبير دون تقليل حساسيتها.

من الخصائص المميزة للشبكات العصبية أنها غير مبرمجة، فهي لا تستخدم أي قواعد استدلال لإجراء التشخيص، ولكنها مدربة على القيام بذلك من خلال الأمثلة. وبهذا المعنى، فإن الشبكات العصبية لا تشبه على الإطلاق الأنظمة الخبيرة، التي حدث تطورها في السبعينيات بعد "الانتصار" المؤقت للذكاء الاصطناعي على نهج نمذجة الذاكرة والتعرف على الأنماط والتعميم، والذي استند إلى الدراسة للتنظيم العصبي للدماغ.

مثال على برنامج التشخيص هو حزمة تشخيص القلب التي طورتها RES Informatica بالتعاون مع مركز أبحاث القلب في ميلانو. يتيح لك البرنامج إجراء تشخيصات قلبية غير جراحية بناءً على التعرف على أطياف تاكوجرام. الرسم البياني هو رسم بياني للفترات الفاصلة بين نبضات القلب المتعاقبة، ويعكس طيفه توازن أنشطة الجهاز العصبي الودي والباراسمبثاوي البشري، والذي يتغير على وجه التحديد في الأمراض المختلفة.

بطريقة أو بأخرى، يمكن القول بالفعل أن الشبكات العصبية تتحول إلى أداة لتشخيص القلب - في إنجلترا، على سبيل المثال، يتم استخدامها في أربعة مستشفيات لمنع احتشاء عضلة القلب.

أحد المجالات الرئيسية التي يجري العمل فيها حاليًا باستخدام الشبكات العصبية هو تشخيص سرطان الثدي. وهذا المرض هو سبب وفاة كل امرأة تاسعة. يتم اكتشاف الورم من خلال التحليل الأولي بالأشعة السينية للثدي (تصوير الثدي الشعاعي) والتحليل اللاحق لقطعة من أنسجة الورم (خزعة). على الرغم من وجود قواعد عامة للتمييز بين الأورام الحميدة والخبيثة، وفقا لتصوير الثدي بالأشعة السينية، فإن 10 إلى 20٪ فقط من نتائج الخزعة الجراحية اللاحقة تؤكد فعليا وجود سرطان الثدي. مرة أخرى، نحن نتعامل مع حالة ذات خصوصية منخفضة للغاية للطريقة.

إن تشخيص وعلاج السرطان، وكذلك تطوير أدوية جديدة، يمثل بلا شك أهم مجال لتطبيق تقنيات الشبكات العصبية. ومع ذلك، في الآونة الأخيرة، كان هناك وعي متزايد بين الباحثين والأطباء بأن التقدم المستقبلي يجب أن يرتبط ارتباطًا وثيقًا بدراسة الأسباب الجزيئية والوراثية للمرض.

وليس من قبيل الصدفة أنه في أبريل 1997، قدم خبراء من المعاهد الوطنية للصحة (الولايات المتحدة الأمريكية) توصيات لتعزيز البحوث المتعلقة بتحديد أسباب السرطان والتطورات التي تهدف إلى الوقاية من الأمراض. تم استخدام الشبكات العصبية بنشاط لبعض الوقت في تحليل تسلسل الحمض النووي الجينومي، وخاصة للتعرف على المروجين - المناطق التي تسبق الجينات وترتبط ببروتين بوليميراز الحمض النووي الريبي (RNA)، الذي يبدأ عملية النسخ. يتم استخدامها للتمييز بين مناطق الترميز وغير الترميز في الحمض النووي (الإكسونات والإنترونات) والتنبؤ ببنية البروتينات.

يمكن استخدام نماذج الشبكة العصبية التنبؤية في الديموغرافيا والرعاية الصحية. تم إنشاء نظام خبير يتنبأ بما إذا كان الشخص (يبلغ من العمر 55 عامًا أو أكثر) سيموت خلال السنوات العشر القادمة. يتم إجراء التوقعات بناءً على نتائج الإجابات على 18 سؤالًا في الاستبيان. وشمل الاستبيان أسئلة مثل العرق والجنس والعمر والعادات السيئة والحالة الاجتماعية ودخل الأسرة. 4 من أصل 18 سؤالاً تكشف عن مؤشر كتلة الجسم في فترات مختلفة من حياة المجيب. يتم حساب المؤشر على أنه نسبة الوزن إلى مربع الطول (يعتبر المؤشر الذي يزيد عن 27 كجم/م سمنة). يشير الاهتمام المتزايد بهذا المؤشر إلى أهميته للتنبؤ بالحياة.

الأدب

المعلوماتية العصبية / أ.ن.جوربان، في.إل. دونين-باركوفسكي، أ.ن.كيردين، إلخ. - نوفوسيبيرسك: العلوم. المؤسسة السيبيرية RAS، 1998. - 296 ص.
الشبكات العصبية S.Korotky: المبادئ الأساسية
إي. موناخوفا، "جراحو الأعصاب" من أوردينكا، PC Week/RE، العدد 9، 1995

إن البحث ودراسة الخوارزميات الضمنية التي تسمح للشخص بتجميع الخبرة تلقائيًا ثم استخدامها أثناء التعلم [5.3] مستمر منذ أكثر من 100 عام [5.4]. ومع ذلك، فإن المحاولات الجادة الأولى لإنشاء شبكات عصبية تم إجراؤها في الأربعينيات والخمسينيات من القرن الماضي، عندما طرح دبليو ماكولوتش ودبليو بيتس المبادئ الأساسية لنظرية كيفية عمل الدماغ. مع ظهور أجهزة الكمبيوتر الرخيصة، كانت هناك قفزة حادة في هذا المجال، والتي تشكلت في أوائل الثمانينات في علم كامل - المعلوماتية العصبية [5.5، 5.6، 5.7].

لقد وفرت المشكلات الضمنية في الطب والبيولوجيا مجالًا مثاليًا لتطبيق تقنيات الشبكات العصبية، وفي هذا المجال تمت ملاحظة النجاح العملي الأكثر لفتًا للانتباه لطرق المعلومات العصبية.

دعونا نلقي نظرة على بعض تطبيقات الشبكات العصبية الأكثر إثارة للاهتمام في علم الأحياء والطب، والتي أنشأها العديد من المؤلفين والمدارس.

تعتبر أنظمة التشخيص والتشخيص التفريقي للأمراض ذات أهمية كبيرة للرعاية الصحية العملية. علاوة على ذلك، ل صناعة القراريمكن استخدام مجموعة واسعة من البيانات - التاريخ والفحص السريري (يتم إنشاء أنظمة تشخيصية متخصصة تقتصر على هذه المجموعة فقط [5.8])، ونتائج الاختبارات المعملية والأساليب الوظيفية المعقدة. قائمة مجالات الطب التي بدأ تطبيق التقنيات الجديدة فيها واسعة للغاية وتستمر في النمو.

أحد المجالات الأكثر تطوراً هو استخدام الشبكات العصبية في أمراض القلب.

مثيرة للاهتمام للغاية نظام خبيرلتشخيص وعلاج ارتفاع ضغط الدم الشرياني [5.9]. يتضمن النظام ثلاث وحدات للشبكة العصبية، وتكون استجابات بعضها بمثابة بيانات مدخلة للبعض الآخر. في بداية الدراسة يتم قياس الضغط الانقباضي والانبساطي للمريض كل نصف ساعة خلال اليوم. يتم حساب متوسط البيانات لكل ساعة. وهكذا يتم تشكيل مجموعة من 48 قيمة لضغط الدم (24 لكل من الضغط الانقباضي والضغط الانبساطي). بعد ذلك، الوحدة الأولى، التي تتكون من شبكتين عصبيتين من ثلاث طبقات (كل منهما تحتوي على 2 مدخلات، 4 "مخفية" و 24 خلية عصبية مخرجة)، بناءً على بيانات حول جنس المريض وعمره، تقوم بحساب "مناسب" مماثل. القيم ومقارنتها بالقيم الحقيقية. بالتوازي، تقوم الوحدة الثانية (شبكة عصبية مكونة من طبقتين تحتوي على 17 خلية عصبية مدخلة و4 خلايا عصبية مخرجة)، استنادًا إلى البيانات السريرية (الأعراض وسجل التاريخ)، بحساب المجموعات المحتملة من الأدوية الخافضة للضغط التي يمكن استخدامها لعلاج مريض معين. يتم تغذية البيانات المأخوذة من مخرجات كلتا الوحدتين، إلى جانب البيانات السريرية، إلى مدخلات الوحدة الثالثة الأخيرة (الشبكة العصبية المكونة من 6 طبقات). تعمل هذه الوحدة مع 4 مجموعات من الأدوية الخافضة للضغط (مدرات البول، حاصرات بيتا، مثبطات الأنجيوتنسين، حاصرات قنوات الكالسيوم). الهدف هو تحديد جدول يومي (بالساعة) للمريض لتناول الأدوية لكل (إذا لزم الأمر) من المجموعات الأربع. لذلك هذه الوحدة لديها 96 الخلايا العصبية الإخراج(4 أدوية × 24 ساعة). من الجميع الخلايا العصبية الإخراجتتم إزالة الجرعة المقابلة لدواء واحد موصوف لساعة معينة من اليوم. وبطبيعة الحال، في الوضع الحقيقي، تكون معظم بيانات الإخراج صفرًا. وبالتالي، يتم إنشاء نظام العلاج الأمثل لارتفاع ضغط الدم للمريض. تجدر الإشارة إلى أن النظام يأخذ في الاعتبار بعض ميزات المرضى الذين يتناولون الأدوية، على سبيل المثال، صعوبة تناول الأدوية ليلاً (يصف الجرعات الليلية فقط في الحالات القصوى)، وحظر وصف مدرات البول ليلاً.

ومن السمات المميزة للنظام قدرة المستخدم (الطبيب) على نقل تجربته إلى الشبكة العصبية. ولهذا الغرض، قام مبدعو البرنامج بتوفير كتلة خاصة تعرض منحنيات ضغط الدم اليومية على شاشة الكمبيوتر وتدعو الطبيب إلى إدخال النظام اليومي في الكمبيوتر لتناول الأدوية الخافضة للضغط بالجرعات المطلوبة، حسب رأيه. يتم وضع المثال الذي تم إدخاله في قاعدة البيانات. يمكنك في أي وقت بدء تدريب إضافي على الشبكات العصبية بأمثلة جديدة.

يتم إجراء مجموعة من الدراسات حول استخدام الشبكات العصبية لتشخيص احتشاء عضلة القلب [5.13,5.14,5.15]. يقدم المؤلف بيانات عن الحساسية (77.7%) والنوعية (97.2%) لاختبار الشبكة العصبية. في [5.16]، بالإضافة إلى ذلك، باستخدام الشبكة العصبية، تم تحديد الأهمية التشخيصية للمعلمات السريرية في تشخيص احتشاء عضلة القلب.

تُستخدم الشبكات العصبية من قبل المعالجين لتشخيص أمراض الكبد بناءً على البيانات المخبرية من دراسة وظائف الكبد [5.19]؛ التشخيص التفريقي لأمراض الكبد [5.20] وأمراض المرارة بالموجات فوق الصوتية [5.21].

يمكن لبرامج الأعصاب أن تعمل بنجاح مع البيانات الطبية المتعلقة بالفئات الذاتية، على سبيل المثال، في الطب النفسي [5.22]. يتيح تقييم البيانات الشخصية التعرف على الأعراض العقلية وتشخيص ودراسة بعض مجمعات الأعراض النفسية.

قد تحظى المشكلة الحالية المتمثلة في تشخيص الأورام الخبيثة بمستوى جديد من الفهم مع بداية استخدام الخوارزميات العصبية. وهكذا، يُظهر العمل [5.23] دقة بنسبة 80% في التشخيص المبكر للأورام الميلانينية الجلدية - وهي واحدة من أكثر الأمراض الخبيثة.

أحد المجالات الجادة لتطبيق الشبكات العصبية هو تفسير البيانات الطبية. في السنوات الأخيرة، كان هناك تطور سريع لأدوات التشخيص والعلاج الجديدة. وفي الوقت نفسه، هناك "موجة ثانية" من دراسة واستخدام الأساليب القديمة والقديمة، وعلى العكس من ذلك، استخدام أحدث الابتكارات التقنية. في كثير من الأحيان، عند استخدام كلتا الطريقتين، تزود الطبيب بمجموعة واسعة من البيانات. وهذا يثير مشكلة تفسيرهم المختص والصحيح. بدأ البحث عن أنماط عميقة بين البيانات التي تم الحصول عليها والعمليات المرضية يتخلف عن تطوير المزيد والمزيد من الأساليب الجديدة، وبالتالي فإن استخدام الشبكات العصبية لهذا الغرض يمكن أن يكون مفيدًا للغاية.

بناءً على 5 نقاط من هذه الموجة، تقوم الشبكة العصبية بتقييم حالة الكلية اليسرى.

إحدى المشاكل الكلاسيكية في أمراض القلب هي تفسير مخططات كهربية القلب، الأمر الذي يتطلب خبرة كبيرة من الطبيب. يقوم موظفو جامعة جلاسكو (المملكة المتحدة) بإجراء بحث حول استخدام الشبكات العصبية لتشخيص تخطيط كهربية القلب (ECG) لاحتشاء عضلة القلب [5.25]. البيانات المدخلة للشبكات هي معلمات مختارة لمخطط القلب الكهربائي ذو 12 قناة ومخطط القلب المتجه ذو 12 قناة (أطوال الأسنان، المسافة بين الأسنان). قام الباحثون بتدريب عدد كبير من الشبكات العصبية (167 شبكة لتشخيص احتشاء عضلة القلب في الجدار الأمامي و139 شبكة لاحتشاء الجدار السفلي) على مجموعة بيانات مكونة من 360 مخططًا كهربائيًا للقلب. ثم قامت الشبكات المدربة باختبار عينة منفصلة بإجابات معروفة مسبقًا (493 حالة). وفي الوقت نفسه، تم استخدام طريقة منطقية (مع خوارزمية محددة مسبقًا) للحصول على سلسلة منفصلة من الإجابات على عينة الاختبار. ومن ثم تمت مقارنة نتائج اختبار العينة باستخدام أفضل الشبكات العصبية وباستخدام الخوارزمية المنطقية. وأظهرت المقارنة أنه في كثير من الحالات كانت حساسية ونوعية اختبار الشبكة العصبية أعلى من الطريقة المنطقية. توصل المؤلفون إلى نتيجة عادلة مفادها أنه في الحالات التي لا يزال من الممكن فيها بناء خوارزمية منطقية لحل مشكلة ما، فمن المعقول الجمع بين كلا النهجين في الأنظمة الخبيرة.

التفسير 59%).

7 يوليو 2017 الساعة 10:30 مساءً

تقوم الشبكات العصبية بتشخيص مشاكل القلب بشكل أكثر دقة من الأطباء

أدوات,
صحة المهوس,

العامل البشري غالبا ما يسبب مشاكل. وهذا ينطبق على الإنتاج والمواقف اليومية والقيادة وبالطبع الطب. خطأ الطبيب يمكن أن يعني خسارة المريض لصحته أو حتى حياته، والأطباء يخطئون ليس في حالات نادرة. حتى المحترف ذو المستوى الأعلى يمكن أن يرتكب أخطاء - بعد كل شيء، قد يكون المتخصص متعبًا ومنزعجًا ويركز على المشكلة بشكل أسوأ من المعتاد.

في هذه الحالة، يمكن للآلات أن تأتي إلى الإنقاذ. نفس النظام المعرفي IBM Watson، على سبيل المثال، يتواءم بشكل جيد مع العمل في المجال الطبي (علم الأورام، وقراءة الأشعة السينية، وما إلى ذلك). ولكن هناك حلول أخرى يقترحها باحثون مستقلون. تم إنشاء أحد هذه الحلول من قبل علماء من جامعة ستانفورد بقيادة أندرو أنجي، وهو متخصص معروف في الذكاء الاصطناعي في مجاله.

قام هو وزملاؤه بتطوير نظام يمكنه تشخيص عدم انتظام ضربات القلب باستخدام مخطط القلب، ويقوم الكمبيوتر بذلك بشكل أفضل من الخبير. نحن نتحدث عن شبكة عصبية قادرة بعد التدريب على تشخيص عدم انتظام ضربات القلب بدرجة عالية من الدقة. وفي الوقت نفسه، لا يعمل الكمبيوتر بشكل أكثر موثوقية فحسب، بل تعمل الشبكة العصبية أيضًا بشكل أسرع، لذلك يمكن نقل مهمة تحليل الصور الطبية ونتائج تخطيط القلب إلى الكمبيوتر بعد "الضبط الدقيق" النهائي للنظام. يمكن للطبيب فقط التحقق من تشغيل النظام الأساسي للبرامج والأجهزة المعنية والتصرف وفقًا للتشخيص النهائي.

يوضح هذا المشروع مدى قدرة الكمبيوتر على تغيير الطب من خلال تحسين جوانب مختلفة من هذا المجال. تساعد الشبكات العصبية الأطباء بالفعل على تشخيص سرطان الجلد، وسرطان الثدي، وأمراض العيون. والآن حان دور أمراض القلب.

تقول أنجي: "تعجبني حقًا السرعة التي يتقبل بها الناس فكرة أن التعلم العميق يمكن أن يساعد في تحسين دقة تشخيص الطبيب". كما يرى أن قدرات أنظمة الكمبيوتر لا تنتهي عند هذا الحد، بل يمكن الاستفادة منها في العديد من المجالات الأخرى.

قضى فريق ستانفورد الكثير من الوقت في تدريب الشبكة العصبية حتى يتمكن النظام من تحديد العيوب في بيانات تخطيط القلب. وفي الوقت نفسه، يعد عدم انتظام ضربات القلب مرضًا خطيرًا للغاية، حيث يمكن أن يؤدي إلى الموت المفاجئ بسبب السكتة القلبية. المشكلة هي أنه ليس من السهل اكتشاف عدم انتظام ضربات القلب، لذلك يضطر المرضى المشتبه في إصابتهم أحيانًا إلى ارتداء جهاز استشعار تخطيط القلب لعدة أسابيع. وحتى بعد ذلك، قد لا تكون البيانات اللازمة لتشخيص الانحرافات كافية.

كما ذكر أعلاه، كان لا بد من تدريب الشبكة العصبية باستخدام مثال المؤشرات الحقيقية لمرضى المستشفى. لم يتمكن خبراء جامعة ستانفورد من جمع عشرات الآلاف من قياسات تخطيط القلب بمفردهم، لذلك قاموا بدعوة شركة iRhythm، وهي شركة تنتج أدوات تخطيط القلب المحمولة، للدخول في شراكة. وقدمت الشركة 30 ألف تسجيل مدتها 30 ثانية لنتائج قياسات عضلة القلب للمرضى الذين يعانون من أشكال مختلفة من عدم انتظام ضربات القلب. ومن أجل زيادة دقة الخوارزمية، وكذلك مقارنة نتائج الكمبيوتر مع نتائج تشخيص الأطباء، تم استخدام 300 سجل آخر. وتم تحليلها في وقت واحد من قبل كل من الآلة والأطباء. ثم تم تقييم النتائج من قبل لجنة تحكيم خاصة ضمت 3 أطباء قلب من الدرجة الأولى.

بدأ التعلم العميق للشبكة العصبية عن طريق "تغذية" كمية هائلة من البيانات. ثم تم استخدام الضبط الدقيق لزيادة دقة التشخيص.

بالإضافة إلى المتخصصين المذكورين أعلاه، تستخدم مجموعات أخرى أيضًا التعلم الآلي لإنشاء أنظمة قادرة على تشخيص عدم انتظام ضربات القلب. على سبيل المثال، يعمل إريك هورويتز، المدير الإداري لأبحاث مايكروسوفت (وهو طبيب) وزملاؤه في نفس الاتجاه تقريبًا الذي يعمل به المتخصصون من جامعة ستانفورد. في رأيهم، يمكن للشبكات العصبية أن تحسن جودة الرعاية الطبية للمرضى، مما يساعد الأطباء على قضاء وقت أقل في الروتين ووقت أكبر في العثور على طرق فعالة لعلاج مرضاهم.

صحيح أنه لا يوجد حديث حتى الآن عن التنفيذ واسع النطاق للشبكات العصبية في المستشفيات حول العالم. وهذا الاتجاه لا يزال في بداياته، ولكنه يتطور بشكل أسرع فأسرع. تتبنى المستشفيات في الولايات المتحدة الأمريكية وأوروبا ودول أخرى تقنيات جديدة وتعمل بأساليب جديدة لتشخيص الأمراض. المشكلة الأساسية من حيث انتشار التقنيات المذكورة هي أن الشبكات العصبية تمثل نوعا من “الصندوق الأسود”. يقوم المتخصصون بإدخال البيانات والحصول على نتيجة معينة. ولكن كيف تم الحصول على هذه النتيجة، وما هي الخوارزميات وبأي تسلسل، قد لا يكون مفهوماً بالكامل من قبل منشئي هذه الأنظمة. إذا أمكن جعل الشبكات العصبية أكثر شفافية، وإمكانية شرح مبدأ عملها بسهولة للممارسين الطبيين، فإن معدل انتشار هذه التكنولوجيا سيكون أعلى بكثير.

العلامات:

الشبكات العصبية
الأطباء
الدواء

اضف اشارة

الشبكات العصبية في الطب

الشبكات العصبية للمهام التشخيصية

ألم حاد في الصدر. تنقل سيارة الإسعاف المريض إلى غرفة الطوارئ، حيث يجب على الطبيب المناوب إجراء التشخيص وتحديد ما إذا كان بالفعل احتشاء عضلة القلب. وتظهر التجربة أن نسبة المرضى الذين أصيبوا بنوبة قلبية بين المقبولين الذين يعانون من أعراض مماثلة، قليلة. ومع ذلك، لا توجد حتى الآن طرق تشخيص دقيقة. في بعض الأحيان لا يحتوي مخطط كهربية القلب على علامات واضحة للمرض. كم عدد مؤشرات حالة المريض التي يمكن أن تساعد بطريقة أو بأخرى في إجراء التشخيص الصحيح في هذه الحالة؟ أكثر من أربعين. هل يستطيع الطبيب في غرفة الطوارئ تحليل كل هذه المؤشرات وعلاقاتها بسرعة من أجل اتخاذ قرار بإرسال المريض إلى قسم أمراض القلب؟ إلى حد ما، تساعد تقنيات الشبكات العصبية في حل هذه المشكلة.

الإحصائيات هي كما يلي: يقوم الطبيب بتشخيص احتشاء عضلة القلب بشكل صحيح لدى 88٪ من المرضى ويجعل هذا التشخيص غير صحيح في 29٪ من الحالات. هناك عدد كبير جدًا من الإنذارات الكاذبة (الإفراط في التشخيص). يعود تاريخ استخدام طرق معالجة البيانات المختلفة لتحسين جودة التشخيص إلى عقود من الزمن، لكن أفضلها ساعد في تقليل عدد حالات الإفراط في التشخيص بنسبة 3% فقط.

في عام 1990، استخدم ويليام باكست - من جامعة كاليفورنيا في سان دييجو - شبكة عصبية - وهي عبارة عن إدراك متعدد الطبقات - للكشف عن احتشاء عضلة القلب لدى المرضى الذين يحضرون إلى غرفة الطوارئ وهم يعانون من آلام حادة في الصدر. كان هدفه هو إنشاء أداة يمكنها مساعدة الأطباء غير القادرين على التعامل مع تدفق البيانات التي تميز حالة المريض المقبول. قد يكون الهدف الآخر هو تحسين التشخيص. قام الباحث بتعقيد مهمته لأنه قام بتحليل البيانات فقط من هؤلاء المرضى الذين تم تحويلهم بالفعل إلى قسم أمراض القلب. استخدم باكست 20 مؤشرًا فقط، من بينها العمر والجنس وموقع الألم والتفاعل مع النتروجليسرين والغثيان والقيء والتعرق والإغماء ومعدل التنفس ومعدل ضربات القلب والنوبات القلبية السابقة والسكري وارتفاع ضغط الدم وانتفاخ الوريد الوداجي و عدد من ميزات تخطيط القلب ووجود تغييرات إقفارية كبيرة.

وأظهرت الشبكة دقة بنسبة 92% في اكتشاف احتشاء عضلة القلب، وأصدرت إنذارات كاذبة بنسبة 4% فقط، وأحالت بشكل خاطئ المرضى الذين لا يعانون من نوبة قلبية إلى قسم أمراض القلب. لذلك، هناك أدلة على نجاح استخدام الشبكات العصبية الاصطناعية في تشخيص الأمراض. من الضروري الآن توضيح المعلمات التي يتم من خلالها تقييم جودة التشخيص في الحالة العامة. لنفترض أنه من بين عشرة أشخاص أصيبوا بالفعل بنوبة قلبية، تسمح لنا طريقة التشخيص باكتشاف المرض لدى ثمانية. ثم ستكون حساسية الطريقة 80٪. فإذا أخذنا عشرة أشخاص لا يصابون بأزمة قلبية، واشتبهت طريقة التشخيص في حدوثها لدى ثلاثة أشخاص، فإن نسبة الإنذارات الكاذبة ستكون 30%، في حين أن خاصية إضافية لها - وهي خصوصية الطريقة - ستكون متساوية إلى 70%.

يجب أن تتمتع طريقة التشخيص المثالية بحساسية وخصوصية بنسبة مائة بالمائة - أولاً، لا تفوت أي شخص مريض حقًا، وثانيًا، لا تخيف الأشخاص الأصحاء. لتأمين نفسك، يمكنك ويجب أن تحاول أولاً وقبل كل شيء التأكد من أن الطريقة حساسة بنسبة 100٪ - ولا يمكنك تفويت المرض. ولكن هذا يؤدي عادةً إلى انخفاض خصوصية الطريقة - حيث يشتبه الأطباء في كثير من الأشخاص بأمراض لا يعاني منها المرضى بالفعل.

الشبكات العصبية للمهام التشخيصية

دعونا نتذكر أن الشبكة العصبية التي تقوم بتشخيص الأزمة القلبية تعمل مع مجموعة كبيرة من المعلمات، والتي لا يمكن تقييم تأثيرها على تشخيص الشخص. ومع ذلك، أثبتت الشبكات العصبية قدرتها على اتخاذ القرارات بناءً على الأنماط الخفية التي تحددها في البيانات متعددة الأبعاد. من الخصائص المميزة للشبكات العصبية أنها غير مبرمجة، فهي لا تستخدم أي قواعد استدلال لإجراء التشخيص، ولكنها مدربة على القيام بذلك من خلال الأمثلة. وبهذا المعنى، فإن الشبكات العصبية لا تشبه على الإطلاق الأنظمة الخبيرة، التي حدث تطورها في السبعينيات بعد "الانتصار" المؤقت للذكاء الاصطناعي على نهج نمذجة الذاكرة والتعرف على الأنماط والتعميم، والذي استند إلى الدراسة للتنظيم العصبي للدماغ.

ومن أشهر الأنظمة الخبيرة التي تم تطويرها، والتي اعتمدت على المعرفة المستخرجة من الخبراء وتنفيذ إجراءات الاستدلال، هو نظام MYCIN. تم تطوير هذا النظام في جامعة ستانفورد في أوائل السبعينيات لتشخيص الصدمة الإنتانية. توفي نصف المرضى بسببه خلال 24 ساعة، ولم يتمكن الأطباء من اكتشاف الإنتان إلا في 50% من الحالات. يبدو أن MYCIN يمثل انتصارًا حقيقيًا لتكنولوجيا الأنظمة المتخصصة، حيث يمكنه اكتشاف الإنتان في 100% من الحالات. ومع ذلك، بعد أن أصبحوا أكثر دراية بهذا النظام الخبير، قام الأطباء بتحسين طرق التشخيص التقليدية بشكل كبير، وفقد MYCIN أهميته، ليصبح نظامًا تدريبيًا. تُستخدم الأنظمة المتخصصة فقط في أمراض القلب - لتحليل مخططات القلب الكهربائية. تم استخدام القواعد المعقدة التي تشكل المحتوى الرئيسي للكتب المتعلقة بتحليل تخطيط القلب السريري بواسطة الأنظمة المقابلة لإصدار تقرير تشخيصي.

التشخيص هو حالة خاصة من تصنيف الأحداث، والقيمة الأكبر هي تصنيف تلك الأحداث الغائبة في مجموعة التدريب للشبكة العصبية. هذا هو المكان الذي تتجلى فيه ميزة تقنيات الشبكات العصبية - فهي قادرة على تنفيذ هذا التصنيف وتعميم الخبرة السابقة وتطبيقها على حالات جديدة.

أنظمة محددة

هناك ميزة أخرى للشبكات العصبية تُستخدم أيضًا في الطب، وهي قدرتها على التنبؤ بالتسلسل الزمني. وقد لوحظ بالفعل أن الأنظمة المتخصصة تفوقت في تحليل تخطيط القلب. الشبكات العصبية مفيدة أيضًا هنا. قام كل من Qi Zhenhu وYu Hengwoo وWillis Tompkins من جامعة ويسكونسن بتطوير نظام تصفية الشبكة العصبية لمخططات كهربية القلب التي يمكنها قمع الضوضاء غير الخطية وغير الثابتة بشكل أفضل بكثير من الطرق المستخدمة سابقًا. والحقيقة هي أن الشبكة العصبية تنبأت بالضوضاء جيدًا بناءً على قيمها في نقاط زمنية سابقة. وحقيقة أن الشبكات العصبية فعالة جدًا في التنبؤ بالتسلسلات الزمنية (مثل أسعار الصرف أو أسعار الأسهم) تم إثباتها بشكل مقنع من خلال نتائج مسابقة البرامج التنبؤية التي أجرتها جامعة سانتا في - فقد احتلت الشبكات العصبية المركز الأول وهيمنت بين أفضل الطرق.

إمكانية استخدام الشبكات العصبية

يعد تخطيط كهربية القلب (ECG) تطبيقًا محددًا، على الرغم من أهميته البالغة. ومع ذلك، يوجد اليوم العديد من الأمثلة الأخرى لاستخدام الشبكات العصبية للتنبؤات الطبية. ومن المعروف أن الطوابير الطويلة في أقسام جراحة القلب (من أسابيع إلى أشهر) سببها النقص في وحدات العناية المركزة. لا يمكن زيادة عددهم بسبب ارتفاع تكلفة العناية المركزة (ينفق الأمريكيون 70٪ من أموالهم في الأسبوعين الأخيرين من حياتهم في هذا القسم).

والسبيل الوحيد للخروج هو استخدام الأموال المتاحة بشكل أكثر كفاءة. لنفترض أن حالة المرضى الذين أجريت لهم العمليات الجراحية في يوم معين كانت شديدة لدرجة أنهم يحتاجون إلى إقامة طويلة في وحدة العناية المركزة (أكثر من يومين). كل هذا الوقت، سيكون الجراحون خاملين، لأنه لا يوجد مكان لوضع المرضى الذين تم تشغيلهم حديثا. من الحكمة إجراء عملية جراحية للمرضى المصابين بأمراض خطيرة قبل عطلات نهاية الأسبوع أو العطلات - فغرف العمليات لا تزال مغلقة في هذه الأيام، وسيرتاح الجراحون، وسيتعافى المرضى في العناية المركزة. ولكن في بداية أسبوع العمل، من الأفضل إجراء عملية جراحية للمرضى الذين سيحتاجون إلى البقاء في وحدة العناية المركزة لمدة يوم أو يومين فقط. سيتم بعد ذلك توفير أسرة العناية المركزة بشكل أسرع وسيتم قبول المرضى الجدد الذين سيتم إجراء العمليات لهم يومي الثلاثاء والأربعاء.

والسؤال هو كيفية التنبؤ بمن سيضطر إلى البقاء في وحدة العناية المركزة لفترة طويلة بعد الجراحة ومن لن يفعل ذلك. استخدم جاك تو ومايكل جويرييه - من مستشفى جامعة سانت مايكل في تورونتو - الشبكات العصبية لعمل مثل هذه التنبؤات. كبيانات أولية، أخذوا فقط تلك المعلومات عن المريض التي كانت معروفة في فترة ما قبل الجراحة. لاحظ أنه في الأعمال السابقة التي لا تستخدم الشبكات العصبية، تم أيضًا استخدام معلومات مهمة بعد العملية الجراحية - المضاعفات المختلفة التي نشأت أثناء الجراحة - كعوامل لزيادة خطر البقاء في العناية المركزة.

قام تو وجوير بتدريب جهاز إدراكي من طبقتين لتقسيم المرضى إلى ثلاث مجموعات معرضة للخطر، مع الأخذ في الاعتبار العمر والجنس والحالة الوظيفية للبطين الأيسر ودرجة تعقيد العملية القادمة ووجود أمراض مصاحبة. من بين هؤلاء المرضى الذين صنفتهم الشبكة على أنهم منخفضو خطر التأخير في العناية المركزة، قضى 16.3٪ فقط أكثر من يومين فيها. وفي الوقت نفسه، فإن أكثر من 60% من أولئك الذين صنفتهم الشبكة على أنهم مجموعة معرضة للخطر الشديد قد ارتقوا إلى مستوى التشخيص غير المواتي.

مكافحة السرطان

لقد أولينا اهتمامًا خاصًا بأمراض القلب والأوعية الدموية، لأنها تحتل الصدارة المحزنة في قائمة أسباب الوفاة. أمراض الأورام في المركز الثاني. أحد المجالات الرئيسية التي يجري العمل فيها حاليًا باستخدام الشبكات العصبية هو تشخيص سرطان الثدي. وهذا المرض هو سبب وفاة كل امرأة تاسعة.

يتم اكتشاف الورم من خلال التحليل الأولي بالأشعة السينية للثدي (تصوير الثدي الشعاعي) والتحليل اللاحق لقطعة من أنسجة الورم (خزعة). على الرغم من وجود قواعد عامة للتمييز بين الأورام الحميدة والخبيثة، وفقا لتصوير الثدي بالأشعة السينية، فإن 10 إلى 20٪ فقط من نتائج الخزعة الجراحية اللاحقة تؤكد فعليا وجود سرطان الثدي. مرة أخرى، نحن نتعامل مع حالة ذات خصوصية منخفضة للغاية للطريقة.

قام الباحثون في جامعة ديوك بتدريب شبكة عصبية للتعرف على تصوير الثدي بالأشعة السينية للأنسجة الخبيثة بناءً على ثماني سمات يتعامل معها أطباء الأشعة عادةً. وتبين أن الشبكة قادرة على حل المهمة بحساسية تبلغ حوالي 100% ونوعية تبلغ 59% (مقارنة بـ 10-20% لأخصائيي الأشعة). كم عدد النساء المصابات بأورام حميدة يمكنهن تجنب ضغوط إجراء الخزعة إذا استخدمت هذه الشبكة العصبية! في مايو كلينيك (مينيسوتا)، قامت شبكة عصبية بتحليل نتائج الموجات فوق الصوتية للثدي وقدمت خصوصية بنسبة 40٪، في حين كانت خصوصية تقرير أخصائيي الأشعة صفرًا لنفس النساء. أليس صحيحا أن نجاح استخدام تقنيات الشبكات العصبية لا يبدو عرضيا على الإطلاق؟

بعد علاج سرطان الثدي، من الممكن تكرار الورم. تساعد الشبكات العصبية بالفعل في التنبؤ بها بشكل فعال. وتجري دراسات مماثلة في كلية الطب بجامعة تكساس. وقد أظهرت الشبكات المدربة قدرتها على تحديد ومراعاة العلاقات المعقدة للغاية للمتغيرات التنبؤية، ولا سيما اتصالاتها الثلاثية، لتحسين القدرة التنبؤية.

تتنوع إمكانيات استخدام الشبكات العصبية في الطب، كما أن بنيتها متنوعة. واستنادا إلى تشخيص النتائج طويلة المدى لعلاج المرض بطريقة أو بأخرى، يمكن تفضيل إحداهما. تم تحقيق نتيجة مهمة في التنبؤ بعلاج سرطان المبيض (مرض يصيب كل سبعين امرأة) من قبل المتخصص الهولندي الشهير هربرت كابين من جامعة نيميغن (لا يستخدم في عمله الإدراك الحسي متعدد الطبقات، ولكن ما يسمى بآلات بولتزمان - الشبكات العصبية لتقدير الاحتمالات).

هنا مثال لمرض سرطاني آخر. قام باحثون من كلية الطب كاجاوا (اليابان) بتدريب شبكة عصبية تنبأت بدقة تقريبًا بنتائج استئصال الكبد لدى المرضى المصابين بسرطان الخلايا الكبدية بناءً على بيانات ما قبل الجراحة.

في معهد ترينيتي للأبحاث المبتكرة والنووية الحرارية (TRINITI)، ضمن المشروع الذي تنفذه وزارة العلوم لإنشاء أنظمة استشارية للشبكات العصبية، تم تطوير برنامج شبكة عصبية يقوم باختيار طريقة علاج سرطان الجلد في الخلايا القاعدية (الخلية القاعدية) سرطان) بناءً على تشخيص طويل المدى لتطور الانتكاس. ويمثل عدد حالات سرطان الخلايا القاعدية، وهو مرض أورام يصيب الأشخاص ذوي البشرة البيضاء ذوي الجلد الرقيق، ثلث إجمالي حالات السرطان.

تم تشخيص أحد أشكال سرطان الجلد، وهو ورم يصعب أحيانًا تمييزه عن الشكل المصطبغ لسرطان الخلايا القاعدية، باستخدام محاكي الشبكة العصبية المتعددة، الذي تم تطويره في مركز علوم الكمبيوتر SOAN في كراسنويارسك تحت قيادة أ.ن.غوربان .

يمكن أيضًا استخدام الشبكات العصبية للتنبؤ بآثار العلاجات المختلفة التي يتم تطويرها. لقد تم استخدامها بالفعل بنجاح في الكيمياء للتنبؤ بخصائص المركبات بناءً على تركيبها الجزيئي. استخدم باحثون من المعهد الوطني للسرطان في الولايات المتحدة الشبكات العصبية للتنبؤ بآلية عمل الأدوية المستخدمة في العلاج الكيميائي للأورام الخبيثة. لاحظ أن هناك الملايين من الجزيئات المختلفة التي تحتاج إلى اختبار نشاطها المضاد للسرطان. قام المتخصصون في معهد السرطان بتقسيم أدوية الأورام المعروفة إلى ست مجموعات حسب آلية عملها على الخلايا السرطانية وقاموا بتدريب شبكات متعددة الطبقات لتصنيف المواد الجديدة والتعرف على آثارها. تم استخدام نتائج التجارب على قمع نمو الخلايا من الأورام المختلفة كبيانات أولية. يتيح تصنيف الشبكات العصبية تحديد أي من مئات الجزيئات التي يتم اختبارها يوميًا تستحق المزيد من الدراسة في تجارب مكلفة للغاية في المختبر وفي الجسم الحي. كما تم استخدام شبكات كوهونين لحل مشكلة مماثلة. قامت هذه الشبكات العصبية ذاتية التنظيم وغير الخاضعة للرقابة بتقسيم المواد إلى عدد غير معروف من المجموعات، وبالتالي مكنت الباحثين من تحديد المواد ذات آليات العمل السامة للخلايا الجديدة.

النظم العصبية وعلم الوراثة والجزيئات

في عام 1996، تم اكتشاف مثير يربط الأبحاث الأساسية في علم الوراثة الجزيئية بمشكلة التسبب في المرض وعلاج السرطان الأكثر شيوعًا - سرطان جلد الخلايا القاعدية. اكتشف الباحثون جينًا على الكروموسوم البشري التاسع (PTC)، وهي طفرات تحدث فيها، على عكس الجين p53، بسبب التعرض للأشعة فوق البنفسجية وتسبب تطور الورم. كان مفتاح الاكتشاف هو دراسة ما يسمى بجين التصحيح، والذي تم تحفيز التغيرات فيه بسبب عيوب في نمو ذباب الفاكهة وحقيقة أن الأطفال الذين يعانون أيضًا من عيوب في نمو الأنسجة العظمية (متلازمة الوحمة القاعدية) غالبًا ما يكون لديهم سرطانات الخلايا القاعدية المتعددة.

الآن يعلق علماء الوراثة والأطباء آمالهم في العثور على علاج دوائي لسرطان الخلايا القاعدية أو استخدام طرق جراحة الجينات، واستبدالها بطرق علاج قاسية مثل الليزر التقليدي والأشعة السينية والجراحة البردية. هل يمكن أن تكون الشبكات العصبية مفيدة لهذا البحث؟ وعلى وجه الخصوص، هل من الممكن استخدامها لتقييم التأثير المحتمل لطفرة معينة على التغيرات في خصائص البروتينات المقابلة أو لتقييم قيمتها النذير، على سبيل المثال، لتطور انتكاسة سرطان الثدي؟

إذا أمكن القيام بذلك، فإن الشبكات العصبية ستقلل بشكل كبير من مساحة البحث لعلماء الأحياء الجزيئية، الذين غالبًا ما يقومون "باللمس" بإجراء تجارب باهظة الثمن لتقييم دور الطفرات في جزيء الحمض النووي. دعونا نتذكر أن تطور الأورام الخبيثة يحدث بسبب نمو الخلايا وانقسامها غير المنضبط. يحتوي الجينوم البشري، الذي يحتوي على معلومات عن جميع البروتينات المنتجة في الجسم، على حوالي ثلاثة مليارات نيوكليوتيدات. لكن 2-3٪ فقط منهم يقومون بالفعل بتشفير البروتينات - والباقي يحتاجه الحمض النووي نفسه للحفاظ على البنية الصحيحة والتكرار وأشياء أخرى.

يمكن تقسيم تسلسل الحمض النووي الجينومي تقريبًا إلى ثلاثة مكونات: يحتوي الأول على نسخ عديدة من أجزاء متطابقة (الحمض النووي الأقمار الصناعية)؛ والثاني يحتوي على تسلسلات متكررة إلى حد ما منتشرة في جميع أنحاء الجينوم؛ وفي الثالث يوجد حمض نووي فريد. في DNA الأقمار الصناعية، يتم تمثيل النسخ المختلفة بشكل غير متساو - ويتراوح عددها من مئات إلى ملايين. لذلك، يتم تقسيمها عادة إلى سواتل صغيرة وصغرى.

ومن الجدير بالملاحظة أن توزيع الأقمار الصناعية الدقيقة في جميع أنحاء الجينوم محدد للغاية بحيث يمكن استخدامه كنظير لبصمات الأصابع لدى البشر. ويعتقد أيضًا أن هذا التوزيع يمكن استخدامه لتشخيص الأمراض المختلفة.

في شكل مخفي، تلعب تكرارات تسلسلات النيوكليوتيدات أيضًا دورًا مهمًا في تسلسلات الحمض النووي الفريدة. وفقًا لفرضية فرانسيس كريك، فإن تطور الحمض النووي يبدأ من هياكل شبه دورية، وإذا تمكنا من العثور على تكرارات مخفية، فسنكتشف أين حدثت الطفرات التي حددت التطور، مما يعني أننا سنجد المناطق الأقدم والأكثر أهمية، وهي الطفرات التي هي الأكثر خطورة. يرتبط توزيع التكرارات المبهمة أيضًا ارتباطًا وثيقًا ببنية ووظيفة البروتينات المشفرة بواسطة التسلسل المقابل.

طورت TRINITY نظامًا يستخدم تعديلات شبكات هوبفيلد العصبية للبحث عن التكرارات المخفية وتقييم دور الطفرات في تسلسل الحمض النووي. ومن المأمول أن يتم استخدام هذا النهج للتحليل الطيفي المعمم لتسلسلات البيانات العامة جدًا، مثل تحليل مخططات القلب الكهربائية.

الشبكات العصبية تجتاح الكوكب

إن جغرافية المجموعات البحثية التي تستخدم الشبكات العصبية لتطوير التطبيقات الطبية واسعة جدًا. لا يوجد ما يقال عن الولايات المتحدة الأمريكية - يتم إجراء أبحاث مماثلة في جامعة كل ولاية، واتجاهها الرئيسي هو سرطان الثدي. وماذا عن الجامعات العسكرية التي تفعل ذلك أيضًا؟ في جمهورية التشيك، طور جيري شيما نظرية تدريب الشبكات العصبية التي يمكنها العمل بشكل فعال مع ما يسمى ببيانات الفاصل الزمني (عندما لا تكون قيم المعلمة معروفة، ولكن الفاصل الزمني لتغيرها)، ويستخدمها في مختلف التطبيقات الطبية. وفي الصين، قام موظفو معهد الطاقة الذرية بتدريب شبكة عصبية لتمييز المرضى الذين يعانون من أمراض خفيفة وشديدة في ظهارة المريء عن أولئك الذين يعانون من سرطان المريء، استنادا إلى التحليل الأولي للأظافر.

وفي روسيا، في معهد الفيزياء النووية بجامعة موسكو الحكومية، تُستخدم الشبكات العصبية لتحليل أمراض أجهزة السمع.

وأخيرا، في أستراليا، استخدم جورج كريست نظرية الشبكة العصبية لبناء الفرضية الأولى حول أسباب متلازمة الموت المفاجئ الغامض لحديثي الولادة.

بدلا من الاستنتاج

بالطبع، تقدم المقالة قائمة بعيدة كل البعد عن الأمثلة الكاملة لاستخدام تقنيات الشبكات العصبية الاصطناعية في الطب. ويترك جانبًا الطب النفسي، وطب الرضوح، والأقسام الأخرى التي يتم فيها اختبار الشبكات العصبية للقيام بدور مساعد التشخيص والطبيب. ليس كل شيء ورديا، بطبيعة الحال، في الجمع بين تكنولوجيا الكمبيوتر الجديدة والرعاية الصحية. تكون برامج الشبكات العصبية في بعض الأحيان باهظة الثمن للغاية عند تنفيذها على نطاق واسع في العيادة (من آلاف إلى عشرات الآلاف من الدولارات)، ويكون الأطباء متشككين تمامًا بشأن أي ابتكار كمبيوتر. يجب أن يكون الاستنتاج الصادر باستخدام الشبكة العصبية مصحوبًا بتفسيرات أو تعليقات مقبولة.

ولكن لا تزال هناك أسباب للتفاؤل. إن إتقان وتطبيق تقنيات الشبكات العصبية أسهل بكثير من دراسة الإحصائيات الرياضية أو المنطق الغامض. يستغرق الأمر شهورًا، وليس سنوات، لإنشاء نظام طبي للشبكة العصبية. والمعلمات مشجعة للغاية - دعونا نتذكر مرة أخرى الخصوصية العالية للتشخيص.

والأمل الآخر للتعاون هو كلمة "الخلايا العصبية" نفسها. بعد كل شيء، هو مألوف جدا للأطباء ...

تعريفأفضلمقاسالشبكات العصبيةيعكس

التوزيعاتخلالمقارنةواسطةقيم

وحداتمقاييسالاشتباكات العصبية

تم اقتراح "منحنى تعلم" جديد. الرسم البياني لمعامل الوزن المتوسط

المشبك على حجم الشبكة العصبية. تظهر التجارب أن الحد الأدنى المحلي و

تتوافق مخرجات الخطوط المقاربة لهذا المؤشر بشكل جيد مع الخصائص

منحنيات التعلم التقليدية تبعيات التعلم وأخطاء التعميم

حجم الشبكة العصبية. يمكن استخدام المؤشر لتحديد الأمثل

حجم الشبكة في حالة عدم وجود عينة اختبار.

1. المشكلةتعريفاتأفضلالهياكلالشبكات العصبية

عند استخدام الشبكات العصبية الاصطناعية، هناك مهمة مهمة

العثور على الحجم الأمثل (الهيكل) للشبكة. هذا العدد من الطبقات المخفية

الخلايا العصبية والخلايا العصبية في الطبقات التي من شأنها أن تعطي أقصى قدرات التعميم، أي.

الحد الأدنى من خطأ التعميم، وخاصة في حالة الغياب

عينة اختبار مستقلة أو استحالة تقسيم العينة صناعيا

بيانات التدريب واختبار الأجزاء بسبب عدم كفاية حجم البيانات الإجمالي.

لذلك، يتم استخدام نموذج "منحنيات التعلم" على نطاق واسع.

اعتماد أخطاء التعلم والتعميم على حجم الشبكة العصبية والشبكة التدريبية

عينات. الأمثل يتوافق مع الحد الأدنى المحلي أو لحظات الخروج

الرسوم البيانية للخطوط المقاربة. التقنيات الرسمية لاستقراء مثل هذه الرسوم البيانية

كما تسمح لنا بتقييم ما هو ضروري وكافي لتحقيق الحد الأقصى

تعميم القدرات، أحجام العينات التدريبية في حالة الأولية

كميات غير كافية من بيانات العينة.

فئة أخرى من منحنيات التعلم هي تبعيات الخصائص "الداخلية".

الشبكة العصبية على حجمها، والتي يتم بعد ذلك مقارنتها بديناميكيات خطأ التعميم.

خيارات. تحليل التمثيل الداخلي للمهمة،

العلاقة النظرية بين خطأ التعلم والحد الأقصى لمجموع وحدات وزن المشبك،

الوصول إلى الخلايا العصبية للشبكة، وهو معيار NIC الذي يعمل مع التدرجات المستهدفة

وظائف ومصفوفة هسه للشبكة المدربة وتسمح لك بتقييم الفرق بينهما

أخطاء التعلم والتعميم. هذه المعايير تجعل من الممكن الاستغناء عنها

عينة اختبار مستقلة.

تقترح الورقة نسخة جديدة من منحنى التعلم. الاعتماد على المتوسط

معامل وزن المشبك على حجم الشبكة العصبية. بتعبير أدق، في التجارب كذلك سيكون هناك

تم استخدام طول متجه أوزان المشبك للشبكة (محسوب في

القاعدة الإقليدية)، مقسومة على العدد الإجمالي للمشابك العصبية، من أجل زيادة التأثير

أكبر الأوزان modulo وإعادة التأمين الناتجة على أساس

نتائج حول عدم الرغبة في استخدام أوزان المشبك الكبيرة على وجه التحديد.

هذا المعيار ليس شاملا، لأنه هناك عدم التجانس

مجموعات من نقاط الاشتباك العصبي للشبكة من طبقة إلى أخرى (بالنسبة للشبكات الصغيرة، تمت ملاحظتها غالبًا

الفرق الإحصائي في متوسطات الوحدات والفروق في أوزان المخرجات و

الطبقة المخفية للشبكة). إن عدم التجانس الهيكلي للشبكات ذات الطبقات معروف ويتم أخذه في الاعتبار بالفعل من خلال خوارزميات التعلم، ولكن تأثير هذه الحقيقة غير مدروس هنا.

2. البياناتلتجريبيالفحوصاتونتائج

تم أخذ 6 قواعد بيانات حقيقية مع عينات اختبار مستقلة

(حتى لا يحدث خطأ في تقدير خطأ التعميم بالقسمة

مجموعة التدريب في أجزاء التدريب والاختبار). قواعد البيانات المتخذة

AnnThyroid، أرقام Opt، أرقام القلم، القمر الصناعي، مكوك Statlog من قاعدة بيانات UCI KDD

المستودع http://kdd.ics.uci.edu/، وقاعدة بيانات Gong، المتوفرة على الصفحة

http://www-ee.uta.edu/eeweb/IP/training_data_files.htm. تمثل جميع المشاكل 6

تصنيف المشاكل مع المعلم إلى عدد أو آخر من الفصول.

كل هذه المهام لها أهمية كبيرة، من عدة آلاف إلى عدة

عشرات الآلاف من المتجهات بحجم عينة التدريب. هذا الشرط ضروري ل

ضمان تمثيلية العينة (وبالتالي وجود واضح

التقاربيات في التعلم وتعميم الأخطاء بعد الوصول والتجاوز

شبكة عصبية ذات حجم مناسب للمهمة) وغياب التأثير

إعادة التدريب مع زيادة نمو حجم الشبكة العصبية (الضوضاء والتشويه في

لا يمكن تذكر مجموعة التدريب، إن وجدت

الشبكة العصبية بسبب العدد الكبير من هذه العينات مع حجم العينة الكبير

التشوهات، وليس الحالات المعزولة لهذه التشوهات).

استخدمنا شبكات ذات طبقة مخفية واحدة، عدد الخلايا العصبية فيها

تتراوح من 1 إلى 25. في كل مهمة، لكل حجم من الشبكة العصبية، 25

الشبكات (مع قيم عشوائية أولية مختلفة للمشابك العصبية) وخصائصها

ثم تم حساب المتوسط لبناء منحنيات التعلم.

متوسط أخطاء التعلم والتعميم (معبراً عنها كنسب مئوية)

أمثلة تم حلها بشكل غير صحيح ضمن حجم العينة المناسب)؛

الجذر يعني الوزن المربع للمشبك في الشبكة. المؤشر المقترح؛

الحد الأقصى بين مبالغ كل خلية عصبية من وحدات وزن المشبك. مؤشر .

يتم رسم عدد الخلايا العصبية في الطبقات المخفية للشبكات على طول المحاور الإحداثية. قيم

تتم إعادة قياس المؤشرات التي تعكس خصائص أوزان المشبك

إدخال أخطاء التعلم والتعميم في مجموعة من القيم، والتي كانت

بسبب القيود المفروضة على برنامج الرسوم البيانية (عدم القدرة على إدخال اثنين

مقاييس). حول كل نقطة يوجد تباين العينة المقابلة البالغ 25

القيم التجريبية.

ويمكن ملاحظة أن المؤشر الجديد يصل إلى الخط المقارب (واستقرار.

تقليل التباين، بحيث تكون "الشوارب" حول نقطة ما مغطاة بالنقطة نفسها قليلاً

يتخلف عن مخرجات أخطاء التعلم والتعميم على الخطوط المقاربة، أي. قليلا

يتم إعادة التأمين من حيث حجم الشبكة المطلوبة، وهو أمر ممكن فقط

ترحيب بناء على النتائج النظرية: زيادة عدد المسارات

يمكن أن يؤدي مرور الإشارة عبر الشبكة إلى تقليل الحد الأقصى لأوزان المشابك العصبية بسبب

إعادة إنتاج القنوات التي كان التضخيم مطلوبًا فيها سابقًا.

ويكشف المؤشر أيضًا عن خطأ التعميم في الوصول إلى المستوى الأمثل في الاثنين

حالات إعادة التدريب (مهام الغدة الدرقية، غونغ)، عند النمو

حجم الشبكة، ومن نقطة معينة يبدأ خطأ التعميم في الزيادة مرة أخرى.

تتأخر لحظة الاستقرار وخروج المؤشر إلى الخط المقارب قليلاً

مقارنة بلحظة الوصول إلى الحد الأدنى من الخطأ في مهمة AnnThyroid، وفي المهمة

الحد الأدنى المحلي لـ Gong بحجم شبكة مكون من 6 خلايا عصبية يتطابق تمامًا

الحد الأدنى من خطأ التعميم. المؤشر في مشكلة غونغ ليس له وضوح

السلوك المتطرف الواضح غير مستقر بشكل كبير على النطاق بأكمله

دراسة أحجام الشبكة العصبية. من 1 إلى 25 خلية عصبية.__

الحد الأدنى المحلي للمؤشر (ستة خلايا عصبية لمهمة غونغ، وثلاثة ل

يمكن أيضًا أن تشير مهام اختيار الأرقام، اثنان لمهمة القمر الصناعي) إلى الخطأ الأمثل

التعميمات (مشكلة غونغ) أو إلى المستويات الهيكلية لتعقيد المهمة (الأخيرة

يتزامن مع فواصل في الرسوم البيانية لأخطاء التعلم والتعميم). هذا الأخير قد

السماح بتحديد لحظات الانتقال من منطقة الكفاية

نماذج ذات معلمات منخفضة للإحصاء الكلاسيكي (الانحدار الخطي،

التمييز الخطي أو مصنف بايز القائم على النتيجة

مصفوفات التغاير لكل فئة) إلى مجالات الكفاية

نماذج متعددة المعلمات (الشبكات العصبية، التقريبات متعددة الحدود)

أو الأساليب غير البارامترية (الإحصائيات اللامعلمية المبنية على kernel

تقريبية لكثافات الاحتمالية، طريقة الدوال المحتملة).

كما أن المؤشر يقلل من تشتته على مجموعة من العينات بشكل أسرع قليلاً من

الحد الأقصى لمجموع كل خلية عصبية من وحدات أوزان المشبك، والتي في العمل الحقيقي

سيسمح لك بالاستمرار في محاولات تدريب أقل لكل حجم

الشبكات العصبية، أو حتى دون الحاجة إلى حساب المتوسط الإحصائي للخصائص على الإطلاق

عدة شبكات عصبية من نفس الحجم للحصول على صورة واضحة على الرسوم البيانية

مثل تلك الواردة في هذا العمل.

كما يتبين من الرسوم البيانية التجريبية، عند اختيار الحجم الأمثل

لا يكفي أن تعتمد الشبكة فقط على قيمة خطأ التدريب. لا يمكن الكشف عنها

حدوث إعادة تدريب الشبكة العصبية، وذلك بمقارنة سلوك عدة

المؤشرات (كما حدث في الرسوم البيانية أعلاه) تسمح بالمزيد

لتأكيد اختيار حجم الشبكة العصبية بشكل معقول، أو لمعرفة ما هو ممكن

وجود مشاكل (على سبيل المثال، عدم كفاية النموذج بسبب ظهور

إعادة التدريب). تسمح لك القدرة على الاستغناء عن التحقق من عينة الاختبار

تدريب الشبكة العصبية باستخدام مجموعة الأمثلة المتاحة بالكامل، دون تقسيمها إلى

أجزاء التدريب والاختبار، ونتوقع أن يكون عدد التدريب

على سبيل المثال، سينخفض أيضًا خطر الإفراط في تدريب الشبكة العصبية.

3 - الخلاصة

تم اقتراح نسخة جديدة من منحنى التعلم. الاعتماد على قيمة jајяj__average

معامل وزن المشبك في الشبكة على حجم الشبكة العصبية. وقد ثبت تجريبيا أنه مع

باستخدامه، من الممكن تحديد حجم الشبكة الأمثل بشكل موثوق إلى حد ما،

ضمان الحد الأدنى من خطأ التعميم. المؤشر يسمح لك بالاستغناء عنه

حساب خطأ التعميم على عينة اختبار مستقلة يسمح بالاختلافات

وذلك باختيار معيار (معامل الوزن، متوسط القيمة المربعة،.) ومراعاة ذلك

عدم التجانس الهيكلي للشبكة لتعظيم القدرات التنبؤية.

كما يمكن تطبيق هذا المعيار عند تعليم الأطفال في مرحلة النمو

الشبكات العصبية، مثل الشبكات العصبية المتسلسلة، وكلاهما في مرحلة الاختيار

الخلايا العصبية المرشحة المدربة لإدخالها في الشبكة العصبية (جنبًا إلى جنب مع استخدام

قيم الوظيفة المستهدفة لهذه الخلية العصبية)، وبعد إدراج المحدد

الخلايا العصبية في الشبكة وتصحيح الأخير (وليس الخلايا العصبية المرشحة الوحيدة المختارة

يتم إدراجها في الشبكة العصبية، ويتم إدراج عدد قليل من أفضل الخلايا العصبية الممكنة

الجميع في نسختهم الخاصة من الشبكة العصبية، وتتم مقارنة هذه النسخ المكتملة بين

نفس الشيء من حيث قيمة الوظيفة الموضوعية والمؤشر المقترح).

المجموع:0
في تواصل مع 0
جوجل+ 0
نعم 0
فيسبوك 0

سيبرانت: ستساعد شبكات ياندكس العصبية الأطباء على إجراء التشخيص. تطبيق الشبكات العصبية الاصطناعية للتشخيص المبكر لمرض السكري الشبكات العصبية في الطب مقال