ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В МЕДИЦИНСКОЙ ДИАГНОСТИКЕ

APPLICATION OF MACHINE LEARNING METHODS IN MEDICAL DIAGNOSTICS

Roman Fedotov

student, Department of Applied Mathematics and Computer Science, Smolensk state University,

Russia, Smolensk

АННОТАЦИЯ

В этой статье раскрываются основные подходы и методы современной теории компьютерного зрения и машинного обучения в задаче медицинской диагностики.

ABSTRACT

This article provides approaches to the methods of the modern theory of computer vision and machine learning in the problem of medical diagnostics.

Ключевые слова: машинное обучение, анализ данных, компьютерное зрение, медицина.

Keywords: machine learning, data analysis, computer vision, medicine.

Известно, что одной из наиболее важных технологий, влияющих на развитие человеческого общества, в настоящее время является искусственный интеллект. Данное направление развивается множеством теорий, которые активно развиваются с середины прошлого века. К таким теориям и технологиям можно отнести, например, статистическую теорию машинного обучения, нейросетевые технологии, технологии градиентного бустинга, методы обучения с подкреплением и обучение на размеченных данных, глубокие нейронные сети, а также методы распознавания визуальных образов, например, изображений.

Стоит отметить, что в настоящее время искусственный интеллект получил активное применение практически во всех сферах человеческой деятельности, соответствующих задачам естествознания. Он активно используется как в бизнес-задачах, например, в рамках предсказания данных в бизнес-процессах компании, так и в фундаментальной медицинской науке, особенно активно в биохимии и биоинформатике.

Большинство государственных и негосударственных медицинских учреждений практически непрерывно генерируют и производят огромные массивы специальной медицинской диагностической информации. К такой информации можно отнести, например, медицинские снимки, анализы пациентов, показатели выздоровления пациентов, смертность, социально-демографическое факторы некоторых болезней. При этом данные могут храниться как в печатном, так и в электронном виде.

Однако в последние годы можно отметить явную тенденцию на цифровизацию всего медицинского процесса. Активно начинают использоваться технологии Big Data и Data Science. Не смотря на эти процессы, полученная информация все еще обладает слабой структурой, является разрозненной. Такое состояние медицинской документации явным образом мешает продуктивному развитию медицинского анализа данных.

Современные методы машинного обучения, основанные на статистическом анализе больших объемов данных, позволяют делать предсказания с высокой степенью точности [1]. При этом данные такого типа можно удобно анализировать в специальных кластерах, называемых облачными вычислительными ресурсами. Мощная облачная платформа с поддержкой ИИ, имеющая доступ к медицинским БД, способна эффективно анализировать медицинскую информацию, имеющую сложную метрическую структуру связи, например, рентгеновские снимки. Многие методы анализа данных позволяют выявлять зависимости специальных типов, прямые линейные и нелинейные зависимости различной степени сложности, выявлять узкоспециализированные болезни и нарушения здоровья с высокой степенью точности.

Важно отметить, что многие модели искусственного интеллекта позволяют не только сделать некоторое предсказание на основе имеющихся в наличие исторически данных, но и удобным образом интерпретировать результаты полученного предсказания. Данная особенность позволяет не только предсказывать данные, но и объяснять их природу.

Список литературы:

1. Бишоп, К. М. Машинное обучение и распознавание образов / К. М. Бишоп. — 2-е изд. — Москва : Диалектика, 2020. — 960 c. — Текст : непосредственный.