Нейросетевая модель для здравоохранения

Нейросетевая модель для здравоохранения

Выпуск 4(6678) от 21 февраля 2019 г.
РУБРИКА: МЕДИЦИНСКАЯ ЭЛЕКТРОНИКА

Нейросетевая модель, разработанная в Массачусетском технологическом институте, обрабатывает различные типы данных о состоянии здоровья пациента, тем самым помогая врачу принимать решения о дальнейшем лечении в условиях неполной информации.

В сфере здравоохранения все чаще используется прогнозная аналитика. Применение алгоритмов машинного обу-чения для анализа данных о состоянии здоровья пациента облегчает врачу задачу диагностики и лечения заболеваний. Однако многие современные модели не справляются с анализом данных высокой сложности, не позволяя выявить все существующие зависимости между переменными (например, по характеру дыхания определить продолжительность сна или уровень боли).

Данные о состоянии пациента, как правило, поступают из нескольких источников: опросы пациента о его физическом и психическом здоровье, результаты лабораторной и инструментальной диагностики. Наборы данных могут обладать высокой сложностью (например, результаты измерений сердечной и мозговой активности). Зачастую данные неполны (бывают случаи, когда пациенты после операции испытывают сильную боль, которая нарушает их сон, но затем забывают об этом и не сообщают эту информацию врачу) или неточны (самоощущения пациента субъективны и могут быть переданы врачу неверно).

Модели на основе алгоритмов машинного обучения обучаются выявлять характерные признаки в данных пациента для определения риска заболевания или выбора необходимого режима лечения. Интересующие переменные (например, риск заболевания) определяются через известные переменные (симптомы, биометрические данные, результаты лабораторных и инструментальных исследований).

Единая нейросетевая модель, разработанная в Массачусетском технологическом институте, принимает в качестве исходных данных и простые, и сложные наборы. По известным переменным сеть способна восстановить пропущенные.

Испытание модели проводилось на наборе данных о характере сна настоящих пациентов, включавшем результаты опроса пациента (эмоциональное состояние, уровень социального взаимодействия, уровень усталости, которые оценивались по шкале от 0 до 100), результаты ЭКГ и ЭЭГ, данные о характере дыхания и другие сложные данные (всего восемь типов переменных). По известным семи переменным модель предсказывала пропущенную восьмую с точностью 70–80% вне зависимости от типа пропущенной переменной.

Так, на основе данных о сердечной активности, полученных с помощью ЭКГ, а также результатов опроса пациента об уровне усталости модель способна самостоятельно определить уровень боли, испытываемой пациентом. Использование нейросетевой модели для оценки данных о характере сна позволяет врачу получить более достоверную информацию по сравнению с опросом пациента. В процессе обучения нейросетевая модель изучила возможные взаимосвязи между переменными – ​например, длительная задержка дыхания может сигнализировать о наличии болевого синдрома.

Предложенная модель представляет собой сеть взаимосвязанных узлов, каждый из которых выполняет достаточно простые вычисления, и только потом результаты этих вычислений объединяются для выполнения прогноза. При этом каждый узел – ​независимая сеть, которая при необходимости способна выполнять и более сложные вычисления. Эффективность модели может варьироваться в зависимости от конкретного применения.

Таким образом, модель состоит из субмоделей, каждая из которых описывает связь между определенными переменными (вероятностная субмодель была создана для каждого типа выдаваемых моделью переменных). В процессе прогнозирования субмодели обмениваются между собой данными и выдают искомую переменную. Это позволяет преодолеть серьезное ограничение, связанное с применением традиционных подходов к моделированию средствами машинного обучения: при необходимости увеличить количество анализируемых переменных количество моделей увеличивается по экспоненте.

В основе предложенного метода взаимодействия субмоделей между собой в процессе прогнозирования лежит принцип сети двусторонних логических умозаключений, эффективно применяющей технику обратного распространения. Такая техника обычно не используется в тестировании, особенно когда речь идет о наличии сложных зависимостей между переменными. Как правило, в тестировании данные передаются от одного узла к другому только в одном направлении – ​до тех пор, пока последний узел не выдаст финальный результат.

В работе нейросетевой модели, разработанной в Массачусетском технологическом институте, сочетаются и традиционная техника тестирования, и техника обратного распространения. Последняя позволяет по полученной на выходе переменной предсказывать исходную переменную, посылая ее значение обратно на предыдущий узел. Таким образом, в сети все субмодели активно взаимодействуют и созависимы между собой, что позволяет достигнуть целевой вероятности прогноза.

Созданную модель планируется внедрить в качестве программного компонента в ранее разработанное учеными Массачусетского технологического института устройство – ​EQ Radio, которое способно определять настроение пациента, а также отслеживать характер дыхания и сердечной деятельности с помощью беспроводной связи. Нейросетевая модель позволит устройству регулярно обновлять прогнозы о состоянии здоровья пациента на основе пассивно получаемых данных, даже в случае их неполноты. Предполагается, что EQ Radio будет востребовано в домах престарелых и инвалидов, где врачам требуется изо дня в день отслеживать эмоциональное и физическое состояние подопечных.

 

Matheson Rob. Filling the Gaps in a Patient’s Medical Data. MIT News, January 25, 2019: http://news.mit.edu/2019/machine-learning-incomplete-patient-data


МНЕНИЕ ЭКСПЕРТА

Александр Антипов

Искусственный интеллект – ​одна из наиболее ожидаемых технологий в практическом здравоохранении. Нейронные сети активно применяются для анализа изображений в радиологии: созданием подобных решений занимаются как международные, так и российские компании. Целью являются полностью автоматизированные диагностические системы, со 100%-ной точностью ставящие диагнозы, но пока это возможно лишь в теории. На практике подобные решения дают возможность создания эффективных систем поддержки принятия врачебных решений, помогающих врачам не пропустить признаки тех или иных отклонений.

Безусловно, техника обратного распространения, позволяющая «реконструировать» отсутствующие параметры, также может помочь в выявлении «нехарактерных» значений, отклоняющихся от наиболее вероятных. Тем самым можно не только восстанавливать отсутствующие значения с определенной степенью вероятности, но и обращать внимание на те значения, которые, возможно, неверно сообщены пациентом.

Однако подобные системы ни в коем случае не должны заменять врача, а могут использоваться в качестве инструмента, помогающего ему учитывать большее количество факторов о состоянии здоровья пациента, при этом не перегружая его информацией.


ЧИТАЙТЕ ТАКЖЕ