Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
Verständnis für maschinelles Lernen und tiefes Lernen in der Medizin
{{{sourceTextContent.subTitle}}}
Algorithmen, Datensätze, maschinelles Lernen, Tiefenlernen, kognitives Rechnen, große Datenmengen und künstliche Intelligenz: IT-Ausdrücke, die die Sprache des Gesundheitswesens des 21. Jahrhunderts mit überraschender Kraft übernahmen. Wenn Mediziner der Kurve voraus sein wollen, sollten sie sich mit den Grundlagen von A.I. vertraut machen und eine Vorstellung davon haben, welche medizinischen Probleme sie lösen wollen. Lassen Sie uns also einen genaueren Blick auf das maschinelle Lernen und das tiefe Lernen in der Medizin werfen.
{{{sourceTextContent.description}}}
Das Vorzimmer der künstlichen Intelligenz
Der Begriff "künstliche Intelligenz" könnte irreführend sein, da durch die übermäßige Verwendung des Ausdrucks seine Bedeutung allmählich aufgebläht wurde. Es impliziert Software mit Kognition und Sensibilität, eine weitaus weiter entwickelte Technologie als sie im Moment steht. Zum Beispiel kündigte Facebook eine KI an, um Selbstmordgedanken zu erkennen, die auf seiner Plattform veröffentlicht wurden, aber eine genauere Untersuchung ergab, dass die fragliche "KI-Erkennung" kaum mehr als ein Pattern-Matching-Filter ist, der Beiträge für Human-Community-Manager markiert.
Bestenfalls ist die heutige Technologie mit verschiedenen algorithmischen Methoden in der Lage, in einigen Bereichen die künstliche enge Intelligenz (ANI) zu erreichen, wobei die fortschrittlichsten Bereiche die Computervision und die Verarbeitung natürlicher Sprache sind. In sehr einfachen Worten hat ANI unglaubliche Fähigkeiten zur Mustererkennung in riesigen Datensätzen, was es perfekt macht, um Text-, Sprach- oder bildbasierte Klassifikations- und Clustering-Probleme zu lösen. Aber während komplexere Datenanalysemethoden spannend und ansprechend klingen, kann man manchmal auch mit weniger fortschrittlichen Techniken zu großartigen Ergebnissen kommen.
So sank beispielsweise in einem kleinen ungarischen Krankenhaus die Wartezeit vor der Behandlung von Onkologiepatienten drastisch von 54 auf 21 Tage, indem die Prozesse des Patientenmanagements mit Hilfe einfacher Mechanismen wie der Erfassung und Nachbereitung von Fällen optimiert wurden. Der erste Schritt der Datenanalyse besteht darin, Daten entsprechend zu erfassen - und dann die notwendigen Folgemaßnahmen durchzuführen. Im zweiten Schritt werden verschiedene statistische Methoden wie Data Mining zum Sammeln, Analysieren, Beschreiben, Visualisieren und Zeichnen von Schlussfolgerungen aus Daten, zum Beispiel aus elektronischen Gesundheitsakten oder dem Universum "OMICS", eingesetzt. Der Schwerpunkt liegt auf der Entdeckung mathematischer Zusammenhänge und Eigenschaften innerhalb großer Datensätze und der Quantifizierung von Unsicherheiten. Data Mining bedeutet in der Regel, wenn Erkenntnisse und Muster aus großen Datenbanken extrahiert werden.
Dies ist jedoch nur der Vorraum der künstlichen Intelligenz: Maschinelles Lernen und tiefes Lernen gehen weit darüber hinaus.
Mustererkenner beherrschen die Welt: überwachtes maschinelles Lernen und Masern
Das maschinelle Lernen ist das Gebiet der Informatik, das es Computern ermöglicht, zu lernen, ohne explizit programmiert zu werden, und zwar auf der Grundlage von Computerstatistiken und Data Mining. Wie bei der traditionellen Statistik erfordert das maschinelle Lernen ausreichende Trainingsdatensätze (in der traditionellen Statistik auch als Stichprobenumfang bekannt) und die richtigen Algorithmen, um seine Leistung auf dem Trainingsdatensatz vor dem Testen zu optimieren. Im Gegensatz zu den traditionellen Methoden konzentriert sich das maschinelle Lernen jedoch auf den Aufbau automatisierter Entscheidungssysteme.
Das Feld hat verschiedene Arten: Es könnte unter anderem überwacht, unüberwacht, teilüberwacht oder verstärktes Lernen sein. Die erste wird typischerweise bei Klassifizierungsproblemen verwendet, z.B. bei der Verknüpfung von Bildern mit Labels. Sie haben eine Ein- und Ausgabedaten - das Bild sowie die Bezeichnung -; und der Algorithmus lernt allgemeine Regeln, wie man kategorisiert. Es ist die beliebteste Form des maschinellen Lernens in der Medizin, und in einigen Jahren wird es in der medizinischen Bildgebung in der Radiologie, Pathologie und anderen bildintensiven Bereichen weit verbreitet sein. Obwohl es sicherlich seine Grenzen hat: Es benötigt große Datensätze, um genau genug zu werden, und die Daten müssen entsprechend gekennzeichnet sein. Deshalb ist die Arbeit von Datenannotatoren so wichtig.
Dennoch kann überwachtes maschinelles Lernen auch effektiv eingesetzt werden, um Gesundheitsereignisse auf der Grundlage verschiedener Eingangsdaten vorherzusagen, die linear klassifiziert werden können. So kann beispielsweise aus Statistiken über Masernimpfraten und Krankheitsausbrüche aus den Zentren für die Kontrolle und Prävention von Krankheiten sowie aus nichttraditionellen Gesundheitsdaten, einschließlich Social Media und syndromatischen Überwachungsdaten, die von Software erzeugt werden, die eine Vielzahl von Quellen für medizinische Aufzeichnungen abbildet, ein Algorithmus eine zuverlässige Karte der zukünftigen Hotspots für Masernimpfungen liefern.
Unüberwachtes maschinelles Lernen und Arzneimittelwechselwirkungen
Im Falle des unbeaufsichtigten maschinellen Lernens wird das Computerprogramm aufgefordert, die inhärenten Strukturen und Muster zu entdecken, die in den Daten liegen. Im Gegensatz zum überwachten maschinellen Lernen sind die Datensätze unmarkiert und unstrukturiert. Daher muss der Algorithmus seine eigenen Gruppen, Cluster und Kategorien bilden, die auf "Ähnlichkeiten" in großen Datensätzen basieren. Es wird in der Regel verwendet, um unbekannte Ergebnisse vorherzusagen und um festzustellen, wie man versteckte Muster entdeckt. Unüberwachtes maschinelles Lernen hat Subtypen: Clustering-Algorithmen und Association Rule-Learning-Algorithmen.
Unüberwachtes Lernen wird häufig beim tiefen Lernen eingesetzt und wurde in selbstfahrenden Fahrzeugen und Robotern sowie in Anwendungen zur Sprach- und Mustererkennung eingesetzt. In der Medizin beispielsweise können Gewebeproben auf der Grundlage ähnlicher Genexpressionswerte mit Hilfe unbeaufsichtigter Lerntechniken gebündelt werden. Als Beispiel für Assoziationsregel-Lern-Algorithmen kann die Prüfung neuartiger Arzneimittel-Wechselwirkungen genannt werden.
Verstärkungslernen und die Magie von AlphaGo
Die letzte Kategorie, Verstärkungslernen, stellt wahrscheinlich die bekannteste Form des maschinellen Lernens dar: wenn das Computerprogramm aus seinen Fehlern und Erfolgen lernt und seine Erfahrungen in den Algorithmus einbringt. Das bekannteste Beispiel dafür ist AlphaGo, die von Google entwickelte Maschine, die den Go-Weltmeister Lee Sedol im März 2016 entscheidend besiegte. Mit Hilfe eines Belohnungs- und Strafverfahrens trainierte das Modell zunächst auf Millionen von Brettpositionen in der überwachten Lernphase, spielte sich dann in der Verstärkungslernphase selbst, um schließlich gut genug zu werden, um über den besten menschlichen Spieler zu siegen.
Das Problem bei der Anwendung des Verstärkungslernens auf die Gesundheitsversorgung, insbesondere bei der Optimierung der Behandlung, besteht jedoch darin, dass wir im Gegensatz zu AlphaGo nicht eine große Anzahl von Szenarien ausspielen können, in denen der Agent Interventionen durchführt, um die optimale Politik zu lernen - da das Leben der Patienten auf dem Spiel steht. Glücklicherweise haben wir bereits Beispiele, wo dieses Problem gemildert werden kann. In einer von MIT-Forschern veröffentlichten Studie berichteten die Autoren über eine erfolgreiche Formulierung der Dosierung klinischer Studien als Lernproblem, bei der der Algorithmus die entsprechenden Dosierungsregimente lehrte, um den mittleren Tumordurchmesser bei Patienten, die sich in klinischen Studien der Chemo- und Strahlentherapie befinden, zu reduzieren.
Tiefes Lernen in der Medizin bei sehr komplexen Fragestellungen
Deep Learning ist das Teilgebiet des maschinellen Lernens, bei dem Computer mit Hilfe von geschichteten neuronalen Netzwerken lernen. Es gibt jedoch keine strikte Grenze zwischen maschinellem und tiefem Lernen, in der Regel bestimmen die Sauberkeit der Daten und die Komplexität des Problems, welche davon besser geeignet ist. Deep-Learning-Algorithmen befassen sich in der Regel mit chaotischen Datensätzen, unstrukturierten Informationsstapeln, um zu versuchen, Antworten auf schwierige Fragen zu geben.
Was sind neuronale Netze? Ihre Funktionsweise imitiert im Wesentlichen die Neuronen im Gehirn. Quartz formulierte die Erklärung wie folgt: Algorithmen, die grob gebaut sind, um die Art und Weise zu modellieren, wie das Gehirn Informationen verarbeitet, durch Netze von verbundenen mathematischen Gleichungen. Daten, die an ein neuronales Netzwerk weitergegeben werden, werden in kleinere Stücke zerlegt und je nach Komplexität des Netzwerks tausende bis Millionen Mal auf zugrunde liegende Muster analysiert. Ein tiefes neuronales Netzwerk ist, wenn der Ausgang eines neuronalen Netzwerks in den Eingang eines anderen eingespeist wird und sie als Schichten miteinander verbunden werden. Typischerweise würden die Schichten eines tiefen neuronalen Netzwerks Daten auf höheren und höheren Abstraktionsebenen analysieren, was bedeutet, dass sie alle Daten, die als unnötig erachtet werden, wegwerfen, bis die einfachste und genaueste Darstellung der Daten übrig bleibt.
Deep Learning hat verschiedene Typen, die auf den Möglichkeiten der Verbindung von Schichten und der Funktionsweise von Neuronen basieren. Es gibt auch unbeaufsichtigtes, überwachtes und verstärktes Lernen in Deep-Learning-Algorithmen, da diese bedeuten, wie der Algorithmus von Forschern mit Daten versorgt wird. Darüber hinaus sind Convolutional Neural Networks (CNN) typisch für die Erkennung von Bild-, Video- und Audiodaten, da sie mit dichten Daten arbeiten können. Recurrent Neural Networks (RNN) werden für die Verarbeitung natürlicher Sprache verwendet, während Long Term Memory Networks (LSTM) Variationen von RNNs sind, die dazu gedacht sind, strukturierte Informationen basierend auf Daten zu speichern. Zum Beispiel könnte ein RNN alle Substantive und Adjektive in einem Satz erkennen und feststellen, ob sie richtig verwendet werden, und ein LSTM könnte sich an die Handlung eines Buches erinnern.
Als Beispiel für das tiefe Lernen in der Medizin schlugen die Forscher einen Ansatz vor, um Behandlungsrichtlinien für septische Patienten abzuleiten, indem sie kontinuierliche Zustands-Raum-Modelle und tiefes Verstärkungslernen verwendeten. In einer weiteren Studie versuchen Experten, das schwierige Problem der Schätzung der Polypengröße mittels Koloskopie-Bildern oder -Videos zu lösen, was für die Diagnose in der Darmkrebsvorsorge entscheidend ist. Darüber hinaus kann unbeaufsichtigtes tiefes Lernen die Erforschung neuer Faktoren in Score-Systemen erleichtern oder versteckte Risikofaktoren zu bestehenden Modellen hinzufügen. Es kann auch verwendet werden, um neue Genotypen und Phänotypen von Lungenhochdruck, Kardiomyopathie und vielen anderen Faktoren zu klassifizieren.
Die Navigation im Meer der Informationen über künstliche Intelligenz ist schwierig. Als jeder erkannte, dass die Technologien, die zu A.I. führen, das Gesundheitswesen revolutionieren könnten, gibt es viele Experimente, Forschung, aber auch gefälschte Informationen und Überlegungen. Wir von The Medical Futurist wollen Ihnen den Kontext vermitteln, Studienergebnisse interpretieren und versuchen, die digitale Gesundheitsrevolution zu verstehen. Zögern Sie nicht, uns für Fragen, Kommentare oder einfach nur ein Gespräch zu kontaktieren. Wir würden uns freuen, von Ihnen zu hören!