Совсем недавно в мире произошел феноменальный всплеск интереса к широкой области искусственного интеллекта и его подкатегорий. В общей сложности насчитывается 1543 компании, специализирующихся в 13 различных областях, которые базируются примерно в 71 стране мира! Все эти стартапы в области искусственного интеллекта собрали вместе около 10,01 миллиарда долларов, пообещав внедрить прорывные инновации в нашу повседневную деятельность.
Среди этих компаний лишь немногие решаются внедрить машинное обучение в медицину. Но прежде чем мы углубимся в его преимущества и недостатки в нашей современной медицине, о которых мы расскажем в наших следующих статьях MedVerse, нам нужно сначала понять, что такое машинное обучение и как медицинские системы будут его использовать. .
В классическом смысле мы обычно определяем правила использования компьютером своей вычислительной мощности для получения целевых результатов. На языке инженерии программного обеспечения это называется «принятие решений на основе правил», которое опирается на логические данные. Однако с машинным обучением правила машин не являются обязательными, вы скорее вводите в них данные и просите их «выучить» правила. Осознание этого само по себе является революционным. А теперь представьте, каким был бы медицинский мир, когда машина научилась «как» интерпретировать результаты, скажем, определенных радиологических изображений, не контролируя процесс их обучения. Ниже приведена диаграмма, которая не отражает всей сложности методологии машинного обучения, но дает новичкам хорошее представление о том, что происходит внутри компьютера, когда они «самообучаются». Нам нужны обучающие примеры (образец набора данных), которые будут передавать модель(алгоритм обучения), с помощью которых будут учитываться параметры (набор гипотез), которые помочь модели вывести прогноз (гипотезу), который корректируется переменными изменениями в обучающем модуле, который будет повторяться снова и снова, пока не появится наиболее точный вывод. Подробнее о том, как это работает, в предстоящем арти
По иронии судьбы, вывод агента машинного обучения обычно является простым прогнозом после обработки миллионов наборов данных. Реальность того, как происходит медицинская практика, полностью изменится, как только компьютерные алгоритмы начнут обрабатывать все доступные медицинские данные, распознавать закономерности среди всех подмножеств, а затем формировать убедительно полезные гипотезы и выводы для принятия медицинских решений. Возможности этой технологии почти безграничны в области, где принятие медицинских решений зависит от наметанного глаза.
Учитывая, что мы знаем, что это такая обширная и сложная тема, чтобы понизить ее до одной статьи. В наших следующих статьях мы расширимся от понимания концепций, лежащих в основе машинного обучения, категорий машинного обучения, алгоритмов обучения, моделей анализа данных и их прямого слияния до медицинской области через платформы электронного здравоохранения. Оставайтесь с нами!
