На улицах Китая появятся мини-клиники “AI Doctor”

6 декабря 2018
AI doctor мини клиники в Китае

На улицах Китая появятся мини-клиники “AI Doctor”

В Китае запускают производство мини-клиник с искусственным интеллектом. Клиники размером с телефонную будку будут построены в 80 городах страны и помогут жителям получать врачебные консультации, рецепты и медикаменты без необходимости…

В Китае запускают производство мини-клиник с искусственным интеллектом. Клиники размером с телефонную будку будут построены в 80 городах страны и помогут жителям получать врачебные консультации, рецепты и медикаменты без необходимости заранее записываться в больницу.

Разработкой занимается китайская медицинская корпорация Ping An Healthcare and Technology Co, которую поддерживает технологический конгломерат SoftBank. Сейчас Ping An Good Doctor — ведущая компания по предоставлению медицинских онлайн-услуг в Китае.

Клиники — это станции для сбора данных

AI-клиники будут представлять собой небольшие станции, оснащенные компьютерами и автоматами для продажи медикаментов. ИИ будет фиксировать жалобы пациента с помощью текстового и голосового общения. После сбора информации о симптомах и предыдущих диагнозах, данные в структурированной форме будут передаваться реальному доктору, который в режиме онлайн будет ставить диагноз и, при необходимости, выписывать медикаменты. Некоторые из них пациент сможет купить в вендинговом автомате прямо на станции.

Вероятно, на данном этапе AI Doctor будет представлен в формате вопросно-ответной системы с технологиями распознавания речи. При этом, с большим количеством новых данных (клиники будут собирать не меньше миллиарда диагнозов в год), технология может в течение пары лет вырасти в полноценного ИИ-доктора, который будет самостоятельно ставить диагнозы и выписывать рецепты на основе анализа симптомов. 

Стоимость одной мини-клиники — $4500

«Мы планируем построить сотни тысяч таких клиник по всей стране в течение трех лет», — сказал основатель и исполнительный директор Ping An Good Doctor Тао Ванг. Создание одной клиники будет стоить компании 30 000 юаней (примерно $4500).

Обслуживанием клиник и оказанием онлайн-помощи займутся 5500 врачей. Для подготовки проекта компания уже собрала 300 миллионов онлайн-отчетов о медицинских консультациях, которые улучшат работу алгоритмов.

U-Net: нейросеть для сегментации изображений

30 ноября 2018
u-net

U-Net: нейросеть для сегментации изображений

U-Net считается одной из стандартных архитектур CNN для задач сегментации изображений, когда нужно не только определить класс изображения целиком, но и сегментировать его области по классу, т. е. создать маску,…

U-Net считается одной из стандартных архитектур CNN для задач сегментации изображений, когда нужно не только определить класс изображения целиком, но и сегментировать его области по классу, т. е. создать маску, которая будет разделять изображение на несколько классов. Архитектура состоит из стягивающего пути для захвата контекста и симметричного расширяющегося пути, который позволяет осуществить точную локализацию.

Пример сегментации мозга

Сеть обучается сквозным способом на небольшом количестве изображений и превосходит предыдущий наилучший метод (сверточную сеть со скользящим окном) на соревновании ISBI по сегментации нейронных структур в электронно-микроскопических стеках. Используя ту же сеть, которая была обучена на изображениях световой микроскопии пропускания (фазовый контраст и DIC), U-Net заняла первое место в конкурсе ISBI 2015 года по трекингу клеток в этих категориях с большим отрывом. Кроме того, эта сеть работает быстро. Сегментация изображения 512×512 занимает менее секунды на современном графическом процессоре.

Для U-Net хатактерно:

  • достижение высоких результатов в различных реальных задачах, особенно для биомедицинских приложений;
  • использование небольшого количества данных для достижения хороших результатов.

Архитектура U-Net

архитектура u-net
Рисунок 1. Архитектура U-net (пример изображения с разрешением 32×32 пикселя — самым низким). Каждый синий квадрат соответствует многоканальной карте свойств. Количество каналов приведено в верхней части квадрата. Размер x-y приведен в нижнем левом краю квадрата. Белые квадраты представляют собой копии карты свойств. Стрелки обозначают различные операции.

Архитектура сети приведена на рисунке 1. Она состоит из сужающегося пути (слева) и расширяющегося пути (справа). Сужающийся путь — типичная архитектуре сверточной нейронной сети. Он состоит из повторного применения двух сверток 3×3, за которыми следуют инит ReLU и операция максимального объединения (2×2 степени 2) для понижения разрешения.

На каждом этапе понижающей дискретизации каналы свойств удваиваются. Каждый шаг в расширяющемся пути состоит из операции повышающей дискретизации карты свойств, за которой следуют:

  • свертка 2×2, которая уменьшает количество каналов свойств;
  • объединение с соответствующим образом обрезанной картой свойств из стягивающегося пути;
  • две 3×3 свертки, за которыми следует ReLU.

Обрезка необходима из-за потери граничных пикселей при каждой свертке.

Схема U-Net
Схема сети U-net

На последнем слое используется свертка 1×1 для сопоставления каждого 64-компонентного вектора свойств с желаемым количеством классов. Всего сеть содержит 23 сверточных слоя.

Обучение U-Net

Сеть обучается методом стохастического градиентного спуска на основе входных изображений и соответствующих им карт сегментации. Из-за сверток выходное изображение меньше входного сигнала на постоянную ширину границы. Применяемая попиксельно, функция soft-max вычисляет энергию по окончательной карте свойств вместе с функцией кросс-энтропии. Кросс-энтропия, вычисляемая в каждой точке, определяется так:

кросс-энтропия u-net

Граница разделения вычисляется с использованием морфологических операций. Затем вычисляется карта весовых коэффициентов:

где wc — карта весов для балансировки частот классов, d1 — расстояние до границы ближайшей ячейки, а d2 — расстояние до границы второй ближайшей ячейки.

Примеры использования и реализации

U-net неоднократно использовалась для сегментации изображений. Ниже приведены некоторые из них:

Как видно из примера, эта сеть универсальна и может использоваться для любой разумной задачи сегментации изображений. Высокая точность достигается при условии надлежащего обучения, подходящего датасета и правильного выбора времени обучения. Если мы рассмотрим список более продвинутых примеров U-net, можно увидеть еще несколько паттернов применения:

[Pytorch][Tensorflow][Keras]

Результаты

Рисунок 2. Результаты сегментации (IOU) на соревновании ISBI 2015 года по трекингу клеток.

U-Net применялся в задаче сегментации клеток на изображениях с оптического микроскопа. Эта задача сегментации является частью конкурсов ISBI 2014 и 2015 годов по трекингу клеток.

Датасет PhC-U373 содержит изображения клетки U373 Glioblastoma-astrocytoma на полиакриламидной подложке, записанные методом фазово-контрастной микроскопии. Он содержит 35 частично помеченных изображений для обучения. В этом случае U-Net достигла среднего значения IOU (пересечение по объединению), равного 92%, что значительно лучше предыдущего результата: 83% (см. рис. 2).

Второй датасет DIC-HeLa содержит фотографии клеток HeLa на плоском стекле, записанные с помощью микроскопии дифференциального интерференционного контраста (DIC) (см. рисунки ниже). Он содержит 20 частично помеченных изображений для обучения. В этом случае U-Net достигла среднего значения IOU 77,5%, что значительно лучше, чем последующий алгоритм с его 46%.

результаты работы u-net
Результаты соревнования ISBI по трекингу клеток. (a) Часть входного изображения датасета PhC-U373. (b) Результат сегментации (голубая маска) и метка (желтая граница). (c) Входное изображение датасета DIC-HeLa. (d) Результат сегментации (цветные маски) и метки (желтая рамка).

Архитектура U-net достигает выдающейся производительности и точности в самых разных приложениях биомедицинской сегментации. Метод требует лишь нескольких помеченных изображений для тренировки и имеет приемлемое время обучения: всего лишь 10 часов на графическом процессоре NVidia Titan (6 ГБ).

Нейронная сеть от Google AI выявляет раковые метастазы с точностью 99%

25 октября 2018

Нейронная сеть от Google AI выявляет раковые метастазы с точностью 99%

Google AI разрабатывают алгоритмы глубокого обучения для обнаружения раковых новообразований. Недавно алгоритм LYNA, первый раз представленный командой в 2017 году, достиг 99% точности в обнаружении метастаз рака молочной железы. В…
Google AI разрабатывают алгоритмы глубокого обучения для обнаружения раковых новообразований. Недавно алгоритм LYNA, первый раз представленный командой в 2017 году, достиг 99% точности в обнаружении метастаз рака молочной железы. В будущем разработка может использоваться для ускорения диагностики и уточнения диагнозов патологоанатомов.

Инструмент для помощи патологоанатомам

В основе LYNA (Lymph Node Assistant) лежит алгоритм Inception-v3 — open source модель для распознавания изображений, которая уже использовалась ранее для диагностики рака легких, меланомы и ретинопатии. Работу модели протестировали на двух наборах данных с образцами патологий рака молочной железы. В обоих наборах алгоритму удалось правильно отличить слайд с метастатическим раком от слайда без рака в 99% случаев. Кроме того, модель точно определила области с метастазами и другие подозрительные регионы на каждом слайде. Многие из них слишком малы, чтобы быть обнаруженными вручную. Таким образом, ещё одно из возможных применений  LYNA — выделение проблемных зон для патологоанатомов для помощи в анализе и постановке окончательного диагноза.
Слева: лимфатический узел с небольшой метастатической опухолью молочной железы. Справа: тот же слайд, с зонами, выделенными алгоритмом.

Модель также умеет решать сложную задачу обнаружения небольших метастаз (микрометастаз) в лимфатических узлах. Использование алгоритма позволило сократить время просмотра слайдов до 1 минуты и уменьшить частоту пропущенных микрометастаз в два раза.

Разработчики планируют начать тестирование алгоритма в клинических условиях, чтобы оценить воздействие на реальные клинические процессы и результаты лечения пациентов.

Нейронная сеть диагностирует депрессию по постам на Facebook

22 октября 2018

Нейронная сеть диагностирует депрессию по постам на Facebook

Учёные из Университета Пенсильвании разработали нейронную сеть, которая анализирует посты пользователей в Facebook и выявляет наличие депрессии. Диагностика депрессии сложна и не всегда однозначна, поэтому точность работы алгоритма в 70%…

Учёные из Университета Пенсильвании разработали нейронную сеть, которая анализирует посты пользователей в Facebook и выявляет наличие депрессии. Диагностика депрессии сложна и не всегда однозначна, поэтому точность работы алгоритма в 70% сопоставима с результатами медицинских скринингов. По словам разработчиков, первые признаки заболевания можно обнаружить за 6 месяцев до постановки диагноза. Более существенные — за 3 месяца.

Предсказание депрессии

Исследователи использовали модель логистической регрессии для анализа постов и предсказания депрессии. Модель анализировала данные 683 пользователей Facebook. У 114 из них был подтверждённый диагноз.

Учёные использовали данные из статусов пациентов за два с половиной года. Для диагностики имела значение лексика, длина, периодичность и частота постов, геотеги. За полгода до постановки диагноза точность предсказания составила 62%, за три месяца — 72%.

Точность выявления депрессии в зависимости от времени публикации постов

Исследователям удалось выявить лексические паттерны, которые возникают у пациентов с депрессивным расстройством. Статусы содержат больше слов, связанных с эмоциональным состоянием и самочувствием. Количество слов в постах и частота постинга тоже увеличиваются.

Темы и лексика, которая встречается чаще всего у пациентов с депрессией

По мнению учёных, метод способен помочь врачам в ранней диагностике заболеваний. Ненавязчивая оценка эмоционального состояния согласных пациентов с помощью социальных сетей может сочетаться с другими методами скрининга.

Приложение для смартфона диагностирует болезнь Паркинсона с точностью 85%

9 октября 2018
нейросеть диагностирует болезнь паркинсона

Приложение для смартфона диагностирует болезнь Паркинсона с точностью 85%

По данным ВОЗ, 5-10 человек на каждые 10 000 людей в мире страдают болезнью Паркинсона. Видимые признаки болезни появляются у людей старше 45 лет. Раннее выявление могло бы предотвратить появление…

По данным ВОЗ, 5-10 человек на каждые 10 000 людей в мире страдают болезнью Паркинсона. Видимые признаки болезни появляются у людей старше 45 лет. Раннее выявление могло бы предотвратить появление серьезных симптомов, однако пока не существует универсального теста для диагностики болезни Паркинсона. Учёные создают приложения на основе искусственного интеллекта, которые помогут распознать ранние признаки заболевания. Рассказываем о последних разработках.

Приложение для диагностики на смартфоне

Команда из Швейцарской высшей технической школы Цюриха создала приложение, которое диагностирует болезнь Паркинсона с точностью 85%. Для диагностики пациенту нужно пройти четыре коротких теста. Программа поочередно анализирует походку, голос, движения рук и память.

В основе приложения сверточная нейронная сеть и двунаправленная рекуррентная нейронная сеть с LTSM. Первая анализирует результаты тестов походки, голоса и движений, а вторая — тесты на запоминание. Ещё одна рекуррентная нейросеть генерирует итоговый диагноз. Для обучения модели команда использовала данные результатов тестов 1853 участников исследования mPower.

Модель превзошла предыдущие разработки, но она не идеальна. Точность диагностики могла снизиться из-за случайных движений или неврологических нарушений, симптомы которых схожи с болезнью Паркинсона. Кроме того, в обучающей выборке могли быть данные пациентов с неверно поставленными диагнозами. Однако разработчики полагают, что стоит начать тестирование приложения в реальной жизни.

Программное обеспечение для больниц

Tencent и медицинская компания Medopad объединились для разработки ПО, которое сможет обнаруживать признаки болезни Паркинсона в течение нескольких минут (сейчас оценка занимает полчаса) и улучшить точность диагностики.

Технология Medopad использует камеру смартфона для наблюдения за движениями пациентов. Человек сжимает и разжимает кулак, приложение измеряет амплитуду и частоту движения пальцев. Результаты предоставляются врачам в виде графика. Цель состоит в том, чтобы в конечном итоге с помощью ИИ автоматически вычислять показатель серьезности симптомов. В случае успеха Tencent и Medopad намерены провести тестирование технологии в США, Новой Зеландии и Китае в конце 2018 года.

Нейросеть диагностирует болезнь Альцгеймера с точностью 94%

5 октября 2018

Нейросеть диагностирует болезнь Альцгеймера с точностью 94%

Согласно данным Alzheimer’s Association, только в США болезнью Альцгеймера страдают 5,7 миллиона человек. В эту цифру входит 5,5 миллионов больных старше 65 лет, и 200 000 человек моложе 65 с…

Согласно данным Alzheimer’s Association, только в США болезнью Альцгеймера страдают 5,7 миллиона человек. В эту цифру входит 5,5 миллионов больных старше 65 лет, и 200 000 человек моложе 65 с ранними симптомами болезни. Учёные из Стэнфорда разработали алгоритм, который поможет врачам в ранней диагностике патологических изменений мозга. Модель распознаёт болезнь Альцгеймера и её биомаркеры на МРТ снимках с точностью 94%.

Метод

Команда разработала трёхмерную свёрточную нейронную сеть (3D-CNN), используя TensorFlow с расширенной cuDNN. Алгоритм обучили на данных из датасета ADNI, используя только МРТ-снимки. «Одно из достижений нашей работы — минимальная предварительная обработка МРТ, которая включает только удаление небольшого количества артефактов и обрезку изображений», — заявили исследователи в статье.

Алгоритм - нейросеть определяет болезнь Альцгеймера по МРТ снимкам
Архитектура 3D-CNN

Результаты

Нейронная сеть распознаёт патологические изменения, указывающие на болезнь Альцгеймера с точностью 94%. Результат превосходит предыдущие state-of-the-art методы распознавания. Алгоритм ошибается реже, чем более сложные архитектуры, потому что меньше подвержен переобучению. Кроме того, модель выявляет биомаркеры болезни — команда обнаружила, что область гиппокампа в мозге имеет решающее значение при диагностике заболевания.

болезнь Альцгеймера по МРТ снимкам
Сравнение результатов с другими методами

МРТ, чип в мозге и нейросети вернули подвижность парализованному человеку

3 октября 2018

МРТ, чип в мозге и нейросети вернули подвижность парализованному человеку

Исследователи много лет работают над методами на основе электрических импульсов, чтобы вернуть возможность двигаться людям с травмами спинного мозга и парализованными конечностями. Учёные из Университета Огайо и компании Batelle объявили, что…

Исследователи много лет работают над методами на основе электрических импульсов, чтобы вернуть возможность двигаться людям с травмами спинного мозга и парализованными конечностями. Учёные из Университета Огайо и компании Batelle объявили, что им удалось сделать прорыв в технологии с помощью нейронных сетей.

Инвазивный метод

Участником эксперимента стал Йен Буркхарт. Молодой человек парализован ниже плеч в результате несчастного случая. Учёные применили метод нейромышечной электростимуляции, чтобы вернуть подвижность руке Йена. С помощью функциональной МРТ исследователи вычислили области коры головного мозга, отвечающую за двигательную активность, и вживили туда чип, который реагирует на электрическую активность мозга. Когда Йен думает о перемещении руки, импульсы передаются через кабель к компьютеру. Затем алгоритмы машинного обучения кодируют данные и подают сигнал в гибкий рукав. Рукав стимулирует мышцы, в результате рука совершает нужное движение.

Использование нейронных сетей

Нейронные сети помогают обнаружить почти незаметные отличия между мозговыми сигналами, отвечающими за каждое движение. Учёные использовали метод обучения с учителем для тренировки алгоритмов. Йен думает об определенном движении, а нейронная сеть определяет, какой сигнал ему соответствует, и посылает его в рукав. Проблема такого подхода в том, что на обучение сети требуется много времени — не меньше двух часов ежедневно. Без постоянной переподготовки, основанной на известной последовательности движений, нейросеть не будет работать правильно.

Новый подход

В сентябре команда опубликовала в журнале Nature Medicine результаты разработки новой модели. Была подключена вторая нейросеть, которая следила за движениями Йена, когда он свободно использовал механизм, и сама выявляла закономерности. Учёные использовали обучение без учителя и transfer learning для улучшения функциональности. Метод позволил уменьшить время обучения одному движению до 7 минут без необходимости переобучения — новая модель в течение года правильно интерпретировала движения Йена с 90% точностью.

По словам исследователей, новый подход представляет собой шаг к конечной цели. Команда нацелена на то, чтобы сделать небольшое устройство, которые люди смогут носить с собой — сейчас механизм состоит из семи больших ящиков.


Интересные статьи:

Нейросеть предсказывает вероятность выхода из комы с точностью 88%

1 октября 2018

Нейросеть предсказывает вероятность выхода из комы с точностью 88%

По данным Китайской академии наук и PLA Army General Hospital сейчас в Китае 500 000 пациентов находятся в коме. Эта цифра ежегодно увеличивается на 70 000 — 100 000 человек. Ученые разработали…

По данным Китайской академии наук и PLA Army General Hospital сейчас в Китае 500 000 пациентов находятся в коме. Эта цифра ежегодно увеличивается на 70 000 — 100 000 человек. Ученые разработали нейронную сеть, которая предсказывает вероятность выхода человека из комы. Отключить или оставить человека подключенным к аппарату поддержания жизни в конечном итоге решают родственники. 

Как работает

Состояние больных оценивается с помощью анализа результатов функциональной МРТ, причин болезни, возраста на момент попадания в кому и продолжительности нахождения в ней. Технология также отслеживает активность областей мозга, отвечающих за различные функции: движение, голос, слух, зрение. «Компьютер предполагает, что у каждого пациента еще есть сознание. Его задача — определить вероятность того, что человек очнется в течение определенного периода времени» — отмечают учёные.

Результаты

Модель достигла 88% точности в прогнозах выздоровления 112 пациентов из двух медицинских центров. Сейчас врачи PLA Army General Hospital используют технологию в ежедневной работе. Алгоритм помог спрогнозировать состояние 300 пациентов. Однако, модель не сможет заменить врачей. «Это инструмент, помогающий врачам и семьям принимать взвешенное решение» — говорят исследователи.

Нейросеть создает МРТ-снимки мозга для тренировки алгоритмов диагностики

25 сентября 2018

Нейросеть создает МРТ-снимки мозга для тренировки алгоритмов диагностики

Разработчикам нейронных сетей для оценки медицинских снимков не хватает точных и надёжных данных для тренировки моделей машинного обучения. Исследователи NVIDIA, клиники Майо и Центра исследования клинических данных представили нейросеть для создания снимков МРТ головного мозга, которые затем…

Разработчикам нейронных сетей для оценки медицинских снимков не хватает точных и надёжных данных для тренировки моделей машинного обучения. Исследователи NVIDIA, клиники Майо и Центра исследования клинических данных представили нейросеть для создания снимков МРТ головного мозга, которые затем можно использовать для обучения алгоритмов диагностики.

«Наборы данных часто несбалансированы, поскольку патологические результаты обычно редки, что создает серьезные проблемы при обучении моделей. Мы предлагаем метод создания синтетических изображений МРТ с опухолями головного мозга с помощью генеративносостязательной нейросети» — написали исследователи в статье.

Команда разработала модель глубокого обучения на основе алгоритма pix2pix. Нейросеть обучили на изображениях из двух общедоступных датасетов, содержащих МРТ головного мозга с изменениями, вызванными опухолями и болезнью Альцгеймера.

Технология позволяет менять размер и место локализации опухоли, делая данные более разнообразными. Более того, изображения генерируются синтетически, нет информации о пациентах и проблем конфиденциальности, поэтому медицинские учреждения могут легко обмениваться данными, создавая миллионы комбинаций для ускорения работы и обучения моделей.

Примеры сгенерированных МРТ-снимков