En la investigación médica, las redes neuronales se han utilizado cada vez más en el diagnóstico desde la década de 1980. Este uso se había limitado principalmente a la academia. La mayoría de los estudios que involucraron a NN utilizaron redes de retroalimentación relativamente simples, en contraste con variaciones más emocionantes sobre este viejo tema, como el aprendizaje profundo y las redes recurrentes, que se prestan tan bien para resolver problemas en la visión por computadora y el reconocimiento del habla. Creo que la tecnología en este caso había superado el suministro de datos accesibles desde el entorno de atención médica, pero los hospitales y las clínicas se están acercando al punto en el que tienen suficientes datos disponibles para comenzar a usarlos para análisis de atención médica. El hospital promedio está sentado en una gran cantidad de datos valiosos que se pueden usar para realizar miles de experimentos en un abrir y cerrar de ojos, guiar la toma de decisiones médicas y ayudar a los médicos a elegir la mejor medicina para un paciente en particular, minimizando los efectos secundarios y los costos. . Esta investigación apenas comienza a realizarse, y los resultados de este trabajo posteriormente se incluirán en la práctica diaria.
Un modelo predictivo no lineal (redes naturales) se presta bien para el diagnóstico médico. Un estudio que ejemplifica esto es
Redes neuronales artificiales y cáncer de próstata … [Nat Rev Urol. 2013] por Cammann et al del Hospital Charité de Berlín. Si busca en PubMed estudios que involucren el uso de NN en la atención médica, la mayoría de ellos se referirán al diagnóstico, a la predicción de resultados y, en menor medida, a la orientación de la toma de decisiones médicas (por ejemplo, la elección del medicamento). Kim y todos compararon NN y SVM en su capacidad para predecir la mortalidad en el entorno de la UCI (Una comparación de la unidad de cuidados intensivos Morta … [Healthc Inform Res. 2011]). No es sorprendente que los SVM hayan superado ligeramente a los ANN en este caso. El último estudio también destaca la importancia de recopilar grandes cantidades de datos continuos para que los algoritmos de aprendizaje automático se puedan aplicar de manera efectiva.
Las redes neuronales recurrentes son un buen ejemplo de la pregunta: ¿qué más pueden hacer las NN para los médicos e investigadores además de ayudar a hacer diagnósticos? Creo que aquí es donde las NN desempeñarán un papel cada vez mayor en la monitorización ambulatoria de pacientes, especialmente aquellos con enfermedades crónicas como la insuficiencia cardíaca congestiva. La naturaleza temporal de RNN también se presta muy bien a cosas como la medicina de la adicción y la psiquiatría en general, donde los ANN ya se han utilizado para estudiar la adicción y los comportamientos adictivos (Uso de redes neuronales para modelar el comportamiento y … [J Gambl Stud. 2010] )
- ¿Cuáles son las diferencias entre GRU y RNN estándar?
- ¿En qué deberían centrarse los gerentes de productos de software que son nuevos en AI / Machine Learning? Los cursos en línea son extremadamente técnicos. ¿Es eso lo que se necesita?
- Cómo evaluar mi modelo cada época en TensorFlow
- ¿Cómo se implementa el aprendizaje profundo en Amazon Go (tiendas de comestibles especiales en las que recoges lo que quieras y luego te vas sin esperar a pagar)?
- ¿Cuál es la intuición detrás de llamar variables ortogonales como independientes? Proporcione una respuesta en el contexto del aprendizaje automático.
Por último, debo mencionar el uso extensivo de NN en diagnósticos asistidos por computadora en radiología y medicina nuclear. EXINI Diagnostics (una empresa sueca que cotiza en bolsa) vende un paquete de software para ayudar a los médicos y radiólogos de medicina nuclear a interpretar imágenes y a hacer mejores pronósticos para pacientes con enfermedades como el cáncer de próstata metastásico. Recopilé una presentación de PowerPoint no técnica para mis colegas médicos hace unos meses para resumir el estado del arte en CAD en radiología y medicina nuclear: https: //dl.dropboxusercontent.co…
