В последние годы использование искусственного интеллекта в медицине привело к более точной и эффективной диагностике заболеваний, в правильном прогнозировании результатов лечения, в повышении эффективности работы врачей и медсестёр благодаря сокращению времени, необходимого для документирования процесса оказания помощи, а также в составлении персональных планов лечения пациентов. Тем не менее все эти плюсы часто не дают врачам возможность интерпретировать полученную медицинскую информацию самостоятельно.
Группа российских учёных изучила популярность использования алгоритмов искусственного интеллекте, проведя анализ упоминаний в 10 тысячах исследовательских статей из базы данных PubMed. В результате исследователи пришли к выводу – медики чаще используют более простые алгоритмы машинного обучения, нежели сложные нейросети. Это необходимо для правильной постановки диагноза и помогает избежать врачебных ошибок. Результаты исследования опубликованы в журнале International Journal of Environmental Research and Public Health.
Используя анализ сети совпадений, построенной с помощью программного обеспечения VOSviewer, учёные выделили основные кластеры искусственного интеллекта и пришли к выводу — для каждого определённого медицинского исследования необходимо применять разные виды машинного обучения. Глубокое обучение применяется в основном при обработке изображений, особенно в кардиологии для исследования заболеваний сердца (на основе данных визуализации сердца), в то время как традиционные алгоритмы машинного обучения обычно работают с сигналами и медицинскими записями.
Прогноз и диагностика заболеваний также в основном полагаются на традиционные, более простые алгоритмы машинного обучения, так как здесь важна самостоятельная интерпретируемость результата и стабильность работы алгоритма. В таких областях медицины как неврология, кардиология, репродуктивная медицина, COVID-19, исследования диабета, значительное внимание исследователей уделяется неконтролируемому машинному обучению с временными рядами (ЭКГ сердца, ЭЭГ мозга, МЭГ) и его методам: кластеризация, сегментация, регрессия.
Машинное обучение с учителем используется для прогнозирования аномалий и оценки рисков в репродуктивной медицине, неврологии, исследованиях инсульта и т.д. Учёные считают, что конечный итог исследования (а именно систематизация данных использования искусственного интеллекта в медицине) поможет врачам в выборе правильного метода при анализе и обработке медицинских результатов. Таким образом, данная исследовательская статья является справочником по использованию искусственного интеллекта в медицине.