ნერვული ქსელები მედიცინაში. ხელოვნური ნერვული ქსელების გამოყენება შაქრიანი დიაბეტის ადრეული დიაგნოსტიკისთვის. რას ასწავლის ნერვული ქსელები რუსეთში
დღეს ჩვენ ვხედავთ განვითარების ბუმს საინფორმაციო ტექნოლოგიებიდა მათი თანდათანობითი და ზოგჯერ რევოლუციური შემოტანა ჩვენს ცხოვრებაში
დიგიტალიზაცია, რობოტიზაცია, ხელოვნური ინტელექტი, ხელოვნური ნერვული ქსელები... რამდენი ახალი ცნება და ტერმინი უკვე უბიძგებს შესაძლებლობის ჰორიზონტს, გვაიძულებს ვიფიქროთ და გავიგოთ ისინი, ვეძებოთ მათი გამოყენებითი, ეფექტური და უსაფრთხო გამოყენება. და მაინც, რაც არ უნდა პერსპექტიული იყოს ახალი ტექნოლოგიები, ისინი ყველა ადამიანის სიცოცხლის, მისი გონების, ტვინის და აზროვნების ნაყოფია.
რა არის ნეირონი?
ადამიანის საშუალო ტვინი არის დაახლოებით 86 მილიარდი ნეირონი, რომლებიც დაკავშირებულია მრავალი კავშირით (საშუალოდ, რამდენიმე ათასი კავშირი თითო ნეირონზე, მაგრამ ეს რიცხვი შეიძლება მნიშვნელოვნად მერყეობდეს). ნეირონები არის სპეციალური უჯრედები, რომლებსაც შეუძლიათ ელექტროქიმიური სიგნალების გავრცელება. ნეირონს აქვს განშტოებული ინფორმაციის შეყვანის სტრუქტურა (დენდრიტები), ბირთვი და განშტოებული გამომავალი (აქსონი). უჯრედის აქსონები დაკავშირებულია სხვა უჯრედების დენდრიტებთან სინაფსების საშუალებით. როდესაც გააქტიურებულია, ნეირონი აგზავნის ელექტროქიმიურ სიგნალს თავის აქსონში. სინაფსების მეშვეობით ეს სიგნალი აღწევს სხვა ნეირონებს, რომლებიც თავის მხრივ შეიძლება გააქტიურდეს. ნეირონი აქტიურდება, როდესაც დენდრიტებიდან მის ბირთვში მისული სიგნალების მთლიანი დონე აღემატება გარკვეულ დონეს (აქტივაციის ზღურბლს).
Ნეირონული ქსელები
ხელოვნური ნეირონული ქსელები, ხელოვნური ინტელექტი, მანქანათმცოდნეობა... რას ნიშნავს ყველა ეს ტრენდული ტენდენცია და ტერმინი დღეს?
სიტყვის ზოგადი გაგებით, ნერვული ქსელები (NN - ნერვული ქსელები) არის მათემატიკური მოდელები, რომლებიც მუშაობენ ქსელების პრინციპზე. ნერვული უჯრედებიცხოველური ორგანიზმი. ხელოვნური NN (ANN) შეიძლება განხორციელდეს როგორც პროგრამირებადი, ასევე აპარატურის გადაწყვეტილებებში. აღქმის გასაადვილებლად, ნეირონი შეიძლება იყოს წარმოდგენილი, როგორც ერთგვარი უჯრედი, რომელსაც აქვს მრავალი შესასვლელი და ერთი გამოსასვლელი. რამდენი შემომავალი სიგნალი იქმნება გამავალ სიგნალად, განისაზღვრება გაანგარიშების ალგორითმით. ნეირონის თითოეულ შეყვანას მიეწოდება ოპერაციული მნიშვნელობები, რომლებიც შემდეგ ნაწილდება ნეირონთაშორისი კავშირების (სინოფსების) გასწვრივ. სინაფსებს აქვთ ერთი პარამეტრი - წონა, რის გამოც შეყვანის ინფორმაცია იცვლება ერთი ნეირონიდან მეორეზე გადასვლისას.
დროის ტენდენცია
ბოლო რამდენიმე წლის განმავლობაში, ANN-ების მიმართ ინტერესი გაიზარდა. მკვლევარები - პროგრამისტები და ტექნიკის მოდელების შემქმნელები - ქმნიან ახალ ეფექტურ კრეატიულ პროგრამულ და აპარატურულ იმპლემენტაციას, რომელიც აგებულია ბიოლოგიური ნერვული ქსელების ორგანიზებისა და ფუნქციონირების პრინციპზე. ნერვული ქსელები მიმზიდველია ინტუიციური თვალსაზრისით, რადგან ისინი ეფუძნება ნერვული სისტემის ბიოლოგიურ მოდელს. მომავალში, ასეთი ნეირობიოლოგიური მოდელების განვითარებამ შეიძლება გამოიწვიოს ჭეშმარიტად მოაზროვნე კომპიუტერების შექმნა. ხელოვნური ინტელექტის შესაქმნელად კი მსგავსი არქიტექტურის სისტემა უნდა ააგოთ.
სად მიმართავენ
ANN სწავლის უნარის გამო, ისევე როგორც ის, რომ ეს გამოწვეულია გარეგნობით სხვადასხვა გზებიმათი სწავლის დაჩქარება წარმატებით გამოიყენება ჩვენი ცხოვრების სხვადასხვა სფეროში: ბიზნესში, მედიცინაში, ტექნოლოგიაში, გეოლოგიაში, ფიზიკაში და ა.შ. თვითნასწავლი წარმოების სისტემების პროცესების, უპილოტო მანქანების, გამოსახულების ამოცნობის სისტემების, ინტელექტუალური უსაფრთხოების სისტემების, რობოტიკის, ხარისხის მონიტორინგის სისტემების, ხმის ურთიერთქმედების ინტერფეისების, ანალიტიკური სისტემების და გამოგონებების შექმნა ბევრ სხვა სფეროში, სადაც აუცილებელია დაგროვილი დამუშავების პრობლემების გადაჭრა. ინფორმაციის უზარმაზარი ნაკადი - ამოცნობა, პროგნოზირება, კლასიფიკაცია, კონტროლი. ამჟამად ANN-ის სწავლის პროცესი ბევრად უფრო სწრაფი და მარტივი გახდა: შესაძლებლობები უფრო ძლიერი გახდა ტექნიკური საშუალებები(მეხსიერების მოცულობის ტექნოლოგიური ზრდა, სიჩქარე; მონაცემთა ბაზების მუდმივი დაგროვება და ა.შ.). აქტიურად დაიწყო ეგრეთ წოდებული „წინასწარ მომზადებული“ ნერვული ქსელების განვითარება, რამაც შეიძლება მნიშვნელოვნად დააჩქაროს ტექნოლოგიის დანერგვის პროცესი.
ზოგიერთი პლიუსი
შთამბეჭდავი წარმატება და ინტერესი ANN-ების მიმართ განპირობებულია ისეთი ამოცანებთან გამკლავების უნარით, როგორიცაა ობიექტების ამოცნობისა და კლასიფიკაციის სისტემები საკვლევ ტერიტორიაზე სურათებში და პეიზაჟებში, ხმოვანი ურთიერთქმედების ინტერფეისი ნივთების ინტერნეტისთვის, ვიდეო ანალიტიკა, თვითსწავლის სისტემები. რაც ოპტიმიზაციას უკეთებს მატერიალური ნაკადების მართვას ან ობიექტების მდებარეობას; ინტელექტუალური; თვითსწავლების კონტროლის სისტემები წარმოების პროცესებისა და მოწყობილობებისთვის (მათ შორის რობოტული), უნივერსალური თარგმანი კონფერენციებისთვის და პირადი გამოყენებისთვის და ა.შ. ადამიანის ტვინის შესაძლებლობები, ალბათობა ის ფაქტი, რომ უახლოეს ათწლეულში ANN-ები შეძლებენ ადამიანის ჩანაცვლებას არსებული პროფესიების მეოთხედში, სულ უფრო და უფრო ემსგავსება სიმართლეს.
Ხელოვნური ინტელექტი
რა არის ხელოვნური ინტელექტი? ხელოვნური ინტელექტის (AI) საშუალებით დეველოპერებს ესმით აპარატის უნარი, მიბაძოს ადამიანების ჭკვიანურ ქცევას, ანუ ცვალებად კონტექსტში ნავიგაციის უნარს და ამ ცვლილებების გათვალისწინებით, მიიღოს ოპტიმალური გადაწყვეტილებები, რაც საშუალებას მისცემს მიაღწიოს მიზნებს. ექიმს შეიძლება გაუჭირდეს დაავადების სწორად დიაგნოსტიკა, მით უმეტეს, თუ მას დიდი პრაქტიკა არ აქვს ან კონკრეტული შემთხვევა შორს არის მისი პროფესიული გამოცდილებისგან. აქ ხელოვნური ინტელექტი შეიძლება სამაშველოში აღმოჩნდეს, რომელსაც აქვს წვდომა მონაცემთა ბაზაზე ათასობით და მილიონობით შემთხვევის ისტორიით (და სხვა შეკვეთილი ინფორმაცია, მათ შორის ბოლო სტატიები, სახელმძღვანელოები, სპეციალიზებული სამედიცინო ლიტერატურა). მანქანათმცოდნეობის ალგორითმების დახმარებით AI კლასიფიცირებს კონკრეტულ შემთხვევას, სწრაფად ასკანირებს სამეცნიერო ლიტერატურას თემაზე, რომელიც გამოქვეყნდა გარკვეული პერიოდის განმავლობაში, შეისწავლის ხელმისაწვდომ მსგავს შემთხვევებს და გვთავაზობს მკურნალობის გეგმას. გარდა ამისა, ხელოვნური ინტელექტი შეძლებს ინდივიდუალური მიდგომის უზრუნველყოფას, ინფორმაციის გათვალისწინებით გენეტიკური თვისებებიპაციენტი, მისი ტარებადი მოწყობილობების მიერ შეგროვებული მოძრაობის ნიმუშები, წინა სამედიცინო ისტორია - მთელი ცხოვრების ისტორია. ხელოვნური ინტელექტი ალბათ (ყოველ შემთხვევაში, ტექნოლოგიების განვითარების ამჟამინდელ ეტაპზე) ვერ ჩაანაცვლებს ექიმს, მაგრამ ის შეიძლება გახდეს და უკვე ხდება გამოსადეგი ინსტრუმენტი, ასისტენტი დიაგნოსტიკასა და მკურნალობაში.
რატომ არის საჭირო მედიცინაში
მედიცინა, რომელიც ადრე ძირითადად მკურნალობაზე იყო ორიენტირებული მწვავე დაავადებები, ახლა შეძლებს მეტი ყურადღება მიაქციოს ქრონიკულ დაავადებებს, რომელთაგან ბევრი არც ისე დიდი ხნის წინ დაავადებად ითვლებოდა. უკვე დღეს, სამედიცინო მონაცემების მოცულობა სწრაფად იზრდება, ცხადი ხდება, რომ ანალიზის სიჩქარე და ხარისხი განსაზღვრავს პაციენტის ჯანმრთელობასა და ცხოვრების ხარისხს. ექიმებს ხშირად აწყდებიან სიმსუქნის, დეპრესიის, ხანდაზმულთა დაავადებების მკურნალობის აუცილებლობა. დიაბეტი, გულის უკმარისობა, აუტოიმუნური დარღვევები სულ უფრო ხშირად დიაგნოზირებულია გამწვავების ფაზის მიღმა, ადრეულ სტადიაზე და ჩვენ ვსაუბრობთ არა მხოლოდ შემანარჩუნებელ თერაპიაზე, არამედ სხეულის ამ სისტემური გაუმართაობის სრულად განკურნებისა და გამოსწორების უნარზე. მუშავდება პრევენციული მედიცინა, რომელიც შესაძლებელს ხდის ამოიცნოს გარკვეული ტიპის დაავადებებისადმი მიდრეკილება მათ გამოვლინებამდე და დროული ზომების მიღების აუცილებლობა. და ეს ყველაფერი AI-სთვის არის სამუშაო.
პროგნოზი სტომატოლოგიისთვის
ANN-ის მკვლევარები ვარაუდობენ, რომ სტომატოლოგიაში ნერვული ქსელების გამოყენება ასევე სწრაფად განვითარდება უახლოეს მომავალში. ეს მიმართულება საშუალებას მისცემს უფრო სწრაფად გაანალიზოს დიდი რაოდენობით საჭირო პროფესიული სამიზნე ორიენტირებული ინფორმაცია და რაც მთავარია, შეძლებს ექიმებს მიმართოს და მინიშნებებს მისცეს რთული კლინიკური პრობლემების გადაჭრაში.
მასალა მომზადდა მონაცემების მიხედვით
ინტერნეტ წყაროები გალინა მასისი
შუადღე მშვიდობისა, მე მქვია ნატალია ეფრემოვა და ვარ NtechLab-ის მკვლევარი. დღეს მე ვისაუბრებ ნერვული ქსელების ტიპებზე და მათ გამოყენებაზე.
პირველ რიგში, ნება მომეცით რამდენიმე სიტყვა ვთქვა ჩვენი კომპანიის შესახებ. კომპანია ახალია, შესაძლოა ბევრმა თქვენგანმა არ იცოდეს რას ვაკეთებთ. გასულ წელს ჩვენ მოვიგეთ MegaFace გამოწვევა. ეს არის სახეების აღიარების საერთაშორისო კონკურსი. იმავე წელს გაიხსნა ჩვენი კომპანია, ანუ დაახლოებით ერთი წელია ბაზარზე ვართ, ცოტა მეტიც. შესაბამისად, ჩვენ ვართ ერთ-ერთი წამყვანი კომპანია სახის ამოცნობისა და ბიომეტრიული გამოსახულების დამუშავების სფეროში.
ჩემი მოხსენების პირველი ნაწილი მიმართული იქნება მათთვის, ვინც არ იცნობს ნერვულ ქსელებს. უშუალოდ ღრმა სწავლით ვარ დაკავებული. 10 წელზე მეტია ამ სფეროში ვმუშაობ. მიუხედავად იმისა, რომ ის ათწლეულზე ცოტა ნაკლები ხნის წინ გამოჩნდა, ადრე არსებობდა ნერვული ქსელების ზოგიერთი ელემენტი, რომელიც ღრმა სწავლის სისტემას ჰგავდა.
ბოლო 10 წლის განმავლობაში ღრმა სწავლა და კომპიუტერული ხედვაწარმოუდგენელი ტემპით განვითარდა. ყველაფერი, რაც მნიშვნელოვანი გაკეთდა ამ სფეროში, მოხდა ბოლო 6 წლის განმავლობაში.
მე ვისაუბრებ პრაქტიკულ ასპექტებზე: სად, როდის, რა უნდა გამოვიყენო გამოსახულების და ვიდეოს დამუშავებისთვის ღრმა სწავლის თვალსაზრისით, გამოსახულების და სახის ამოცნობისთვის, რადგან ვმუშაობ კომპანიაში, რომელიც ამას აკეთებს. ცოტას ვისაუბრებ ემოციების ამოცნობაზე, რა მიდგომებს იყენებენ თამაშებსა და რობოტიკაში. ასევე ვისაუბრებ ღრმა სწავლის არასტანდარტულ გამოყენებაზე, რაც ახლახან გამოდის სამეცნიერო ინსტიტუტებიდან და ჯერ კიდევ ნაკლებად გამოიყენება პრაქტიკაში, როგორ შეიძლება მისი გამოყენება და რატომ არის რთული გამოყენება.
ანგარიში შედგება ორი ნაწილისგან. ვინაიდან ადამიანების უმეტესობა იცნობს ნერვულ ქსელებს, პირველ რიგში მე სწრაფად აგიხსნით, თუ როგორ მუშაობს ნერვული ქსელები, რა არის ბიოლოგიური ნეირონული ქსელები, რატომ არის ჩვენთვის მნიშვნელოვანი ვიცოდეთ როგორ მუშაობს ის, რა არის ხელოვნური ნერვული ქსელები და რა არქიტექტურაში გამოიყენება. ტერიტორიები.
მაშინვე ბოდიშს ვიხდი, ცოტა ინგლისურ ტერმინოლოგიაში გადავალ, რადგან რუსულად რა ჰქვია უმეტესობას არც კი ვიცი. ალბათ შენც.
ამრიგად, მოხსენების პირველი ნაწილი დაეთმობა კონვოლუციურ ნერვულ ქსელებს. მე აგიხსნით, თუ როგორ მუშაობს კონვოლუციური ნერვული ქსელის (CNN) გამოსახულების ამოცნობა, სახის ამოცნობის მაგალითის გამოყენებით. მე ცოტას ვისაუბრებ განმეორებით ნერვულ ქსელებზე (RNN) და განმტკიცების სწავლაზე ღრმა სწავლის სისტემების მაგალითის გამოყენებით.
როგორც ნერვული ქსელების არასტანდარტული აპლიკაცია, მე ვისაუბრებ იმაზე, თუ როგორ მუშაობს CNN მედიცინაში ვოქსელის გამოსახულების ამოცნობისთვის, როგორ გამოიყენება ნერვული ქსელები აფრიკაში სიღარიბის ამოსაცნობად.
რა არის ნერვული ქსელები
უცნაურად საკმარისია, რომ ბიოლოგიური ნერვული ქსელები იყო პროტოტიპი ნერვული ქსელების შესაქმნელად. შესაძლოა ბევრმა თქვენგანმა იცოდეს ნერვული ქსელის დაპროგრამება, მაგრამ საიდან გაჩნდა, ვფიქრობ, ზოგიერთმა არ იცის. ყველა სენსორული ინფორმაციის ორი მესამედი, რომელიც ჩვენამდე მოდის, აღქმის ვიზუალური ორგანოებიდან მოდის. ჩვენი ტვინის ზედაპირის მესამედზე მეტს იკავებს ორი ყველაზე მნიშვნელოვანი ვიზუალური უბანი - დორსალური ვიზუალური გზა და ვენტრალური ვიზუალური გზა.დორსალური ვიზუალური გზა იწყება პირველადი ვიზუალური ზონიდან, თავის გვირგვინიდან და გრძელდება ზემოთ, ხოლო ვენტრალური გზა იწყება ჩვენი თავის უკანა მხრიდან და მთავრდება უხეშად ჩვენი ყურების უკან. ყველა მნიშვნელოვანი ნიმუშის ამოცნობა, რაც ჩვენ გვაქვს, მთელი მნიშვნელობა, რაც ჩვენ ვიცით, ხდება სწორედ იქ, ყურების უკან.
Რატომ არის ეს მნიშვნელოვანი? რადგან ხშირად საჭიროა ნერვული ქსელების გაგება. ჯერ ერთი, ამაზე ყველა საუბრობს და მე უკვე მიჩვეული ვარ, რომ ეს მოხდეს და მეორეც, ფაქტია, რომ ყველა ის უბანი, რომელიც გამოიყენება ნერვულ ქსელებში შაბლონის ამოცნობისთვის, ჩვენამდე მოვიდა ზუსტად ვენტრალური ვიზუალური გზიდან, სადაც თითოეული პატარაა. ზონა პასუხისმგებელია მის მკაცრად განსაზღვრულ ფუნქციაზე.
გამოსახულება ჩვენამდე მოდის ბადურის მხრიდან, გადის ვიზუალური ზონების სერიას და მთავრდება დროებით ზონაში.
გასული საუკუნის შორეულ 60-იან წლებში, როდესაც ტვინის ვიზუალური უბნების შესწავლა ახლახან იწყებოდა, პირველი ექსპერიმენტები ჩატარდა ცხოველებზე, რადგან არ არსებობდა fMRI. ტვინი გამოიკვლიეს სხვადასხვა ვიზუალურ ზონაში ჩადგმული ელექტროდების გამოყენებით.
პირველი ვიზუალური ზონა გამოიკვლია დევიდ ჰუბელმა და ტორსტენ ვისელმა 1962 წელს. მათ ჩაატარეს ექსპერიმენტები კატებზე. კატებს აჩვენეს სხვადასხვა მოძრავი საგნები. რაზეც ტვინის უჯრედები რეაგირებდნენ იყო სტიმული, რომელიც ცხოველმა ამოიცნო. ახლაც ბევრი ექსპერიმენტი ტარდება ამ დრაკონული გზებით. თუმცა, ეს არის ყველაზე ეფექტური მეთოდიგაარკვიეთ, რას აკეთებს ჩვენი ტვინის ყველა პატარა უჯრედი.
ანალოგიურად, აღმოაჩინეს ვიზუალური ზონების მრავალი სხვა მნიშვნელოვანი თვისება, რომელსაც ახლა ვიყენებთ ღრმა სწავლაში. ერთ-ერთი ყველაზე მნიშვნელოვანი თვისებაა ჩვენი უჯრედების მიმღები ველების ზრდა, როდესაც გადავდივართ პირველადი ვიზუალური უბნებიდან დროებით, ანუ გვიან ვიზუალურ უბნებზე. მიმღები ველი არის გამოსახულების ის ნაწილი, რომელსაც ჩვენი ტვინის ყველა უჯრედი ამუშავებს. თითოეულ უჯრედს აქვს საკუთარი მიმღები ველი. ეს იგივე თვისება შენარჩუნებულია ნერვულ ქსელებში, როგორც ალბათ ყველამ იცით.
ასევე, მიმღები ველების მატებასთან ერთად, იზრდება რთული სტიმული, რომელსაც ნერვული ქსელები ჩვეულებრივ აღიარებენ.
აქ ხედავთ სტიმულის სირთულის მაგალითებს, სხვადასხვა ორგანზომილებიან ფორმებს, რომლებიც აღიარებულია V2, V4 და სფეროებში. სხვადასხვა ნაწილებიდროებითი ველები მაკაკებში. ასევე ტარდება მრავალი MRI ექსპერიმენტი.
აქ ნახავთ, როგორ ტარდება ასეთი ექსპერიმენტები. ეს არის IT ქერქის 1 ნანომეტრიანი ნაწილი "მაიმუნის ზონები სხვადასხვა ობიექტების ამოცნობისას. ხაზგასმულია, სადაც ის არის აღიარებული.
მოდით შევაჯამოთ. მნიშვნელოვანი თვისება, რომელიც გვინდა მივიღოთ ვიზუალური ზონებიდან, არის ის, რომ იზრდება მიმღები ველების ზომები და იზრდება იმ ობიექტების სირთულე, რომლებსაც ჩვენ ვაღიარებთ.
კომპიუტერული ხედვა
სანამ ვისწავლეთ როგორ გამოვიყენოთ ეს კომპიუტერულ ხედვაზე - ზოგადად, როგორც ასეთი, ის არ არსებობდა. ყოველ შემთხვევაში, ისე არ მუშაობდა, როგორც ახლა.ჩვენ გადავცემთ ყველა ამ თვისებას ნერვულ ქსელში და ახლა ის მუშაობს, თუ არ ჩავთვლით მონაცემთა ნაკრებების მცირე გადახრას, რაზეც მოგვიანებით ვისაუბრებ.
მაგრამ ჯერ ცოტა უმარტივესი პერცეპტრონის შესახებ. ის ასევე ყალიბდება ჩვენი ტვინის გამოსახულებაში და მსგავსებაში. ტვინის უჯრედის მსგავსი უმარტივესი ელემენტია ნეირონი. აქვს შეყვანის ელემენტები, რომლებიც ნაგულისხმევია მარცხნიდან მარჯვნივ, ზოგჯერ ქვემოდან ზევით. მარცხნივ არის ნეირონის შემავალი ნაწილები, მარჯვნივ ნეირონის გამომავალი ნაწილები.
უმარტივეს პერცეპტრონს შეუძლია შეასრულოს მხოლოდ ყველაზე ძირითადი ოპერაციები. უფრო რთული გამოთვლების შესასრულებლად, ჩვენ გვჭირდება სტრუქტურა დიდი რაოდენობითფარული ფენები.
კომპიუტერული ხედვის შემთხვევაში, ჩვენ გვჭირდება კიდევ უფრო მეტი ფარული ფენა. და მხოლოდ ამის შემდეგ სისტემა მნიშვნელოვნად ამოიცნობს იმას, რასაც ხედავს.
ასე რომ, რა ხდება გამოსახულების ამოცნობისას, გეტყვით სახეების მაგალითით.
ჩვენთვის, რომ შევხედოთ ამ სურათს და ვთქვათ, რომ იგი ასახავს ქანდაკების სახეს, საკმაოდ მარტივია. თუმცა, 2010 წლამდე ეს წარმოუდგენლად რთული ამოცანა იყო კომპიუტერული ხედვისთვის. მათ, ვინც ამ საკითხს აქამდე ეხებოდა, ალბათ იციან, რა რთული იყო უსიტყვოდ აღწერო ის ობიექტი, რომელიც სურათზე გვინდა ვიპოვოთ.
ჩვენ უნდა გაგვეკეთებინა ეს რაღაც გეომეტრიული გზით, აღვწეროთ ობიექტი, აღვწეროთ ობიექტის ურთიერთობა, როგორ შეიძლება ეს ნაწილები ერთმანეთთან იყოს დაკავშირებული, შემდეგ ვიპოვნეთ ეს სურათი ობიექტზე, შევადაროთ ისინი და მივიღოთ ის, რაც ცუდად ამოვიცანი. ჩვეულებრივ, ეს ცოტათი უკეთესი იყო, ვიდრე მონეტის გადაყრა. შანსების დონეზე ოდნავ უკეთესი.
ახლა ეს ასე არ არის. ჩვენ ვყოფთ ჩვენს სურათს პიქსელებად ან ზოგიერთ პატჩებად: 2x2, 3x3, 5x5, 11x11 პიქსელი - რაც მოსახერხებელია სისტემის შემქმნელებისთვის, რომელშიც ისინი ნერვული ქსელის შეყვანის ფენას ემსახურებიან.
ამ შეყვანის ფენებიდან სიგნალები გადაეცემა ფენიდან ფენას სინაფსების გამოყენებით, თითოეულ ფენას აქვს საკუთარი სპეციფიკური კოეფიციენტები. ასე რომ, ჩვენ გადავდივართ ფენიდან ფენაზე, ფენიდან ფენაზე, სანამ არ მივიღებთ, რომ სახეს ვაღიარებთ.
პირობითად, ყველა ეს ნაწილი შეიძლება დაიყოს სამ კლასად, ჩვენ მათ აღვნიშნავთ როგორც X, W და Y, სადაც X არის ჩვენი შეყვანის სურათი, Y არის ეტიკეტების ნაკრები და ჩვენ უნდა მივიღოთ ჩვენი წონა. როგორ გამოვთვალოთ W?
ჩვენი X და Y-ის გათვალისწინებით, ეს მარტივია. თუმცა, ვარსკვლავით მითითებული არის ძალიან რთული არაწრფივი ოპერაცია, რომელსაც, სამწუხაროდ, არ აქვს შებრუნებული. განტოლების 2 მოცემული კომპონენტითაც კი, მისი გამოთვლა ძალიან რთულია. ამიტომ, ეტაპობრივად, საცდელი და შეცდომით, W წონის არჩევით უნდა დავრწმუნდეთ, რომ ცდომილება მაქსიმალურად შემცირდეს, სასურველია გახდეს ნულის ტოლი.
ეს პროცესი ხდება განმეორებით, ჩვენ მუდმივად ვამცირებთ, სანამ არ ვიპოვით W წონის მნიშვნელობას, რომელიც საკმარისად გვაკმაყოფილებს.
სხვათა შორის, არც ერთმა ნერვულმა ქსელმა, რომლითაც მე ვიმუშავე, არ მიაღწია ნულის ტოლ შეცდომას, მაგრამ საკმაოდ კარგად მუშაობდა.
აქ არის პირველი ქსელი, რომელმაც გაიმარჯვა ImageNet საერთაშორისო კონკურსში 2012 წელს. ეს არის ე.წ. AlexNet. ეს არის ქსელი, რომელმაც პირველად გამოაცხადა თავი, რომ არსებობს კონვოლუციური ნერვული ქსელები და მას შემდეგ, ყველა საერთაშორისო კონკურსში, კონვოლუციონალურ ნერვულ ქსელებს არასოდეს დაუკარგავთ პოზიციები.
მიუხედავად იმისა, რომ ეს ქსელი საკმაოდ მცირეა (მას აქვს მხოლოდ 7 ფარული ფენა), ის შეიცავს 650 000 ნეირონს 60 მილიონი პარამეტრით. იმისათვის, რომ განმეორებით ვისწავლოთ როგორ მოვძებნოთ სწორი წონა, ჩვენ გვჭირდება ბევრი მაგალითი.
ნერვული ქსელი სწავლობს სურათისა და ეტიკეტის მაგალითზე. როგორც ბავშვობაში გვასწავლიდნენ „ეს კატაა და ეს ძაღლია“, ნერვული ქსელები ასევე სწავლობენ დიდი რაოდენობითსურათები. მაგრამ ფაქტია, რომ 2010 წლამდე არ არსებობდა საკმარისად დიდი მონაცემთა ნაკრები, რომელიც ამდენ პარამეტრს ასწავლიდა სურათების ამოცნობას.
ყველაზე დიდი მონაცემთა ბაზები, რომლებიც იმ დრომდე არსებობდა, იყო PASCAL VOC, რომელსაც ჰქონდა მხოლოდ 20 ობიექტის კატეგორია და Caltech 101, რომელიც შეიქმნა კალიფორნიის ტექნოლოგიის ინსტიტუტში. ბოლო იყო 101 კატეგორია და ეს ბევრი იყო. ვინც ვერ იპოვა თავისი ობიექტები რომელიმე ამ მონაცემთა ბაზაში, უნდა დაეხარჯა მათი მონაცემთა ბაზა, რაც, მე ვიტყვი, საშინლად მტკივნეულია.
თუმცა, 2010 წელს გამოჩნდა ImageNet მონაცემთა ბაზა, რომელშიც იყო 15 მილიონი სურათი, დაყოფილი 22000 კატეგორიად. ამან გადაჭრა ჩვენი ნერვული ქსელის ტრენინგის პრობლემა. ახლა ყველას, ვისაც აქვს რაიმე აკადემიური მისამართი, შეუძლია ადვილად შევიდეს ბაზის საიტზე, მოითხოვოს წვდომა და მიიღოს ეს ბაზა მათი ნერვული ქსელების მოსამზადებლად. ისინი საკმაოდ სწრაფად პასუხობენ, ჩემი აზრით, მეორე დღეს.
წინა მონაცემთა ნაკრებებთან შედარებით, ეს არის ძალიან დიდი მონაცემთა ბაზა.
მაგალითი გვიჩვენებს, რამდენად უმნიშვნელო იყო ყველაფერი, რაც მანამდე იყო. ImageNet-ის ბაზის პარალელურად გამოჩნდა ImageNet კონკურსი, საერთაშორისო გამოწვევა, რომელშიც მონაწილეობის მიღება შეუძლია ყველა გუნდს, ვისაც სურს შეჯიბრება.
წელს ჩინეთში შექმნილმა ქსელმა გაიმარჯვა, მას 269 ფენა ჰქონდა. არ ვიცი რამდენი პარამეტრი, მეეჭვება ძალიან ბევრი იყოს.
ღრმა ნერვული ქსელის არქიტექტურა
პირობითად, ის შეიძლება დაიყოს 2 ნაწილად: ის, ვინც სწავლობს და ის, ვინც არ სწავლობს.
შავი მიუთითებს იმ ნაწილებზე, რომლებიც არ სწავლობენ, ყველა სხვა ფენას შეუძლია ისწავლოს. არსებობს მრავალი განმარტება იმის შესახებ, თუ რა არის თითოეული კონვოლუციური ფენის შიგნით. ერთ-ერთი მიღებული აღნიშვნა არის ის, რომ ერთი ფენა სამი კომპონენტით იყოფა კონვოლუციის სტადიად, დეტექტორის სტადიად და გაერთიანების სტადიად.
მე არ შევალ დეტალებში, იქნება კიდევ ბევრი მოხსენება, რომელიც დეტალურად იქნება აღწერილი, თუ როგორ მუშაობს ეს. მაგალითით გეტყვით.
რადგან ორგანიზატორებმა მთხოვეს, რომ ბევრი ფორმულა არ მეთქვა, საერთოდ გადავაგდე.
ამრიგად, შეყვანის სურათი ხვდება ფენების ქსელში, რომელსაც შეიძლება ეწოდოს სხვადასხვა ზომის ფილტრები და სხვადასხვა სირთულის ელემენტები, რომლებსაც ისინი აღიარებენ. ეს ფილტრები ქმნიან საკუთარ ინდექსს ან ფუნქციების ერთობლიობას, რომელიც შემდეგ შედის კლასიფიკატორში. ჩვეულებრივ, ეს არის SVM ან MLP - მრავალშრიანი პერცეპტრონი, რომელიც მოსახერხებელია ყველასთვის.
ბიოლოგიურ ნერვულ ქსელთან გამოსახულებასა და მსგავსებაში სხვადასხვა სირთულის ობიექტების ამოცნობა ხდება. ფენების რაოდენობის მატებასთან ერთად, ამ ყველაფერმა დაკარგა კონტაქტი ქერქთან, რადგან ნერვულ ქსელში ზონების შეზღუდული რაოდენობაა. აბსტრაქციის 269 ან ბევრი, ბევრი ზონა, ასე რომ შენახულია მხოლოდ სირთულის, ელემენტების რაოდენობის და მიმღები ველების ზრდა.
თუ გადავხედავთ სახის ამოცნობის მაგალითს, მაშინ პირველი ფენის ჩვენი მიმღები ველი იქნება პატარა, შემდეგ ცოტა მეტი, მეტი და ასე გაგრძელდება მანამ, სანამ ბოლომდე ვერ ამოვიცნობთ მთელ სახეს.
რაც შეეხება იმას, რაც ჩვენ გვაქვს ფილტრების შიგნით, ჯერ იქნება დახრილი ჩხირები პლუს გარკვეული ფერი, შემდეგ სახეების ნაწილები და შემდეგ მთელი სახე ამოიცნობს ფენის თითოეულ უჯრედს.
არიან ადამიანები, რომლებიც ამტკიცებენ, რომ ადამიანი ყოველთვის უკეთესად ცნობს, ვიდრე ქსელი. ასეა?
2014 წელს მეცნიერებმა გადაწყვიტეს შეემოწმებინათ რამდენად კარგად ვხვდებით ნერვულ ქსელებთან შედარებით. მათ აიღეს 2 საუკეთესო ამ მომენტშიქსელები არის AlexNet და მეთიუ ზილერის და ფერგუსის ქსელი და შედარება პასუხთან სხვადასხვა ზონებიმაკაკის ტვინი, რომელსაც ასევე ასწავლიდნენ ზოგიერთი საგნის ამოცნობას. საგნები ცხოველთა სამყაროდან იყო, რომ მაიმუნი არ დაბნეულიყო და ჩაატარეს ექსპერიმენტები, ვინ უკეთ ამოიცნობდა.
ვინაიდან მაიმუნისგან პასუხის მიღება აშკარად შეუძლებელია, მასში ჩაუნერგეს ელექტროდები და პირდაპირ გაზომეს თითოეული ნეირონის რეაქცია.
აღმოჩნდა, რომ ქ ნორმალური პირობებიტვინის უჯრედები რეაგირებდნენ ისევე, როგორც იმდროინდელი თანამედროვე მოდელი, ანუ მეთიუ ზილერის ქსელი.
თუმცა, ობიექტების ჩვენების სიჩქარის მატებასთან ერთად, გამოსახულებაში ხმებისა და ობიექტების რაოდენობის მატებასთან ერთად, ჩვენს ტვინში და პრიმატების ტვინში ამოცნობის სიჩქარე და მისი ხარისხი მკვეთრად ეცემა. უმარტივესი კონვოლუციური ნერვული ქსელიც კი უკეთ ცნობს ობიექტებს. ანუ, ოფიციალურად, ნერვული ქსელები ჩვენს ტვინზე უკეთ მუშაობს.
კონვოლუციური ნერვული ქსელების კლასიკური პრობლემები
სინამდვილეში არც ისე ბევრია, ისინი სამ კლასს მიეკუთვნებიან. მათ შორისაა ისეთი ამოცანები, როგორიცაა ობიექტის იდენტიფიკაცია, სემანტიკური სეგმენტაცია, სახის ამოცნობა, ადამიანის სხეულის ნაწილების ამოცნობა, სემანტიკური საზღვრების ამოცნობა, ყურადღების ობიექტების შერჩევა გამოსახულებაში და ნორმალურების შერჩევა ზედაპირზე. ისინი პირობითად შეიძლება დაიყოს 3 დონედ: ყველაზე დაბალი დონის ამოცანებიდან უმაღლესი დონის ამოცანებამდე.
ამ სურათის მაგალითის გამოყენებით, მოდით შევხედოთ რას აკეთებს თითოეული ამოცანა.
- საზღვრების განსაზღვრა- ეს არის ყველაზე დაბალი დონის ამოცანა, რომლისთვისაც უკვე კლასიკურად გამოიყენება კონვოლუციური ნერვული ქსელები.
- ვექტორის განმარტება ნორმალურამდესაშუალებას გვაძლევს აღვადგინოთ 3D გამოსახულება 2D გამოსახულებისგან.
- გამორჩეულობა, ყურადღების ობიექტების განსაზღვრა- აი რას მიაქცევს ადამიანი ამ სურათის განხილვისას ყურადღებას.
- სემანტიკური სეგმენტაციასაშუალებას გაძლევთ დაყოთ ობიექტები კლასებად მათი სტრუქტურის მიხედვით, ამ ობიექტების შესახებ არაფრის ცოდნის გარეშე, ანუ მათ აღიარებამდეც კი.
- სემანტიკური საზღვრების ხაზგასმა- ეს არის კლასებად დაყოფილი საზღვრების შერჩევა.
- ადამიანის სხეულის ნაწილების იზოლაცია.
- და უმაღლესი დონის ამოცანა - თავად ობიექტების ამოცნობა, რომელსაც ახლა განვიხილავთ სახის ამოცნობის მაგალითის გამოყენებით.
Სახის ამოცნობა
პირველი, რაც ჩვენ ვაკეთებთ არის სახის დეტექტორის გადატანა სურათზე, რათა ვიპოვოთ სახე. შემდეგ, ჩვენ ვაკეთებთ სახის ნორმალიზებას, ცენტრში და ნერვულ ქსელში გადასამუშავებლად. ამის შემდეგ ვიღებთ ფუნქციების ერთობლიობას ან ვექტორს. ცალსახად აღწერს ამ სახის თვისებებს.
შემდეგ ჩვენ შეგვიძლია შევადაროთ ეს ფუნქციის ვექტორი ყველა ფუნქციის ვექტორს, რომელიც ინახება ჩვენს მონაცემთა ბაზაში და მივიღოთ მითითება კონკრეტულ პიროვნებაზე, მის სახელზე, მის პროფილზე - ყველაფერი, რისი შენახვაც შეგვიძლია მონაცემთა ბაზაში.
ასე მუშაობს ჩვენი FindFace პროდუქტი - ეს არის უფასო სერვისი, რომელიც გეხმარებათ მოძებნოთ ადამიანების პროფილები VKontakte მონაცემთა ბაზაში.
გარდა ამისა, ჩვენ გვაქვს API კომპანიებისთვის, რომლებსაც სურთ სცადონ ჩვენი პროდუქტები. ჩვენ გთავაზობთ სახის ამოცნობის, გადამოწმებისა და მომხმარებლის იდენტიფიკაციის სერვისებს.
ახლა ჩვენ შევიმუშავეთ 2 სცენარი. პირველი არის იდენტიფიკაცია, მონაცემთა ბაზაში პირის ძებნა. მეორე არის გადამოწმება, ეს არის ორი სურათის შედარება გარკვეული ალბათობით, რომ ეს არის ერთი და იგივე ადამიანი. გარდა ამისა, ჩვენ ამჟამად ვავითარებთ ემოციების ამოცნობას, ვიდეო გამოსახულების ამოცნობას და სიცოცხლისუნარიანობის ამოცნობას - ეს არის იმის გაგება, ცოცხალია თუ არა ადამიანი კამერის წინ თუ ფოტოსურათის წინ.
ზოგიერთი სტატისტიკა. იდენტიფიკაციისას, 10 ათასი ფოტოს ძიებისას გვაქვს დაახლოებით 95% სიზუსტე, რაც დამოკიდებულია მონაცემთა ბაზის ხარისხზე, 99% გადამოწმების სიზუსტე. გარდა ამისა, ეს ალგორითმი ძალიან მდგრადია ცვლილებების მიმართ - ჩვენ არ უნდა ვუყუროთ კამერას, შეიძლება გვქონდეს დამბლოკავი ობიექტები: სათვალე, სათვალე, წვერი, სამედიცინო ნიღაბი. ზოგიერთ შემთხვევაში, ჩვენ შეგვიძლია დავძლიოთ კომპიუტერული ხედვის ისეთი წარმოუდგენელი სირთულეებიც, როგორიცაა სათვალე და ნიღაბი.
ძალიან სწრაფი ძიება, 1 მილიარდი ფოტოს დამუშავებას 0,5 წამი სჭირდება. ჩვენ შევიმუშავეთ სწრაფი ძიების უნიკალური ინდექსი. ასევე შეგვიძლია ვიმუშაოთ დაბალი ხარისხის სურათებზე CCTV კამერებიდან. ჩვენ შეგვიძლია ეს ყველაფერი რეალურ დროში დავამუშავოთ. თქვენ შეგიძლიათ ატვირთოთ ფოტოები ვებ ინტერფეისის საშუალებით, Android-ის, iOS-ის საშუალებით და მოძებნოთ 100 მილიონი მომხმარებელი და მათი 250 მილიონი ფოტო.
როგორც ვთქვი, პირველი ადგილი დავიკავეთ MegaFace კონკურსში - ანალოგი ImageNet-ისთვის, მაგრამ სახის ამოცნობისთვის. ის უკვე რამდენიმე წელია მუშაობს, გასულ წელს ჩვენ საუკეთესოები ვიყავით 100 გუნდს შორის მთელი მსოფლიოდან, მათ შორის Google-ის ჩათვლით.
განმეორებადი ნერვული ქსელები
ჩვენ ვიყენებთ განმეორებით ნერვულ ქსელებს, როდესაც საკმარისი არ არის მხოლოდ გამოსახულების ამოცნობა. იმ შემთხვევებში, როდესაც ჩვენთვის მნიშვნელოვანია თანმიმდევრობის დაცვა, ჩვენ გვჭირდება თანმიმდევრობა, თუ რა ხდება ჩვენთან, ვიყენებთ ჩვეულებრივ განმეორებად ნერვულ ქსელებს.იგი გამოიყენება ბუნებრივი ენის ამოცნობაზე, ვიდეოს დამუშავებაზე, სურათის ამოცნობაზეც კი.
ბუნებრივი ენის აღიარებაზე არ ვისაუბრებ - ჩემი მოხსენების შემდეგ იქნება კიდევ ორი, რომელიც მიმართული იქნება ბუნებრივი ენის ამოცნობაზე. ამიტომ, მე ვისაუბრებ მორეციდივე ქსელების მუშაობაზე ემოციების ამოცნობის მაგალითის გამოყენებით.
რა არის განმეორებადი ნერვული ქსელები? ეს დაახლოებით იგივეა, რაც ჩვეულებრივი ნერვული ქსელები, მაგრამ გამოხმაურებით. ჩვენ გვჭირდება უკუკავშირი სისტემის წინა მდგომარეობის გადასაცემად ნერვული ქსელის შეყვანაში ან მის ერთ-ერთ შრეზე.
დავუშვათ, ჩვენ ვამუშავებთ ემოციებს. ღიმილშიც კი - ერთ-ერთ უმარტივეს ემოციაში - არის რამდენიმე მომენტი, სახის ნეიტრალური გამომეტყველებიდან იმ მომენტამდე, როცა სრული ღიმილი გვაქვს. თანმიმდევრობით მიჰყვებიან ერთმანეთს. იმისათვის, რომ ეს კარგად გავიგოთ, ჩვენ უნდა შევძლოთ დავაკვირდეთ როგორ ხდება ეს, გადავიტანოთ ის, რაც იყო წინა ჩარჩოზე სისტემის შემდეგ საფეხურზე.
2005 წელს, Emotion Recognition in the Wild კონკურსზე, სპეციალურად ემოციების ამოცნობისთვის, მონრეალის გუნდმა წარმოადგინა განმეორებადი სისტემა, რომელიც ძალიან მარტივი ჩანდა. მას მხოლოდ რამდენიმე კონვოლუციური ფენა ჰქონდა და მუშაობდა ექსკლუზიურად ვიდეოზე. ამ წელს მათ ასევე დაამატეს აუდიო ამოცნობა და შეაგროვეს კადრ-კადრის მონაცემები, რომლებიც მიღებულია კონვოლუციური ნერვული ქსელებიდან, აუდიო სიგნალის მონაცემები განმეორებადი ნერვული ქსელის ფუნქციონირებით (stateful) და კონკურსში პირველი ადგილი მოიპოვეს.
განმტკიცების სწავლა
შემდეგი ტიპის ნერვული ქსელები, რომელიც ძალიან ხშირად გამოიყენება ბოლო დროს, მაგრამ არ მიუღია ისეთი ფართო საჯაროობა, როგორც წინა 2 ტიპი, არის ღრმა სწავლება, განმტკიცების სწავლა.ფაქტია, რომ წინა ორ შემთხვევაში ვიყენებთ მონაცემთა ბაზებს. ჩვენ გვაქვს ან სახეების მონაცემები, ან სურათების მონაცემები, ან ემოციების მონაცემები ვიდეოებიდან. თუ არ გვაქვს, თუ ვერ გადავიღეთ, როგორ ვასწავლოთ რობოტს საგნების აყვანა? ჩვენ ამას ავტომატურად ვაკეთებთ - არ ვიცით როგორ მუშაობს. კიდევ ერთი მაგალითი: კომპიუტერულ თამაშებში დიდი მონაცემთა ბაზების შედგენა რთულია და არა აუცილებელი, ეს ბევრად უფრო ადვილია.
ალბათ ყველას სმენია Atari and Go-ში ღრმა გაძლიერების სწავლის წარმატების შესახებ.
ვინ გაიგო ატარის შესახებ? კარგი, ვიღაცამ გაიგო, კარგი. ვფიქრობ, ყველას სმენია AlphaGo-ს შესახებ, ამიტომ არც კი გეტყვით რა ხდება იქ.
რა ხდება Atari-ში? ამ ნერვული ქსელის არქიტექტურა უბრალოდ ნაჩვენებია მარცხნივ. ის სწავლობს საკუთარ თავთან თამაშით, რათა მიიღოს მაქსიმალური ჯილდო. მაქსიმალური ჯილდო არის თამაშის ყველაზე სწრაფი შედეგი მაქსიმალური ქულით.
ზედა მარჯვენა - ნერვული ქსელის ბოლო ფენა, რომელიც ასახავს სისტემის მდგომარეობათა მთელ რაოდენობას, რომელიც თამაშობდა თავის წინააღმდეგ მხოლოდ ორი საათის განმავლობაში. წითელი გვიჩვენებს თამაშის სასურველ შედეგებს მაქსიმალური ჯილდოთი, ხოლო ლურჯი - არასასურველს. ქსელი აყალიბებს გარკვეულ ველს და თავისი გაწვრთნილი ფენების მეშვეობით გადადის იმ მდგომარეობამდე, რომლის მიღწევაც სურს.
რობოტიკაში სიტუაცია ცოტა განსხვავებულია. რატომ? აქ რამდენიმე გართულება გვაქვს. ჯერ ერთი, ჩვენ არ გვაქვს ბევრი მონაცემთა ბაზა. მეორეც, ჩვენ უნდა მოვახდინოთ ერთდროულად სამი სისტემის კოორდინაცია: რობოტის აღქმა, მისი მოქმედებები მანიპულატორების დახმარებით და მისი მეხსიერება - რა გაკეთდა წინა ეტაპზე და როგორ გაკეთდა ეს. ზოგადად, ეს ყველაფერი ძალიან რთულია.
ფაქტია, რომ არც ერთ ნერვულ ქსელს, თუნდაც ღრმა სწავლის მომენტში, არ შეუძლია გაუმკლავდეს ამ ამოცანას საკმარისად ეფექტურად, ამიტომ ღრმა სწავლება მხოლოდ ნაწილია იმისა, რისი გაკეთებაც რობოტებს სჭირდებათ. მაგალითად, სერგეი ლევინმა ახლახან შემოგვთავაზა სისტემა, რომელიც ასწავლის რობოტს საგნების ხელში ჩაგდებას.
აქ არის ექსპერიმენტები, რომლებიც მან ჩაატარა თავის 14 რობოტ მკლავზე.
Რა ხდება აქ? ამ აუზებში, რომლებსაც თვალწინ ხედავთ, არის სხვადასხვა საგნები: კალმები, საშლელები, უფრო პატარა და დიდი კათხა, ნაწიბურები, სხვადასხვა ტექსტურა, განსხვავებული სიმტკიცე. გაურკვეველია, როგორ უნდა ვავარჯიშოთ რობოტი მათი დაჭერისთვის. მრავალი საათის განმავლობაში და, მაგალითად, კვირების განმავლობაში, რობოტები გაწვრთნილი იყვნენ ამ ობიექტების გადასაღებად, ამ შემთხვევაში შედგენილი იყო მონაცემთა ბაზები.
მონაცემთა ბაზები არის ერთგვარი გარემოს პასუხი, რომელიც ჩვენ უნდა დავაგროვოთ, რათა შევძლოთ რობოტის მომზადება მომავალში რაიმეს გასაკეთებლად. მომავალში, რობოტები გაივლიან ტრენინგს სისტემის მდგომარეობებზე.
ნერვული ქსელების არასტანდარტული აპლიკაციები
სამწუხაროდ ეს დასასრულია, დრო არ მაქვს. მე ვისაუბრებ იმ არასტანდარტულ გადაწყვეტილებებზე, რომლებიც ახლა არსებობს და რომლებსაც, მრავალი პროგნოზით, მომავალში გარკვეული გამოყენება ექნება.ასე რომ, სტენფორდის მეცნიერებმა ცოტა ხნის წინ გამოიტანეს CNN ნერვული ქსელის ძალიან უჩვეულო აპლიკაცია სიღარიბის პროგნოზირებისთვის. Რა გააკეთეს?
სინამდვილეში კონცეფცია ძალიან მარტივია. ფაქტია, რომ აფრიკაში სიღარიბის დონე ყოველგვარ წარმოდგენას და წარმოუდგენელ ზღვარს აჭარბებს. სოციალური დემოგრაფიული მონაცემების შეგროვების შესაძლებლობაც კი არ აქვთ. ამიტომ, 2005 წლიდან ჩვენ საერთოდ არ გვაქვს მონაცემები იმის შესახებ, თუ რა ხდება იქ.
მეცნიერებმა შეაგროვეს დღის და ღამის რუქები თანამგზავრებიდან და დროთა განმავლობაში მიაწოდეს ისინი ნერვულ ქსელს.
ნერვული ქსელი წინასწარ იყო კონფიგურირებული ImageNet-ზე "ე. ანუ, ფილტრების პირველი ფენები იყო კონფიგურირებული ისე, რომ მას შეეძლო ამოიცნო რამდენიმე ძალიან მარტივი რამ, მაგალითად, სახლების სახურავები, რათა მოეძებნა დასახლება დღის რუქებზე. შემდეგ იყო დღის რუქები. ღამის რუქებთან შედარებით, ზედაპირის ერთი და იგივე უბნის განათება, რათა ითქვას, რა თანხა აქვს მოსახლეობას, რომ მინიმუმ ღამით გაანათოს საკუთარი სახლები.
აქ ხედავთ ნერვული ქსელის მიერ აგებული პროგნოზის შედეგებს. პროგნოზი სხვადასხვა რეზოლუციით გაკეთდა. და ხედავთ - ბოლო ჩარჩო - უგანდის მთავრობის მიერ 2005 წელს შეგროვებული რეალური მონაცემები.
ჩანს, რომ ნერვულმა ქსელმა საკმაოდ ზუსტი პროგნოზი გააკეთა, თუნდაც მცირედი ცვლილებით 2005 წლიდან.
იყვნენ, რა თქმა უნდა, გვერდითი მოვლენები. ღრმა სწავლით დაკავებულ მეცნიერებს ყოველთვის უკვირს სხვადასხვა გვერდითი ეფექტების აღმოჩენა. მაგალითად, ისეთებიც, რომლებსაც ქსელმა ისწავლა წყლის, ტყეების, დიდი სამშენებლო მოედნების, გზების ამოცნობა - ეს ყველაფერი მასწავლებლების გარეშე, წინასწარ აშენებული მონაცემთა ბაზების გარეშე. ზოგადად სრულიად დამოუკიდებელი. იყო გარკვეული ფენები, რომლებიც რეაგირებდნენ, მაგალითად, გზებზე.
და ბოლო განაცხადირაზეც მინდა ვისაუბრო, არის 3D გამოსახულების სემანტიკური სეგმენტაცია მედიცინაში. ზოგადად, სამედიცინო ვიზუალიზაცია რთული სფეროა, რომელზეც ძალიან რთულია მუშაობა.
ამის რამდენიმე მიზეზი არსებობს.
- ჩვენ ძალიან ცოტა მონაცემთა ბაზა გვაქვს. ტვინის სურათის პოვნა არც ისე ადვილია, გარდა დაზიანებულისა და ასევე შეუძლებელია სადმე გადაღება.
- მაშინაც კი, თუ ჩვენ გვაქვს ასეთი სურათი, უნდა წავიყვანოთ მედიცინა და ვაიძულოთ ხელით მოათავსოს ყველა მრავალფენიანი სურათი, რაც ძალიან შრომატევადია და უკიდურესად არაეფექტური. ყველა ექიმს არ აქვს ამის რესურსი.
- საჭიროა ძალიან მაღალი სიზუსტე. სამედიცინო სისტემა არ შეიძლება იყოს არასწორი. მაგალითად, ბეჭდების ამოცნობისას, მათ არ აღიარეს - არა უშავს. და თუ ჩვენ არ ვაღიარებთ სიმსივნეს, მაშინ ეს არ არის ძალიან კარგი. განსაკუთრებით მკაცრი მოთხოვნებია სისტემის საიმედოობაზე.
- სურათები სამგანზომილებიან ელემენტებში - ვოქსელებში და არა პიქსელებში, რაც დამატებით სირთულეს მოაქვს სისტემის დიზაინერებს.
სად გამოიყენება: დარტყმის შემდეგ დაზიანების დასადგენად, თავის ტვინში სიმსივნის მოსაძებნად, კარდიოლოგიაში იმის დასადგენად, თუ როგორ მუშაობს გული.
აქ არის მაგალითი პლაცენტის მოცულობის დასადგენად.
ავტომატურად, ის კარგად მუშაობს, მაგრამ არ არის საკმარისი იმისათვის, რომ ის გამოუშვას წარმოებაში, ასე რომ, ეს ახლახან იწყება. არსებობს რამდენიმე სტარტაპი ასეთი სისტემების შესაქმნელად სამედიცინო ხედვა. ზოგადად, ახლო მომავალში ძალიან ბევრი სტარტაპი იქნება ღრმა სწავლაში. ისინი ამბობენ, რომ ვენჩურული კაპიტალისტები ბოლო 6 თვეში ღრმა სწავლების სტარტაპებს უფრო მეტი ბიუჯეტი გამოუყოფიათ, ვიდრე გასულ 5 წელიწადში.
ეს ტერიტორია აქტიურად ვითარდება, ბევრი საინტერესო მიმართულებაა. ჩვენ ვცხოვრობთ საინტერესო დროში. თუ ღრმა სწავლით ხართ დაკავებული, მაშინ ალბათ დროა გახსნათ საკუთარი სტარტაპი.
კარგი, ალბათ ამით დავამთავრებ. Ძალიან დიდი მადლობა.
17.04.1997 ალექსანდრე ეჟოვი, ვლადიმერ ჩეჩეტკინი
მკვეთრი ტკივილი გულმკერდის არეში. სასწრაფო დახმარებააწვდის პაციენტს სასწრაფო დახმარების ოთახში, სადაც მორიგე ექიმმა უნდა დაადოს დიაგნოზი და დაადგინოს, არის თუ არა ეს მართლაც მიოკარდიუმის ინფარქტი. გამოცდილება გვიჩვენებს, რომ პაციენტთა წილი, რომლებსაც ჰქონდათ გულის შეტევა მსგავსი სიმპტომებით მიღებულთა შორის, მცირეა. ზუსტი მეთოდებითუმცა დიაგნოზი ჯერ კიდევ არ არის. ელექტროკარდიოგრამა ზოგჯერ არ შეიცავს დაავადების აშკარა ნიშნებს. და პაციენტის მდგომარეობის რამდენ პარამეტრს შეუძლია ასე თუ ისე დაეხმაროს ამ შემთხვევაში სწორი დიაგნოზის დასმას? ორმოცზე მეტი. შეუძლია ექიმს რეანიმაციასწრაფად გავაანალიზოთ ყველა ეს მაჩვენებელი ურთიერთობებთან ერთად, რათა მივიღოთ გადაწყვეტილება პაციენტის მიმართულებაზე კარდიოლოგიურ განყოფილებაში? გარკვეულწილად, ნერვული ქსელის ტექნოლოგიები ეხმარება ამ პრობლემის მოგვარებას. ნერვული ქსელები დიაგნოსტიკური ამოცანებისთვის ბეტონის სისტემები ნერვული ქსელების გამოყენების შესაძლებლობები კიბოსთან ბრძოლა ნეიროსისტემები, გენეტიკა და მოლეკულები ნერვული ქსელები დადიან პლანეტაზე დასკვნის ნაცვლად გულმკერდის მწვავე ტკივილი. სასწრაფო დახმარებას აწვდის
მკვეთრი ტკივილი გულმკერდის არეში. სასწრაფო დახმარების მანქანა პაციენტს აწვდის სასწრაფო დახმარებას, სადაც მორიგე ექიმმა უნდა დაადოს დიაგნოზი და დაადგინოს, არის თუ არა ეს მართლაც მიოკარდიუმის ინფარქტი. გამოცდილება გვიჩვენებს, რომ პაციენტთა წილი, რომლებსაც ჰქონდათ გულის შეტევა მსგავსი სიმპტომებით მიღებულთა შორის, მცირეა. თუმცა ზუსტი დიაგნოსტიკური მეთოდები ჯერ კიდევ არ არსებობს. ელექტროკარდიოგრამა ზოგჯერ არ შეიცავს დაავადების აშკარა ნიშნებს. და პაციენტის მდგომარეობის რამდენ პარამეტრს შეუძლია ასე თუ ისე დაეხმაროს ამ შემთხვევაში სწორი დიაგნოზის დასმას? ორმოცზე მეტი. შეუძლია თუ არა სასწრაფო დახმარების ექიმმა სწრაფად გააანალიზოს ყველა ეს ინდიკატორი, მათ ურთიერთობასთან ერთად, მიიღოს გადაწყვეტილება პაციენტის კარდიოლოგიურ განყოფილებაში გაგზავნის შესახებ? გარკვეულწილად, ნერვული ქსელის ტექნოლოგიები ეხმარება ამ პრობლემის მოგვარებას. .
სტატისტიკა ასეთია: ექიმი სწორად სვამს მიოკარდიუმის ინფარქტის დიაგნოზს პაციენტების 88%-ში და შეცდომით სვამს ამ დიაგნოზს შემთხვევების 29%-ში. ძალიან ბევრი ცრუ სიგნალიზაციაა (ზედმეტად დიაგნოზი). განაცხადის ისტორია სხვადასხვა მეთოდებიდიაგნოსტიკის ხარისხის გასაუმჯობესებლად მონაცემთა დამუშავება ათწლეულების წინ მიდის, მაგრამ მათგან საუკეთესომ ხელი შეუწყო ჭარბი დიაგნოზის შემთხვევების მხოლოდ 3%-ით შემცირებას.
1990 წელს, უილიამ ბაკსტმა კალიფორნიის უნივერსიტეტიდან სან-დიეგოში გამოიყენა ნერვული ქსელი - მრავალშრიანი პერცეპტრონი - მიოკარდიუმის ინფარქტის ამოსაცნობად იმ პაციენტებში, რომლებიც შეიყვანეს სასწრაფო დახმარების ოთახში. მწვავე ტკივილიმკერდში. მისი მიზანი იყო შეექმნა ინსტრუმენტი, რომელიც დაეხმარებოდა ექიმებს, რომლებსაც არ შეუძლიათ გაუმკლავდნენ მონაცემების ნაკადს, რომელიც ახასიათებს მიღებული პაციენტის მდგომარეობას. კიდევ ერთი მიზანი შეიძლება იყოს დიაგნოსტიკის გაუმჯობესება. მკვლევარმა თავისი დავალება გაართულა, რადგან მან გააანალიზა მხოლოდ იმ პაციენტების მონაცემები, რომლებიც უკვე გადაგზავნილი იყვნენ კარდიოლოგიურ განყოფილებაში. ბაკსტმა გამოიყენა მხოლოდ 20 პარამეტრი, მათ შორის ასაკი, სქესი, ტკივილის ლოკალიზაცია, ნიტროგლიცერინზე პასუხი, გულისრევა და ღებინება, ოფლიანობა, სინკოპე, სუნთქვის სიხშირე, გულისცემა, წინა გულის შეტევები, დიაბეტი, ჰიპერტენზია, საუღლე ვენების გადიდება ეკგ მახასიათებლები და მნიშვნელოვანი იშემიური ცვლილებების არსებობა.
ქსელი 92%-ით ზუსტი იყო მიოკარდიუმის ინფარქტის გამოვლენაში და მხოლოდ 4%-ს აწარმოებდა ცრუ სიგნალიზაციას, რაც შეცდომით ადასტურებდა პაციენტების ინფარქტის გარეშე გადამისამართებას კარდიოლოგიურ განყოფილებაში. ასე რომ, არსებობს ხელოვნური ნერვული ქსელების წარმატებული გამოყენების ფაქტი დაავადების დიაგნოზში. ახლა საჭიროა განვმარტოთ, რა პარამეტრებით ფასდება დიაგნოზის ხარისხი ზოგად შემთხვევაში. დავუშვათ, რომ ათი ადამიანიდან, ვისაც რეალურად აქვს გულის შეტევა, დიაგნოსტიკური მეთოდით დაავადების აღმოჩენა რვაში შეიძლება. მაშინ მეთოდის მგრძნობელობა იქნება 80%. თუ ავიღებთ ათ ადამიანს, რომლებსაც არ აქვთ ინფარქტი და დიაგნოსტიკური მეთოდი სამ ადამიანში ეჭვობს, მაშინ პროპორცია ცრუ სიგნალიზაციაიქნება 30%, ხოლო მისთვის დამატებითი მახასიათებელი - მეთოდის სპეციფიკა - 70%-ის ტოლი იქნება.
იდეალურ დიაგნოსტიკურ მეთოდს უნდა ჰქონდეს ასპროცენტიანი მგრძნობელობა და სპეციფიკა - ჯერ ერთი, არ გამოტოვოთ არც ერთი ნამდვილად ავადმყოფი და მეორეც, არ შეაშინოთ ჯანმრთელი ადამიანები. იმისათვის, რომ დაიზღვიოთ, შეგიძლიათ და უნდა სცადოთ უპირველეს ყოვლისა უზრუნველყოთ მეთოდის ასპროცენტიანი მგრძნობელობა - არ შეიძლება გამოტოვოთ დაავადება. მაგრამ ეს იწვევს, როგორც წესი, მეთოდის დაბალ სპეციფიკას - ბევრ ადამიანში ექიმები ეჭვობენ დაავადებებს, რომლებითაც პაციენტები რეალურად არ განიცდიან.
ნერვული ქსელები დიაგნოსტიკური ამოცანებისთვის
ნეირონული ქსელები არის არაწრფივი სისტემები, რომლებიც იძლევა მონაცემთა ბევრად უკეთ კლასიფიკაციის საშუალებას, ვიდრე ჩვეულებრივ გამოიყენება ხაზოვანი მეთოდები. სამედიცინო დიაგნოსტიკაზე გამოყენებისას ისინი შესაძლებელს ხდიან მნიშვნელოვნად გაზარდონ მეთოდის სპეციფიკა მისი მგრძნობელობის შემცირების გარეშე.
შეგახსენებთ, რომ გულის შეტევის დიაგნოსტირების ნერვული ქსელი მუშაობდა პარამეტრების დიდი ნაკრებით, რომელთა გავლენა ადამიანის დიაგნოზზე ვერ შეფასდება. მიუხედავად ამისა, ნერვულმა ქსელებმა შეძლეს გადაწყვეტილებების მიღება იმ ფარული შაბლონების საფუძველზე, რომლებიც მათ იდენტიფიცირებდნენ მრავალგანზომილებიან მონაცემებში. ნერვული ქსელების გამორჩეული თვისება ის არის, რომ ისინი არ არის დაპროგრამებული - ისინი არ იყენებენ რაიმე დასკვნის წესს დიაგნოზის დასადგენად, მაგრამ სწავლობენ ამის გაკეთებას მაგალითებით. ამ თვალსაზრისით, ნერვული ქსელები საერთოდ არ ჰგავს საექსპერტო სისტემებს, რომელთა განვითარება 70-იან წლებში მოხდა ხელოვნური ინტელექტის დროებითი „გამარჯვების“ შემდეგ მეხსიერების მოდელირების, შაბლონების ამოცნობისა და განზოგადების მიდგომაზე, რაც დაფუძნებულია კვლევაზე. ტვინის ნერვული ორგანიზაციის შესახებ.
განვითარებული საექსპერტო სისტემებიდან ერთ-ერთი ყველაზე ცნობილი, რომლის ფუნქციონირება ეფუძნებოდა ექსპერტებისგან მიღებულ ცოდნას და დასკვნის პროცედურების განხორციელებას, იყო MYCIN სისტემა. ეს სისტემა შეიქმნა სტენფორდში 70-იანი წლების დასაწყისში დიაგნოსტიკისთვის სეპტიური შოკი. პაციენტების ნახევარი მისგან გარდაიცვალა ერთი დღის განმავლობაში და ექიმებს სეფსისის აღმოჩენა მხოლოდ შემთხვევების 50%-ში შეეძლოთ. MYCIN, როგორც ჩანს, იყო ექსპერტი სისტემების ტექნოლოგიის ნამდვილი ტრიუმფი, რადგან მას შეეძლო სეფსისის გამოვლენა 100% შემთხვევაში. თუმცა, ამ საექსპერტო სისტემის უფრო ახლოს გაცნობის შემდეგ, ექიმები მნიშვნელოვნად გაუმჯობესდნენ ტრადიციული მეთოდებიდიაგნოსტიკა და MYCIN-მა დაკარგა მნიშვნელობა, გახდა საგანმანათლებლო სისტემა. საექსპერტო სისტემები „დადიოდნენ“ მხოლოდ კარდიოლოგიაში - ელექტროკარდიოგრამების ანალიზისთვის. კომპლექსური წესები, რომლებიც ქმნიან კლინიკური ეკგ ანალიზის წიგნების ძირითად შინაარსს, გამოიყენეს შესაბამისი სისტემები დიაგნოსტიკური დასკვნის გასაცემად.
დიაგნოსტიკა არის მოვლენის კლასიფიკაციის განსაკუთრებული შემთხვევა და ყველაზე ღირებული არის იმ მოვლენების კლასიფიკაცია, რომლებიც არ არის ნერვული ქსელის სასწავლო კომპლექტში. აქ ვლინდება ნერვული ქსელის ტექნოლოგიების უპირატესობა - მათ შეუძლიათ განახორციელონ ასეთი კლასიფიკაცია, განაზოგადონ წინა გამოცდილება და გამოიყენონ იგი ახალ შემთხვევებში.
სპეციფიკური სისტემები
დიაგნოსტიკური პროგრამის მაგალითია კარდიოდიაგნოსტიკური პაკეტი, რომელიც შემუშავებულია RES Informatica-ს მიერ მილანის კარდიოლოგიის კვლევის ცენტრთან ერთად. პროგრამა იძლევა არაინვაზიურ კარდიოდიაგნოსტიკას ტაქოგრამის სპექტრის ამოცნობის საფუძველზე. ტაქოგრამა არის თანმიმდევრული გულისცემას შორის ინტერვალების ჰისტოგრამა და მისი სპექტრი ასახავს ადამიანის სიმპათიკური და პარასიმპათიკური ნერვული სისტემის აქტივობების ბალანსს, რომელიც კონკრეტულად იცვლება სხვადასხვა დაავადებებში.
ასეა თუ ისე, უკვე შეიძლება ითქვას, რომ ნერვული ქსელები იქცევა კარდიოდიაგნოსტიკის ინსტრუმენტად - მაგალითად, ინგლისში მათ ოთხ საავადმყოფოში იყენებენ მიოკარდიუმის ინფარქტის თავიდან ასაცილებლად.
მედიცინაში ასევე გამოიყენება ნერვული ქსელების კიდევ ერთი თვისება - დროებითი მიმდევრობების პროგნოზირების უნარი. უკვე აღინიშნა, რომ საექსპერტო სისტემებმა წარმატებას მიაღწიეს ეკგ ანალიზში. აქ ასევე სასარგებლოა ნერვული ქსელები. კი ჟენჰუმ, იუ ჰენუმ და უილის ტომპკინსმა ვისკონსინის უნივერსიტეტიდან შეიმუშავეს ელექტროკარდიოგრამების ნერვული ქსელის ფილტრაციის სისტემა, რომელსაც შეუძლია თრგუნოს არაწრფივი და არასტაციონარული ხმაური ბევრად უკეთ, ვიდრე ადრე გამოყენებული მეთოდები. ფაქტია, რომ ნერვული ქსელი კარგად იწინასწარმეტყველა ხმაური თავისი მნიშვნელობებით დროის წინა მომენტებში. და ის ფაქტი, რომ ნერვული ქსელები ძალიან ეფექტურია დროის მიმდევრობების პროგნოზირებისთვის (როგორიცაა გაცვლითი კურსი ან აქციების ფასი) დამაჯერებლად აჩვენა სანტა ფეს უნივერსიტეტის მიერ ჩატარებული პროგნოზირების პროგრამების კონკურსის შედეგები - ნეირონულმა ქსელებმა პირველი ადგილი დაიკავა და დომინირებს შორის. საუკეთესო მეთოდები.
ნერვული ქსელების გამოყენების შესაძლებლობები
ეკგ არის კერძო, თუმცა ძალიან მნიშვნელოვანი აპლიკაცია. თუმცა, დღეს ბევრი სხვა მაგალითია ნეირონული ქსელების სამედიცინო პროგნოზირებისთვის გამოყენების შესახებ. ცნობილია, რომ კარდიოქირურგიის განყოფილებებში ხანგრძლივი რიგები (კვირებიდან თვეებამდე) გამოწვეულია ინტენსიური თერაპიის განყოფილებების სიმცირით. მათი რაოდენობის გაზრდა რეანიმაციული მოვლის მაღალი ღირებულების გამო ვერ ხერხდება (ამ განყოფილებაში სიცოცხლის ბოლო 2 კვირაში ამერიკელები ხარჯავენ თანხების 70%-ს).
ერთადერთი გამოსავალი არის არსებული სახსრების უფრო ეფექტურად გამოყენება. დავუშვათ, რომ გარკვეულ დღეს ოპერაციული პაციენტების მდგომარეობა იმდენად მძიმეა, რომ მათ სჭირდებათ ინტენსიური თერაპიის განყოფილებაში ხანგრძლივი ყოფნა (ორ დღეზე მეტი). მთელი ამ ხნის განმავლობაში ქირურგები უსაქმურები იქნებიან, რადგან ახლად ოპერაციულ პაციენტებს არსად მოათავსებენ. მიზანშეწონილია მძიმედ დაავადებული პაციენტების ოპერაცია შაბათ-კვირამდე ან არდადეგებამდე - ამ დღეებში საოპერაციო ოთახები კვლავ დაკეტილია, ქირურგები დაისვენებენ, პაციენტები კი რეანიმაციაში გამოჯანმრთელდებიან. მაგრამ სამუშაო კვირის დასაწყისში უმჯობესია იმ პაციენტებს გაუკეთოთ ოპერაცია, რომლებსაც მხოლოდ ერთი ან ორი დღე დასჭირდებათ ინტენსიური თერაპიის განყოფილებაში ყოფნა. შემდეგ ინტენსიური თერაპიის განყოფილებაში საწოლები უფრო სწრაფად გათავისუფლდება და სამშაბათს და ოთხშაბათს ოპერაციულ ახალ პაციენტებს მიიღებს.
საკითხავია, როგორ გამოვიცნოთ, ოპერაციის შემდეგ ვის მოუწევს ინტენსიური თერაპიის განყოფილებაში დარჩენა და ვის არა. ჯეკ ტუმ და მაიკლ გუერიემ ტორონტოს უნივერსიტეტის წმინდა მაიკლის საავადმყოფოში გამოიყენეს ნერვული ქსელები ამ პროგნოზის გასაკეთებლად. თავდაპირველ მონაცემად აიღეს მხოლოდ ის ინფორმაცია პაციენტის შესახებ, რომელიც ცნობილია წინასაოპერაციო პერიოდში. გაითვალისწინეთ, რომ წინა სამუშაოებში, რომლებიც არ იყენებენ ნერვულ ქსელებს, როგორც ფაქტორებს გაზრდილი რისკიინტენსიური თერაპიის განყოფილებაში ყოფნისას ასევე გამოყენებული იქნა მნიშვნელოვანი პოსტოპერაციული ინფორმაცია - სხვადასხვა გართულებები, რომლებიც წარმოიშვა ქირურგიული ჩარევის დროს.
ტუ და გერირმა გაწვრთნეს ორფენიანი პერცეტრონი, რათა დაყოს პაციენტები სამ რისკ ჯგუფად, მათი ასაკის, სქესის გათვალისწინებით, ფუნქციური მდგომარეობამარცხენა პარკუჭი, მომავალი ოპერაციის სირთულის ხარისხი და არსებობა თანმხლები დაავადებები. იმ პაციენტებიდან, რომლებიც ქსელმა გამოავლინა, როგორც ინტენსიური თერაპიის შეფერხების დაბალი რისკის ქვეშ, მხოლოდ 16.3%-მა გაატარა ინტენსიური თერაპიის ორ დღეზე მეტი. ამავდროულად, ქსელის მიერ მაღალი რისკის მქონე პირთა 60%-ზე მეტი აკმაყოფილებდა არასახარბიელო პროგნოზს.
კიბოს წინააღმდეგ ბრძოლა
გადავიხადეთ Განსაკუთრებული ყურადღება გულ-სისხლძარღვთა დაავადებები, რადგან სწორედ მათ უჭირავთ სევდიანი ლიდერობა სიკვდილის მიზეზთა სიაში. მეორე ადგილზეა ონკოლოგიური დაავადებები. ერთ-ერთი მთავარი სფერო, რომელშიც ამჟამად მიმდინარეობს მუშაობა ნერვული ქსელების გამოყენებაზე, არის ძუძუს კიბოს დიაგნოზი. ეს დაავადება ყოველი მეცხრე ქალის სიკვდილის მიზეზია.
სიმსივნის გამოვლენა ტარდება სარძევე ჯირკვლის პირველადი რენტგენოლოგიური ანალიზის (მამოგრაფიის) და სიმსივნური ქსოვილის ნაწილის შემდგომი ანალიზის დროს (ბიოფსია). კეთილთვისებიანი და ავთვისებიანი ნეოპლაზმების დიფერენცირების ზოგადი წესების არსებობის მიუხედავად, მამოგრაფიის მიხედვით, შემდგომი ქირურგიული ბიოფსიის შედეგების მხოლოდ 10-დან 20%-მდე ნამდვილად ადასტურებს სარძევე ჯირკვლის კიბოს არსებობას. ისევ და ისევ, საქმე გვაქვს მეთოდის უკიდურესად დაბალი სპეციფიკის შემთხვევასთან.
დიუკის უნივერსიტეტის მკვლევარებმა მოამზადეს ნერვული ქსელი მამოგრაფიის ამოსაცნობად ავთვისებიანი ქსოვილიდაფუძნებული რვა მახასიათებლის საფუძველზე, რომელსაც ჩვეულებრივ განიხილავენ რადიოლოგები. აღმოჩნდა, რომ ქსელს შეუძლია პრობლემის გადაჭრა დაახლოებით 100%-იანი სენსიტიურობით და 59%-იანი სპეციფიკით (რადიოლოგების 10-20%-თან შედარებით). რამდენი ქალიდან კეთილთვისებიანი სიმსივნეებითქვენ შეგიძლიათ თავიდან აიცილოთ ბიოფსიის აღებასთან დაკავშირებული სტრესი, თუ იყენებთ ამ ნერვულ ქსელს! მაიოს კლინიკაში (მინესოტა) ნერვულმა ქსელმა გააანალიზა მკერდის ულტრაბგერითი შედეგები და მისცა სპეციფიკა 40%, ხოლო იგივე ქალებისთვის რენტგენოლოგების დასკვნის სპეციფიკა ნულის ტოლი აღმოჩნდა. განა ასე არ არის, რომ ნერვული ქსელის ტექნოლოგიების გამოყენების წარმატება სულაც არ გამოიყურება შემთხვევითი?
სარძევე ჯირკვლის კიბოს მკურნალობის შემდეგ შესაძლებელია სიმსივნის რეციდივი. ნერვული ქსელები უკვე გვეხმარება მათ ეფექტურად პროგნოზირებაში. მსგავსი კვლევა ტარდება ტეხასის უნივერსიტეტის სამედიცინო სკოლაში. გაწვრთნილმა ქსელებმა აჩვენეს თავიანთი უნარი იდენტიფიცირება და გაითვალისწინონ პროგნოზირებადი ცვლადების ძალიან რთული ურთიერთობები, კერძოდ, მათი სამმაგი ურთიერთობები პროგნოზირების უნარის გასაუმჯობესებლად.
მედიცინაში ნერვული ქსელების გამოყენების შესაძლებლობები მრავალფეროვანია და მათი არქიტექტურა მრავალფეროვანია. დაავადების ამა თუ იმ მეთოდით მკურნალობის გრძელვადიანი შედეგების პროგნოზიდან გამომდინარე, უპირატესობა შეიძლება მიენიჭოს რომელიმე მათგანს. საკვერცხის კიბოს (ყოველი სამოცდამეათე ქალის დაავადება) მკურნალობის პროგნოზის მნიშვნელოვან შედეგს მიაღწია ცნობილმა ჰოლანდიელმა სპეციალისტმა ჰერბერტ კაპენმა ნიმეგენის უნივერსიტეტიდან (ის თავის ნაშრომში იყენებს არა მრავალშრიანი პერცეპტრონებს, არამედ ე.წ. ბოლცმანს. მანქანები - ნეირონული ქსელები ალბათობების შესაფასებლად).
აქ არის სხვა ტიპის კიბოს მაგალითი. მკვლევარები სამედიცინო სკოლაკაგავაში (იაპონია) მოამზადა ნერვული ქსელი, რომელიც თითქმის ზუსტად იწინასწარმეტყველებდა ღვიძლის რეზექციის შედეგებს ჰეპატოცელულარული კარცინომის მქონე პაციენტებში პრეოპერაციული მონაცემების საფუძველზე.
ტროიცკის ინოვაციებისა და შერწყმის კვლევის ინსტიტუტში (TRINITI), მეცნიერების სამინისტროს მიერ განხორციელებული ნერვული ქსელის საკონსულტაციო სისტემების შექმნის პროექტის ფარგლებში, შემუშავდა ნერვული ქსელის პროგრამა, რომელიც ირჩევს ბაზალურუჯრედოვანი კანის კიბოს (ბასალიომა) მკურნალობის მეთოდს. ) რეციდივის გრძელვადიანი პროგნოზის საფუძველზე. ბასალიომის - თხელი კანის მქონე თეთრკანიანთა ონკოლოგიური დაავადების შემთხვევების რაოდენობა შეადგენს ყველა ონკოლოგიური დაავადების მესამედს.
მელანომის ერთ-ერთი ფორმის - სიმსივნის დიაგნოსტიკა, რომელიც ზოგჯერ რთულია ბასალიომის პიგმენტური ფორმისგან გარჩევა, განხორციელდა Multineuron ნერვული ქსელის სიმულატორის გამოყენებით, რომელიც შემუშავებულია კრასნოიარსკის SOAN-ის გამოთვლით ცენტრში A.N. გორბანის ხელმძღვანელობით.
ნეირონული ქსელები ასევე შეიძლება გამოყენებულ იქნეს განვითარების პროცესში მყოფი სხვადასხვა მკურნალობის ეფექტის პროგნოზირებისთვის. ისინი უკვე წარმატებით გამოიყენეს ქიმიაში ნაერთების თვისებების პროგნოზირებისთვის მათი მოლეკულური სტრუქტურის საფუძველზე. აშშ-ის კიბოს ეროვნული ინსტიტუტის მკვლევარებმა გამოიყენეს ნერვული ქსელები კიბოს ქიმიოთერაპიაში გამოყენებული წამლების მოქმედების მექანიზმის პროგნოზირებისთვის. გაითვალისწინეთ, რომ არსებობს მილიონობით სხვადასხვა მოლეკულა, რომლებიც უნდა იქნას გამოკვლეული მათი კიბოს საწინააღმდეგო აქტივობისთვის. კიბოს ინსტიტუტის სპეციალისტებმა ცნობილი ონკოლოგიური პრეპარატები ექვს ჯგუფად დაყვეს მათი მოქმედების მექანიზმის მიხედვით კიბოს უჯრედებიდა გაწვრთნილი მრავალშრიანი ქსელები ახალი ნივთიერებების კლასიფიკაციისა და მათი ეფექტის ამოცნობისთვის. საწყის მონაცემად გამოყენებული იქნა სხვადასხვა სიმსივნეებიდან უჯრედების ზრდის ჩახშობის ექსპერიმენტების შედეგები. ნერვული ქსელის კლასიფიკაცია საშუალებას გაძლევთ განსაზღვროთ ასობით ყოველდღიურად შემოწმებული მოლეკულიდან რომელი ღირს შემდგომი შესწავლა ძალიან ძვირი in vitro და in vivo ექსპერიმენტებში. მსგავსი პრობლემის გადასაჭრელად გამოიყენეს Kohonen ქსელებიც. ამ უკონტროლო, თვითორგანიზებულმა ნერვულმა ქსელებმა დაარღვია ნივთიერებები კლასტერების უცნობ რაოდენობაში და, შესაბამისად, მკვლევარებს საშუალება მისცეს ამოეცნობინათ ნივთიერებები მოქმედების ახალი ციტოტოქსიური მექანიზმებით.
ნეიროსისტემები, გენეტიკა და მოლეკულები
ონკოლოგიური დაავადებების დიაგნოსტიკა და მკურნალობა, ისევე როგორც ახალი მედიკამენტების შემუშავება, უდავოდ წარმოადგენს ნერვული ქსელის ტექნოლოგიების გამოყენების უმნიშვნელოვანეს სფეროს. თუმცა, ბოლო დროს მკვლევარებსა და ექიმებს შორის გაიზარდა ცნობიერება, რომ მომავალი მიღწევები მჭიდროდ უნდა იყოს დაკავშირებული დაავადების მოლეკულური და გენეტიკური მიზეზების შესწავლასთან.
შემთხვევითი არ არის, რომ 1997 წლის აპრილში ჯანდაცვის ეროვნული ინსტიტუტის (აშშ) ექსპერტებმა გააკეთეს რეკომენდაციები გამომწვევი მიზეზების იდენტიფიცირებასთან დაკავშირებული კვლევების გასაძლიერებლად. კიბოს გამომწვევიდა განვითარებული მოვლენები, რომლებიც მიმართულია დაავადების პრევენციაზე. დიდი ხნის განმავლობაში, ნერვული ქსელები აქტიურად გამოიყენება გენომიური დნმ-ის თანმიმდევრობების ანალიზში, კერძოდ, პრომოტორების - რეგიონების ამოცნობისთვის, რომლებიც წინ უსწრებენ გენებს და აკავშირებენ რნმ პოლიმერაზას ცილას, რომელიც იწყებს ტრანსკრიფციას. ისინი გამოიყენება დნმ-ის კოდირებისა და არაკოდირების რეგიონების (ეგზონებისა და ინტრონების) დიფერენცირებისთვის და ცილების სტრუქტურის პროგნოზირებისთვის.
1996 წელს გაკეთდა სენსაციური აღმოჩენა, რომელმაც დააკავშირა მოლეკულური გენეტიკის ფუნდამენტური კვლევები ყველაზე გავრცელებული ონკოლოგიური დაავადების - ბაზალურუჯრედოვანი კანის კიბოს პათოგენეზისა და მკურნალობის პრობლემასთან. მკვლევარებმა ადამიანის მეცხრე ქრომოსომაში აღმოაჩინეს გენი (PTC), მუტაციები, რომლებშიც, p53 გენისგან განსხვავებით, გამოწვეულია ულტრაიისფერი გამოსხივების ზემოქმედებით და წარმოადგენს სიმსივნის განვითარების მიზეზს. აღმოჩენის გასაღები იყო ეგრეთ წოდებული პაჩი გენის შესწავლა, ცვლილებები, რომლებშიც ასტიმულირებდა ბუზების განვითარების დეფექტებს და ის ფაქტი, რომ ბავშვებში, რომლებსაც ასევე აქვთ განვითარების დეფექტები. ძვლოვანი ქსოვილი(ბაზალური ნევუსის სინდრომი), ხშირად გვხვდება მრავლობითი ბაზალიომა.
ახლა გენეტიკოსები და ექიმები იმედოვნებენ, რომ იპოვიან ბაზალიომის წამლის მკურნალობას ან გამოიყენებენ გენური ქირურგიის მეთოდებს და ჩაანაცვლებენ მკურნალობის ისეთ უმოწყალო მეთოდებს, როგორიცაა ჩვეულებრივი ლაზერი, რენტგენი და კრიოქირურგია. შეიძლება თუ არა ნერვული ქსელები სასარგებლო იყოს ამ კვლევებისთვის? კერძოდ, შეიძლება თუ არა მათი გამოყენება კონკრეტული მუტაციის შესაძლო ზემოქმედების შესაფასებლად შესაბამისი ცილების თვისებების ცვლილებაზე ან მისი პროგნოზული მნიშვნელობის შესაფასებლად, ვთქვათ, ძუძუს კიბოს რეციდივის განვითარებისთვის?
ეს რომ გაკეთდეს, მაშინ ნერვული ქსელები მნიშვნელოვნად შეამცირებს მოლეკულური ბიოლოგების ძიების არეალს, რომლებიც ხშირად ატარებენ ძალიან ძვირადღირებულ ექსპერიმენტებს დნმ-ის მოლეკულაში მუტაციების როლის შესაფასებლად. შეგახსენებთ, რომ უჯრედების უკონტროლო ზრდა და გაყოფა იწვევს ავთვისებიანი სიმსივნეების განვითარებას. ადამიანის გენომში, რომელიც შეიცავს ინფორმაციას ორგანიზმში წარმოქმნილი ყველა ცილის შესახებ, დაახლოებით სამი მილიარდი ნუკლეოტიდია. მაგრამ მათგან მხოლოდ 2-3% რეალურად კოდირებს ცილებს - დანარჩენი სჭირდება დნმ-ს, რათა შეინარჩუნოს სწორი სტრუქტურა, რეპლიკაცია და სხვა.
გენომიურ დნმ-ის თანმიმდევრობებში შეიძლება უხეშად გამოიყოს სამი კომპონენტი: პირველი შეიცავს იდენტური ფრაგმენტების მრავალ ასლს (სატელიტური დნმ); მეორე შეიცავს ზომიერად განმეორებად თანმიმდევრობებს, რომლებიც მიმოფანტულია გენომში; ხოლო მესამეში _ უნიკალური დნმ. თანამგზავრის დნმ-ში სხვადასხვა ასლები არათანაბრად არის წარმოდგენილი - მათი რიცხვი ასობით მილიონამდე მერყეობს. ამიტომ, ისინი ჩვეულებრივ იყოფა მინი და მიკროსატელიტებად.
აღსანიშნავია, რომ მიკროსატელიტების განაწილება გენომზე იმდენად სპეციფიკურია, რომ მისი გამოყენება შესაძლებელია ადამიანის თითის ანაბეჭდის ანალოგად. ასევე ითვლება, რომ ეს განაწილება ასევე შეიძლება გამოყენებულ იქნას სხვადასხვა დაავადების დიაგნოსტირებისთვის.
ფარული ფორმით, ნუკლეოტიდური თანმიმდევრობების გამეორება მნიშვნელოვან როლს ასრულებს უნიკალურ დნმ-ის თანმიმდევრობებში. ფრენსის კრიკის ჰიპოთეზის მიხედვით, დნმ-ის ევოლუცია იწყება კვაზი-პერიოდული სტრუქტურებიდან და თუ ჩვენ შევძლებთ ფარული გამეორებების პოვნას, გავარკვევთ, სად მოხდა ევოლუციის განმსაზღვრელი მუტაციები, რაც ნიშნავს, რომ ჩვენ ვიპოვით როგორც უძველეს, ისე მნიშვნელოვან ადგილს. რომელი მუტაციებია ყველაზე საშიში. ფარული გამეორებების განაწილება ასევე მჭიდრო კავშირშია შესაბამისი თანმიმდევრობით კოდირებული ცილების სტრუქტურასა და ფუნქციასთან.
TRINITY-მ შეიმუშავა სისტემა, რომელშიც ჰოპფილდის ნერვული ქსელის მოდიფიკაციები გამოიყენება ფარული გამეორებების მოსაძებნად და მუტაციების როლის შესაფასებლად დნმ-ის თანმიმდევრობებში. ვიმედოვნებთ, რომ ეს მიდგომა შეიძლება გამოყენებულ იქნას განზოგადებისთვის სპექტრალური ანალიზიმონაცემთა თანმიმდევრობა ძალიან ზოგადი ხედიმაგალითად, ელექტროკარდიოგრამების ანალიზისთვის.
ნერვული ქსელები დადიან პლანეტაზე
კვლევითი ჯგუფების გეოგრაფია, რომლებიც იყენებენ ნერვულ ქსელებს სამედიცინო აპლიკაციების შესამუშავებლად, ძალიან ფართოა. აშშ-ზე არაფერია სათქმელი - მსგავსი კვლევები ყოველი შტატის უნივერსიტეტში ტარდება და მათი ძირითადი მიმართულება ძუძუს კიბოა. რატომ არის უნივერსიტეტები - ამას სამხედრო აკადემიებიც აკეთებენ. ჩეხეთში ჟირი შიმამ შეიმუშავა ნერვული ქსელების მომზადების თეორია, რომელსაც შეუძლია ეფექტურად იმუშაოს ე.წ. აპლიკაციები. ჩინეთში, ატომური ენერგიის ინსტიტუტის მკვლევარებმა მოამზადეს ნერვული ქსელი, რათა განასხვავოს საყლაპავის ეპითელიუმის მსუბუქი და მძიმე დაავადებების მქონე პაციენტები და საყლაპავის კიბოს მქონე პაციენტები ფრჩხილების ელემენტარული ანალიზის საფუძველზე.
რუსეთში SINP MSU იყენებს ნერვულ ქსელებს სმენის ორგანოების დაავადებების გასაანალიზებლად.
საბოლოოდ, ავსტრალიაში ჯორჯ კრისტმა გამოიყენა ნერვული ქსელის თეორია მიზეზების შესახებ პირველი ჰიპოთეზის შესაქმნელად იდუმალი სინდრომი უეცარი სიკვდილიახალშობილები.
***
რა თქმა უნდა, სტატიაში მოცემულია მედიცინაში ხელოვნური ნერვული ქსელის ტექნოლოგიების გამოყენების მაგალითების სრული ჩამონათვალი. განზე დარჩა ფსიქიატრია, ტრავმატოლოგია და სხვა სექციები, რომლებშიც ნეირონული ქსელები ცდილობდნენ დამხმარე დიაგნოსტიკისა და კლინიკის როლს. რა თქმა უნდა, ყველა არ გამოიყურება ვარდისფერი ახალი კომპიუტერული ტექნოლოგიებისა და ჯანდაცვის ალიანსში. ნერვული ქსელის პროგრამები ზოგჯერ ძალიან ძვირია კლინიკაში ფართო განხორციელებისთვის (ათასიდან ათეულ ათასობით დოლარამდე) და ექიმები საკმაოდ სკეპტიკურად არიან განწყობილნი ნებისმიერი კომპიუტერული ინოვაციის მიმართ. ნერვული ქსელის მიერ გაცემულ დასკვნას უნდა ახლდეს მისაღები განმარტებები ან კომენტარები.
მაგრამ ჯერ კიდევ არსებობს ოპტიმიზმის საფუძველი. ნერვული ქსელის ტექნოლოგიების დაუფლება და გამოყენება ბევრად უფრო ადვილია, ვიდრე სწავლა მათემატიკური სტატისტიკაან ბუნდოვანი ლოგიკა. ნერვული ქსელის შესაქმნელად სამედიცინო სისტემაამას თვეები სჭირდება და არა წლები. დიახ, და პარამეტრები ძალიან გამამხნევებელია - კიდევ ერთხელ გავიხსენოთ დიაგნოსტიკის მაღალი სპეციფიკა.
თანამშრომლობის კიდევ ერთი იმედი არის სიტყვა "ნეირონი". მიუხედავად ამისა, ექიმებისთვის ეს ასე კარგად არის ცნობილი ...
ალექსანდრე ეჟოვი, ვლადიმერ ჩეჩეტკინი - ინოვაციებისა და შერწყმის კვლევის ინსტიტუტი (ტროიცკი).
მედიცინაში ნეიროტექნოლოგიის გამოყენების შესახებ პუბლიკაციების ზუსტი შეფასება რთულია. თუმცა, თუ 1988-89 წლებში სულ რამდენიმე იყო, 1995 წლიდან ყოველწლიურად ასეულები ჩნდება. შემდეგი მისამართები შეიძლება იყოს სასარგებლო:
არამედ უფრო მნიშვნელოვანი ამოცანების გადაჭრაც – მაგალითად, ახალი წამლების ძიება. Village-მა მიმართა ექსპერტებს, რათა გაერკვია, რა მახასიათებლები აქვს ტექნოლოგიას და როგორ იყენებენ მას შიდა კომპანიები და უნივერსიტეტები.
რა არის ნერვული ქსელები?
იმის გაგება, თუ რა ადგილი უჭირავს ნერვულ ქსელებს მსოფლიოში ხელოვნური ინტელექტიდა როგორ უკავშირდება ისინი ინტელექტუალური სისტემების შექმნის სხვა ტექნოლოგიებს, დავიწყოთ განმარტებებით.
Ნეირონული ქსელები- მანქანათმცოდნეობის ერთ-ერთი მეთოდი, რომლის საფუძვლები წარმოიშვა 1943 წელს, ჯერ კიდევ ტერმინის "ხელოვნური ინტელექტის" გამოჩენამდე. ისინი მათემატიკური მოდელია, რომელიც დისტანციურად წააგავს ცხოველთა ნერვული სისტემის მუშაობას.
ინოპოლისის უნივერსიტეტის უფროსი მკვლევარის, სტანისლავ პროტასოვის თქმით, მათემატიკოს იან ლეკუნის მიერ გამოგონილი კონვოლუციური ნერვული ქსელები ადამიანის ტვინის უახლოესი ანალოგია. "ისინი მრავალი აპლიკაციის გულშია, რომლებიც აცხადებენ, რომ ხელოვნური ინტელექტია, როგორიცაა FindFace ან Prisma", - აღნიშნავს ის.
მანქანათმცოდნეობა- ხელოვნური ინტელექტის ქვეგანყოფილება მათემატიკისა და კომპიუტერული მეცნიერების კვეთაზე. ის სწავლობს სწავლის პრინციპზე დაფუძნებული მოდელების და ალგორითმების აგების მეთოდებს. მანქანა აანალიზებს მასზე მიწოდებულ მაგალითებს, ხაზს უსვამს შაბლონებს, აზოგადებს მათ და აშენებს წესებს, რომლებიც გადაჭრის სხვადასხვა პრობლემას - მაგალითად, მოვლენების მომავალი განვითარების პროგნოზირებას ან სურათების, ტექსტისა და მეტყველების ამოცნობას და გენერირებას. ნერვული ქსელების გარდა, აქ ასევე გამოიყენება ხაზოვანი რეგრესიის მეთოდები, გადაწყვეტილების ხეები და სხვა მიდგომები.
Ხელოვნური ინტელექტი- კომპიუტერული მეცნიერების განყოფილება მანქანებისთვის ტექნოლოგიური საშუალებების შექმნის შესახებ დავალებების შესასრულებლად, რომლებიც ადრე ითვლებოდა ექსკლუზიურად ადამიანის პრეროგატივად, აგრეთვე ასეთი მოვლენების აღნიშვნა. მიმართულება ოფიციალურად ჩამოყალიბდა 1956 წელს.
ალექსანდრე კრაინოვი
რას შეიძლება ეწოდოს ხელოვნური ინტელექტი და რას არა, შეთანხმების საკითხია. ზოგადად, კაცობრიობას არ მიუღწევია ცალსახა ფორმულირებამდე, თუ რა არის ინტელექტი ზოგადად, რომ აღარაფერი ვთქვათ ხელოვნურზე. მაგრამ თუ შევაჯამებთ იმას, რაც ხდება, მაშინ შეგვიძლია ვთქვათ, რომ ხელოვნური ინტელექტი არის ღრმა ნერვული ქსელები, რომლებიც აგვარებენ რთულ პრობლემებს პიროვნების დონესთან მიახლოებულ დონეზე და გარკვეულწილად თვითსწავლებას. ამავდროულად, აქ თვითსწავლა ნიშნავს ნედლი მონაცემებიდან სასარგებლო სიგნალის დამოუკიდებლად ამოღების შესაძლებლობას.
როგორია ინდუსტრიის ამჟამინდელი მდგომარეობა?
გარტნერის, ანალიტიკური სააგენტოს თანახმად, მანქანური სწავლება ახლა გაბერილი მოლოდინების პიკზეა. ამ ეტაპისთვის დამახასიათებელია ირგვლივ მღელვარება ახალი ტექნოლოგიაიწვევს ზედმეტ ენთუზიაზმს, რომელიც გადაიქცევა ყველგან მისი გამოყენების წარუმატებელ მცდელობებში. ვარაუდობენ, რომ ილუზიებისგან თავის დასაღწევად ინდუსტრიას ორიდან ხუთ წლამდე დასჭირდება. რუსი ექსპერტების აზრით, ნერვულ ქსელებს მალე მოუწევთ სიძლიერის ტესტის გავლა.
სერგეი ნეგოდიაევი
პორტფელის მენეჯერი, ინტერნეტ ინიციატივების განვითარების ფონდი
მიუხედავად იმისა, რომ მეცნიერები 70 წლის განმავლობაში აყალიბებდნენ და ავითარებდნენ ნერვულ ქსელებს, ამ ტექნოლოგიის განვითარებაში ორი გარდამტეხი მომენტია. პირველი იყო 2007 წელს, როდესაც ტორონტოს უნივერსიტეტმა შექმნა ღრმა სწავლის ალგორითმები მრავალშრიანი ნერვული ქსელებისთვის. მეორე მომენტი, რომელმაც ამჟამინდელი ბუმი გამოიწვია, იყო 2012 წელი, როდესაც იმავე უნივერსიტეტის მკვლევარებმა გამოიყენეს ღრმა ნერვული ქსელები და გაიმარჯვეს ImageNet კონკურსში, ისწავლეს ობიექტების ამოცნობა ფოტოებსა და ვიდეოებში მინიმალური შეცდომით.
ახლა არის საკმარისი კომპიუტერის ენერგია ნერვულ ქსელებზე დაფუძნებული ამოცანების უმეტესი ნაწილის გადასაჭრელად, თუ არა რომელიმე. ახლა მთავარი დაბრკოლება არის ეტიკეტირებული მონაცემების ნაკლებობა. შედარებით რომ ვთქვათ, იმისთვის, რომ სისტემამ ისწავლოს მზის ჩასვლის ამოცნობა ვიდეოში ან ფოტოში, მას სჭირდება მზის ჩასვლის მილიონი სურათის მიწოდება, ზუსტად მიუთითებს, თუ სად არის ის ჩარჩოში. მაგალითად, როდესაც ატვირთავთ ფოტოს ფეისბუქზე, თქვენი მეგობრები მას აღიარებენ, როგორც კატას ჩასვლის მზის სხივებში და სოციალური ქსელი ხედავს მასში ეტიკეტების კომპლექტს: „ცხოველი“, „კატა“, „ხის“, "სართული", "საღამო", "ნარინჯისფერი". ვისაც მეტი სასწავლო მონაცემი ექნება, ექნება ნერვული ქსელი, რომელიც უფრო ჭკვიანი იქნება.
ანდრეი კალინინი
Poisk Mail.Ru-ს ხელმძღვანელი
ნერვულ ქსელზე დაფუძნებული გასართობი აპლიკაციები, როგორიცაა ჩვენი Artisto ან Vinci, მხოლოდ აისბერგის მწვერვალია და შესანიშნავი გზაა მათი შესაძლებლობების ფართო აუდიტორიისთვის წარმოჩენისთვის. სინამდვილეში, ნერვულ ქსელებს შეუძლიათ მრავალი რთული პრობლემის გადაჭრა. ახლა ყველაზე "ცხელი" სფეროა ავტოპილოტები, ხმოვანი ასისტენტები, ჩეთ-ბოტები და მედიცინა.
ალექსანდრე კრაინოვი
Yandex-ის კომპიუტერული ხედვის სამსახურის უფროსი
შეიძლება ითქვას, რომ ნერვული ქსელების ბუმი უკვე მოვიდა, მაგრამ პიკს ჯერ არ მიუღწევია. შემდგომში ეს მხოლოდ უფრო საინტერესო იქნება. დღეს ყველაზე პერსპექტიული სფეროებია, ალბათ, კომპიუტერული ხედვა, დიალოგის სისტემები, ტექსტის ანალიზი, რობოტიკა, უპილოტო მანქანები და შინაარსის გენერაცია - ტექსტები, სურათები, მუსიკა.
პერსპექტიული სფეროები ნერვული ქსელების განხორციელებისთვის
ტრანსპორტი
რობოტები
ბიოტექნოლოგია
სოფლის მეურნეობა
ნივთების ინტერნეტი
მედია და გართობა
ლინგვისტიკა
Უსაფრთხოება
ვლად შერშულსკი
Microsoft-ის ტექნოლოგიური თანამშრომლობის პროგრამების დირექტორი რუსეთში
ნერვული რევოლუცია დღეს უკვე მოხდა. ზოგჯერ ძნელია მხატვრული ლიტერატურის გარჩევა რეალობისგან. წარმოიდგინეთ ავტომატური კომბაინი მრავალი კამერით. წუთში იღებს 5 ათას სურათს და ნერვული ქსელის საშუალებით აანალიზებს, სარეველა მის წინ არის თუ მავნებლებით დაავადებული მცენარე, რის შემდეგაც წყვეტს რა გააკეთოს შემდეგ. ფიქცია? ნამდვილად აღარ.
ბორის ვოლფსონი
Headhunter განვითარების დირექტორი
არის გარკვეული აჟიოტაჟი ნერვული ქსელების გარშემო და, ჩემი აზრით, ცოტა მაღალი მოლოდინი. ჩვენ გავივლით იმედგაცრუების პერიოდს, სანამ ვისწავლით როგორ გამოვიყენოთ ისინი ეფექტურად. მრავალი გარღვევის კვლევის შედეგი ჯერ კიდევ არ არის ძალიან გამოყენებადი ბიზნესში. პრაქტიკაში, ხშირად უფრო გონივრულია მანქანური სწავლის სხვა მეთოდების გამოყენება - მაგალითად, გადაწყვეტილების ხეებზე დაფუძნებული სხვადასხვა ალგორითმები. ეს ალბათ არც ისე ამაღელვებელი ან ფუტურისტულად გამოიყურება, მაგრამ ეს მიდგომები ძალიან გავრცელებულია.
რას ასწავლის ნერვული ქსელები რუსეთში?
ბაზრის მონაწილეები თანხმდებიან, რომ ნერვული ქსელების მრავალი მიღწევა ჯერ კიდევ გამოიყენება მხოლოდ აკადემიურ სფეროში. მის საზღვრებს მიღმა, ტექნოლოგია ძირითადად გამოიყენება გასართობ აპლიკაციებში, რაც იწვევს თემისადმი ინტერესს. მიუხედავად ამისა, რუსი დეველოპერები ასწავლიან ნერვულ ქსელებს სოციალურად მნიშვნელოვანი და ბიზნეს პრობლემების გადაჭრას. მოდით უფრო ახლოს მივხედოთ ზოგიერთ სფეროს.
მეცნიერება და მედიცინა
Yandex მონაცემთა ანალიზის სკოლა მონაწილეობს CRAYFIS ექსპერიმენტში Skolkovo-ს, მოსკოვის ფიზიკისა და ტექნოლოგიების ინსტიტუტის, უმაღლესი ეკონომიკის სკოლისა და ამერიკული უნივერსიტეტების UCI-სა და NYU-ს წარმომადგენლებთან ერთად. მისი არსი არის სმარტფონების გამოყენებით ულტრამაღალი ენერგიის კოსმოსური ნაწილაკების ძიება. კამერებიდან მიღებული მონაცემები გადაეცემა აჩქარებულ ნერვულ ქსელებს, რომლებსაც შეუძლიათ სურათებში სუსტად ურთიერთქმედებული ნაწილაკების კვალი აღბეჭდონ.
ეს არ არის ერთადერთი საერთაშორისო ექსპერიმენტი, რომელშიც რუსი სპეციალისტები მონაწილეობენ. ინოპოლისის უნივერსიტეტის მეცნიერები მანუელ მაზარა და ლეონარდ ჯოჰარდი ჩართულნი არიან BioDynaMo პროექტში. Intel-ისა და CERN-ის მხარდაჭერით მათ სურთ შექმნან პროტოტიპი, რომელსაც შეუძლია ცერებრალური ქერქის სრულმასშტაბიანი სიმულაციის რეპროდუცირება. მისი დახმარებით იგეგმება ექსპერიმენტების ეფექტურობისა და ეკონომიურობის გაზრდა, რომლებიც საჭიროებენ ცოცხალი ადამიანის ტვინის არსებობას.
ინოპოლისის პროფესორი იაროსლავ ხოლდოვი მონაწილეობდა კომპიუტერული მოდელის შემუშავებაში, რომელსაც შეუძლია ათჯერ უფრო სწრაფად იწინასწარმეტყველოს ცილის ობლიგაციების წარმოქმნა. ამ ალგორითმის საშუალებით ვაქცინებისა და მედიკამენტების შემუშავება შეიძლება დაჩქარდეს. იმავე არეალში აღინიშნა დეველოპერები Mail.Ru Group, Insilico Medicine და MIPT. მათ გამოიყენეს გენერაციული საპირისპირო ქსელები, რომლებიც გაწვრთნილი იყვნენ მოლეკულური სტრუქტურების გამოგონებაზე, რათა ეძიათ ნივთიერებები, რომლებიც შეიძლება სასარგებლო იყოს დაავადებებში, დაწყებული კიბოდან გულ-სისხლძარღვთა დაავადებებამდე.
სილამაზე და ჯანმრთელობა
2015 წელს რუსულმა კომპანია Youth Laboratories-მა წამოიწყო სილამაზის პირველი საერთაშორისო კონკურსი Beauty.AI. მასში მონაწილეთა ფოტოები შეფასდა ნერვული ქსელებით. გამარჯვებულების გამოვლენისას მხედველობაში მიიღეს სქესი, ასაკი, ეროვნება, კანის ფერი, სახის სიმეტრია და მომხმარებლებში ნაოჭების არსებობა-არარსებობა. ამ უკანასკნელმა ფაქტორმა ასევე აიძულა ორგანიზატორები შეექმნათ RYNKL სერვისი, რომელიც საშუალებას გაძლევთ თვალყური ადევნოთ როგორ მოქმედებს დაბერება კანზე და როგორ ებრძვის მას სხვადასხვა წამლები.
ნერვული ქსელები ასევე გამოიყენება ტელემედიცინაში. რუსული კომპანია Mobile Medical Technologies, რომელიც მართავს ონლაინ დოქტორისა და პედიატრის 24/7 პროექტებს, ამოწმებს დიაგნოსტიკურ ბოტს, რომელიც გამოადგება როგორც პაციენტებს, ასევე ექიმებს. პირველი, ის გეტყვით, რომელ სპეციალისტს დაუკავშირდით გარკვეული სიმპტომების გამო, ხოლო მეორეში ის დაგეხმარებათ განსაზღვროთ, თუ კონკრეტულად რით არის დაავადებული სტუმარი.
ბიზნეს პროცესების ოპტიმიზაცია და რეკლამა
რუსულმა სტარტაპმა Leadza-მ მოახერხა ნერვული ქსელების გამოყენება ფეისბუკსა და ინსტაგრამზე რეკლამისთვის ბიუჯეტის უფრო ეფექტურად გამოყოფისთვის. ალგორითმი აანალიზებს წარსული კამპანიების შედეგებს, აყალიბებს ძირითადი მეტრიკის პროგნოზს და მათზე დაყრდნობით ავტომატურად გადაანაწილებს ხარჯებს, რათა ონლაინ მაღაზიებმა მიიღონ მეტი მომხმარებელი დაბალ ფასად.
GuaranaCam-ის გუნდმა გამოიყენა მანქანათმცოდნეობის ტექნოლოგიები პროდუქტებისა და სარეკლამო მასალების ოფლაინში განთავსების ეფექტურობის შესაფასებლად. სისტემა დაფუძნებულია Microsoft Azure ღრუბელზე და აანალიზებს მომხმარებლის ქცევას CCTV კამერების გამოყენებით. ბიზნესის მფლობელები იღებენ რეალურ დროში სავაჭრო სტატუსის ანგარიშს. პროექტი უკვე მიმდინარეობს მეგა ბელაია დაჩას სავაჭრო ცენტრში.
ბიზნესში ნერვული ქსელების გამოყენების წარმატებული შიდა მაგალითები ამით არ მთავრდება. LogistiX-მა, რომელიც 2006 წლიდან ახორციელებს ექსპერიმენტებს ხელოვნური ინტელექტის ტექნოლოგიებზე, შეიმუშავა საწყობის ოპტიმიზაციის სისტემა. ის დაფუძნებულია სასწავლო ნერვულ ქსელზე, რომელიც აანალიზებს ფიტნეს ტრეკერებიდან მიღებულ მონაცემებს თანამშრომლების შესახებ და გადაანაწილებს მათ შორის დატვირთვას. ახლა გუნდი ასწავლის ნერვულ ქსელებს განასხვავოს ქორწინება.
Belfingroup ჰოლდინგი კიდევ უფრო შორს წავიდა. მისმა „ასულმა“ BFG-soft-მა შექმნა ღრუბლოვანი პლატფორმა BFG-IS, რომელიც საშუალებას გაძლევთ მართოთ საწარმო მისი ვირტუალური მოდელის გამოყენებით. ეს უკანასკნელი ავტომატურად აგებულია სისტემის მიერ შეგროვებული წარმოების მონაცემების საფუძველზე და არა მხოლოდ აჩვენებს, თუ როგორ უნდა მოხდეს პროცესების ორგანიზება დასახული მიზნების გათვალისწინებით, არამედ პროგნოზირებს ნებისმიერი ცვლილების შედეგებს - აღჭურვილობის ჩანაცვლებიდან დამატებითი ცვლილებების დანერგვამდე. 2016 წლის ბოლოს ინტერნეტ ინიციატივების განვითარების ფონდმა გადაწყვიტა კომპანიაში 125 მილიონი რუბლის ინვესტიცია.
რეკრუტირება და პერსონალის მართვა
რუსი დამსაქმებლის აგრეგატორი Stafory ამთავრებს მორეციდივე ნერვული ქსელის ტრენინგს, რომელსაც შეუძლია არა მხოლოდ ერთსიტყვიანი პასუხების გაცემა კანდიდატების კითხვებზე, არამედ მათთან სრულფასოვანი საუბრის ჩატარება მათთვის საინტერესო ვაკანსიის შესახებ. და SuperJob პორტალის გუნდი ტესტირებას უკეთებს სერვისს, რომელიც პროგნოზირებს იმავე ტიპის ასობით რეზიუმედან რომელი იქნება მოთხოვნადი კონკრეტული დამსაქმებლის მიერ.
ტრანსპორტი
ინტელექტუალური სისტემების რუსი შემქმნელი Cognitive Technologies იყენებს ნერვულ ქსელებს მანქანების, ფეხით მოსიარულეების, საგზაო ნიშნების, შუქნიშნების და სხვა ობიექტების ამოსაცნობად, რომლებიც შედის ჩარჩოში. კომპანია ასევე აგროვებს მონაცემებს უპილოტო მანქანისთვის ნერვული ქსელის მომზადებისთვის. საუბარია ათიათასობით ეპიზოდზე, რომელიც აღწერს მძღოლების რეაქციას გზებზე გარკვეულ კრიტიკულ სიტუაციებზე. შედეგად, სისტემამ უნდა ჩამოაყალიბოს ოპტიმალური სცენარები ავტობოტის ქცევისთვის. იგივე ტექნოლოგიები გამოიყენება ჭკვიანი სასოფლო-სამეურნეო ტრანსპორტის შესაქმნელად.
გარდა ამისა, ნერვული ქსელები შეიძლება გამოყენებულ იქნას ტრანსპორტის სფეროში სხვა გზებით. 2016 წლის ზაფხულში Yandex-მა დაამატა Avto.ru-ს ბიულეტენი დაფაზე მანქანის მოდელის ავტომატურად გამოვლენის ფუნქცია მისი ფოტოდან. იმ დროს სისტემამ 100 ნიშანი იცოდა.
ფსიქოლოგია და უსაფრთხოება
რუსულმა სტარტაპმა NTechLab-მა, რომელმაც აჯობა Google-ს სახის ამოცნობის ალგორითმების საერთაშორისო კონკურსის The MegaFace Benchmark-ში, FindFace აპლიკაციაში გამოიყენა მანქანური სწავლების ტექნოლოგიები. ის საშუალებას გაძლევთ იპოვოთ ადამიანი სოციალურ ქსელებში ფოტოებით. ხშირად მომხმარებლები მიმართავენ სერვისს ყალბების აღმოსაჩენად, მაგრამ ის ასევე შეიძლება სასარგებლო იყოს სამართალდამცავი ორგანოებისთვის. მისი დახმარებით უკვე დადგინდა რამდენიმე კრიმინალის ვინაობა, მათ შორის მოსკოვში Citibank-ის დამპყრობლის. FindFace.Pro-ს ბიზნეს ვერსია მიეწოდება კომპანიებს, რომლებიც დაინტერესებულნი არიან მომხმარებელთა იდენტიფიკაციით. ახლა სისტემა გადის ტრენინგს სხვების სქესის, ასაკისა და ემოციების დასადგენად, რაც შეიძლება სასარგებლო იყოს არა მხოლოდ მომხმარებლებთან კომუნიკაციისას, არამედ პერსონალის მართვის დროსაც.
ანალოგიურად, ნერვულ ქსელებს იყენებს კიდევ ერთი რუსული კომპანია - VisionLabs. ის იყენებს სახის ამოცნობის ტექნოლოგიას ბანკებში უსაფრთხოების უზრუნველსაყოფად და სპეციალური შეთავაზებების შესაქმნელად სხვადასხვა საცალო ვაჭრობის ყველაზე ლოიალური მომხმარებლებისთვის.
მსგავსი მიმართულებით მუშაობს Emotian-ის სტარტაპი. ის სრულყოფს ქალაქების ემოციური მდგომარეობის განსაზღვრის სისტემას. ჯერჯერობით, ნეირონული ქსელი სოციალურ ქსელებში გამოქვეყნებულ პუბლიკაციებზე დაყრდნობით ითვლის ყველაზე ბედნიერ ზონებს, თუმცა სამომავლოდ კომპანია კამერების ბიომეტრიული მონაცემების გათვალისწინებას აპირებს.
მედია და კრეატიულობა
ნერვული ქსელების რუსული ბაზრის ერთ-ერთი მთავარი მოთამაშეა Yandex. კომპანია იყენებს მანქანურ სწავლებას არა მხოლოდ საძიებო სერვისებში, არამედ სხვა პროდუქტებშიც. 2015 წელს მან წამოიწყო სარეკომენდაციო სისტემა. ზენი”, რომელიც აყალიბებს ახალი ამბების, სტატიების, ფოტოების და ვიდეოების არხს კონკრეტული მომხმარებლის ინტერესებიდან გამომდინარე. რაც უფრო ხშირად მიმართავს ის ალგორითმის მიერ შერჩეულ მასალებს, მით უფრო ზუსტად განსაზღვრავს ნერვული ქსელი, კიდევ რა შეიძლება მოეწონოს.
გარდა ამისა, Yandex ასევე ატარებს ექსპერიმენტებს შემოქმედებითობაზე. კომპანიის თანამშრომლებმა უკვე მოახერხეს ნეირონული ქსელის მიდგომის გამოყენება პოეზიაში და შემდეგ
- 26.76 კბნერვული ქსელები მედიცინაში
ალექსანდრე ეჟოვი, ვლადიმერ ჩეჩეტკინი
ინოვაციებისა და შერწყმის კვლევის ინსტიტუტი, ტროიცკი
სპეციფიკური სისტემები
კიბოს წინააღმდეგ ბრძოლა
ნეიროსისტემები, გენეტიკა და მოლეკულები
ნერვული ქსელები დადიან პლანეტაზე
დასკვნის ნაცვლად
მკვეთრი ტკივილი გულმკერდის არეში. სასწრაფო დახმარების მანქანა პაციენტს აწვდის სასწრაფო დახმარებას, სადაც მორიგე ექიმმა უნდა დაადოს დიაგნოზი და დაადგინოს, არის თუ არა ეს მართლაც მიოკარდიუმის ინფარქტი. გამოცდილება გვიჩვენებს, რომ პაციენტთა წილი, რომლებსაც ჰქონდათ გულის შეტევა მსგავსი სიმპტომებით მიღებულთა შორის, მცირეა. თუმცა ზუსტი დიაგნოსტიკური მეთოდები ჯერ კიდევ არ არსებობს. ელექტროკარდიოგრამა ზოგჯერ არ შეიცავს დაავადების აშკარა ნიშნებს. და პაციენტის მდგომარეობის რამდენ პარამეტრს შეუძლია ასე თუ ისე დაეხმაროს ამ შემთხვევაში სწორი დიაგნოზის დასმას? ორმოცზე მეტი. შეუძლია თუ არა სასწრაფო დახმარების ექიმმა სწრაფად გააანალიზოს ყველა ეს ინდიკატორი, მათ ურთიერთობასთან ერთად, მიიღოს გადაწყვეტილება პაციენტის კარდიოლოგიურ განყოფილებაში გაგზავნის შესახებ? გარკვეულწილად, ნერვული ქსელის ტექნოლოგიები ეხმარება ამ პრობლემის მოგვარებას.
სტატისტიკა ასეთია: ექიმი სწორად სვამს მიოკარდიუმის ინფარქტის დიაგნოზს პაციენტების 88%-ში და შეცდომით სვამს ამ დიაგნოზს შემთხვევების 29%-ში. ძალიან ბევრი ცრუ სიგნალიზაციაა (ზედმეტად დიაგნოზი). დიაგნოსტიკის ხარისხის გასაუმჯობესებლად მონაცემთა დამუშავების სხვადასხვა მეთოდის გამოყენების ისტორია ათწლეულებს ითვლის, მაგრამ მათგან საუკეთესომ ხელი შეუწყო ჭარბი დიაგნოზის შემთხვევების მხოლოდ 3%-ით შემცირებას.
1990 წელს, უილიამ ბაკსტმა კალიფორნიის უნივერსიტეტიდან სან დიეგოში გამოიყენა ნერვული ქსელი - მრავალშრიანი პერცეპტრონი - მიოკარდიუმის ინფარქტის ამოსაცნობად პაციენტებში, რომლებიც შეიყვანეს სასწრაფო დახმარების ოთახში გულმკერდის მწვავე ტკივილით. მისი მიზანი იყო შეექმნა ინსტრუმენტი, რომელიც დაეხმარებოდა ექიმებს, რომლებსაც არ შეუძლიათ გაუმკლავდნენ მონაცემების ნაკადს, რომელიც ახასიათებს მიღებული პაციენტის მდგომარეობას. კიდევ ერთი მიზანი შეიძლება იყოს დიაგნოსტიკის გაუმჯობესება. მკვლევარმა თავისი დავალება გაართულა, რადგან მან გააანალიზა მხოლოდ იმ პაციენტების მონაცემები, რომლებიც უკვე გადაგზავნილი იყვნენ კარდიოლოგიურ განყოფილებაში. ბაკსტმა გამოიყენა მხოლოდ 20 პარამეტრი, მათ შორის ასაკი, სქესი, ტკივილის ლოკალიზაცია, ნიტროგლიცერინზე პასუხი, გულისრევა და ღებინება, ოფლიანობა, სინკოპე, სუნთქვის სიხშირე, გულისცემა, წინა გულის შეტევები, დიაბეტი, ჰიპერტენზია, საუღლე ვენების გადიდება ეკგ მახასიათებლები და მნიშვნელოვანი იშემიური ცვლილებების არსებობა.
ქსელი 92%-ით ზუსტი იყო მიოკარდიუმის ინფარქტის გამოვლენაში და მხოლოდ 4%-ს აწარმოებდა ცრუ სიგნალიზაციას, რაც შეცდომით ადასტურებდა პაციენტების ინფარქტის გარეშე გადამისამართებას კარდიოლოგიურ განყოფილებაში. ასე რომ, არსებობს ხელოვნური ნერვული ქსელების წარმატებული გამოყენების ფაქტი დაავადების დიაგნოზში. ახლა საჭიროა განვმარტოთ, რა პარამეტრებით ფასდება დიაგნოზის ხარისხი ზოგად შემთხვევაში. დავუშვათ, რომ ათი ადამიანიდან, ვისაც რეალურად აქვს გულის შეტევა, დიაგნოსტიკური მეთოდით დაავადების აღმოჩენა რვაში შეიძლება. მაშინ მეთოდის მგრძნობელობა იქნება 80%. თუ ავიღებთ ათ ადამიანს, რომლებსაც არ აქვთ ინფარქტი და დიაგნოსტიკური მეთოდი სამ ადამიანში ეჭვობს, მაშინ ცრუ განგაშის წილი იქნება 30%, ხოლო დამატებითი მახასიათებელი - მეთოდის სპეციფიკა - 70. %
იდეალურ დიაგნოსტიკურ მეთოდს უნდა ჰქონდეს ასპროცენტიანი მგრძნობელობა და სპეციფიკა - ჯერ ერთი, არ გამოტოვოთ არც ერთი ნამდვილად ავადმყოფი და მეორეც, არ შეაშინოთ ჯანმრთელი ადამიანები. იმისათვის, რომ დაიზღვიოთ, შეგიძლიათ და უნდა სცადოთ უპირველეს ყოვლისა უზრუნველყოთ მეთოდის ასპროცენტიანი მგრძნობელობა - არ შეიძლება გამოტოვოთ დაავადება. მაგრამ ეს იწვევს, როგორც წესი, მეთოდის დაბალ სპეციფიკას - ბევრ ადამიანში ექიმები ეჭვობენ დაავადებებს, რომლებითაც პაციენტები რეალურად არ განიცდიან.
ნერვული ქსელები დიაგნოსტიკური ამოცანებისთვის
ნერვული ქსელები არის არაწრფივი სისტემები, რომლებიც იძლევა მონაცემთა ბევრად უკეთ კლასიფიკაციის საშუალებას, ვიდრე ჩვეულებრივ ხაზოვან მეთოდებს. სამედიცინო დიაგნოსტიკაზე გამოყენებისას ისინი შესაძლებელს ხდიან მნიშვნელოვნად გაზარდონ მეთოდის სპეციფიკა მისი მგრძნობელობის შემცირების გარეშე.
შეგახსენებთ, რომ გულის შეტევის დიაგნოსტირების ნერვული ქსელი მუშაობდა პარამეტრების დიდი ნაკრებით, რომელთა გავლენა ადამიანის დიაგნოზზე ვერ შეფასდება. მიუხედავად ამისა, ნერვულმა ქსელებმა შეძლეს გადაწყვეტილებების მიღება იმ ფარული შაბლონების საფუძველზე, რომლებიც მათ იდენტიფიცირებდნენ მრავალგანზომილებიან მონაცემებში. ნერვული ქსელების გამორჩეული თვისება ის არის, რომ ისინი არ არის დაპროგრამებული - ისინი არ იყენებენ რაიმე დასკვნის წესს დიაგნოზის დასადგენად, მაგრამ სწავლობენ ამის გაკეთებას მაგალითებით. ამ თვალსაზრისით, ნერვული ქსელები საერთოდ არ ჰგავს საექსპერტო სისტემებს, რომელთა განვითარება 70-იან წლებში მოხდა ხელოვნური ინტელექტის დროებითი „გამარჯვების“ შემდეგ მეხსიერების მოდელირების, შაბლონების ამოცნობისა და განზოგადების მიდგომაზე, რაც დაფუძნებულია კვლევაზე. ტვინის ნერვული ორგანიზაციის შესახებ.
განვითარებული საექსპერტო სისტემებიდან ერთ-ერთი ყველაზე ცნობილი, რომლის ფუნქციონირება ეფუძნებოდა ექსპერტებისგან მიღებულ ცოდნას და დასკვნის პროცედურების განხორციელებას, იყო MYCIN სისტემა. ეს სისტემა შეიქმნა სტენფორდში 70-იანი წლების დასაწყისში სეპტიური შოკის დიაგნოსტიკისთვის. პაციენტების ნახევარი მისგან გარდაიცვალა ერთი დღის განმავლობაში და ექიმებს სეფსისის აღმოჩენა მხოლოდ შემთხვევების 50%-ში შეეძლოთ. MYCIN, როგორც ჩანს, იყო ექსპერტი სისტემების ტექნოლოგიის ნამდვილი ტრიუმფი, რადგან მას შეეძლო სეფსისის გამოვლენა 100% შემთხვევაში. თუმცა, ამ საექსპერტო სისტემის უფრო ახლოს გაცნობის შემდეგ, ექიმებმა საგრძნობლად გააუმჯობესეს ტრადიციული დიაგნოსტიკური მეთოდები და MYCIN-მა დაკარგა მნიშვნელობა და გადაიქცა საგანმანათლებლო სისტემად. საექსპერტო სისტემები „დადიოდნენ“ მხოლოდ კარდიოლოგიაში - ელექტროკარდიოგრამების ანალიზისთვის. კომპლექსური წესები, რომლებიც ქმნიან კლინიკური ეკგ ანალიზის წიგნების ძირითად შინაარსს, გამოიყენეს შესაბამისი სისტემები დიაგნოსტიკური დასკვნის გასაცემად.
დიაგნოსტიკა არის მოვლენის კლასიფიკაციის განსაკუთრებული შემთხვევა და ყველაზე ღირებული არის იმ მოვლენების კლასიფიკაცია, რომლებიც არ არის ნერვული ქსელის სასწავლო კომპლექტში. აქ ვლინდება ნერვული ქსელის ტექნოლოგიების უპირატესობა - მათ შეუძლიათ განახორციელონ ასეთი კლასიფიკაცია, განაზოგადონ წინა გამოცდილება და გამოიყენონ იგი ახალ შემთხვევებში.
სპეციფიკური სისტემები
დიაგნოსტიკური პროგრამის მაგალითია კარდიოდიაგნოსტიკური პაკეტი, რომელიც შემუშავებულია RES Informatica-ს მიერ მილანის კარდიოლოგიის კვლევის ცენტრთან ერთად. პროგრამა იძლევა არაინვაზიურ კარდიოდიაგნოსტიკას ტაქოგრამის სპექტრის ამოცნობის საფუძველზე. ტაქოგრამა არის თანმიმდევრული გულისცემას შორის ინტერვალების ჰისტოგრამა და მისი სპექტრი ასახავს ადამიანის სიმპათიკური და პარასიმპათიკური ნერვული სისტემის აქტივობების ბალანსს, რომელიც კონკრეტულად იცვლება სხვადასხვა დაავადებებში.
ასეა თუ ისე, უკვე შეიძლება ითქვას, რომ ნერვული ქსელები იქცევა კარდიოდიაგნოსტიკის ინსტრუმენტად - მაგალითად, ინგლისში მათ ოთხ საავადმყოფოში იყენებენ მიოკარდიუმის ინფარქტის თავიდან ასაცილებლად.
მედიცინაში ასევე გამოიყენება ნერვული ქსელების კიდევ ერთი თვისება - დროებითი მიმდევრობების პროგნოზირების უნარი. უკვე აღინიშნა, რომ საექსპერტო სისტემებმა წარმატებას მიაღწიეს ეკგ ანალიზში. აქ ასევე სასარგებლოა ნერვული ქსელები. კი ჟენჰუმ, იუ ჰენუმ და უილის ტომპკინსმა ვისკონსინის უნივერსიტეტიდან შეიმუშავეს ელექტროკარდიოგრამების ნერვული ქსელის ფილტრაციის სისტემა, რომელსაც შეუძლია თრგუნოს არაწრფივი და არასტაციონარული ხმაური ბევრად უკეთ, ვიდრე ადრე გამოყენებული მეთოდები. ფაქტია, რომ ნერვული ქსელი კარგად იწინასწარმეტყველა ხმაური თავისი მნიშვნელობებით დროის წინა მომენტებში. და ის ფაქტი, რომ ნერვული ქსელები ძალიან ეფექტურია დროის მიმდევრობების პროგნოზირებისთვის (როგორიცაა გაცვლითი კურსი ან აქციების ფასი) დამაჯერებლად აჩვენა სანტა ფეს უნივერსიტეტის მიერ ჩატარებული პროგნოზირების პროგრამების კონკურსის შედეგები - ნეირონულმა ქსელებმა პირველი ადგილი დაიკავა და დომინირებს შორის. საუკეთესო მეთოდები.
ნერვული ქსელების გამოყენების შესაძლებლობები
ეკგ არის კერძო, თუმცა ძალიან მნიშვნელოვანი აპლიკაცია. თუმცა, დღეს ბევრი სხვა მაგალითია ნეირონული ქსელების სამედიცინო პროგნოზირებისთვის გამოყენების შესახებ. ცნობილია, რომ კარდიოქირურგიის განყოფილებებში ხანგრძლივი რიგები (კვირებიდან თვეებამდე) გამოწვეულია ინტენსიური თერაპიის განყოფილებების სიმცირით. მათი რაოდენობის გაზრდა რეანიმაციული მოვლის მაღალი ღირებულების გამო ვერ ხერხდება (ამ განყოფილებაში სიცოცხლის ბოლო 2 კვირაში ამერიკელები ხარჯავენ თანხების 70%-ს).
ერთადერთი გამოსავალი არის არსებული სახსრების უფრო ეფექტურად გამოყენება. დავუშვათ, რომ გარკვეულ დღეს ოპერაციული პაციენტების მდგომარეობა იმდენად მძიმეა, რომ მათ სჭირდებათ ინტენსიური თერაპიის განყოფილებაში ხანგრძლივი ყოფნა (ორ დღეზე მეტი). მთელი ამ ხნის განმავლობაში ქირურგები უსაქმურები იქნებიან, რადგან ახლად ოპერაციულ პაციენტებს არსად მოათავსებენ. მიზანშეწონილია მძიმედ დაავადებული პაციენტების ოპერაცია შაბათ-კვირამდე ან არდადეგებამდე - ამ დღეებში საოპერაციო ოთახები კვლავ დაკეტილია, ქირურგები დაისვენებენ, პაციენტები კი რეანიმაციაში გამოჯანმრთელდებიან. მაგრამ სამუშაო კვირის დასაწყისში უმჯობესია იმ პაციენტებს გაუკეთოთ ოპერაცია, რომლებსაც მხოლოდ ერთი ან ორი დღე დასჭირდებათ ინტენსიური თერაპიის განყოფილებაში ყოფნა. შემდეგ ინტენსიური თერაპიის განყოფილებაში საწოლები უფრო სწრაფად გათავისუფლდება და სამშაბათს და ოთხშაბათს ოპერაციულ ახალ პაციენტებს მიიღებს.
საკითხავია, როგორ გამოვიცნოთ, ოპერაციის შემდეგ ვის მოუწევს ინტენსიური თერაპიის განყოფილებაში დარჩენა და ვის არა. ჯეკ ტუმ და მაიკლ გუერიემ ტორონტოს უნივერსიტეტის წმინდა მაიკლის საავადმყოფოში გამოიყენეს ნერვული ქსელები ამ პროგნოზის გასაკეთებლად. თავდაპირველ მონაცემად აიღეს მხოლოდ ის ინფორმაცია პაციენტის შესახებ, რომელიც ცნობილია წინასაოპერაციო პერიოდში. გაითვალისწინეთ, რომ წინა კვლევებში, რომლებიც არ იყენებდნენ ნერვულ ქსელებს, მნიშვნელოვანი პოსტოპერაციული ინფორმაცია ასევე გამოიყენებოდა, როგორც ინტენსიური თერაპიის გაზრდილი რისკის ფაქტორები - სხვადასხვა გართულებები, რომლებიც წარმოიშვა ქირურგიული ჩარევის დროს.
ტუ და გერირმა მოამზადეს ორფენიანი პერცეპტრონი, რათა დაყოს პაციენტები სამ რისკ ჯგუფად, მათი ასაკის, სქესის, მარცხენა პარკუჭის ფუნქციური მდგომარეობის, მომავალი ოპერაციის სირთულის ხარისხისა და თანმხლები დაავადებების არსებობის გათვალისწინებით. იმ პაციენტებიდან, რომლებიც ქსელმა გამოავლინა, როგორც ინტენსიური თერაპიის შეფერხების დაბალი რისკის ქვეშ, მხოლოდ 16.3%-მა გაატარა ინტენსიური თერაპიის ორ დღეზე მეტი. ამავდროულად, ქსელის მიერ მაღალი რისკის მქონე პირთა 60%-ზე მეტი აკმაყოფილებდა არასახარბიელო პროგნოზს.
კიბოს წინააღმდეგ ბრძოლა
ჩვენ განსაკუთრებული ყურადღება მივაქციეთ გულ-სისხლძარღვთა დაავადებებს, რადგან ისინი სამწუხარო ლიდერობას იკავებს სიკვდილის გამომწვევ მიზეზთა სიაში. მეორე ადგილზეა ონკოლოგიური დაავადებები. ერთ-ერთი მთავარი სფერო, რომელშიც ამჟამად მიმდინარეობს მუშაობა ნერვული ქსელების გამოყენებაზე, არის ძუძუს კიბოს დიაგნოზი. ეს დაავადება ყოველი მეცხრე ქალის სიკვდილის მიზეზია.
სიმსივნის გამოვლენა ტარდება სარძევე ჯირკვლის პირველადი რენტგენოლოგიური ანალიზის (მამოგრაფიის) და სიმსივნური ქსოვილის ნაწილის შემდგომი ანალიზის დროს (ბიოფსია). კეთილთვისებიანი და ავთვისებიანი ნეოპლაზმების დიფერენცირების ზოგადი წესების არსებობის მიუხედავად, მამოგრაფიის მიხედვით, შემდგომი ქირურგიული ბიოფსიის შედეგების მხოლოდ 10-დან 20%-მდე ნამდვილად ადასტურებს სარძევე ჯირკვლის კიბოს არსებობას. ისევ და ისევ, საქმე გვაქვს მეთოდის უკიდურესად დაბალი სპეციფიკის შემთხვევასთან.
დიუკის უნივერსიტეტის მკვლევარებმა მოამზადეს ნერვული ქსელი ავთვისებიანი ქსოვილის მამოგრაფიის ამოსაცნობად რვა მახასიათებლის საფუძველზე, რომლებსაც რადიოლოგები ჩვეულებრივ ამუშავებენ. აღმოჩნდა, რომ ქსელს შეუძლია პრობლემის გადაჭრა დაახლოებით 100%-იანი სენსიტიურობით და 59%-იანი სპეციფიკით (რადიოლოგების 10-20%-თან შედარებით). რამდენი ქალის კეთილთვისებიანი სიმსივნე შეიძლება გადარჩეს ბიოფსიის აღების სტრესისგან ამ ნერვული ქსელის გამოყენებით! მაიოს კლინიკაში (მინესოტა) ნერვულმა ქსელმა გააანალიზა მკერდის ულტრაბგერითი შედეგები და მისცა სპეციფიკა 40%, ხოლო იგივე ქალებისთვის რენტგენოლოგების დასკვნის სპეციფიკა ნულის ტოლი აღმოჩნდა. განა ასე არ არის, რომ ნერვული ქსელის ტექნოლოგიების გამოყენების წარმატება სულაც არ გამოიყურება შემთხვევითი?
სარძევე ჯირკვლის კიბოს მკურნალობის შემდეგ შესაძლებელია სიმსივნის რეციდივი. ნერვული ქსელები უკვე გვეხმარება მათ ეფექტურად პროგნოზირებაში. მსგავსი კვლევა ტარდება ტეხასის უნივერსიტეტის სამედიცინო სკოლაში. გაწვრთნილმა ქსელებმა აჩვენეს თავიანთი უნარი იდენტიფიცირება და გაითვალისწინონ პროგნოზირებადი ცვლადების ძალიან რთული ურთიერთობები, კერძოდ, მათი სამმაგი ურთიერთობები პროგნოზირების უნარის გასაუმჯობესებლად.
მედიცინაში ნერვული ქსელების გამოყენების შესაძლებლობები მრავალფეროვანია და მათი არქიტექტურა მრავალფეროვანია. დაავადების ამა თუ იმ მეთოდით მკურნალობის გრძელვადიანი შედეგების პროგნოზიდან გამომდინარე, უპირატესობა შეიძლება მიენიჭოს რომელიმე მათგანს. საკვერცხის კიბოს (ყოველი სამოცდამეათე ქალის დაავადება) მკურნალობის პროგნოზის მნიშვნელოვან შედეგს მიაღწია ცნობილმა ჰოლანდიელმა სპეციალისტმა ჰერბერტ კაპენმა ნიმეგენის უნივერსიტეტიდან (ის თავის ნაშრომში იყენებს არა მრავალშრიანი პერცეპტრონებს, არამედ ე.წ. ბოლცმანს. მანქანები - ნეირონული ქსელები ალბათობების შესაფასებლად).
აქ არის სხვა ტიპის კიბოს მაგალითი. იაპონიაში, კაგავას სამედიცინო სკოლის მკვლევარებმა მოამზადეს ნერვული ქსელი, რომელიც იწინასწარმეტყველებდა ღვიძლის რეზექციის შედეგებს ჰეპატოცელულარული კარცინომის მქონე პაციენტებში, თითქმის უშეცდომო წინასაოპერაციო მონაცემებით.
ტროიცკის ინოვაციებისა და შერწყმის კვლევის ინსტიტუტში (TRINITI), მეცნიერების სამინისტროს მიერ განხორციელებული ნერვული ქსელის საკონსულტაციო სისტემების შექმნის პროექტის ფარგლებში, შემუშავდა ნერვული ქსელის პროგრამა, რომელიც ირჩევს ბაზალურუჯრედოვანი კანის კიბოს (ბასალიომა) მკურნალობის მეთოდს. ) რეციდივის გრძელვადიანი პროგნოზის საფუძველზე. ბასალიომის - თხელი კანის მქონე თეთრკანიანთა ონკოლოგიური დაავადების შემთხვევების რაოდენობა შეადგენს ყველა ონკოლოგიური დაავადების მესამედს.
მელანომის ერთ-ერთი ფორმის - სიმსივნის დიაგნოსტიკა, რომელიც ზოგჯერ რთულია ბასალიომის პიგმენტური ფორმისგან გარჩევა, განხორციელდა Multineuron ნერვული ქსელის სიმულატორის გამოყენებით, რომელიც შემუშავებულია კრასნოიარსკის SOAN-ის გამოთვლით ცენტრში A.N. გორბანის ხელმძღვანელობით.
Მოკლე აღწერა
ნერვული ქსელები დიაგნოსტიკური ამოცანებისთვის
სპეციფიკური სისტემები
ნერვული ქსელების გამოყენების შესაძლებლობები
კიბოს წინააღმდეგ ბრძოლა
ნეიროსისტემები, გენეტიკა და მოლეკულები
ნერვული ქსელები დადიან პლანეტაზე
მსგავსი სტატიები
-
ინგლისური - საათი, დრო
ყველას, ვისაც აინტერესებს ინგლისური ენის შესწავლა, მოუწია უცნაურ აღნიშვნებს გვ. მ. და ა. მ , და საერთოდ, სადაც დროა ნახსენები, რატომღაც მხოლოდ 12 საათიანი ფორმატი გამოიყენება. ალბათ ჩვენთვის მცხოვრები...
-
"ალქიმია ქაღალდზე": რეცეპტები
Doodle Alchemy ან Alchemy ქაღალდზე Android-ისთვის არის საინტერესო თავსატეხი ლამაზი გრაფიკით და ეფექტებით. ისწავლეთ როგორ ითამაშოთ ეს საოცარი თამაში და იპოვეთ ელემენტების კომბინაციები, რათა დაასრულოთ ალქიმია ქაღალდზე. Თამაში...
-
თამაშის ავარია Batman: Arkham City?
თუ თქვენ წინაშე აღმოჩნდებით, რომ Batman: Arkham City ანელებს, ავარია, Batman: Arkham City არ დაიწყება, Batman: Arkham City არ დაინსტალირდება, არ არის კონტროლი Batman: Arkham City, არ არის ხმა, გამოდის შეცდომები. ზევით, ბეტმენში:...
-
როგორ მოვიშოროთ ადამიანი სათამაშო აპარატებიდან როგორ მოვიშოროთ ადამიანი აზარტული თამაშებისგან
მოსკოვის Rehab Family კლინიკის ფსიქოთერაპევტთან და აზარტულ თამაშებზე დამოკიდებულების მკურნალობის სპეციალისტთან რომან გერასიმოვთან ერთად, რეიტინგის ბუკმეიკერებმა სპორტულ ფსონებში მოთამაშეს გზა გაუკვლიეს - დამოკიდებულების ჩამოყალიბებიდან ექიმთან ვიზიტამდე,...
-
Rebuses გასართობი თავსატეხები თავსატეხები გამოცანები
თამაში "RIDDLES Charades Rebuses": პასუხი განყოფილებაში "RIDDLES" დონე 1 და 2 ● არც თაგვი, არც ჩიტი - ის ხარობს ტყეში, ცხოვრობს ხეებზე და ღრღნის თხილს. ● სამი თვალი - სამი ბრძანება, წითელი - ყველაზე საშიში. დონე 3 და 4 ● ორი ანტენა თითო...
-
შხამისთვის თანხების მიღების პირობები
რამდენი თანხა მიდის SBERBANK-ის ბარათის ანგარიშზე გადახდის ოპერაციების მნიშვნელოვანი პარამეტრებია სახსრების დაკრედიტების პირობები და ტარიფები. ეს კრიტერიუმები, პირველ რიგში, დამოკიდებულია თარგმანის არჩეულ მეთოდზე. რა პირობებია ანგარიშებს შორის თანხის გადარიცხვისთვის