วันนี้เราเห็นความเจริญในการพัฒนา เทคโนโลยีสารสนเทศและการแนะนำอย่างค่อยเป็นค่อยไปและบางครั้งก็ปฏิวัติชีวิตของเรา

การแปลงเป็นดิจิทัล หุ่นยนต์ ปัญญาประดิษฐ์ โครงข่ายประสาทเทียม... มีแนวคิดและข้อกำหนดใหม่ๆ มากมายเพียงใดที่ผลักดันขอบเขตของความเป็นไปได้ บังคับให้เราต้องคิดและทำความเข้าใจสิ่งเหล่านี้ เพื่อค้นหาแอปพลิเคชันที่นำไปใช้ได้อย่างมีประสิทธิภาพและปลอดภัย และถึงกระนั้น ไม่ว่าเทคโนโลยีใหม่ๆ จะมีแนวโน้มที่ดีเพียงใด สิ่งเหล่านี้ล้วนเป็นผลจากชีวิตมนุษย์ จิตใจของเขา การทำงานของสมอง และการคิด

เซลล์ประสาทคืออะไร?

สมองของมนุษย์โดยเฉลี่ยมีเซลล์ประสาทประมาณ 86 พันล้านเซลล์เชื่อมต่อกันด้วยการเชื่อมต่อจำนวนมาก (โดยเฉลี่ยแล้ว การเชื่อมต่อหลายพันครั้งต่อเซลล์ประสาท แต่จำนวนนี้อาจผันผวนอย่างมาก) เซลล์ประสาทเป็นเซลล์พิเศษที่สามารถแพร่สัญญาณไฟฟ้าเคมีได้ เซลล์ประสาทมีโครงสร้างการป้อนข้อมูลแบบแยกสาขา (เดนไดรต์) นิวเคลียส และเอาต์พุตแบบแยกแขนง (แอกซอน) แอกซอนของเซลล์เชื่อมต่อกับเดนไดรต์ของเซลล์อื่นๆ ผ่านทางไซแนปส์ เมื่อถูกกระตุ้น เซลล์ประสาทจะส่งสัญญาณไฟฟ้าเคมีลงไปที่แอกซอนของมัน โดยผ่านไซแนปส์ สัญญาณนี้จะไปถึงเซลล์ประสาทอื่นๆ ซึ่งสามารถเปิดใช้งานได้ เซลล์ประสาทจะเปิดใช้งานเมื่อระดับสัญญาณทั้งหมดที่มาถึงนิวเคลียสจากเดนไดรต์เกินระดับหนึ่ง (เกณฑ์การเปิดใช้งาน)

โครงข่ายประสาทเทียม

โครงข่ายประสาทเทียม ปัญญาประดิษฐ์ แมชชีนเลิร์นนิง... เทรนด์และคำศัพท์ที่ทันสมัยเหล่านี้มีความหมายอย่างไรในปัจจุบัน

ในความหมายทั่วไปของคำว่า โครงข่ายประสาทเทียม (NN - Neural Networks) เป็นแบบจำลองทางคณิตศาสตร์ที่ทำงานบนหลักการของเครือข่าย เซลล์ประสาทสิ่งมีชีวิตของสัตว์ NN ประดิษฐ์ (ANN) สามารถใช้ได้ทั้งในโซลูชันที่ตั้งโปรแกรมได้และฮาร์ดแวร์ เพื่อความสะดวกในการรับรู้ เซลล์ประสาทสามารถแสดงเป็นเซลล์ชนิดหนึ่งที่มีช่องทางเข้าและทางออกเดียว จำนวนสัญญาณขาเข้าที่ก่อตัวเป็นสัญญาณขาออกจะถูกกำหนดโดยอัลกอริธึมการคำนวณ การป้อนข้อมูลของเซลล์ประสาทแต่ละครั้งจะมาพร้อมกับค่าปฏิบัติการ ซึ่งจะกระจายไปตามการเชื่อมต่อภายใน (เรื่องย่อ) ไซแนปส์มีหนึ่งพารามิเตอร์ - น้ำหนัก เนื่องจากข้อมูลที่ป้อนเปลี่ยนแปลงเมื่อย้ายจากเซลล์ประสาทหนึ่งไปยังอีกเซลล์หนึ่ง

เทรนด์เวลา

ในช่วงไม่กี่ปีที่ผ่านมา ANN ได้รับความสนใจอย่างล้นหลาม นักวิจัย - โปรแกรมเมอร์และผู้พัฒนาโมเดลฮาร์ดแวร์ - กำลังสร้างซอฟต์แวร์และฮาร์ดแวร์ที่สร้างสรรค์ใหม่ ๆ ที่มีประสิทธิภาพซึ่งสร้างขึ้นบนหลักการขององค์กรและการทำงานของโครงข่ายประสาทเทียมทางชีวภาพ โครงข่ายประสาทมีความน่าสนใจจากมุมมองที่เป็นธรรมชาติ เพราะมันอยู่บนพื้นฐานของแบบจำลองทางชีววิทยาของระบบประสาท ในอนาคต การพัฒนาแบบจำลองทางระบบประสาทดังกล่าวอาจนำไปสู่การสร้างคอมพิวเตอร์ที่มีความคิดอย่างแท้จริง และในการสร้างปัญญาประดิษฐ์ คุณจะต้องสร้างระบบที่มีสถาปัตยกรรมที่คล้ายคลึงกัน

สมัครที่ไหน

ANN เนื่องจากความสามารถในการเรียนรู้เช่นเดียวกับความจริงที่ว่าสิ่งนี้เกิดจากการปรากฏตัว วิธีต่างๆการเร่งการเรียนรู้ของพวกเขาประสบความสำเร็จในด้านต่าง ๆ ในชีวิตของเรา: ธุรกิจ, การแพทย์, เทคโนโลยี, ธรณีวิทยา, ฟิสิกส์, ฯลฯ ANN เป็นวิธีการสร้างแบบจำลองที่ทรงพลังเป็นพิเศษซึ่งช่วยให้คุณสร้างการพึ่งพาที่ซับซ้อนอย่างยิ่งค้นหาแอปพลิเคชั่นมากมาย: การสร้างกระบวนการระบบการผลิตที่เรียนรู้ด้วยตนเอง ยานยนต์ไร้คนขับ ระบบจดจำภาพ ระบบรักษาความปลอดภัยอัจฉริยะ หุ่นยนต์ ระบบตรวจสอบคุณภาพ อินเทอร์เฟซการโต้ตอบด้วยเสียง ระบบวิเคราะห์และสิ่งประดิษฐ์ในด้านอื่น ๆ มากมายที่จำเป็นในการแก้ปัญหาการประมวลผลสะสม การไหลของข้อมูลจำนวนมาก - การรับรู้ การทำนาย การจำแนกประเภท การควบคุม ปัจจุบันกระบวนการเรียนรู้ของ ANN เร็วขึ้นและง่ายขึ้นมาก ความสามารถก็มีประสิทธิภาพมากขึ้น วิธีการทางเทคนิค(การเติบโตทางเทคโนโลยีของความจุหน่วยความจำ ความเร็ว การสะสมฐานข้อมูลอย่างต่อเนื่อง ฯลฯ) โครงข่ายประสาทเทียมที่เรียกว่า "ที่ผ่านการฝึกอบรมล่วงหน้า" ได้เริ่มมีการพัฒนาอย่างแข็งขัน ซึ่งสามารถเร่งกระบวนการนำเทคโนโลยีไปใช้ได้เร็วขึ้นอย่างมาก

ข้อดีบางอย่าง

ความสำเร็จและความสนใจที่น่าประทับใจใน ANN นั้นพิจารณาจากความสามารถในการรับมือกับงานต่างๆ เช่น ระบบสำหรับการจดจำและจำแนกวัตถุในภาพและภูมิทัศน์ในพื้นที่ศึกษา อินเทอร์เฟซการโต้ตอบด้วยเสียงสำหรับอินเทอร์เน็ตของสิ่งต่างๆ การวิเคราะห์วิดีโอ ระบบการเรียนรู้ด้วยตนเอง ที่เพิ่มประสิทธิภาพการจัดการการไหลของวัสดุหรือตำแหน่งของวัตถุ ปัญญาชน; ระบบควบคุมการเรียนรู้ด้วยตนเองสำหรับกระบวนการผลิตและอุปกรณ์ (รวมถึงหุ่นยนต์) การแปลแบบทันทีทันใดสำหรับการประชุมและการใช้งานส่วนตัว ฯลฯ และหากยังเร็วเกินไปที่จะบอกว่าโครงข่ายประสาทเทียมจะสามารถทำซ้ำได้อย่างเต็มที่ ความสามารถของสมองมนุษย์ ความน่าจะเป็น ความจริงที่ว่าในทศวรรษหน้า ANNs จะสามารถแทนที่บุคคลในหนึ่งในสี่ของอาชีพที่มีอยู่ได้กลายเป็นเหมือนความจริงมากขึ้นเรื่อย ๆ

ปัญญาประดิษฐ์

ปัญญาประดิษฐ์คืออะไร? โดยปัญญาประดิษฐ์ (AI) นักพัฒนาเข้าใจความสามารถของเครื่องในการเลียนแบบพฤติกรรมอันชาญฉลาดของผู้คน กล่าวคือ ความสามารถในการนำทางในบริบทที่เปลี่ยนแปลงไป และเมื่อคำนึงถึงการเปลี่ยนแปลงเหล่านี้แล้ว จะทำการตัดสินใจที่เหมาะสมที่สุดเพื่อให้บรรลุเป้าหมาย อาจเป็นเรื่องยากสำหรับแพทย์ที่จะวินิจฉัยโรคได้อย่างถูกต้อง โดยเฉพาะอย่างยิ่งหากเขาไม่มีการปฏิบัติมากหรือมีกรณีเฉพาะอยู่ไกลจากประสบการณ์ทางวิชาชีพของเขา ที่นี่ AI สามารถเข้ามาช่วยเหลือได้ โดยสามารถเข้าถึงฐานข้อมูลที่มีประวัติผู้ป่วยเป็นพันๆ ล้านกรณี (และข้อมูลอื่นๆ ที่สั่งซื้อ รวมถึงบทความล่าสุด ตำราเรียน วรรณกรรมเฉพาะทางทางการแพทย์) ด้วยความช่วยเหลือของอัลกอริธึมการเรียนรู้ของเครื่อง AI จะจำแนกกรณีเฉพาะ สแกนวรรณกรรมทางวิทยาศาสตร์ในหัวข้อที่ได้รับการตีพิมพ์ในช่วงระยะเวลาหนึ่งอย่างรวดเร็ว ศึกษากรณีที่คล้ายกันที่มีอยู่ และเสนอแผนการรักษา นอกจากนี้ AI จะสามารถให้แนวทางเป็นรายบุคคลโดยคำนึงถึงข้อมูลเกี่ยวกับ ลักษณะทางพันธุกรรมผู้ป่วย รูปแบบการเคลื่อนไหวที่รวบรวมโดยอุปกรณ์สวมใส่ของเขา ประวัติการรักษาก่อนหน้า - ประวัติชีวิตทั้งหมด AI อาจจะไม่ (อย่างน้อยก็อยู่ในขั้นตอนของการพัฒนาเทคโนโลยีในปัจจุบัน) จะไม่มาแทนที่แพทย์ แต่มันสามารถกลายเป็นและกลายเป็นเครื่องมือที่มีประโยชน์แล้ว ผู้ช่วยในการวินิจฉัยและการรักษา

ทำไมถึงต้องใช้ยา

ยาซึ่งก่อนหน้านี้เน้นการรักษาเป็นหลัก โรคเฉียบพลันตอนนี้จะสามารถให้ความสนใจกับโรคเรื้อรังได้มากขึ้น ซึ่งหลายๆ โรคไม่ถือว่าเป็นโรคเมื่อไม่นานนี้เอง วันนี้ปริมาณข้อมูลทางการแพทย์เพิ่มขึ้นอย่างรวดเร็ว เป็นที่ชัดเจนว่าความเร็วและคุณภาพของการวิเคราะห์เป็นตัวกำหนดสุขภาพและคุณภาพชีวิตของผู้ป่วย แพทย์มักจะต้องเผชิญกับความจำเป็นในการรักษาโรคอ้วน โรคซึมเศร้า โรคของผู้สูงอายุ โรคเบาหวาน ภาวะหัวใจล้มเหลว โรคภูมิต้านตนเองกำลังได้รับการวินิจฉัยมากขึ้นเรื่อยๆ นอกระยะการกำเริบ ในระยะแรกสุด และเรากำลังพูดถึงไม่เพียงแต่เกี่ยวกับการบำบัดรักษาเท่านั้น แต่ยังเกี่ยวกับความสามารถในการรักษาและแก้ไขความผิดปกติของระบบของร่างกายได้อย่างสมบูรณ์ มีการพัฒนายาป้องกันซึ่งทำให้สามารถรับรู้ถึงความโน้มเอียงต่อโรคบางชนิดได้แม้กระทั่งก่อนการปรากฏตัวของโรคและความเกี่ยวข้องที่จำเป็นในการดำเนินมาตรการอย่างทันท่วงที และทั้งหมดนี้เป็นผลงานของ AI

การพยากรณ์โรคทางทันตกรรม

นักวิจัยของ ANN คาดการณ์ว่าการใช้โครงข่ายประสาทเทียมในทางทันตกรรมจะพัฒนาอย่างรวดเร็วเช่นกันในอนาคตอันใกล้ ทิศทางนี้จะช่วยให้วิเคราะห์ข้อมูลที่มุ่งเน้นเป้าหมายอย่างมืออาชีพได้รวดเร็วขึ้น และที่สำคัญที่สุด จะสามารถชี้แนะและให้คำแนะนำแก่แพทย์ในการแก้ปัญหาทางคลินิกที่ซับซ้อนได้

วัสดุถูกจัดทำขึ้นตามข้อมูล
แหล่งอินเทอร์เน็ต Galina Masis

สวัสดีตอนบ่าย ฉันชื่อ Natalia Efremova และเป็นนักวิจัยที่ NtechLab วันนี้ฉันจะพูดถึงประเภทของโครงข่ายประสาทเทียมและการใช้งาน

ก่อนอื่น ให้ฉันพูดสักสองสามคำเกี่ยวกับบริษัทของเรา บริษัทเพิ่งเปิดใหม่ หลายคนอาจไม่รู้ว่าเราทำอะไร ปีที่แล้วเราชนะการแข่งขัน MegaFace นี่คือการแข่งขันการจดจำใบหน้าระดับนานาชาติ ในปีเดียวกันนั้น บริษัทของเราได้เปิดดำเนินการ นั่นคือ เราเข้าสู่ตลาดมาประมาณหนึ่งปีแล้ว หรือมากกว่านั้นอีกเล็กน้อย ดังนั้นเราจึงเป็นหนึ่งในบริษัทชั้นนำด้านการจดจำใบหน้าและการประมวลผลภาพไบโอเมตริกซ์

ส่วนแรกของรายงานของฉันจะถูกส่งไปยังผู้ที่ไม่คุ้นเคยกับโครงข่ายประสาทเทียม ฉันมีส่วนร่วมโดยตรงในการเรียนรู้อย่างลึกซึ้ง ฉันทำงานในพื้นที่นี้มานานกว่า 10 ปี แม้ว่าจะดูเหมือนน้อยกว่าทศวรรษที่ผ่านมา แต่ก็ยังมีเครือข่ายประสาทเทียมพื้นฐานบางอย่างที่ดูเหมือนระบบการเรียนรู้เชิงลึก

ในช่วง 10 ปีที่ผ่านมา การเรียนรู้อย่างลึกซึ้งและ วิสัยทัศน์คอมพิวเตอร์พัฒนาด้วยความเร็วที่เหลือเชื่อ ทุก ๆ อย่างที่มีนัยสำคัญในพื้นที่นี้ได้เกิดขึ้นแล้วในช่วง 6 ปีที่ผ่านมา

ฉันจะพูดถึงแง่มุมที่ใช้งานได้จริง: ที่ไหน เมื่อไหร่ สิ่งที่จะใช้ในแง่ของการเรียนรู้เชิงลึกสำหรับการประมวลผลภาพและวิดีโอ สำหรับการจดจำภาพและใบหน้า เนื่องจากฉันทำงานให้กับบริษัทที่ทำสิ่งนี้ ฉันจะพูดเล็กน้อยเกี่ยวกับการจดจำอารมณ์ วิธีการที่ใช้ในเกมและวิทยาการหุ่นยนต์ นอกจากนี้ ฉันยังจะพูดถึงการประยุกต์ใช้การเรียนรู้เชิงลึกที่ไม่ได้มาตรฐาน ซึ่งเป็นสิ่งที่เพิ่งออกมาจากสถาบันทางวิทยาศาสตร์และยังไม่ค่อยได้ใช้ในทางปฏิบัติ นำไปใช้ได้อย่างไร และเหตุใดจึงยากที่จะนำไปใช้

รายงานจะประกอบด้วยสองส่วน เนื่องจากคนส่วนใหญ่คุ้นเคยกับโครงข่ายประสาท ก่อนอื่นฉันจะอธิบายอย่างรวดเร็วว่าโครงข่ายประสาททำงานอย่างไร โครงข่ายประสาทชีวภาพคืออะไร เหตุใดจึงสำคัญที่เราต้องรู้ว่ามันทำงานอย่างไร โครงข่ายประสาทเทียมคืออะไร และสถาปัตยกรรมใดที่ใช้ พื้นที่

ฉันขอโทษทันที ฉันจะกระโดดเข้าไปในคำศัพท์ภาษาอังกฤษเล็กน้อย เพราะฉันไม่รู้ด้วยซ้ำว่าส่วนใหญ่เรียกว่าอะไรในภาษารัสเซีย บางทีคุณก็เช่นกัน

ดังนั้น ส่วนแรกของรายงานจะกล่าวถึงโครงข่ายประสาทเทียม ฉันจะอธิบายว่าการรู้จำรูปภาพของ Convolutional Neural Network (CNN) ทำงานอย่างไรโดยใช้ตัวอย่างจากการจดจำใบหน้า ฉันจะพูดเล็กน้อยเกี่ยวกับโครงข่ายประสาทเทียมแบบเกิดซ้ำ (RNN) และการเรียนรู้แบบเสริมกำลังโดยใช้ตัวอย่างของระบบการเรียนรู้เชิงลึก

ในฐานะที่เป็นแอปพลิเคชันที่ไม่ได้มาตรฐานของโครงข่ายประสาทเทียม ฉันจะพูดถึงวิธีที่ CNN ทำงานในด้านการแพทย์สำหรับการจดจำภาพ voxel วิธีการใช้โครงข่ายประสาทเทียมเพื่อรับรู้ความยากจนในแอฟริกา

โครงข่ายประสาทคืออะไร

โครงข่ายประสาทเทียมที่แปลกประหลาดทำหน้าที่เป็นต้นแบบสำหรับการสร้างโครงข่ายประสาทเทียม บางทีพวกคุณหลายคนอาจรู้วิธีตั้งโปรแกรมโครงข่ายประสาทเทียม แต่ฉันคิดว่ามันมาจากไหน บางคนอาจไม่รู้ สองในสามของข้อมูลทางประสาทสัมผัสทั้งหมดที่มาถึงเรามาจากอวัยวะที่มองเห็นได้ของการรับรู้ มากกว่าหนึ่งในสามของพื้นผิวสมองของเราถูกครอบครองโดยพื้นที่การมองเห็นสองส่วนที่สำคัญที่สุด - ทางเดินมองเห็นด้านหลังและทางเดินมองเห็นหน้าท้อง

ทางเดินมองเห็นด้านหลังเริ่มต้นในโซนการมองเห็นหลัก ในกระหม่อมของเรา และเดินต่อไปด้านบน ในขณะที่ทางเดินหน้าท้องเริ่มต้นที่ด้านหลังศีรษะของเราและสิ้นสุดอย่างคร่าว ๆ หลังหูของเรา การจดจำรูปแบบที่สำคัญทั้งหมดที่เรามี ความหมายทั้งหมดที่เราทราบ เกิดขึ้นที่หลังใบหู

ทำไมมันถึงสำคัญ? เพราะบ่อยครั้งจำเป็นต้องเข้าใจโครงข่ายประสาทเทียม อย่างแรก ทุกคนพูดถึงมัน และฉันก็ชินกับมันแล้ว และประการที่สอง ความจริงก็คือ พื้นที่ทั้งหมดที่ใช้ในโครงข่ายประสาทเทียมสำหรับการจดจำรูปแบบ มาถึงเราอย่างแม่นยำจากเส้นทางการมองเห็นหน้าท้อง ซึ่งแต่ละส่วนเล็ก โซนมีหน้าที่รับผิดชอบการทำงานที่กำหนดไว้อย่างเคร่งครัด

ภาพมาถึงเราจากเรตินา ผ่านชุดของโซนการมองเห็นและสิ้นสุดในโซนเวลา

ในยุค 60 อันห่างไกลของศตวรรษที่ผ่านมา เมื่อการศึกษาพื้นที่การมองเห็นของสมองเพิ่งเริ่มต้น การทดลองครั้งแรกได้ดำเนินการกับสัตว์เพราะไม่มี fMRI สมองได้รับการตรวจสอบโดยใช้อิเล็กโทรดที่ฝังอยู่ในโซนการมองเห็นต่างๆ

โซนภาพแรกถูกสำรวจโดย David Hubel และ Thorsten Wiesel ในปี 1962 พวกเขาทำการทดลองกับแมว แมวถูกแสดงวัตถุเคลื่อนไหวต่างๆ สิ่งที่เซลล์สมองตอบสนองคือสิ่งเร้าที่สัตว์รับรู้ แม้กระทั่งตอนนี้ มีการทดลองมากมายในลักษณะที่เข้มงวดเหล่านี้ อย่างไรก็ตามนี่คือที่สุด วิธีที่มีประสิทธิภาพค้นหาว่าเซลล์เล็กๆ ทุกเซลล์ในสมองของเราทำอะไรอยู่

ในทำนองเดียวกัน คุณสมบัติที่สำคัญอีกมากมายของโซนการมองเห็นที่เราใช้ในการเรียนรู้เชิงลึกในตอนนี้ถูกค้นพบ คุณสมบัติที่สำคัญที่สุดประการหนึ่งคือการเพิ่มขึ้นของช่องรับแสงของเซลล์ของเราเมื่อเราย้ายจากพื้นที่การมองเห็นหลักไปยังกลีบขมับ นั่นคือ พื้นที่การมองเห็นในภายหลัง ฟิลด์ที่เปิดกว้างเป็นส่วนหนึ่งของภาพที่ทุกเซลล์ในสมองของเราประมวลผล แต่ละเซลล์มีฟิลด์รับของตนเอง คุณสมบัติเดียวกันนี้ยังคงอยู่ในโครงข่ายประสาทเทียม อย่างที่คุณอาจทราบกันดีอยู่แล้ว

นอกจากนี้ ด้วยการเพิ่มขึ้นของเขตข้อมูลที่เปิดกว้าง สิ่งเร้าที่ซับซ้อนซึ่งโครงข่ายประสาทเทียมมักจะรับรู้เพิ่มขึ้น

คุณจะเห็นตัวอย่างความซับซ้อนของสิ่งเร้า รูปทรงสองมิติต่างๆ ที่รับรู้ในพื้นที่ V2, V4 และ ส่วนต่างๆทุ่งชั่วคราวในลิงแสม กำลังดำเนินการทดลอง MRI จำนวนหนึ่ง

คุณสามารถดูวิธีดำเนินการทดลองดังกล่าวได้ที่นี่ นี้เป็นส่วน 1 นาโนเมตรของไอทีคอร์เทกซ์ "โซนของลิงเมื่อจำวัตถุต่างๆ เน้นที่มันเป็นที่รู้จัก

มาสรุปกัน คุณสมบัติที่สำคัญที่เราต้องการนำมาใช้จากพื้นที่ที่มองเห็นได้คือขนาดของฟิลด์ที่เปิดกว้างเพิ่มขึ้น และความซับซ้อนของวัตถุที่เรารู้จักเพิ่มขึ้น

วิสัยทัศน์คอมพิวเตอร์

ก่อนที่เราจะได้เรียนรู้วิธีนำสิ่งนี้ไปใช้กับคอมพิวเตอร์วิทัศน์ โดยทั่วไปแล้ว มันไม่มีอยู่จริง ไม่ว่าในกรณีใด มันไม่ได้ผลดีเท่ากับตอนนี้

เราถ่ายโอนคุณสมบัติทั้งหมดเหล่านี้ไปยังโครงข่ายประสาทเทียม และตอนนี้ก็ใช้ได้ หากคุณไม่ได้รวมการพูดนอกเรื่องเล็กน้อยในชุดข้อมูล ซึ่งฉันจะพูดถึงในภายหลัง

แต่ก่อนอื่น เล็กน้อยเกี่ยวกับการรับรู้ที่ง่ายที่สุด มันยังเกิดขึ้นในภาพและความคล้ายคลึงของสมองของเรา องค์ประกอบที่ง่ายที่สุดที่คล้ายกับเซลล์สมองคือเซลล์ประสาท มีองค์ประกอบอินพุตที่มีค่าเริ่มต้นเป็นซ้ายไปขวา บางครั้งจากล่างขึ้นบน ด้านซ้ายเป็นส่วนอินพุตของเซลล์ประสาท ด้านขวาเป็นส่วนเอาต์พุตของเซลล์ประสาท

Perceptron ที่ง่ายที่สุดสามารถดำเนินการเฉพาะขั้นพื้นฐานเท่านั้น เพื่อที่จะทำการคำนวณที่ซับซ้อนมากขึ้น เราจำเป็นต้องมีโครงสร้างที่มี ปริมาณมากชั้นที่ซ่อนอยู่

ในกรณีของการมองเห็นด้วยคอมพิวเตอร์ เราต้องการเลเยอร์ที่ซ่อนอยู่มากกว่านี้ จากนั้นระบบจะรับรู้อย่างมีความหมายว่าเห็นอะไร

ฉันจะบอกคุณโดยใช้ตัวอย่างใบหน้า

สำหรับเราที่จะมองภาพนี้และบอกว่ามันแสดงให้เห็นใบหน้าของรูปปั้นนั้นค่อนข้างง่าย อย่างไรก็ตาม จนถึงปี 2010 นี่เป็นงานที่ยากอย่างเหลือเชื่อสำหรับการมองเห็นด้วยคอมพิวเตอร์ ผู้ที่เคยจัดการกับปัญหานี้มาก่อนคงรู้ว่าการอธิบายวัตถุที่เราต้องการหาในภาพโดยไม่ใช้คำพูดนั้นยากเพียงใด

เราต้องทำให้มันเป็นรูปเรขาคณิต อธิบายวัตถุ อธิบายความสัมพันธ์ของวัตถุ ส่วนต่าง ๆ เหล่านี้สามารถสัมพันธ์กันได้อย่างไร จากนั้นหาภาพนี้บนวัตถุ เปรียบเทียบและรับสิ่งที่เราจำได้ไม่ดี มักจะดีกว่าการโยนเหรียญเล็กน้อย ดีกว่าระดับโอกาสเล็กน้อย

ตอนนี้ไม่เป็นเช่นนั้น เราแบ่งภาพออกเป็นพิกเซลหรือแพตช์บางส่วน: 2x2, 3x3, 5x5, 11x11 พิกเซล - สะดวกสำหรับผู้สร้างระบบที่ทำหน้าที่เป็นเลเยอร์อินพุตสำหรับเครือข่ายประสาทเทียม

สัญญาณจากชั้นอินพุตเหล่านี้ถูกส่งจากชั้นหนึ่งไปอีกชั้นหนึ่งโดยใช้การประสาน โดยแต่ละชั้นมีค่าสัมประสิทธิ์เฉพาะของตัวเอง เราจึงส่งต่อจากชั้นหนึ่งไปอีกชั้นหนึ่ง จากชั้นหนึ่งไปอีกชั้นหนึ่ง จนกว่าเราจะจำใบหน้าได้

ตามอัตภาพ ทุกส่วนเหล่านี้สามารถแบ่งออกเป็นสามคลาส เราจะระบุว่าเป็น X, W และ Y โดยที่ X คืออิมเมจอินพุตของเรา Y คือชุดป้ายกำกับ และเราจำเป็นต้องได้น้ำหนักของเรา เราจะคำนวณ W ได้อย่างไร?

จากค่า X และ Y ของเรา ดูเหมือนว่าจะง่าย อย่างไรก็ตาม สิ่งที่ระบุด้วยเครื่องหมายดอกจันคือการดำเนินการที่ไม่เป็นเชิงเส้นที่ซับซ้อนมาก ซึ่งน่าเสียดายที่ไม่มีค่าผกผัน แม้จะให้องค์ประกอบ 2 อย่างของสมการ แต่ก็ยากที่จะคำนวณ ดังนั้นเราต้องค่อยๆ โดยการลองผิดลองถูก โดยการเลือกน้ำหนัก W ตรวจสอบให้แน่ใจว่าข้อผิดพลาดนั้นลดลงมากที่สุดเท่าที่จะเป็นไปได้ เป็นที่พึงปรารถนาที่จะมีค่าเท่ากับศูนย์

กระบวนการนี้เกิดขึ้นซ้ำ ๆ เราลดลงอย่างต่อเนื่องจนกว่าเราจะพบค่าของน้ำหนัก W ที่เพียงพอสำหรับเรา

อย่างไรก็ตาม ไม่ใช่เครือข่ายประสาทเดียวที่ฉันทำงานด้วยมีข้อผิดพลาดเท่ากับศูนย์ แต่ใช้งานได้ค่อนข้างดี

นี่คือเครือข่ายแรกที่ชนะการแข่งขันระดับนานาชาติของ ImageNet ในปี 2555 นี่คือสิ่งที่เรียกว่า AlexNet นี่คือเครือข่ายที่ประกาศตัวเองครั้งแรกว่ามีโครงข่ายประสาทเทียม และตั้งแต่นั้นมา ในการแข่งขันระดับนานาชาติทั้งหมด โครงข่ายประสาทเทียมไม่เคยสูญเสียตำแหน่ง

แม้ว่าเครือข่ายนี้จะค่อนข้างเล็ก (มีเพียง 7 ชั้นที่ซ่อนอยู่) แต่ก็มีเซลล์ประสาท 650,000 เซลล์ที่มีพารามิเตอร์ 60 ล้านตัว เพื่อเรียนรู้วิธีหาตุ้มน้ำหนักที่เหมาะสมซ้ำๆ เราจำเป็นต้องมีตัวอย่างมากมาย

โครงข่ายประสาทเรียนรู้จากตัวอย่างรูปภาพและป้ายกำกับ เมื่อเราได้รับการสอนในวัยเด็ก "นี่คือแมวและนี่คือสุนัข" โครงข่ายประสาทเทียมก็ได้รับการฝึกฝนเช่นกัน จำนวนมากรูปภาพ. แต่ความจริงก็คือก่อนปี 2010 ไม่มีชุดข้อมูลขนาดใหญ่พอที่จะสอนพารามิเตอร์มากมายให้จดจำภาพได้

ฐานข้อมูลที่ใหญ่ที่สุดที่มีอยู่จนถึงเวลานั้นคือ PASCAL VOC ซึ่งมีหมวดหมู่วัตถุเพียง 20 หมวดหมู่และ Caltech 101 ซึ่งพัฒนาขึ้นที่สถาบันเทคโนโลยีแคลิฟอร์เนีย อันสุดท้ายมี 101 หมวดหมู่และนั่นเป็นจำนวนมาก บรรดาผู้ที่ไม่พบวัตถุของพวกเขาในฐานข้อมูลใด ๆ เหล่านี้ต้องเสียค่าใช้จ่ายฐานข้อมูลซึ่งฉันจะบอกว่าเจ็บปวดอย่างมาก

อย่างไรก็ตาม ในปี 2010 ฐานข้อมูล ImageNet ปรากฏขึ้นซึ่งมีรูปภาพ 15 ล้านภาพ แบ่งออกเป็น 22,000 หมวดหมู่ วิธีนี้ช่วยแก้ปัญหาการฝึกอบรมโครงข่ายประสาทเทียมของเราได้ ตอนนี้ทุกคนที่มีที่อยู่ทางวิชาการสามารถไปที่ไซต์ของฐานได้อย่างง่ายดาย ขอเข้าถึง และรับฐานนี้เพื่อฝึกโครงข่ายประสาทเทียมของพวกเขา พวกเขาตอบสนองค่อนข้างเร็วในความคิดของฉันในวันถัดไป

เมื่อเทียบกับชุดข้อมูลก่อนหน้านี้ นี่เป็นฐานข้อมูลขนาดใหญ่มาก

ตัวอย่างแสดงให้เห็นว่าทุกสิ่งที่เคยเป็นมาก่อนนั้นไม่สำคัญ การแข่งขัน ImageNet ปรากฏขึ้นพร้อมกับฐาน ImageNet ซึ่งเป็นความท้าทายระดับนานาชาติที่ทุกทีมที่ต้องการแข่งขันสามารถมีส่วนร่วมได้

ปีนี้เครือข่ายที่สร้างขึ้นในจีนได้รับรางวัลมี 269 ชั้น ฉันไม่รู้ว่ามีกี่พารามิเตอร์ ฉันสงสัยว่ามีมากเกินไป

สถาปัตยกรรมโครงข่ายประสาทลึก

ตามอัตภาพแบ่งได้เป็น 2 ส่วนคือภาคที่เรียนกับภาคที่ไม่เรียน

สีดำหมายถึงส่วนที่ไม่ได้เรียน ส่วนชั้นอื่นๆ ทั้งหมดสามารถเรียนรู้ได้ มีคำจำกัดความมากมายเกี่ยวกับสิ่งที่อยู่ภายในแต่ละเลเยอร์ที่โค้งงอ การกำหนดที่ยอมรับอย่างหนึ่งคือชั้นหนึ่งที่มีส่วนประกอบสามส่วนแบ่งออกเป็นระยะการบิด ระยะตัวตรวจจับ และระยะการรวม

ฉันจะไม่ลงรายละเอียดจะมีรายงานอื่น ๆ อีกมากมายที่จะให้รายละเอียดว่ามันทำงานอย่างไร ฉันจะบอกคุณด้วยตัวอย่าง

เนื่องจากผู้จัดงานขอให้ฉันไม่พูดถึงสูตรต่างๆ มากมาย ฉันก็เลยโยนมันทิ้งไป

ดังนั้นภาพที่ป้อนเข้าจะอยู่ในเครือข่ายของเลเยอร์ ซึ่งสามารถเรียกได้ว่าเป็นตัวกรองที่มีขนาดต่างกันและความซับซ้อนที่แตกต่างกันขององค์ประกอบที่พวกเขารู้จัก ตัวกรองเหล่านี้ประกอบขึ้นเป็นดัชนีหรือชุดคุณลักษณะ ซึ่งจะเข้าไปในตัวแยกประเภท โดยปกตินี่คือ SVM หรือ MLP ซึ่งเป็น Perceptron แบบหลายชั้นซึ่งสะดวกสำหรับทุกคน

ในภาพและความคล้ายคลึงกันของโครงข่ายประสาทเทียมทางชีวภาพ วัตถุที่มีความซับซ้อนต่างกันจะรับรู้ได้ เมื่อจำนวนชั้นเพิ่มขึ้น ทั้งหมดนี้ขาดการติดต่อกับเยื่อหุ้มสมอง เนื่องจากมีโซนในโครงข่ายประสาทจำนวนจำกัด 269 ​​​​หรือหลาย ๆ โซนที่เป็นนามธรรมดังนั้นความซับซ้อนที่เพิ่มขึ้นจำนวนองค์ประกอบและฟิลด์ที่เปิดกว้างเท่านั้นที่บันทึกไว้

หากเราดูตัวอย่างของการจดจำใบหน้า ช่องรับของเลเยอร์แรกจะเล็ก จากนั้นค่อย ๆ เพิ่มขึ้น ไปเรื่อยๆ จนกว่าเราจะจำใบหน้าทั้งหมดได้ในที่สุด

ในแง่ของสิ่งที่เรามีในตัวกรอง ขั้นแรกจะมีแท่งเอียงบวกสีบางส่วน จากนั้นบางส่วนของใบหน้า จากนั้นแต่ละเซลล์ของเลเยอร์จะจดจำใบหน้าทั้งหมด

มีคนที่อ้างว่าบุคคลรู้จักดีกว่าเครือข่ายเสมอ อย่างนั้นหรือ?

ในปี 2014 นักวิทยาศาสตร์ตัดสินใจทดสอบว่าเรารู้จักเราได้ดีเพียงใดเมื่อเปรียบเทียบกับโครงข่ายประสาทเทียม คว้า 2 สิ่งที่ดีที่สุด ช่วงเวลานี้เครือข่ายคือ AlexNet และเครือข่ายของ Matthew Ziller และ Fergus และเปรียบเทียบกับการตอบกลับ โซนต่างๆสมองลิงแสมซึ่งถูกสอนให้รู้จักวัตถุบางอย่างด้วย สิ่งของเหล่านี้มาจากอาณาจักรสัตว์เพื่อไม่ให้ลิงสับสน และได้ทำการทดลองเพื่อดูว่าใครจะจำได้ดีกว่ากัน

เนื่องจากเป็นไปไม่ได้อย่างชัดเจนที่จะได้รับการตอบสนองจากลิง อิเล็กโทรดจึงถูกฝังอยู่ในนั้นและวัดการตอบสนองของเซลล์ประสาทแต่ละเซลล์โดยตรง

ปรากฎว่าใน ภาวะปกติเซลล์สมองตอบสนองเช่นเดียวกับรูปแบบที่ทันสมัยในขณะนั้น นั่นคือเครือข่ายของ Matthew Ziller

อย่างไรก็ตาม ด้วยความเร็วในการแสดงวัตถุที่เพิ่มขึ้น จำนวนสัญญาณรบกวนและวัตถุในภาพที่เพิ่มขึ้น ความเร็วในการรับรู้และคุณภาพของมันในสมองและสมองของสัตว์เลี้ยงลูกด้วยนมก็ลดลงอย่างรวดเร็ว แม้แต่โครงข่ายประสาทเทียมที่ง่ายที่สุดก็ยังจดจำวัตถุได้ดีกว่า กล่าวคือ โครงข่ายประสาทเทียมทำงานได้ดีกว่าสมองของเรา

ปัญหาคลาสสิกของโครงข่ายประสาทเทียม

จริงๆ แล้วมีไม่มากนัก พวกเขาอยู่ในสามคลาส ในหมู่พวกเขามีงานเช่นการระบุวัตถุ, การแบ่งส่วนความหมาย, การจดจำใบหน้า, การจดจำส่วนต่าง ๆ ของร่างกายมนุษย์, การตรวจจับขอบเขตความหมาย, การเลือกวัตถุที่น่าสนใจในภาพและการเลือกบรรทัดฐานสู่พื้นผิว สามารถแบ่งตามเงื่อนไขได้เป็น 3 ระดับ: จากงานระดับต่ำสุดไปยังงานระดับสูงสุด

ใช้ภาพนี้เป็นตัวอย่าง มาดูกันว่าแต่ละงานทำอะไร

• คำจำกัดความของขอบเขต- นี่เป็นงานระดับต่ำสุดที่ใช้โครงข่ายประสาทเทียมแบบคลาสสิกอยู่แล้ว
• นิยามของเวกเตอร์เป็นค่าปกติช่วยให้เราสามารถสร้างภาพ 3 มิติขึ้นมาใหม่จากภาพ 2 มิติได้
• ความโดดเด่น นิยามของวัตถุแห่งความสนใจ- นี่คือสิ่งที่บุคคลจะให้ความสนใจเมื่อพิจารณาภาพนี้
• การแบ่งส่วนความหมายอนุญาตให้คุณแบ่งวัตถุออกเป็นคลาสตามโครงสร้างของมัน โดยไม่ต้องรู้อะไรเกี่ยวกับวัตถุเหล่านี้ นั่นคือก่อนที่พวกเขาจะรู้จัก
• เน้นขอบเขตความหมาย- นี่คือการเลือกขอบเขตแบ่งออกเป็นชั้นเรียน
• การแยกส่วนต่างๆ ของร่างกายมนุษย์.
• และงานระดับสูงสุด - การรับรู้ของวัตถุเองซึ่งตอนนี้เราจะพิจารณาใช้ตัวอย่างการจดจำใบหน้า

การจดจำใบหน้า

สิ่งแรกที่เราทำคือเรียกใช้ตัวตรวจจับใบหน้าเหนือภาพเพื่อค้นหาใบหน้า จากนั้น เราทำให้ปกติ ตั้งศูนย์ใบหน้า และเรียกใช้สำหรับการประมวลผลในโครงข่ายประสาทเทียม หลังจากนั้น เราจะได้ชุดหรือเวกเตอร์ของคุณสมบัติที่ อธิบายลักษณะเด่นของใบหน้านี้อย่างมีเอกลักษณ์

จากนั้น เราสามารถเปรียบเทียบเวกเตอร์คุณลักษณะนี้กับเวกเตอร์คุณลักษณะทั้งหมดที่จัดเก็บไว้ในฐานข้อมูลของเรา และรับการอ้างอิงถึงบุคคลเฉพาะ ชื่อของเขา โปรไฟล์ของเขา - ทุกสิ่งที่เราสามารถจัดเก็บไว้ในฐานข้อมูล

นี่คือวิธีการทำงานของผลิตภัณฑ์ FindFace ซึ่งเป็นบริการฟรีที่ช่วยให้คุณค้นหาโปรไฟล์ของผู้คนในฐานข้อมูล VKontakte

นอกจากนี้ เรามี API สำหรับบริษัทที่ต้องการทดลองใช้ผลิตภัณฑ์ของเรา เราให้บริการตรวจจับใบหน้า ยืนยันตัวตน และระบุตัวตนผู้ใช้

ตอนนี้เราได้พัฒนา 2 สถานการณ์ ประการแรกคือการระบุตัวตนการค้นหาบุคคลในฐานข้อมูล ประการที่สองคือการตรวจสอบ นี่คือการเปรียบเทียบภาพสองภาพที่มีความน่าจะเป็นที่แน่นอนว่าเป็นบุคคลเดียวกัน นอกจากนี้ เรากำลังพัฒนาการจดจำอารมณ์ การจดจำภาพวิดีโอ และการตรวจจับความมีชีวิตชีวา ซึ่งเป็นความเข้าใจว่าบุคคลนั้นมีชีวิตอยู่หน้ากล้องหรือภาพถ่าย

สถิติบางอย่าง เมื่อระบุเมื่อค้นหา 10,000 ภาพถ่าย เรามีความแม่นยำประมาณ 95% ขึ้นอยู่กับคุณภาพของฐานข้อมูล ความถูกต้อง 99% ของการตรวจสอบ นอกจากนี้ อัลกอริธึมนี้ยังทนทานต่อการเปลี่ยนแปลงอย่างมาก - เราไม่ต้องมองที่กล้อง เราอาจมีวัตถุขวางกั้น: แว่นตา แว่นกันแดด,เครา,หน้ากากอนามัย. ในบางกรณี เราสามารถเอาชนะปัญหาที่เหลือเชื่อสำหรับการมองเห็นด้วยคอมพิวเตอร์ได้ เช่น แว่นตาและหน้ากาก

การค้นหาที่รวดเร็วมาก ใช้เวลา 0.5 วินาทีในการประมวลผล 1 พันล้านภาพ เราได้พัฒนาดัชนีการค้นหาด่วนที่ไม่เหมือนใคร นอกจากนี้เรายังสามารถทำงานกับภาพคุณภาพต่ำจากกล้องวงจรปิด เราสามารถประมวลผลได้ทั้งหมดแบบเรียลไทม์ คุณสามารถอัปโหลดรูปภาพผ่านอินเทอร์เฟซเว็บ ผ่าน Android, iOS และค้นหาผ่านผู้ใช้ 100 ล้านคนและรูปภาพ 250 ล้านรูป

อย่างที่ฉันพูดไป เราคว้าอันดับหนึ่งในการแข่งขัน MegaFace ซึ่งเป็นอะนาล็อกสำหรับ ImageNet แต่สำหรับการจดจำใบหน้า ดำเนินการมาหลายปีแล้ว ปีที่แล้วเราเป็นทีมที่ดีที่สุดจาก 100 ทีมจากทั่วทุกมุมโลก รวมถึง Google

โครงข่ายประสาทกำเริบ

เราใช้โครงข่ายประสาทเทียมซ้ำๆ เมื่อไม่เพียงพอสำหรับเราที่จะจดจำเพียงภาพเท่านั้น ในกรณีที่เป็นสิ่งสำคัญสำหรับเราที่จะปฏิบัติตามลำดับ เราต้องการลำดับของสิ่งที่เกิดขึ้นกับเรา เราใช้โครงข่ายประสาทเทียมแบบปกติ

มันถูกนำไปใช้กับการรู้จำภาษาธรรมชาติ การประมวลผลวิดีโอ แม้แต่การจดจำภาพ

ฉันจะไม่พูดถึงการรู้จำภาษาธรรมชาติ - หลังจากรายงานของฉัน จะมีอีกสองเรื่องที่มุ่งเป้าไปที่การรู้จำภาษาธรรมชาติ ดังนั้นฉันจะพูดถึงการทำงานของเครือข่ายที่เกิดซ้ำโดยใช้ตัวอย่างการจดจำอารมณ์

โครงข่ายประสาทที่เกิดซ้ำคืออะไร? สิ่งนี้เหมือนกับโครงข่ายประสาทเทียมทั่วไป แต่มีข้อเสนอแนะ เราต้องการข้อเสนอแนะเพื่อส่งสถานะก่อนหน้าของระบบไปยังอินพุตของโครงข่ายประสาทเทียมหรือไปยังชั้นใดชั้นหนึ่ง

สมมติว่าเราประมวลผลอารมณ์ แม้แต่ในรอยยิ้ม ซึ่งเป็นอารมณ์ที่เรียบง่ายที่สุดอารมณ์หนึ่ง มีหลายช่วงเวลา ตั้งแต่การแสดงออกทางสีหน้าที่เป็นกลางไปจนถึงช่วงเวลาที่เรายิ้มเต็มที่ พวกเขาติดตามกันเป็นลำดับ เพื่อให้เข้าใจสิ่งนี้เป็นอย่างดี เราต้องสามารถสังเกตว่าสิ่งนี้เกิดขึ้นได้อย่างไร เพื่อถ่ายโอนสิ่งที่อยู่ในเฟรมก่อนหน้าไปยังขั้นตอนต่อไปของระบบ

ในปี 2005 ที่การแข่งขัน Emotion Recognition in the Wild โดยเฉพาะสำหรับการจดจำอารมณ์ ทีมงานจากมอนทรีออลได้นำเสนอระบบที่เกิดซ้ำซึ่งดูเรียบง่ายมาก เธอมีเลเยอร์ที่บิดเบี้ยวเพียงไม่กี่ชั้น และเธอทำงานเฉพาะกับวิดีโอ ในปีนี้ พวกเขายังได้เพิ่มการรู้จำเสียงและข้อมูลที่รวบรวมแบบเฟรมต่อเฟรมที่ได้รับจากโครงข่ายประสาทเทียม ข้อมูลสัญญาณเสียงที่มีการทำงานของเครือข่ายประสาทเทียมแบบเกิดซ้ำ (เก็บสถานะ) และได้รับรางวัลชนะเลิศในการแข่งขัน

การเรียนรู้การเสริมแรง

โครงข่ายประสาทชนิดต่อไปซึ่งใช้บ่อยมากเมื่อเร็ว ๆ นี้ แต่ยังไม่ได้รับการเผยแพร่อย่างกว้างขวางเช่น 2 ประเภทก่อนหน้านี้คือการเรียนรู้เชิงลึกการเรียนรู้การเสริมแรง

ความจริงก็คือในสองกรณีก่อนหน้านี้เราใช้ฐานข้อมูล เรามีข้อมูลจากใบหน้า หรือข้อมูลจากรูปภาพ หรือข้อมูลอารมณ์จากวิดีโอ ถ้าเราไม่มี ถ้าถ่ายไม่ได้ เราจะสอนหุ่นยนต์ให้หยิบสิ่งของได้อย่างไร? เราทำสิ่งนี้โดยอัตโนมัติ - เราไม่รู้ว่ามันทำงานอย่างไร อีกตัวอย่างหนึ่ง: การรวบรวมฐานข้อมูลขนาดใหญ่ในเกมคอมพิวเตอร์นั้นยาก และไม่จำเป็น สามารถทำได้ง่ายกว่ามาก

ทุกคนคงเคยได้ยินเกี่ยวกับความสำเร็จของการเรียนรู้การเสริมกำลังอย่างลึกซึ้งใน Atari และ Go

ใครเคยได้ยินเกี่ยวกับอาตาริบ้าง? มีคนได้ยิน โอเค ฉันคิดว่าทุกคนเคยได้ยินเกี่ยวกับ AlphaGo ดังนั้นฉันจะไม่บอกคุณว่าเกิดอะไรขึ้นที่นั่น

เกิดอะไรขึ้นที่อาตาริ? สถาปัตยกรรมของโครงข่ายประสาทเทียมนี้แสดงอยู่ทางด้านซ้าย เธอเรียนรู้ด้วยการเล่นกับตัวเองเพื่อรับรางวัลสูงสุด รางวัลสูงสุดคือผลลัพธ์ที่เร็วที่สุดของเกมด้วยคะแนนสูงสุดที่เป็นไปได้

บนขวา - เลเยอร์สุดท้ายของโครงข่ายประสาทเทียม ซึ่งแสดงจำนวนสถานะของระบบทั้งหมด ซึ่งเล่นกับตัวเองเพียงสองชั่วโมง สีแดงแสดงผลลัพธ์ที่ต้องการของเกมพร้อมรางวัลสูงสุดและสีน้ำเงิน - ไม่พึงปรารถนา เครือข่ายสร้างฟิลด์เฉพาะและย้ายผ่านเลเยอร์ที่ได้รับการฝึกอบรมไปยังสถานะที่ต้องการบรรลุ

ในวิทยาการหุ่นยนต์ สถานการณ์แตกต่างกันเล็กน้อย ทำไม ที่นี่เรามีภาวะแทรกซ้อนหลายอย่าง ประการแรก เรามีฐานข้อมูลไม่มากนัก ประการที่สอง เราต้องประสานงานสามระบบพร้อมกัน: การรับรู้ของหุ่นยนต์ การกระทำของมันด้วยความช่วยเหลือของผู้ควบคุมและหน่วยความจำ - สิ่งที่ทำในขั้นตอนที่แล้วและวิธีการที่มันทำ โดยทั่วไปแล้วทั้งหมดนี้เป็นเรื่องยากมาก

ความจริงก็คือไม่มีโครงข่ายประสาทเทียม แม้แต่การเรียนรู้เชิงลึกในขณะนี้ ก็สามารถรับมือกับงานนี้ได้อย่างมีประสิทธิภาพเพียงพอ ดังนั้น การเรียนรู้เชิงลึกจึงเป็นเพียงส่วนหนึ่งของสิ่งที่หุ่นยนต์ต้องทำเท่านั้น ตัวอย่างเช่น เมื่อเร็วๆ นี้ Sergey Levin ได้จัดเตรียมระบบที่สอนให้หุ่นยนต์จับสิ่งของ

นี่คือการทดลองที่เขาทำกับแขนหุ่นยนต์ 14 ชิ้นของเขา

เกิดอะไรขึ้นที่นี่? ในอ่างเหล่านี้ที่คุณเห็นต่อหน้าคุณ มีสิ่งของต่างๆ: ปากกา ยางลบ แก้วขนาดเล็กและใหญ่ ผ้าขี้ริ้ว พื้นผิวที่แตกต่างกัน ความแข็งต่างกัน ไม่ชัดเจนว่าจะฝึกหุ่นยนต์ให้จับได้อย่างไร เป็นเวลาหลายชั่วโมงและแม้กระทั่งหลายสัปดาห์ที่หุ่นยนต์ได้รับการฝึกฝนเพื่อให้สามารถจับวัตถุเหล่านี้ได้ ฐานข้อมูลถูกรวบรวมในโอกาสนี้

ฐานข้อมูลเป็นการตอบสนองสภาพแวดล้อมประเภทหนึ่งที่เราจำเป็นต้องสะสมเพื่อให้สามารถฝึกหุ่นยนต์ให้ทำอะไรในอนาคตได้ ในอนาคต หุ่นยนต์จะได้รับการฝึกอบรมเกี่ยวกับสถานะของระบบชุดนี้

แอปพลิเคชั่นที่ไม่ได้มาตรฐานของโครงข่ายประสาทเทียม

น่าเสียดายที่มันจบลงแล้ว ฉันมีเวลาไม่มาก ฉันจะพูดถึงโซลูชันที่ไม่ได้มาตรฐานที่มีอยู่ในขณะนี้และตามการคาดการณ์จำนวนมากจะมีแอปพลิเคชันบางอย่างในอนาคต

ดังนั้นเมื่อเร็ว ๆ นี้นักวิทยาศาสตร์ของ Stanford จึงได้ใช้โครงข่ายประสาท CNN ที่ผิดปกติอย่างมากสำหรับการทำนายความยากจน พวกเขาทำอะไร?

จริงๆแล้วแนวคิดนั้นง่ายมาก ความจริงก็คือในแอฟริกา ระดับของความยากจนนั้นเกินขอบเขตที่คิดได้และคาดไม่ถึงทั้งหมด พวกเขาไม่มีความสามารถในการรวบรวมข้อมูลประชากรทางสังคม ดังนั้น ตั้งแต่ปี 2548 เราไม่มีข้อมูลเลยเกี่ยวกับสิ่งที่เกิดขึ้นที่นั่น

นักวิทยาศาสตร์ได้รวบรวมแผนที่กลางวันและกลางคืนจากดาวเทียมและป้อนเข้ากับโครงข่ายประสาทเทียมเมื่อเวลาผ่านไป

โครงข่ายประสาทเทียมได้รับการกำหนดค่าไว้ล่วงหน้าบน ImageNet "e นั่นคือ ชั้นแรกของตัวกรองได้รับการกำหนดค่าเพื่อให้สามารถจดจำสิ่งง่ายๆ บางอย่างได้ เช่น หลังคาบ้าน เพื่อค้นหาการตั้งถิ่นฐานบนแผนที่ในเวลากลางวัน จากนั้นแผนที่ในเวลากลางวันจะถูก เทียบกับแผนที่เวลากลางคืนการส่องสว่างบริเวณเดียวกันของพื้นผิวเพื่อบอกว่าอย่างน้อยประชากรต้องมีเงินเท่าไรในการส่องสว่างบ้านของพวกเขาในตอนกลางคืน

ที่นี่คุณจะเห็นผลลัพธ์ของการทำนายที่สร้างโดยโครงข่ายประสาทเทียม การคาดการณ์ถูกสร้างขึ้นด้วยความละเอียดที่แตกต่างกัน และคุณจะเห็นว่า - กรอบสุดท้าย - ข้อมูลจริงที่รวบรวมโดยรัฐบาลยูกันดาในปี 2548

จะเห็นได้ว่าโครงข่ายประสาทเทียมทำนายได้แม่นยำพอสมควร แม้จะมีการเปลี่ยนแปลงเล็กน้อยตั้งแต่ปี 2548

แน่นอนว่ามี ผลข้างเคียง. นักวิทยาศาสตร์ที่มีส่วนร่วมในการเรียนรู้อย่างลึกซึ้งมักจะประหลาดใจที่พบผลข้างเคียงที่แตกต่างกัน ตัวอย่างเช่น เช่นเดียวกับที่เครือข่ายได้เรียนรู้ที่จะรู้จักน้ำ ป่าไม้ สถานที่ก่อสร้างขนาดใหญ่ ถนน ทั้งหมดนี้ไม่มีครู และไม่มีฐานข้อมูลที่สร้างไว้ล่วงหน้า โดยทั่วไปเป็นอิสระอย่างสมบูรณ์ มีบางชั้นที่ทำปฏิกิริยากับถนน

และ ใบสมัครล่าสุดซึ่งผมอยากจะพูดถึงคือ การแบ่งส่วนความหมายของภาพ 3 มิติในทางการแพทย์ โดยทั่วไป การถ่ายภาพทางการแพทย์เป็นพื้นที่ที่ซับซ้อนซึ่งใช้งานยากมาก

มีเหตุผลหลายประการนี้.

• เรามีฐานข้อมูลน้อยมาก มันไม่ง่ายเลยที่จะค้นหาภาพสมอง นอกจากจะเสียหายแล้ว ยังไม่สามารถเอามันจากที่ไหนก็ได้
• แม้ว่าเราจะมีภาพดังกล่าว แต่เราจำเป็นต้องพาแพทย์และบังคับให้เขาวางภาพหลายชั้นทั้งหมดด้วยตนเอง ซึ่งใช้เวลานานและไม่มีประสิทธิภาพอย่างยิ่ง ไม่ใช่แพทย์ทุกคนที่มีทรัพยากรในการทำเช่นนี้
• ต้องการความแม่นยำสูงมาก ระบบการแพทย์ไม่ผิด เมื่อรับรู้เช่นแมวน้ำพวกเขาไม่รู้จัก - ไม่เป็นไร และถ้าเราไม่รู้จักเนื้องอก แสดงว่าสิ่งนี้ไม่ดีนัก มีข้อกำหนดที่เข้มงวดเป็นพิเศษสำหรับความน่าเชื่อถือของระบบ
• รูปภาพในองค์ประกอบสามมิติ - voxels ไม่ใช่พิกเซล ซึ่งนำความซับซ้อนเพิ่มเติมมาสู่นักออกแบบระบบ

แต่คุณจะแก้ไขปัญหานี้ได้อย่างไรในกรณีนี้ CNN เป็นแบบดูอัลสตรีม ส่วนหนึ่งประมวลผลความละเอียดปกติ อีกส่วนหนึ่งมีความละเอียดที่แย่กว่าเล็กน้อยเพื่อลดจำนวนเลเยอร์ที่เราต้องฝึก ด้วยเหตุนี้ เวลาสำหรับการฝึกอบรมเครือข่ายจึงลดลงเล็กน้อย

ใช้ที่ไหน: เพื่อตรวจสอบความเสียหายหลังจากการระเบิดเพื่อค้นหาเนื้องอกในสมองในโรคหัวใจเพื่อตรวจสอบว่าหัวใจทำงานอย่างไร

นี่คือตัวอย่างการกำหนดปริมาตรของรก

มันใช้งานได้ดีโดยอัตโนมัติ แต่ยังไม่เพียงพอสำหรับการเปิดตัวสู่การผลิต ดังนั้นจึงเพิ่งเริ่มต้น มีบริษัทสตาร์ทอัพหลายแห่งที่จะสร้างระบบดังกล่าว วิสัยทัศน์ทางการแพทย์. โดยทั่วไป ในอนาคตอันใกล้นี้ มีบริษัทสตาร์ทอัพจำนวนมากในการเรียนรู้เชิงลึก พวกเขากล่าวว่าผู้ร่วมทุนได้จัดสรรงบประมาณสำหรับการเริ่มต้นการเรียนรู้เชิงลึกในช่วง 6 เดือนที่ผ่านมามากกว่าในช่วง 5 ปีที่ผ่านมา

พื้นที่นี้มีการพัฒนาอย่างแข็งขัน มีทิศทางที่น่าสนใจมากมาย เราอยู่ในช่วงเวลาที่น่าสนใจ หากคุณมีส่วนร่วมในการเรียนรู้เชิงลึก อาจถึงเวลาแล้วที่คุณจะเปิดบริษัทสตาร์ทอัพของคุณเอง

อืม ฉันคงจะจบแค่นี้ ขอบคุณมาก.

17.04.1997 Alexander Yezhov, Vladimir Chechetkin

เจ็บแน่นหน้าอก. รถพยาบาลส่งผู้ป่วยไปที่ห้องฉุกเฉินซึ่งแพทย์ประจำหน้าที่ต้องทำการวินิจฉัยและตรวจสอบว่าเป็นโรคกล้ามเนื้อหัวใจตายหรือไม่ จากประสบการณ์พบว่าสัดส่วนของผู้ป่วยที่มีอาการหัวใจวายในกลุ่มผู้ที่เข้ารับการรักษาด้วยอาการคล้ายคลึงกันมีน้อย วิธีการที่แม่นยำแต่ยังขาดการวินิจฉัย คลื่นไฟฟ้าหัวใจบางครั้งไม่มีสัญญาณที่ชัดเจนของโรค และมีกี่พารามิเตอร์ของอาการของผู้ป่วยที่สามารถช่วยในการวินิจฉัยที่ถูกต้องในกรณีนี้ได้ไม่ทางใดก็ทางหนึ่ง? กว่าสี่สิบ หมอได้ไหม ห้องฉุกเฉินได้อย่างรวดเร็ววิเคราะห์ตัวบ่งชี้เหล่านี้พร้อมกับความสัมพันธ์เพื่อตัดสินใจทิศทางของผู้ป่วยไปยังแผนกโรคหัวใจ? เทคโนโลยีโครงข่ายประสาทเทียมช่วยแก้ปัญหานี้ได้ในระดับหนึ่ง โครงข่ายประสาทเทียมสำหรับงานวินิจฉัย ระบบคอนกรีต ความเป็นไปได้ของการประยุกต์ใช้โครงข่ายประสาท ต่อสู้กับโรคมะเร็ง ระบบประสาท พันธุกรรม และโมเลกุล โครงข่ายประสาทเดินบนดาวเคราะห์ แทนที่จะเป็นข้อสรุป อาการเจ็บหน้าอกเฉียบพลัน รถพยาบาลมาส่ง

เจ็บแน่นหน้าอก. รถพยาบาลส่งผู้ป่วยไปที่ห้องฉุกเฉิน ซึ่งแพทย์ประจำหน้าที่ต้องทำการวินิจฉัยและตรวจสอบว่าเป็นกล้ามเนื้อหัวใจตายจริงหรือไม่ จากประสบการณ์พบว่าสัดส่วนของผู้ป่วยที่มีอาการหัวใจวายในกลุ่มผู้ที่เข้ารับการรักษาด้วยอาการคล้ายคลึงกันมีน้อย อย่างไรก็ตาม ยังไม่มีวิธีการวินิจฉัยที่แม่นยำ คลื่นไฟฟ้าหัวใจบางครั้งไม่มีสัญญาณที่ชัดเจนของโรค และมีกี่พารามิเตอร์ของอาการของผู้ป่วยที่สามารถช่วยในการวินิจฉัยที่ถูกต้องในกรณีนี้ได้ไม่ทางใดก็ทางหนึ่ง? กว่าสี่สิบ แพทย์ในห้องฉุกเฉินสามารถวิเคราะห์ตัวบ่งชี้ทั้งหมดอย่างรวดเร็วพร้อมกับความสัมพันธ์ของพวกเขาเพื่อตัดสินใจเกี่ยวกับการส่งต่อผู้ป่วยไปยังแผนกโรคหัวใจได้หรือไม่? เทคโนโลยีโครงข่ายประสาทเทียมช่วยแก้ปัญหานี้ได้ในระดับหนึ่ง .

สถิติมีดังนี้: แพทย์วินิจฉัยภาวะกล้ามเนื้อหัวใจตายได้อย่างถูกต้องในผู้ป่วย 88% และวินิจฉัยผิดพลาดใน 29% ของผู้ป่วยทั้งหมด มีสัญญาณเตือนที่ผิดพลาดมากเกินไป (การวินิจฉัยเกิน) ประวัติการสมัคร วิธีการต่างๆการประมวลผลข้อมูลเพื่อปรับปรุงคุณภาพของการวินิจฉัยย้อนหลังไปหลายทศวรรษ แต่สิ่งที่ดีที่สุดช่วยลดจำนวนกรณีของการวินิจฉัยเกินได้เพียง 3%

ในปี 1990 William Bakst จาก University of California ที่ซานดิเอโก ใช้โครงข่ายประสาทเทียม (multilayer perceptron) เพื่อรับรู้ภาวะกล้ามเนื้อหัวใจตายในผู้ป่วยที่เข้ารับการรักษาในห้องฉุกเฉินด้วย ปวดเฉียบพลันในหน้าอก เป้าหมายของเขาคือการสร้างเครื่องมือที่สามารถช่วยแพทย์ที่ไม่สามารถรับมือกับกระแสข้อมูลที่บ่งบอกถึงสภาพของผู้ป่วยที่เข้ารับการรักษาได้ เป้าหมายอื่นอาจเป็นการปรับปรุงการวินิจฉัย นักวิจัยทำให้งานของเขายากขึ้น เพราะเขาวิเคราะห์ข้อมูลเฉพาะผู้ป่วยที่ได้รับการส่งต่อไปยังแผนกโรคหัวใจแล้วเท่านั้น Bakst ใช้เพียง 20 พารามิเตอร์ ได้แก่ อายุ เพศ ตำแหน่งของความเจ็บปวด การตอบสนองต่อไนโตรกลีเซอรีน คลื่นไส้และอาเจียน เหงื่อออก เป็นลมหมดสติ อัตราการหายใจ อัตราการเต้นของหัวใจ หัวใจวายก่อนหน้า เบาหวาน ความดันโลหิตสูง คุณสมบัติของคลื่นไฟฟ้าหัวใจและการมีอยู่ของการเปลี่ยนแปลงขาดเลือดที่สำคัญ

เครือข่ายมีความแม่นยำถึง 92% ในการตรวจหากล้ามเนื้อหัวใจตาย และสร้างสัญญาณเตือนที่ผิดพลาดเพียง 4% ซึ่งเป็นการยืนยันการส่งผู้ป่วยไปยังแผนกโรคหัวใจอย่างผิดพลาด ดังนั้นจึงมีความสำเร็จในการใช้โครงข่ายประสาทเทียมในการวินิจฉัยโรคได้สำเร็จ ตอนนี้จำเป็นต้องอธิบายในพารามิเตอร์ใดบ้างที่ประเมินคุณภาพของการวินิจฉัยในกรณีทั่วไป สมมติว่าในสิบคนที่มีอาการหัวใจวายจริงๆ วิธีการวินิจฉัยสามารถตรวจพบโรคได้ในแปดคน จากนั้นความไวของวิธีการจะเป็น 80% ถ้าเราเอาสิบคนที่ไม่มีอาการหัวใจวายและวิธีการวินิจฉัยสงสัยในสามคนแล้วสัดส่วน สัญญาณเตือนที่ผิดพลาดจะเป็น 30% ในขณะที่คุณสมบัติเพิ่มเติม - ความจำเพาะของวิธีการ - จะเท่ากับ 70%

วิธีการวินิจฉัยในอุดมคติควรมีความไวและความจำเพาะ 100 เปอร์เซ็นต์ อย่างแรกคือ อย่าพลาดคนป่วยจริงๆ คนเดียว และประการที่สอง อย่าขู่คนที่มีสุขภาพ เพื่อประกันคุณสามารถและควรลองก่อนเพื่อให้แน่ใจว่ามีความไวร้อยเปอร์เซ็นต์ของวิธีการ - คุณไม่ควรพลาดโรค แต่ผลลัพธ์นี้ตามกฎแล้วในความเฉพาะเจาะจงต่ำของวิธีการ - ในหลาย ๆ คนแพทย์สงสัยว่าโรคที่ผู้ป่วยไม่ประสบจริงๆ

โครงข่ายประสาทเทียมสำหรับงานวินิจฉัย

โครงข่ายประสาทเทียมเป็นระบบที่ไม่ใช่เชิงเส้นที่ช่วยให้สามารถจำแนกข้อมูลได้ดีกว่าที่ใช้กันทั่วไป วิธีการเชิงเส้น. เมื่อนำไปใช้กับการวินิจฉัยทางการแพทย์ จะทำให้สามารถเพิ่มความจำเพาะของวิธีการได้อย่างมีนัยสำคัญโดยไม่ลดความไวของวิธีการ

โปรดจำไว้ว่าโครงข่ายประสาทที่วินิจฉัยอาการหัวใจวายนั้นทำงานร่วมกับพารามิเตอร์จำนวนมากซึ่งไม่สามารถประเมินผลกระทบต่อการวินิจฉัยบุคคลได้ อย่างไรก็ตาม โครงข่ายประสาทเทียมสามารถตัดสินใจได้โดยอาศัยรูปแบบที่ซ่อนอยู่ซึ่งระบุในข้อมูลหลายมิติ คุณลักษณะที่โดดเด่นของโครงข่ายประสาทเทียมคือไม่ได้ตั้งโปรแกรมไว้ - ไม่ได้ใช้กฎการอนุมานใด ๆ เพื่อทำการวินิจฉัย แต่ได้รับการฝึกฝนให้ทำเช่นนี้ด้วยตัวอย่าง ในแง่นี้ โครงข่ายประสาทเทียมไม่เหมือนระบบผู้เชี่ยวชาญเลย ซึ่งการพัฒนาในยุค 70 เกิดขึ้นหลังจาก "ชัยชนะ" ของปัญญาประดิษฐ์ชั่วคราวเหนือวิธีการสร้างแบบจำลองหน่วยความจำ การจดจำรูปแบบ และลักษณะทั่วไป ซึ่งอิงจากการศึกษา ของการจัดระเบียบทางประสาทของสมอง

ระบบ MYCIN หนึ่งในระบบผู้เชี่ยวชาญที่พัฒนาแล้วซึ่งเป็นที่รู้จักดีที่สุด ซึ่งดำเนินการตามความรู้ที่ดึงมาจากผู้เชี่ยวชาญและการนำกระบวนการอนุมานไปใช้ คือระบบ MYCIN ระบบนี้ได้รับการพัฒนาที่สแตนฟอร์ดในช่วงต้นทศวรรษ 70 เพื่อวินิจฉัย ช็อกบำบัดน้ำเสีย. ผู้ป่วยครึ่งหนึ่งเสียชีวิตภายในวันเดียว และแพทย์สามารถตรวจพบภาวะติดเชื้อได้เพียง 50% ของผู้ป่วยทั้งหมด MYCIN ดูเหมือนจะเป็นชัยชนะที่แท้จริงของเทคโนโลยีระบบผู้เชี่ยวชาญ เนื่องจากสามารถตรวจพบการติดเชื้อได้ 100% ตลอดเวลา อย่างไรก็ตาม หลังจากที่ได้ใกล้ชิดกับระบบผู้เชี่ยวชาญนี้มากขึ้น แพทย์ก็พัฒนาขึ้นอย่างมาก วิธีการดั้งเดิมการวินิจฉัยและ MYCIN สูญเสียความหมายกลายเป็น ระบบการศึกษา. ระบบผู้เชี่ยวชาญ "ไป" เฉพาะในด้านโรคหัวใจ - สำหรับการวิเคราะห์คลื่นไฟฟ้าหัวใจ กฎที่ซับซ้อนซึ่งประกอบขึ้นเป็นเนื้อหาหลักของหนังสือเกี่ยวกับการวิเคราะห์ ECG ทางคลินิกได้ถูกนำมาใช้โดยระบบที่เหมาะสมในการออกข้อสรุปในการวินิจฉัย

การวินิจฉัยเป็นกรณีพิเศษของการจำแนกประเภทเหตุการณ์ และสิ่งที่มีค่าที่สุดคือการจำแนกประเภทของเหตุการณ์ที่ไม่ได้อยู่ในชุดการฝึกโครงข่ายประสาทเทียม นี่คือข้อได้เปรียบของเทคโนโลยีโครงข่ายประสาทเทียม - พวกเขาสามารถดำเนินการจำแนกดังกล่าวโดยสรุปประสบการณ์ก่อนหน้านี้และนำไปใช้ในกรณีใหม่

ระบบเฉพาะ

ตัวอย่างของโปรแกรมการวินิจฉัยคือ ชุดตรวจวินิจฉัยโรคหัวใจที่พัฒนาโดย RES Informatica ร่วมกับศูนย์วิจัยโรคหัวใจในมิลาน โปรแกรมนี้อนุญาตให้ทำการวินิจฉัยโรคหัวใจโดยไม่ลุกลามโดยอาศัยการรู้จำสเปกตรัมของคลื่นความถี่วิทยุ tachogram เป็นฮิสโตแกรมของช่วงเวลาระหว่างการเต้นของหัวใจที่ต่อเนื่องกัน และสเปกตรัมของมันสะท้อนให้เห็นถึงความสมดุลของกิจกรรมของระบบประสาทขี้สงสารของมนุษย์และระบบประสาทกระซิก ซึ่งเปลี่ยนแปลงโดยเฉพาะในโรคต่างๆ

ไม่ทางใดก็ทางหนึ่ง มันสามารถระบุได้แล้วว่าโครงข่ายประสาทเทียมกำลังกลายเป็นเครื่องมือสำหรับการวินิจฉัยโรคหัวใจ - ในอังกฤษเช่นใช้ในโรงพยาบาลสี่แห่งเพื่อป้องกันกล้ามเนื้อหัวใจตาย

ในทางการแพทย์ยังใช้คุณสมบัติอื่นของโครงข่ายประสาทเทียม - ความสามารถในการทำนายลำดับเวลา เป็นที่ทราบกันดีอยู่แล้วว่าระบบผู้เชี่ยวชาญประสบความสำเร็จในการวิเคราะห์คลื่นไฟฟ้าหัวใจ โครงข่ายประสาทเทียมก็มีประโยชน์เช่นกัน Ki Zhenghu, Yu Henu และ Willis Tompkins จากมหาวิทยาลัยวิสคอนซิน ได้พัฒนาระบบกรองโครงข่ายประสาทเทียมสำหรับการตรวจคลื่นไฟฟ้าหัวใจที่สามารถยับยั้งสัญญาณรบกวนที่ไม่เป็นเชิงเส้นและไม่คงที่ได้ดีกว่าวิธีการที่ใช้ก่อนหน้านี้มาก ความจริงก็คือโครงข่ายประสาททำนายเสียงได้ดีด้วยค่าที่จุดก่อนหน้าในเวลา และความจริงที่ว่าโครงข่ายประสาทเทียมมีประสิทธิภาพมากในการทำนายลำดับเวลา (เช่น อัตราแลกเปลี่ยนหรือราคาหุ้น) ได้แสดงให้เห็นอย่างน่าเชื่อถือโดยผลลัพธ์ของการแข่งขันโปรแกรมการทำนายที่ดำเนินการโดยมหาวิทยาลัยซานตาเฟ่ - โครงข่ายประสาทเทียมเกิดขึ้นเป็นที่หนึ่งและครอบงำในหมู่ วิธีที่ดีที่สุด

ความเป็นไปได้ของการใช้โครงข่ายประสาทเทียม

ECG เป็นแอปพลิเคชันส่วนตัวแม้ว่าจะมีความสำคัญอย่างยิ่ง อย่างไรก็ตาม วันนี้มีตัวอย่างอื่นๆ มากมายเกี่ยวกับการใช้โครงข่ายประสาทเทียมสำหรับการทำนายทางการแพทย์ เป็นที่ทราบกันดีว่าการต่อคิวยาวในแผนกศัลยกรรมหัวใจ (ตั้งแต่สัปดาห์ถึงเดือน) เกิดจากการขาดแคลนห้องไอซียู ไม่สามารถเพิ่มจำนวนได้เนื่องจากค่าใช้จ่ายในการดูแลช่วยชีวิตสูง (ชาวอเมริกันใช้เงิน 70% ในช่วง 2 สัปดาห์สุดท้ายของชีวิตในแผนกนี้)

ทางออกเดียวคือการใช้เงินที่มีอยู่อย่างมีประสิทธิภาพมากขึ้น สมมติว่าสภาพของผู้ป่วยที่ดำเนินการในวันที่กำหนดนั้นรุนแรงมากจนต้องอยู่ในหอผู้ป่วยหนักเป็นเวลานาน (มากกว่าสองวัน) ตลอดเวลานี้ศัลยแพทย์จะไม่ได้ใช้งานเพราะไม่มีที่ใดที่จะนำผู้ป่วยที่ได้รับการผ่าตัดใหม่ การดำเนินการกับผู้ป่วยที่ป่วยหนักก่อนวันหยุดสุดสัปดาห์หรือวันหยุดนั้นเป็นเรื่องที่ฉลาดกว่า เนื่องจากห้องผ่าตัดยังคงปิดอยู่ในปัจจุบัน ศัลยแพทย์จะพักผ่อน และผู้ป่วยจะฟื้นตัวในหอผู้ป่วยหนัก แต่ในตอนต้นของสัปดาห์การทำงาน จะดีกว่าถ้าทำการผ่าตัดกับผู้ป่วยเหล่านั้นที่จะต้องอยู่ในห้องไอซียูเพียงหนึ่งหรือสองวัน จากนั้นเตียงในหอผู้ป่วยหนักจะว่างเร็วขึ้นและรับผู้ป่วยใหม่ที่ดำเนินการในวันอังคารและวันพุธ

คำถามคือจะเดาได้อย่างไรว่าใครจะต้องอยู่ในห้องไอซียูเป็นเวลานานหลังการผ่าตัดและใครจะไม่ Jack Too และ Michael Guerier ที่โรงพยาบาล St. Michael ของมหาวิทยาลัยโตรอนโตใช้โครงข่ายประสาทเทียมในการทำนายนี้ เป็นข้อมูลเบื้องต้น พวกเขานำเฉพาะข้อมูลเกี่ยวกับผู้ป่วยที่ทราบในช่วงก่อนการผ่าตัดเท่านั้น โปรดทราบว่าในงานก่อนหน้านี้ที่ไม่ใช้โครงข่ายประสาทเทียมเป็นปัจจัย เพิ่มความเสี่ยงอยู่ในหอผู้ป่วยหนักนอกจากนี้ยังใช้ข้อมูลหลังการผ่าตัดที่สำคัญ - ภาวะแทรกซ้อนต่าง ๆ ที่เกิดขึ้นระหว่างการผ่าตัด

Tu และ Guerir ได้ฝึกการรับรู้แบบสองชั้นเพื่อแบ่งผู้ป่วยออกเป็นสามกลุ่มเสี่ยง โดยพิจารณาจากอายุ เพศ สถานะการทำงานช่องซ้าย ระดับความซับซ้อนของการดำเนินการที่จะเกิดขึ้นและการมีอยู่ โรคประจำตัว. จากผู้ป่วยที่ระบุโดยเครือข่ายว่ามีความเสี่ยงต่ำที่จะเกิดความล่าช้าในการดูแลผู้ป่วยหนัก มีเพียง 16.3% เท่านั้นที่ใช้เวลาในการรักษาอย่างเข้มข้นมากกว่าสองวัน ในเวลาเดียวกัน กว่า 60% ของผู้ที่ถูกระบุโดยเครือข่ายว่ามีความเสี่ยงสูงนั้นขึ้นอยู่กับการพยากรณ์โรคที่ไม่เอื้ออำนวย

ต้านมะเร็ง

เราจ่ายไปแล้ว ความสนใจเป็นพิเศษ โรคหัวใจและหลอดเลือดเนื่องจากเป็นผู้ที่เป็นผู้นำที่น่าเศร้าในรายการสาเหตุการตาย อันดับที่สองคือโรคมะเร็ง หนึ่งในพื้นที่หลักที่กำลังดำเนินการเกี่ยวกับการใช้โครงข่ายประสาทเทียมคือการวินิจฉัยมะเร็งเต้านม โรคนี้เป็นสาเหตุของการเสียชีวิตของผู้หญิงทุกคนที่เก้า

การตรวจหาเนื้องอกจะดำเนินการในระหว่างการตรวจเอ็กซ์เรย์เต้านมครั้งแรก (การตรวจเต้านม) และการวิเคราะห์ชิ้นเนื้อเนื้องอก (การตรวจชิ้นเนื้อ) ในภายหลัง แม้จะมีกฎทั่วไปในการแยกความแตกต่างของเนื้องอกที่เป็นพิษเป็นภัยและมะเร็งตามการตรวจเต้านมพบว่ามีเพียง 10 ถึง 20% ของผลการตรวจชิ้นเนื้อในการผ่าตัดที่ตามมาเท่านั้นที่ยืนยันว่ามีมะเร็งเต้านม อีกครั้ง เรากำลังเผชิญกับกรณีที่ความจำเพาะของวิธีการต่ำมาก

นักวิจัยของ Duke University ได้ฝึกโครงข่ายประสาทเทียมเพื่อจดจำแมมโมแกรม เนื้อเยื่อร้ายอิงจากคุณสมบัติแปดประการที่นักรังสีวิทยาใช้กันทั่วไป ปรากฎว่าเครือข่ายสามารถแก้ปัญหาด้วยความไวประมาณ 100% และความจำเพาะ 59% (เทียบกับ 10-20% สำหรับนักรังสีวิทยา) มีผู้หญิงกี่คนจาก เนื้องอกที่อ่อนโยนคุณสามารถหลีกเลี่ยงความเครียดที่เกี่ยวข้องกับการตรวจชิ้นเนื้อได้หากคุณใช้โครงข่ายประสาทเทียมนี้! ที่ Mayo Clinic (มินนิโซตา) โครงข่ายประสาทเทียมวิเคราะห์ผลลัพธ์ของอัลตราซาวนด์เต้านมและให้ความจำเพาะ 40% ในขณะที่สำหรับผู้หญิงคนเดียวกัน ความจำเพาะของข้อสรุปของนักรังสีวิทยากลายเป็นศูนย์ จริงหรือที่ความสำเร็จของการใช้เทคโนโลยีโครงข่ายประสาทเทียมนั้นไม่ได้มองว่าเป็นเรื่องบังเอิญ?

หลังการรักษามะเร็งเต้านม การเกิดซ้ำของเนื้องอกได้ โครงข่ายประสาทเทียมช่วยในการทำนายได้อย่างมีประสิทธิภาพแล้ว การวิจัยที่คล้ายกันกำลังดำเนินการอยู่ที่โรงเรียนแพทย์มหาวิทยาลัยเท็กซัส เครือข่ายที่ได้รับการฝึกอบรมได้แสดงความสามารถในการระบุและคำนึงถึงความสัมพันธ์ที่ซับซ้อนมากของตัวแปรการทำนาย โดยเฉพาะอย่างยิ่ง ความสัมพันธ์สามประการของพวกมัน เพื่อปรับปรุงความสามารถในการคาดการณ์

ความเป็นไปได้ของการใช้โครงข่ายประสาทเทียมในการแพทย์นั้นมีความหลากหลายและสถาปัตยกรรมของมันก็มีความหลากหลาย ขึ้นอยู่กับการคาดการณ์ผลลัพธ์ระยะยาวของการรักษาโรคด้วยวิธีใดวิธีหนึ่งสามารถเลือกวิธีใดวิธีหนึ่งได้ ผลลัพธ์ที่สำคัญในการพยากรณ์โรคของการรักษามะเร็งรังไข่ (โรคของผู้หญิงอายุเจ็ดสิบทุกคน) ทำได้โดย Herbert Kappen ผู้เชี่ยวชาญชาวดัตช์ที่มีชื่อเสียงจากมหาวิทยาลัย Nimegen (เขาไม่ได้ใช้ perceptrons หลายชั้นในงานของเขา แต่สิ่งที่เรียกว่า Boltzmann เครื่องจักร - โครงข่ายประสาทเทียมสำหรับการประเมินความน่าจะเป็น)

นี่คือตัวอย่างของมะเร็งชนิดอื่น นักวิจัยจาก โรงเรียนแพทย์ในเมืองคางาวะ (ประเทศญี่ปุ่น) ได้ฝึกอบรมโครงข่ายประสาทเทียมที่ทำนายผลการผ่าตัดตับในผู้ป่วยมะเร็งตับได้อย่างแม่นยำโดยอาศัยข้อมูลก่อนการผ่าตัด

ที่สถาบัน Troitsk Institute for Innovation and Fusion Research (TRINITI) ซึ่งเป็นส่วนหนึ่งของโครงการสร้างระบบให้คำปรึกษาโครงข่ายประสาทเทียมที่ดำเนินการโดยกระทรวงวิทยาศาสตร์ ได้มีการพัฒนาโปรแกรมโครงข่ายประสาทเทียมขึ้นเพื่อเลือกวิธีการรักษามะเร็งผิวหนังจากเซลล์ต้นกำเนิด (basalioma) ) ตามการคาดการณ์ระยะยาวของการกลับเป็นซ้ำ จำนวนกรณีของ basalioma - โรคมะเร็งของคนผิวขาวที่มีผิวบาง - เป็นหนึ่งในสามของโรคมะเร็งทั้งหมด

การวินิจฉัยโรคเมลาโนมารูปแบบใดรูปแบบหนึ่ง - เนื้องอกซึ่งบางครั้งก็ยากที่จะแยกแยะจากรูปแบบเม็ดสีของ basalioma ได้ดำเนินการโดยใช้เครื่องจำลองโครงข่ายประสาท Multineuron ที่พัฒนาขึ้นที่ศูนย์คอมพิวเตอร์ของ SOAN ในครัสโนยาสค์ภายใต้การแนะนำของ A.N. Gorban

โครงข่ายประสาทเทียมยังสามารถใช้เพื่อทำนายผลของการรักษาต่างๆ ที่อยู่ระหว่างการพัฒนา พวกมันถูกใช้สำเร็จแล้วในวิชาเคมีเพื่อทำนายคุณสมบัติของสารประกอบตามโครงสร้างโมเลกุลของพวกมัน นักวิจัยที่สถาบันมะเร็งแห่งชาติในสหรัฐอเมริกาได้ใช้โครงข่ายประสาทเทียมเพื่อทำนายกลไกการออกฤทธิ์ของยาที่ใช้ในเคมีบำบัดมะเร็ง โปรดทราบว่ามีโมเลกุลต่างๆ หลายล้านตัวที่จำเป็นต้องได้รับการตรวจสอบเพื่อหาฤทธิ์ต้านมะเร็งของพวกมัน ผู้เชี่ยวชาญของสถาบันมะเร็งได้แบ่งยารักษามะเร็งที่รู้จักออกเป็น 6 กลุ่มตามกลไกการออกฤทธิ์ของยาเหล่านี้ เซลล์มะเร็งและฝึกอบรมเครือข่ายหลายชั้นเพื่อจำแนกสารใหม่และรับรู้ผลกระทบของสารเหล่านั้น ใช้ผลการทดลองยับยั้งการเจริญเติบโตของเซลล์จากเนื้องอกต่างๆ เป็นข้อมูลเบื้องต้น การจำแนกประเภทโครงข่ายประสาทเทียมช่วยให้คุณกำหนดได้ว่าโมเลกุลที่ทดสอบในแต่ละวันใดมีค่าควรศึกษาเพิ่มเติมในการทดลองในหลอดทดลองและในร่างกายที่มีราคาแพงมาก เพื่อแก้ปัญหาที่คล้ายคลึงกัน เครือข่าย Kohonen ก็ถูกนำมาใช้เช่นกัน โครงข่ายประสาทเทียมที่จัดระเบียบตัวเองโดยไม่ได้รับการดูแลเหล่านี้แบ่งสารออกเป็นกลุ่มที่ไม่ทราบจำนวน ดังนั้นจึงช่วยให้นักวิจัยสามารถระบุสารที่มีกลไกการออกฤทธิ์ที่เป็นพิษต่อเซลล์แบบใหม่

ระบบประสาท พันธุกรรม และโมเลกุล

การวินิจฉัยและการรักษาโรคมะเร็งตลอดจนการพัฒนายาใหม่ ๆ ถือเป็นส่วนสำคัญที่สุดของการประยุกต์ใช้เทคโนโลยีโครงข่ายประสาทเทียมอย่างไม่ต้องสงสัย อย่างไรก็ตาม เมื่อเร็วๆ นี้ นักวิจัยและแพทย์มีความตระหนักมากขึ้นว่าความก้าวหน้าในอนาคตจะต้องเชื่อมโยงอย่างใกล้ชิดกับการศึกษาสาเหตุระดับโมเลกุลและพันธุกรรมของโรค

ไม่ใช่เรื่องบังเอิญที่ในเดือนเมษายน 1997 ผู้เชี่ยวชาญจาก National Institutes of Health (USA) ได้เสนอแนะเพื่อเสริมสร้างการวิจัยที่เกี่ยวข้องกับการระบุสาเหตุของ ก่อมะเร็งและการพัฒนามุ่งเป้าไปที่การป้องกันโรค เป็นเวลานาน โครงข่ายประสาทถูกใช้อย่างแข็งขันในการวิเคราะห์ลำดับจีโนมของ DNA โดยเฉพาะสำหรับการรับรู้ของโปรโมเตอร์ - บริเวณที่อยู่ก่อนหน้ายีนและผูกมัดกับโปรตีน RNA polymerase ซึ่งเริ่มการถอดรหัส พวกมันถูกใช้เพื่อแยกความแตกต่างบริเวณที่เข้ารหัสและไม่เข้ารหัสของ DNA (เอ็กซอนและอินตรอน) และเพื่อทำนายโครงสร้างของโปรตีน

ในปี พ.ศ. 2539 มีการค้นพบที่น่าตื่นเต้นซึ่งเชื่อมโยงการวิจัยพื้นฐานในอณูพันธุศาสตร์กับปัญหาของการเกิดโรคและการรักษาโรคเนื้องอกวิทยาที่พบบ่อยที่สุด - มะเร็งผิวหนังเซลล์ต้นกำเนิด นักวิจัยได้ค้นพบยีน (PTC) ในโครโมโซมมนุษย์ลำดับที่ 9 ซึ่งแตกต่างจากยีน p53 ที่เกิดจากการสัมผัสกับรังสีอัลตราไวโอเลตและเป็นสาเหตุของการพัฒนาเนื้องอก กุญแจสำคัญในการค้นพบคือการศึกษายีนที่เรียกว่า patch การเปลี่ยนแปลงที่กระตุ้นข้อบกพร่องของพัฒนาการในแมลงวันผลไม้และความจริงที่ว่าในเด็กที่ประสบกับความบกพร่องทางพัฒนาการ เนื้อเยื่อกระดูก(โรคปานฐาน) มักมีหลายบาซาลิโอมา

ตอนนี้นักพันธุศาสตร์และแพทย์ต่างมีความหวังที่จะหาวิธีรักษาด้วยยาสำหรับโรคบาซาลิโอมาหรือใช้วิธีการผ่าตัดยีน และแทนที่ด้วยวิธีการรักษาที่ไร้ความปราณี เช่น เลเซอร์ทั่วไป เอ็กซ์เรย์ และการรักษาด้วยความเย็น โครงข่ายประสาทเทียมจะเป็นประโยชน์สำหรับการศึกษาเหล่านี้หรือไม่? โดยเฉพาะอย่างยิ่ง สามารถใช้เพื่อประเมินผลกระทบที่เป็นไปได้ของการกลายพันธุ์เฉพาะต่อการเปลี่ยนแปลงคุณสมบัติของโปรตีนที่เกี่ยวข้องหรือเพื่อประเมินค่าการพยากรณ์โรค เช่น การพัฒนาของการกลับเป็นซ้ำของมะเร็งเต้านมได้หรือไม่

หากสามารถทำได้ โครงข่ายประสาทเทียมจะลดพื้นที่การค้นหาสำหรับนักชีววิทยาระดับโมเลกุลลงอย่างมาก ซึ่งมักจะทำการทดลองที่มีราคาแพงมากเพื่อประเมินบทบาทของการกลายพันธุ์ในโมเลกุลดีเอ็นเอ โปรดจำไว้ว่าการเจริญเติบโตและการแบ่งตัวของเซลล์ที่ไม่สามารถควบคุมได้นำไปสู่การพัฒนาของเนื้องอกร้าย จีโนมมนุษย์ซึ่งมีข้อมูลเกี่ยวกับโปรตีนทั้งหมดที่ผลิตในร่างกายมีนิวคลีโอไทด์ประมาณสามพันล้านตัว แต่จริงๆ แล้วมีเพียง 2-3% เท่านั้นที่เข้ารหัสโปรตีน ส่วนที่เหลือจำเป็นสำหรับ DNA เพื่อรักษาโครงสร้าง การทำซ้ำ และสิ่งอื่น ๆ ให้ถูกต้อง

ในลำดับจีโนมดีเอ็นเอ องค์ประกอบสามอย่างสามารถแยกแยะได้คร่าวๆ: ส่วนประกอบแรกมีชิ้นส่วนที่เหมือนกันจำนวนมาก (ดีเอ็นเอจากดาวเทียม) ลำดับที่สองมีลำดับซ้ำๆ ในระดับปานกลางซึ่งกระจัดกระจายไปทั่วจีโนม และใน DNA _unique ที่สาม ใน DNA ดาวเทียม สำเนาต่าง ๆ จะแสดงอย่างไม่เท่ากัน - จำนวนแตกต่างกันไปตั้งแต่หลายร้อยถึงล้าน ดังนั้น พวกมันจึงมักจะถูกแบ่งย่อยเพิ่มเติมเป็นมินิ- และไมโครแซทเทิลไลต์

อย่างน่าทึ่ง การกระจายไมโครแซทเทิลไลต์บนจีโนมนั้นมีความเฉพาะเจาะจงมากจนสามารถใช้เป็นอะนาล็อกของลายนิ้วมือมนุษย์ได้ เชื่อกันว่าการกระจายนี้สามารถใช้ในการวินิจฉัยโรคต่างๆ ได้

ในรูปแบบที่ซ่อนอยู่ การทำซ้ำของลำดับนิวคลีโอไทด์มีบทบาทสำคัญในลำดับดีเอ็นเอที่มีลักษณะเฉพาะ ตามสมมติฐานของฟรานซิส คริก วิวัฒนาการของ DNA เริ่มต้นจากโครงสร้างกึ่งคาบ และหากเราสามารถหาการทำซ้ำที่ซ่อนอยู่ได้ เราจะพบว่าการกลายพันธุ์ที่กำหนดวิวัฒนาการเกิดขึ้นที่ใด ซึ่งหมายความว่าเราจะพบทั้งไซต์ที่เก่าแก่และสำคัญที่สุดใน การกลายพันธุ์ใดที่อันตรายที่สุด การกระจายของการทำซ้ำที่ซ่อนอยู่นั้นสัมพันธ์อย่างใกล้ชิดกับโครงสร้างและหน้าที่ของโปรตีนที่เข้ารหัสโดยลำดับที่สอดคล้องกัน

TRINITY ได้พัฒนาระบบที่ใช้การดัดแปลงโครงข่ายประสาทฮอปฟิลด์เพื่อค้นหาการทำซ้ำที่ซ่อนอยู่และประเมินบทบาทของการกลายพันธุ์ในลำดับดีเอ็นเอ หวังเป็นอย่างยิ่งว่าวิธีการนี้สามารถนำไปใช้ได้ทั่วไป การวิเคราะห์สเปกตรัมลำดับของข้อมูลเป็นอย่างมาก ปริทัศน์ตัวอย่างเช่น สำหรับการวิเคราะห์คลื่นไฟฟ้าหัวใจ

โครงข่ายประสาทเดินดาวเคราะห์

ภูมิศาสตร์ของกลุ่มวิจัยที่ใช้โครงข่ายประสาทเทียมเพื่อพัฒนาแอปพลิเคชันทางการแพทย์นั้นกว้างมาก ไม่มีอะไรจะพูดเกี่ยวกับสหรัฐอเมริกา - มีการศึกษาที่คล้ายกันในมหาวิทยาลัยของแต่ละรัฐ และทิศทางหลักของพวกเขาคือมะเร็งเต้านม ทำไมถึงมีมหาวิทยาลัย - สถาบันการทหารก็ทำแบบนี้ ในสาธารณรัฐเช็ก Jiří Shima ได้พัฒนาทฤษฎีการฝึกอบรมโครงข่ายประสาทเทียมที่สามารถทำงานได้อย่างมีประสิทธิภาพกับข้อมูลช่วงเวลาที่เรียกว่า (เมื่อไม่ทราบค่าพารามิเตอร์ แต่เป็นช่วงเวลาของการเปลี่ยนแปลง) และใช้ในทางการแพทย์ต่างๆ แอปพลิเคชัน ในประเทศจีน นักวิจัยจากสถาบันพลังงานปรมาณูได้ฝึกโครงข่ายประสาทเพื่อแยกแยะระหว่างผู้ป่วยที่มีโรคไม่รุนแรงและโรคร้ายแรงของเยื่อบุผิวหลอดอาหารกับผู้ที่เป็นมะเร็งหลอดอาหารโดยอาศัยการวิเคราะห์องค์ประกอบของเล็บ

ในรัสเซีย SINP MSU ใช้โครงข่ายประสาทเทียมเพื่อวิเคราะห์โรคของอวัยวะการได้ยิน

ในที่สุด ในออสเตรเลีย George Christ ใช้ทฤษฎีโครงข่ายประสาทเทียมเพื่อสร้างสมมติฐานแรกเกี่ยวกับสาเหตุ กลุ่มอาการลึกลับ เสียชีวิตกะทันหันทารกแรกเกิด

***

แน่นอนว่าบทความนี้ไม่ได้แสดงตัวอย่างทั้งหมดของการใช้เทคโนโลยีโครงข่ายประสาทเทียมในการแพทย์ จิตเวชศาสตร์บาดแผลและส่วนอื่น ๆ ยังคงอยู่ซึ่งโครงข่ายประสาทเทียมถูกลองใช้ในบทบาทของผู้ช่วยวินิจฉัยและแพทย์ แน่นอนว่าไม่ใช่ทุกคนจะดูร่าเริงในการเป็นพันธมิตรของเทคโนโลยีคอมพิวเตอร์ใหม่และการดูแลสุขภาพ บางครั้งโปรแกรมโครงข่ายประสาทเทียมมีราคาแพงมากสำหรับการใช้งานอย่างแพร่หลายในคลินิก (จากหลายพันถึงหลายหมื่นดอลลาร์) และแพทย์ค่อนข้างจะสงสัยเกี่ยวกับนวัตกรรมคอมพิวเตอร์ใดๆ ข้อสรุปที่ออกโดยโครงข่ายประสาทเทียมต้องมาพร้อมกับคำอธิบายหรือความคิดเห็นที่ยอมรับได้

แต่ยังมีเหตุผลสำหรับการมองโลกในแง่ดี การเรียนรู้และการใช้เทคโนโลยีโครงข่ายประสาทเทียมนั้นง่ายกว่าการเรียนรู้มาก สถิติทางคณิตศาสตร์หรือตรรกะคลุมเครือ เพื่อสร้างโครงข่ายประสาทเทียม ระบบการแพทย์ใช้เวลาเป็นเดือนไม่ใช่ปี ใช่ และพารามิเตอร์ก็ให้กำลังใจอย่างมาก - ให้เราระลึกถึงความเฉพาะเจาะจงสูงของการวินิจฉัยอีกครั้ง

และความหวังอีกอย่างสำหรับความร่วมมือก็คือคำว่า "เซลล์ประสาท" นั่นเอง ยังคงเป็นที่รู้จักกันดีสำหรับแพทย์ ...

Alexander Yezhov, Vladimir Chechetkin - สถาบันวิจัยนวัตกรรมและฟิวชั่น (Troitsk)

จำนวนสิ่งพิมพ์เกี่ยวกับการประยุกต์ใช้เทคโนโลยีประสาทในการแพทย์นั้นยากที่จะประเมินอย่างแม่นยำ อย่างไรก็ตาม หากในปี 2531-2532 มีเพียงไม่กี่คน ตั้งแต่ปี 2538 มีหลายร้อยคนปรากฏขึ้นทุกปี ที่อยู่ต่อไปนี้อาจมีประโยชน์:

แต่ยังต้องแก้ไขงานที่สำคัญกว่าด้วย เช่น การหายาตัวใหม่ The Village หันไปหาผู้เชี่ยวชาญเพื่อค้นหาว่าเทคโนโลยีมีลักษณะอย่างไร และบริษัทในประเทศและมหาวิทยาลัยใช้อย่างไร

โครงข่ายประสาทเทียมคืออะไร?

เพื่อทำความเข้าใจว่าโครงข่ายประสาทเทียมอยู่ในที่ใดในโลก ปัญญาประดิษฐ์และความเกี่ยวข้องกับเทคโนโลยีอื่นๆ สำหรับการสร้างระบบอัจฉริยะ มาเริ่มกันที่คำจำกัดความกันก่อน

โครงข่ายประสาทเทียม- หนึ่งในวิธีการเรียนรู้ของเครื่องซึ่งเป็นรากฐานที่เกิดขึ้นในปี 2486 ก่อนการปรากฏตัวของคำว่า "ปัญญาประดิษฐ์" พวกมันเป็นแบบจำลองทางคณิตศาสตร์ที่คล้ายกับการทำงานของระบบประสาทของสัตว์จากระยะไกล

Stanislav Protasov นักวิจัยอาวุโสแห่งมหาวิทยาลัย Innopolis กล่าวว่าโครงข่ายประสาทเทียมที่คิดค้นโดยนักคณิตศาสตร์ Jan Lekun นั้นคล้ายคลึงกันมากที่สุดกับสมองของมนุษย์ “สิ่งเหล่านี้เป็นหัวใจสำคัญของแอพพลิเคชั่นมากมายที่อ้างว่าเป็นปัญญาประดิษฐ์ เช่น FindFace หรือ Prisma” เขากล่าว

การเรียนรู้ของเครื่อง- ส่วนย่อยของปัญญาประดิษฐ์ที่จุดตัดของคณิตศาสตร์และวิทยาการคอมพิวเตอร์ เขาศึกษาวิธีการสร้างแบบจำลองและอัลกอริทึมตามหลักการเรียนรู้ เครื่องจะวิเคราะห์ตัวอย่างที่ป้อน เน้นรูปแบบ สรุป และสร้างกฎที่แก้ปัญหาต่างๆ เช่น คาดการณ์เหตุการณ์ในอนาคต หรือการจดจำและสร้างภาพ ข้อความ และคำพูด นอกจากโครงข่ายประสาทเทียมแล้ว วิธีการถดถอยเชิงเส้น ต้นไม้การตัดสินใจ และวิธีการอื่นๆ ยังใช้ที่นี่อีกด้วย

ปัญญาประดิษฐ์- ส่วนหนึ่งของวิทยาการคอมพิวเตอร์เกี่ยวกับการสร้างวิธีการทางเทคโนโลยีสำหรับเครื่องจักรเพื่อทำงานที่ก่อนหน้านี้ถือว่าเป็นอภิสิทธิ์ของมนุษย์เท่านั้นรวมถึงการกำหนดการพัฒนาดังกล่าว ทิศทางเริ่มเป็นรูปเป็นร่างอย่างเป็นทางการในปี 2499

Alexander Krainov

สิ่งที่เรียกว่าปัญญาประดิษฐ์และสิ่งที่ไม่ใช่เป็นเรื่องของข้อตกลง โดยทั่วไปแล้ว มนุษยชาติไม่ได้มากำหนดความชัดเจนของความฉลาดโดยทั่วไป ไม่ต้องพูดถึงการประดิษฐ์ แต่ถ้าเราสรุปสิ่งที่เกิดขึ้น เราสามารถพูดได้ว่าปัญญาประดิษฐ์เป็นโครงข่ายประสาทเทียมเชิงลึกที่แก้ปัญหาที่ซับซ้อนในระดับที่ใกล้เคียงกับระดับของบุคคล และการเรียนรู้ด้วยตนเองในระดับหนึ่ง ในขณะเดียวกัน การเรียนรู้ด้วยตนเองในที่นี้หมายถึงความสามารถในการดึงสัญญาณที่เป็นประโยชน์จากข้อมูลดิบอย่างอิสระ

สถานะปัจจุบันของอุตสาหกรรมคืออะไร?

Gartner หน่วยงานวิเคราะห์กล่าวว่าขณะนี้การเรียนรู้ของเครื่องอยู่ที่จุดสูงสุดของความคาดหวังที่สูงเกินจริง ตามแบบฉบับของเวทีนี้ ความตื่นเต้นรอบตัว เทคโนโลยีใหม่นำไปสู่ความกระตือรือร้นที่มากเกินไปซึ่งกลายเป็นความพยายามที่ไม่ประสบความสำเร็จในการใช้งานทุกที่ คาดว่าอุตสาหกรรมจะต้องใช้เวลาสองถึงห้าปีในการกำจัดภาพลวงตา ตามที่ผู้เชี่ยวชาญของรัสเซียกล่าวว่าโครงข่ายประสาทเทียมจะต้องผ่านการทดสอบความแข็งแกร่งในไม่ช้า

Sergey Negodyaev

ผู้จัดการพอร์ตโฟลิโอ กองทุนพัฒนาโครงการอินเทอร์เน็ต

แม้ว่านักวิทยาศาสตร์ได้กำหนดรูปแบบและพัฒนาโครงข่ายประสาทเทียมมาเป็นเวลา 70 ปีแล้ว แต่ก็มีจุดเปลี่ยนสองจุดในการพัฒนาเทคโนโลยีนี้ ครั้งแรกคือในปี 2550 เมื่อมหาวิทยาลัยโตรอนโตสร้างอัลกอริธึมการเรียนรู้เชิงลึกสำหรับเครือข่ายประสาทหลายชั้น วินาทีที่สองที่กระตุ้นกระแสความนิยมในปัจจุบันคือปี 2012 เมื่อนักวิจัยจากมหาวิทยาลัยเดียวกันใช้โครงข่ายประสาทเทียมเชิงลึกและชนะการแข่งขัน ImageNet โดยเรียนรู้ที่จะจดจำวัตถุในภาพถ่ายและวิดีโอโดยมีข้อผิดพลาดน้อยที่สุด

ขณะนี้มีกำลังคอมพิวเตอร์เพียงพอที่จะแก้ปัญหา หากไม่มี แสดงว่างานส่วนใหญ่ที่ใช้โครงข่ายประสาทเทียม ตอนนี้อุปสรรคสำคัญคือการขาดข้อมูลที่มีป้ายกำกับ พูดง่ายๆ ก็คือ เพื่อให้ระบบเรียนรู้ที่จะรู้จักพระอาทิตย์ตกในวิดีโอหรือภาพถ่าย ระบบจะต้องป้อนภาพพระอาทิตย์ตกเป็นล้านภาพ เพื่อระบุตำแหน่งที่แน่นอนในเฟรม ตัวอย่างเช่น เมื่อคุณอัปโหลดรูปภาพไปที่ Facebook เพื่อนของคุณจะจำได้ว่าเป็นแมวท่ามกลางแสงแดดยามพระอาทิตย์ตก และโซเชียลเน็ตเวิร์กเห็นชุดป้ายกำกับในนั้น: "สัตว์", "แมว", "ไม้", "พื้น", "เย็น", "สีส้ม" ใครก็ตามที่มีข้อมูลการฝึกมากกว่าจะมีโครงข่ายประสาทเทียมที่ฉลาดกว่า

Andrey Kalinin

หัวหน้า Poisk Mail.Ru

แอปความบันเทิงบนโครงข่ายประสาทเทียม เช่น Artisto หรือ Vinci ของเราเป็นเพียงส่วนเล็กๆ ของภูเขาน้ำแข็ง และเป็นวิธีที่ยอดเยี่ยมในการแสดงความสามารถของตนต่อผู้ชมในวงกว้าง อันที่จริง โครงข่ายประสาทเทียมสามารถแก้ปัญหาที่ซับซ้อนได้หลายอย่าง พื้นที่ที่ "ร้อนแรง" ที่สุดในขณะนี้คือระบบขับเคลื่อนอัตโนมัติ ระบบสั่งงานด้วยเสียง แชทบ็อต และยารักษาโรค

Alexander Krainov

หัวหน้าฝ่ายบริการคอมพิวเตอร์วิทัศน์ Yandex

เราสามารถพูดได้ว่าความเจริญของโครงข่ายประสาทเทียมได้มาถึงแล้ว แต่ยังไม่ถึงจุดสูงสุด ต่อไปจะน่าสนใจยิ่งขึ้นเท่านั้น ขอบเขตที่มีแนวโน้มมากที่สุดในปัจจุบันคือ บางที คอมพิวเตอร์วิทัศน์ ระบบการสนทนา การวิเคราะห์ข้อความ วิทยาการหุ่นยนต์ ยานพาหนะไร้คนขับ และการสร้างเนื้อหา - ข้อความ รูปภาพ เพลง

พื้นที่ที่มีแนวโน้มสำหรับการดำเนินการของโครงข่ายประสาทเทียม

ขนส่ง

วิทยาการหุ่นยนต์

เทคโนโลยีชีวภาพ

เกษตรกรรม

อินเทอร์เน็ตของสรรพสิ่ง

สื่อและความบันเทิง

ภาษาศาสตร์

ความปลอดภัย

วลาด เชอร์ชุลสกี้

ผู้อำนวยการโครงการความร่วมมือด้านเทคโนโลยีของ Microsoft ในรัสเซีย

การปฏิวัติประสาทได้เกิดขึ้นแล้วในวันนี้ บางครั้งก็ยากที่จะแยกแยะระหว่างนิยายกับความเป็นจริง ลองนึกภาพเครื่องเก็บเกี่ยวอัตโนมัติที่มีกล้องหลายตัว เขาถ่ายภาพ 5 พันภาพต่อนาทีและวิเคราะห์ผ่านโครงข่ายประสาทเทียมว่าวัชพืชอยู่ตรงหน้าเขาหรือพืชที่ติดเชื้อศัตรูพืช หลังจากนั้นเขาก็ตัดสินใจว่าจะทำอย่างไรต่อไป นิยาย? ไม่ไหวแล้วจริงๆ

บอริส วูล์ฟสัน

เฮดฮันเตอร์ ผู้อำนวยการฝ่ายพัฒนา

มีโฆษณาบางอย่างเกี่ยวกับโครงข่ายประสาทเทียมและในความคิดของฉันมีความคาดหวังสูงเล็กน้อย เราจะผ่านช่วงเวลาแห่งความคับข้องใจก่อนที่เราจะเรียนรู้วิธีใช้งานอย่างมีประสิทธิภาพ ผลการวิจัยที่ก้าวล้ำหลายอย่างยังไม่สามารถนำไปใช้ในธุรกิจได้มากนัก ในทางปฏิบัติ มักมีเหตุผลมากกว่าที่จะใช้วิธีการเรียนรู้ด้วยเครื่องอื่น เช่น อัลกอริธึมต่างๆ ตามแผนผังการตัดสินใจ มันอาจจะดูไม่น่าตื่นเต้นหรือล้ำสมัย แต่วิธีการเหล่านี้เป็นเรื่องธรรมดามาก

โครงข่ายประสาทสอนอะไรในรัสเซีย

ผู้เข้าร่วมตลาดยอมรับว่าความสำเร็จมากมายของโครงข่ายประสาทเทียมยังคงใช้ได้เฉพาะในด้านวิชาการเท่านั้น เทคโนโลยีนี้ใช้ในด้านความบันเทิงเป็นหลัก ซึ่งช่วยกระตุ้นความสนใจในหัวข้อนี้ นอกเหนือจากขอบเขต อย่างไรก็ตาม นักพัฒนาชาวรัสเซียสอนโครงข่ายประสาทเทียมเพื่อแก้ปัญหาสำคัญทางสังคมและปัญหาทางธุรกิจ มาดูบางพื้นที่กันดีกว่า

วิทยาศาสตร์และการแพทย์

Yandex School of Data Analysis มีส่วนร่วมในการทดลอง CRAYFIS ร่วมกับตัวแทนจาก Skolkovo, สถาบันฟิสิกส์และเทคโนโลยีแห่งมอสโก, Higher School of Economics และมหาวิทยาลัยในอเมริกา UCI และ NYU สาระสำคัญของมันคือการค้นหาอนุภาคจักรวาลที่มีพลังงานสูงเป็นพิเศษโดยใช้สมาร์ทโฟน ข้อมูลจากกล้องจะถูกส่งไปยังโครงข่ายประสาทเทียมแบบเร่งความเร็ว ซึ่งสามารถจับร่องรอยของอนุภาคที่มีปฏิกิริยาเล็กน้อยในภาพได้

นี่ไม่ใช่การทดลองระดับนานาชาติเพียงอย่างเดียวที่ผู้เชี่ยวชาญชาวรัสเซียเข้ามาเกี่ยวข้อง Manuel Mazzara และ Leonard Johard นักวิทยาศาสตร์จากมหาวิทยาลัย Innopolis มีส่วนร่วมในโครงการ BioDynaMo ด้วยการสนับสนุนของ Intel และ CERN พวกเขาต้องการสร้างต้นแบบที่สามารถสร้างแบบจำลองของเปลือกสมองได้เต็มรูปแบบ ด้วยความช่วยเหลือของมันมีการวางแผนเพื่อเพิ่มประสิทธิภาพและความประหยัดของการทดลองที่จำเป็นต้องมีสมองมนุษย์ที่มีชีวิต

ศาสตราจารย์แห่ง Innopolis Yaroslav Kholodov เข้าร่วมในการพัฒนาแบบจำลองคอมพิวเตอร์ที่สามารถทำนายการก่อตัวของพันธะโปรตีนได้เร็วกว่าถึงสิบเท่า ด้วยอัลกอริธึมนี้ การพัฒนาวัคซีนและยาสามารถเร่งได้ ในพื้นที่เดียวกัน นักพัฒนาจาก Mail.Ru Group, Insilico Medicine และ MIPT ถูกตั้งข้อสังเกต พวกเขาใช้เครือข่ายปฏิปักษ์โดยกำเนิด ซึ่งได้รับการฝึกฝนให้ประดิษฐ์โครงสร้างโมเลกุล เพื่อค้นหาสารที่อาจเป็นประโยชน์ในโรคต่างๆ ตั้งแต่มะเร็งไปจนถึงโรคหัวใจและหลอดเลือด

ความงามและสุขภาพ

ในปี 2558 บริษัท Youth Laboratories ของรัสเซียได้เปิดตัวการประกวดความงามระดับนานาชาติครั้งแรก Beauty.AI รูปถ่ายของผู้เข้าร่วมในนั้นได้รับการประเมินโดยโครงข่ายประสาทเทียม ในการพิจารณาผู้ชนะนั้น พวกเขาคำนึงถึงเพศ อายุ สัญชาติ สีผิว ความสมมาตรของใบหน้า และการมีอยู่หรือไม่มีรอยย่นในผู้ใช้ ปัจจัยหลังยังกระตุ้นให้ผู้จัดงานสร้างบริการ RYNKL ซึ่งช่วยให้คุณติดตามว่าความชราส่งผลต่อผิวหนังอย่างไรและยาต่างๆ ต่อสู้กับมันอย่างไร

โครงข่ายประสาทเทียมยังใช้ในการแพทย์ทางไกล บริษัท Mobile Medical Technologies ของรัสเซียซึ่งจัดการโครงการ Online Doctor และ Pediatrician 24/7 กำลังทดสอบบอทวินิจฉัยซึ่งจะเป็นประโยชน์กับทั้งผู้ป่วยและแพทย์ ในครั้งแรก เขาจะบอกคุณว่าต้องติดต่อผู้เชี่ยวชาญคนไหนสำหรับอาการบางอย่าง และในวินาทีนั้น เขาจะช่วยตัดสินว่าผู้มาเยี่ยมป่วยด้วยอะไร

การเพิ่มประสิทธิภาพของกระบวนการทางธุรกิจและการโฆษณา

Leadza สตาร์ทอัพของรัสเซียได้ใช้โครงข่ายประสาทเทียมเพื่อจัดสรรงบประมาณสำหรับการโฆษณาบน Facebook และ Instagram ได้อย่างมีประสิทธิภาพมากขึ้น อัลกอริธึมวิเคราะห์ผลลัพธ์ของแคมเปญที่ผ่านมา สร้างการคาดการณ์ของตัววัดหลัก และกระจายต้นทุนโดยอัตโนมัติเพื่อให้ร้านค้าออนไลน์ได้ลูกค้ามากขึ้นด้วยต้นทุนที่ต่ำลง

ทีม GuaranaCam ใช้เทคโนโลยีแมชชีนเลิร์นนิงเพื่อประเมินประสิทธิภาพของการวางผลิตภัณฑ์และสื่อโฆษณาแบบออฟไลน์ ระบบใช้ Microsoft Azure cloud และวิเคราะห์พฤติกรรมผู้บริโภคโดยใช้กล้องวงจรปิด เจ้าของธุรกิจจะได้รับรายงานสถานะการซื้อขายแบบเรียลไทม์ โครงการนี้กำลังถูกนำไปใช้ในศูนย์การค้า Mega Belaya Dacha

ตัวอย่างในประเทศที่ประสบความสำเร็จของการใช้โครงข่ายประสาทเทียมในธุรกิจไม่ได้จบเพียงแค่นั้น LogistiX ซึ่งทำการทดลองกับเทคโนโลยีปัญญาประดิษฐ์มาตั้งแต่ปี 2549 ได้พัฒนาระบบเพิ่มประสิทธิภาพคลังสินค้า มันขึ้นอยู่กับเครือข่ายประสาทการเรียนรู้ที่วิเคราะห์ข้อมูลเกี่ยวกับพนักงานที่ได้รับจากตัวติดตามฟิตเนสและแจกจ่ายภาระระหว่างพวกเขา ตอนนี้ทีมสอนโครงข่ายประสาทเพื่อแยกความแตกต่างระหว่างการแต่งงาน

การถือครองของ Belfingroup ไปไกลกว่านั้นอีก "ลูกสาว" BFG-soft ได้สร้างแพลตฟอร์มคลาวด์ BFG-IS ซึ่งช่วยให้คุณจัดการองค์กรโดยใช้โมเดลเสมือนจริง ส่วนหลังถูกสร้างขึ้นโดยอัตโนมัติตามข้อมูลการผลิตที่รวบรวมโดยระบบ และไม่เพียงแต่แสดงวิธีที่ดีที่สุดในการจัดระเบียบกระบวนการโดยคำนึงถึงเป้าหมายที่ตั้งไว้ แต่ยังคาดการณ์ผลของการเปลี่ยนแปลงต่างๆ ตั้งแต่การเปลี่ยนอุปกรณ์ไปจนถึงการเปลี่ยนแปลงเพิ่มเติม ณ สิ้นปี 2559 กองทุนเพื่อการพัฒนาทางอินเทอร์เน็ตได้ตัดสินใจลงทุน 125 ล้านรูเบิลในบริษัท

การสรรหาและการบริหารงานบุคคล

Stafory ผู้รวบรวมผู้สรรหาของรัสเซียกำลังเสร็จสิ้นการฝึกอบรมโครงข่ายประสาทที่เกิดขึ้นซ้ำ ซึ่งไม่เพียงแต่สามารถให้คำตอบแบบพยางค์เดียวสำหรับคำถามของผู้สมัครเท่านั้น แต่ยังดำเนินการสนทนาอย่างเต็มเปี่ยมกับพวกเขาเกี่ยวกับตำแหน่งว่างที่พวกเขาสนใจ และทีมพอร์ทัล SuperJob กำลังทดสอบบริการที่คาดการณ์ว่าประวัติย่อประเภทเดียวกันใดในประเภทเดียวกันจะเป็นที่ต้องการของนายจ้างรายใดรายหนึ่ง

ขนส่ง

ผู้พัฒนาระบบอัจฉริยะของรัสเซีย Cognitive Technologies ใช้โครงข่ายประสาทเทียมในการจดจำยานพาหนะ คนเดินเท้า ป้ายถนน ไฟจราจร และวัตถุอื่นๆ ที่เข้ามาในเฟรม บริษัทยังรวบรวมข้อมูลสำหรับการฝึกโครงข่ายประสาทเทียมสำหรับยานพาหนะไร้คนขับ เรากำลังพูดถึงหลายหมื่นตอนที่อธิบายถึงปฏิกิริยาของผู้ขับขี่ต่อสถานการณ์วิกฤติบางอย่างบนท้องถนน เป็นผลให้ระบบต้องกำหนดสถานการณ์ที่เหมาะสมที่สุดสำหรับพฤติกรรมของออโตโรบอท เทคโนโลยีเดียวกันนี้ใช้ในการสร้างการขนส่งทางการเกษตรที่ชาญฉลาด

นอกจากนี้ โครงข่ายประสาทเทียมยังสามารถนำไปใช้ในด้านการขนส่งในลักษณะอื่นได้ ในช่วงฤดูร้อนปี 2559 Yandex ได้เพิ่มฟังก์ชั่นการตรวจจับรุ่นรถยนต์จากภาพถ่ายในกระดานข่าว Avto.ru โดยอัตโนมัติ ในเวลานั้นระบบรู้ 100 คะแนน

จิตวิทยาและความปลอดภัย

NTechLab บริษัทสตาร์ทอัพสัญชาติรัสเซีย ซึ่งทำผลงานได้ดีกว่า Google ใน The MegaFace Benchmark ซึ่งเป็นการแข่งขันระดับนานาชาติสำหรับอัลกอริธึมการจดจำใบหน้า ใช้เทคโนโลยีการเรียนรู้ของเครื่องในแอปพลิเคชัน FindFace ช่วยให้คุณค้นหาบุคคลในเครือข่ายโซเชียลด้วยภาพถ่าย บ่อยครั้งที่ผู้ใช้หันไปใช้บริการเพื่อตรวจจับของปลอม แต่ก็อาจเป็นประโยชน์กับเจ้าหน้าที่บังคับใช้กฎหมาย ด้วยความช่วยเหลือนี้ การระบุตัวตนของอาชญากรหลายคนได้ถูกสร้างขึ้นแล้ว รวมถึงผู้บุกรุก Citibank ในมอสโกด้วย FindFace.Pro เวอร์ชันธุรกิจมีให้สำหรับบริษัทที่สนใจระบุตัวตนลูกค้า ขณะนี้ระบบกำลังได้รับการฝึกอบรมเพื่อกำหนดเพศ อายุ และอารมณ์ของผู้อื่น ซึ่งจะเป็นประโยชน์ไม่เพียงแต่ในการสื่อสารกับลูกค้าเท่านั้น แต่ยังรวมถึงการจัดการบุคลากรด้วย

ในทำนองเดียวกัน VisionLabs บริษัท รัสเซียอื่นใช้โครงข่ายประสาทเทียม ใช้เทคโนโลยีการจดจำใบหน้าเพื่อให้การรักษาความปลอดภัยในธนาคารและสร้างข้อเสนอพิเศษสำหรับลูกค้าประจำของร้านค้าปลีกต่างๆ

การเริ่มต้นใช้งาน Emotian ทำงานในทิศทางเดียวกัน เขากำลังสรุประบบการกำหนดสถานะทางอารมณ์ของเมือง จนถึงตอนนี้ โครงข่ายประสาทเทียมคำนวณพื้นที่ที่มีความสุขที่สุดโดยอิงจากสิ่งพิมพ์บนโซเชียลเน็ตเวิร์ก แต่ในอนาคต บริษัทจะพิจารณาข้อมูลไบโอเมตริกซ์จากกล้อง

สื่อและความคิดสร้างสรรค์

หนึ่งในผู้เล่นหลักในตลาดเครือข่ายประสาทเทียมของรัสเซียคือยานเดกซ์ บริษัทใช้แมชชีนเลิร์นนิงไม่เพียงแต่ในบริการค้นหาเท่านั้น แต่ยังใช้ในผลิตภัณฑ์อื่นๆ ด้วย ในปี 2558 เธอเปิดตัวระบบผู้แนะนำ " เซน” ซึ่งเป็นฟีดข่าว บทความ รูปภาพ และวิดีโอตามความสนใจของผู้ใช้รายใดรายหนึ่ง ยิ่งเขาหันไปใช้วัสดุที่เลือกโดยอัลกอริทึมบ่อยขึ้นเท่าใด โครงข่ายประสาทเทียมก็จะยิ่งกำหนดสิ่งที่เขาอาจชอบอีกได้แม่นยำมากขึ้นเท่านั้น

นอกจากนี้ยานเดกซ์ยังทดลองความคิดสร้างสรรค์อีกด้วย พนักงานของบริษัทได้ใช้แนวทางโครงข่ายประสาทเทียมกับบทกวีแล้ว

- 26.76 Kb

โครงข่ายประสาทในการแพทย์

Alexander Yezhov, Vladimir Chechetkin

สถาบันวิจัยนวัตกรรมและฟิวชั่น ทรอยต์สค์

[ป้องกันอีเมล]

ระบบเฉพาะ

ต้านมะเร็ง

ระบบประสาท พันธุกรรม และโมเลกุล

โครงข่ายประสาทเดินดาวเคราะห์

แทนที่จะได้ข้อสรุป

เจ็บแน่นหน้าอก. รถพยาบาลส่งผู้ป่วยไปที่ห้องฉุกเฉิน ซึ่งแพทย์ประจำหน้าที่ต้องทำการวินิจฉัยและตรวจสอบว่าเป็นกล้ามเนื้อหัวใจตายจริงหรือไม่ จากประสบการณ์พบว่าสัดส่วนของผู้ป่วยที่มีอาการหัวใจวายในกลุ่มผู้ที่เข้ารับการรักษาด้วยอาการคล้ายคลึงกันมีน้อย อย่างไรก็ตาม ยังไม่มีวิธีการวินิจฉัยที่แม่นยำ คลื่นไฟฟ้าหัวใจบางครั้งไม่มีสัญญาณที่ชัดเจนของโรค และมีกี่พารามิเตอร์ของอาการของผู้ป่วยที่สามารถช่วยในการวินิจฉัยที่ถูกต้องในกรณีนี้ได้ไม่ทางใดก็ทางหนึ่ง? กว่าสี่สิบ แพทย์ในห้องฉุกเฉินสามารถวิเคราะห์ตัวบ่งชี้ทั้งหมดอย่างรวดเร็วพร้อมกับความสัมพันธ์ของพวกเขาเพื่อตัดสินใจเกี่ยวกับการส่งต่อผู้ป่วยไปยังแผนกโรคหัวใจได้หรือไม่? เทคโนโลยีโครงข่ายประสาทเทียมช่วยแก้ปัญหานี้ได้ในระดับหนึ่ง

สถิติมีดังนี้: แพทย์วินิจฉัยภาวะกล้ามเนื้อหัวใจตายได้อย่างถูกต้องในผู้ป่วย 88% และวินิจฉัยผิดพลาดใน 29% ของผู้ป่วยทั้งหมด มีสัญญาณเตือนที่ผิดพลาดมากเกินไป (การวินิจฉัยเกิน) ประวัติการใช้วิธีการประมวลผลข้อมูลต่างๆ เพื่อปรับปรุงคุณภาพของการวินิจฉัยย้อนหลังไปหลายทศวรรษ แต่วิธีที่ดีที่สุดช่วยลดจำนวนกรณีของการวินิจฉัยเกินได้เพียง 3%

ในปี 1990 William Bakst แห่งมหาวิทยาลัยแคลิฟอร์เนียแห่งซานดิเอโกใช้โครงข่ายประสาทเทียม (multilayer perceptron) เพื่อรับรู้ภาวะกล้ามเนื้อหัวใจตายในผู้ป่วยที่เข้ารับการรักษาในห้องฉุกเฉินด้วยอาการเจ็บหน้าอกเฉียบพลัน เป้าหมายของเขาคือการสร้างเครื่องมือที่สามารถช่วยแพทย์ที่ไม่สามารถรับมือกับกระแสข้อมูลที่บ่งบอกถึงสภาพของผู้ป่วยที่เข้ารับการรักษาได้ เป้าหมายอื่นอาจเป็นการปรับปรุงการวินิจฉัย นักวิจัยทำให้งานของเขายากขึ้น เพราะเขาวิเคราะห์ข้อมูลเฉพาะผู้ป่วยที่ได้รับการส่งต่อไปยังแผนกโรคหัวใจแล้วเท่านั้น Bakst ใช้เพียง 20 พารามิเตอร์ ได้แก่ อายุ เพศ ตำแหน่งของความเจ็บปวด การตอบสนองต่อไนโตรกลีเซอรีน คลื่นไส้และอาเจียน เหงื่อออก เป็นลมหมดสติ อัตราการหายใจ อัตราการเต้นของหัวใจ หัวใจวายก่อนหน้า เบาหวาน ความดันโลหิตสูง คุณสมบัติของคลื่นไฟฟ้าหัวใจและการมีอยู่ของการเปลี่ยนแปลงขาดเลือดที่สำคัญ

เครือข่ายมีความแม่นยำถึง 92% ในการตรวจหากล้ามเนื้อหัวใจตาย และสร้างสัญญาณเตือนที่ผิดพลาดเพียง 4% ซึ่งเป็นการยืนยันการส่งผู้ป่วยไปยังแผนกโรคหัวใจอย่างผิดพลาด ดังนั้นจึงมีความสำเร็จในการใช้โครงข่ายประสาทเทียมในการวินิจฉัยโรคได้สำเร็จ ตอนนี้จำเป็นต้องอธิบายในพารามิเตอร์ใดบ้างที่ประเมินคุณภาพของการวินิจฉัยในกรณีทั่วไป สมมติว่าในสิบคนที่มีอาการหัวใจวายจริงๆ วิธีการวินิจฉัยสามารถตรวจพบโรคได้ในแปดคน จากนั้นความไวของวิธีการจะเป็น 80% ถ้าเราเอาคนสิบคนที่ไม่มีอาการหัวใจวายและวิธีการวินิจฉัยสงสัยว่าเป็นสามคนสัดส่วนของการเตือนที่ผิดพลาดจะเป็น 30% ในขณะที่ลักษณะเพิ่มเติมของมัน - ความจำเพาะของวิธีการ - จะเป็น 70 %.

วิธีการวินิจฉัยในอุดมคติควรมีความไวและความจำเพาะ 100 เปอร์เซ็นต์ อย่างแรกคือ อย่าพลาดคนป่วยจริงๆ คนเดียว และประการที่สอง อย่าขู่คนที่มีสุขภาพ เพื่อประกันคุณสามารถและควรลองก่อนเพื่อให้แน่ใจว่ามีความไวร้อยเปอร์เซ็นต์ของวิธีการ - คุณไม่ควรพลาดโรค แต่ผลลัพธ์นี้ตามกฎแล้วในความเฉพาะเจาะจงต่ำของวิธีการ - ในหลาย ๆ คนแพทย์สงสัยว่าโรคที่ผู้ป่วยไม่ประสบจริงๆ

โครงข่ายประสาทเทียมสำหรับงานวินิจฉัย

โครงข่ายประสาทเทียมเป็นระบบที่ไม่ใช่เชิงเส้นที่ช่วยให้สามารถจำแนกข้อมูลได้ดีกว่าวิธีการเชิงเส้นที่ใช้กันทั่วไป เมื่อนำไปใช้กับการวินิจฉัยทางการแพทย์ จะทำให้สามารถเพิ่มความจำเพาะของวิธีการได้อย่างมีนัยสำคัญโดยไม่ลดความไวของวิธีการ

โปรดจำไว้ว่าโครงข่ายประสาทที่วินิจฉัยอาการหัวใจวายนั้นทำงานร่วมกับพารามิเตอร์จำนวนมากซึ่งไม่สามารถประเมินผลกระทบต่อการวินิจฉัยบุคคลได้ อย่างไรก็ตาม โครงข่ายประสาทเทียมสามารถตัดสินใจได้โดยอาศัยรูปแบบที่ซ่อนอยู่ซึ่งระบุในข้อมูลหลายมิติ คุณลักษณะที่โดดเด่นของโครงข่ายประสาทเทียมคือไม่ได้ตั้งโปรแกรมไว้ - ไม่ได้ใช้กฎการอนุมานใด ๆ เพื่อทำการวินิจฉัย แต่ได้รับการฝึกฝนให้ทำเช่นนี้ด้วยตัวอย่าง ในแง่นี้ โครงข่ายประสาทเทียมไม่เหมือนระบบผู้เชี่ยวชาญเลย ซึ่งการพัฒนาในยุค 70 เกิดขึ้นหลังจาก "ชัยชนะ" ของปัญญาประดิษฐ์ชั่วคราวเหนือวิธีการสร้างแบบจำลองหน่วยความจำ การจดจำรูปแบบ และลักษณะทั่วไป ซึ่งอิงจากการศึกษา ของการจัดระเบียบทางประสาทของสมอง

ระบบ MYCIN หนึ่งในระบบผู้เชี่ยวชาญที่พัฒนาแล้วซึ่งเป็นที่รู้จักดีที่สุด ซึ่งดำเนินการตามความรู้ที่ดึงมาจากผู้เชี่ยวชาญและการนำกระบวนการอนุมานไปใช้ คือระบบ MYCIN ระบบนี้พัฒนาขึ้นที่สแตนฟอร์ดในช่วงต้นทศวรรษ 70 เพื่อวินิจฉัยภาวะช็อกจากการติดเชื้อในกระแสเลือด ผู้ป่วยครึ่งหนึ่งเสียชีวิตภายในวันเดียว และแพทย์สามารถตรวจพบภาวะติดเชื้อได้เพียง 50% ของผู้ป่วยทั้งหมด MYCIN ดูเหมือนจะเป็นชัยชนะที่แท้จริงของเทคโนโลยีระบบผู้เชี่ยวชาญ เนื่องจากสามารถตรวจพบการติดเชื้อได้ 100% ตลอดเวลา อย่างไรก็ตาม หลังจากที่ได้ใกล้ชิดกับระบบผู้เชี่ยวชาญนี้มากขึ้น แพทย์ได้ปรับปรุงวิธีการวินิจฉัยแบบเดิมอย่างมีนัยสำคัญ และ MYCIN ก็สูญเสียความสำคัญไปและกลายเป็นระบบการศึกษา ระบบผู้เชี่ยวชาญ "ไป" เฉพาะในด้านโรคหัวใจ - สำหรับการวิเคราะห์คลื่นไฟฟ้าหัวใจ กฎที่ซับซ้อนซึ่งประกอบขึ้นเป็นเนื้อหาหลักของหนังสือเกี่ยวกับการวิเคราะห์ ECG ทางคลินิกได้ถูกนำมาใช้โดยระบบที่เหมาะสมในการออกข้อสรุปในการวินิจฉัย

การวินิจฉัยเป็นกรณีพิเศษของการจำแนกประเภทเหตุการณ์ และสิ่งที่มีค่าที่สุดคือการจำแนกประเภทของเหตุการณ์ที่ไม่ได้อยู่ในชุดการฝึกโครงข่ายประสาทเทียม นี่คือข้อได้เปรียบของเทคโนโลยีโครงข่ายประสาทเทียม - พวกเขาสามารถดำเนินการจำแนกดังกล่าวโดยสรุปประสบการณ์ก่อนหน้านี้และนำไปใช้ในกรณีใหม่

ระบบเฉพาะ

ตัวอย่างของโปรแกรมการวินิจฉัยคือ ชุดตรวจวินิจฉัยโรคหัวใจที่พัฒนาโดย RES Informatica ร่วมกับศูนย์วิจัยโรคหัวใจในมิลาน โปรแกรมนี้อนุญาตให้ทำการวินิจฉัยโรคหัวใจโดยไม่ลุกลามโดยอาศัยการรู้จำสเปกตรัมของคลื่นความถี่วิทยุ tachogram เป็นฮิสโตแกรมของช่วงเวลาระหว่างการเต้นของหัวใจที่ต่อเนื่องกัน และสเปกตรัมของมันสะท้อนให้เห็นถึงความสมดุลของกิจกรรมของระบบประสาทขี้สงสารของมนุษย์และระบบประสาทกระซิก ซึ่งเปลี่ยนแปลงโดยเฉพาะในโรคต่างๆ

ไม่ทางใดก็ทางหนึ่ง มันสามารถระบุได้แล้วว่าโครงข่ายประสาทเทียมกำลังกลายเป็นเครื่องมือสำหรับการวินิจฉัยโรคหัวใจ - ในอังกฤษเช่นใช้ในโรงพยาบาลสี่แห่งเพื่อป้องกันกล้ามเนื้อหัวใจตาย

ในทางการแพทย์ยังใช้คุณสมบัติอื่นของโครงข่ายประสาทเทียม - ความสามารถในการทำนายลำดับเวลา เป็นที่ทราบกันดีอยู่แล้วว่าระบบผู้เชี่ยวชาญประสบความสำเร็จในการวิเคราะห์คลื่นไฟฟ้าหัวใจ โครงข่ายประสาทเทียมก็มีประโยชน์เช่นกัน Ki Zhenghu, Yu Henu และ Willis Tompkins จากมหาวิทยาลัยวิสคอนซิน ได้พัฒนาระบบกรองโครงข่ายประสาทเทียมสำหรับการตรวจคลื่นไฟฟ้าหัวใจที่สามารถยับยั้งสัญญาณรบกวนที่ไม่เป็นเชิงเส้นและไม่คงที่ได้ดีกว่าวิธีการที่ใช้ก่อนหน้านี้มาก ความจริงก็คือโครงข่ายประสาททำนายเสียงได้ดีด้วยค่าที่จุดก่อนหน้าในเวลา และความจริงที่ว่าโครงข่ายประสาทเทียมมีประสิทธิภาพมากในการทำนายลำดับเวลา (เช่น อัตราแลกเปลี่ยนหรือราคาหุ้น) ได้แสดงให้เห็นอย่างน่าเชื่อถือโดยผลลัพธ์ของการแข่งขันโปรแกรมการทำนายที่ดำเนินการโดยมหาวิทยาลัยซานตาเฟ่ - โครงข่ายประสาทเทียมเกิดขึ้นเป็นที่หนึ่งและครอบงำในหมู่ วิธีที่ดีที่สุด

ความเป็นไปได้ของการใช้โครงข่ายประสาทเทียม

ECG เป็นแอปพลิเคชันส่วนตัวแม้ว่าจะมีความสำคัญอย่างยิ่ง อย่างไรก็ตาม วันนี้มีตัวอย่างอื่นๆ มากมายเกี่ยวกับการใช้โครงข่ายประสาทเทียมสำหรับการทำนายทางการแพทย์ เป็นที่ทราบกันดีว่าการต่อคิวยาวในแผนกศัลยกรรมหัวใจ (ตั้งแต่สัปดาห์ถึงเดือน) เกิดจากการขาดแคลนห้องไอซียู ไม่สามารถเพิ่มจำนวนได้เนื่องจากค่าใช้จ่ายในการดูแลช่วยชีวิตสูง (ชาวอเมริกันใช้เงิน 70% ในช่วง 2 สัปดาห์สุดท้ายของชีวิตในแผนกนี้)

ทางออกเดียวคือการใช้เงินที่มีอยู่อย่างมีประสิทธิภาพมากขึ้น สมมติว่าสภาพของผู้ป่วยที่ดำเนินการในวันที่กำหนดนั้นรุนแรงมากจนต้องอยู่ในหอผู้ป่วยหนักเป็นเวลานาน (มากกว่าสองวัน) ตลอดเวลานี้ศัลยแพทย์จะไม่ได้ใช้งานเพราะไม่มีที่ใดที่จะนำผู้ป่วยที่ได้รับการผ่าตัดใหม่ การดำเนินการกับผู้ป่วยที่ป่วยหนักก่อนวันหยุดสุดสัปดาห์หรือวันหยุดนั้นเป็นเรื่องที่ฉลาดกว่า เนื่องจากห้องผ่าตัดยังคงปิดอยู่ในปัจจุบัน ศัลยแพทย์จะพักผ่อน และผู้ป่วยจะฟื้นตัวในหอผู้ป่วยหนัก แต่ในตอนต้นของสัปดาห์การทำงาน จะดีกว่าถ้าทำการผ่าตัดกับผู้ป่วยเหล่านั้นที่จะต้องอยู่ในห้องไอซียูเพียงหนึ่งหรือสองวัน จากนั้นเตียงในหอผู้ป่วยหนักจะว่างเร็วขึ้นและรับผู้ป่วยใหม่ที่ดำเนินการในวันอังคารและวันพุธ

คำถามคือจะเดาได้อย่างไรว่าใครจะต้องอยู่ในห้องไอซียูเป็นเวลานานหลังการผ่าตัดและใครจะไม่ Jack Too และ Michael Guerier ที่โรงพยาบาล St. Michael ของมหาวิทยาลัยโตรอนโตใช้โครงข่ายประสาทเทียมในการทำนายนี้ เป็นข้อมูลเบื้องต้น พวกเขานำเฉพาะข้อมูลเกี่ยวกับผู้ป่วยที่ทราบในช่วงก่อนการผ่าตัดเท่านั้น โปรดทราบว่าในการศึกษาก่อนหน้านี้ที่ไม่ได้ใช้โครงข่ายประสาทเทียม ข้อมูลหลังการผ่าตัดที่สำคัญยังถูกใช้เป็นปัจจัยสำหรับความเสี่ยงที่เพิ่มขึ้นของการอยู่ในหอผู้ป่วยหนัก - ภาวะแทรกซ้อนต่างๆ ที่เกิดขึ้นระหว่างการผ่าตัด

Tu และ Guerir ได้ฝึก bilayer perceptron เพื่อแบ่งผู้ป่วยออกเป็นสามกลุ่มเสี่ยง โดยคำนึงถึงอายุ เพศ สถานะการทำงานของช่องซ้าย ระดับความซับซ้อนของการผ่าตัดที่กำลังจะเกิดขึ้น และโรคที่เกิดขึ้นพร้อมกัน จากผู้ป่วยที่ระบุโดยเครือข่ายว่ามีความเสี่ยงต่ำที่จะเกิดความล่าช้าในการดูแลผู้ป่วยหนัก มีเพียง 16.3% เท่านั้นที่ใช้เวลาในการรักษาอย่างเข้มข้นมากกว่าสองวัน ในเวลาเดียวกัน กว่า 60% ของผู้ที่ถูกระบุโดยเครือข่ายว่ามีความเสี่ยงสูงนั้นขึ้นอยู่กับการพยากรณ์โรคที่ไม่เอื้ออำนวย

ต้านมะเร็ง

เราให้ความสนใจเป็นพิเศษกับโรคหัวใจและหลอดเลือดเนื่องจากพวกเขาเป็นผู้นำที่น่าเศร้าในรายการสาเหตุของการเสียชีวิต อันดับที่สองคือโรคมะเร็ง หนึ่งในพื้นที่หลักที่กำลังดำเนินการเกี่ยวกับการใช้โครงข่ายประสาทเทียมคือการวินิจฉัยมะเร็งเต้านม โรคนี้เป็นสาเหตุของการเสียชีวิตของผู้หญิงทุกคนที่เก้า

การตรวจหาเนื้องอกจะดำเนินการในระหว่างการตรวจเอ็กซ์เรย์เต้านมครั้งแรก (การตรวจเต้านม) และการวิเคราะห์ชิ้นเนื้อเนื้องอก (การตรวจชิ้นเนื้อ) ในภายหลัง แม้จะมีกฎทั่วไปในการแยกความแตกต่างของเนื้องอกที่เป็นพิษเป็นภัยและมะเร็งตามการตรวจเต้านมพบว่ามีเพียง 10 ถึง 20% ของผลการตรวจชิ้นเนื้อในการผ่าตัดที่ตามมาเท่านั้นที่ยืนยันว่ามีมะเร็งเต้านม อีกครั้ง เรากำลังเผชิญกับกรณีที่ความจำเพาะของวิธีการต่ำมาก

นักวิจัยจากมหาวิทยาลัย Duke ได้ฝึกฝนโครงข่ายประสาทเทียมเพื่อจดจำภาพแมมโมแกรมของเนื้อเยื่อมะเร็งโดยพิจารณาจากลักษณะ 8 ประการที่นักรังสีวิทยามักรับมือ ปรากฎว่าเครือข่ายสามารถแก้ปัญหาด้วยความไวประมาณ 100% และความจำเพาะ 59% (เทียบกับ 10-20% สำหรับนักรังสีวิทยา) ผู้หญิงจำนวนเท่าใดที่เป็นเนื้องอกที่ไม่ร้ายแรงสามารถรอดพ้นจากความเครียดจากการตัดชิ้นเนื้อโดยใช้โครงข่ายประสาทเทียมนี้! ที่ Mayo Clinic (มินนิโซตา) โครงข่ายประสาทเทียมวิเคราะห์ผลลัพธ์ของอัลตราซาวนด์เต้านมและให้ความจำเพาะ 40% ในขณะที่สำหรับผู้หญิงคนเดียวกัน ความจำเพาะของข้อสรุปของนักรังสีวิทยากลายเป็นศูนย์ จริงหรือที่ความสำเร็จของการใช้เทคโนโลยีโครงข่ายประสาทเทียมนั้นไม่ได้มองว่าเป็นเรื่องบังเอิญ?

หลังการรักษามะเร็งเต้านม การเกิดซ้ำของเนื้องอกได้ โครงข่ายประสาทเทียมช่วยในการทำนายได้อย่างมีประสิทธิภาพแล้ว การวิจัยที่คล้ายกันกำลังดำเนินการอยู่ที่โรงเรียนแพทย์มหาวิทยาลัยเท็กซัส เครือข่ายที่ได้รับการฝึกอบรมได้แสดงความสามารถในการระบุและคำนึงถึงความสัมพันธ์ที่ซับซ้อนมากของตัวแปรการทำนาย โดยเฉพาะอย่างยิ่ง ความสัมพันธ์สามประการของพวกมัน เพื่อปรับปรุงความสามารถในการคาดการณ์

ความเป็นไปได้ของการใช้โครงข่ายประสาทเทียมในการแพทย์นั้นมีความหลากหลายและสถาปัตยกรรมของมันก็มีความหลากหลาย ขึ้นอยู่กับการคาดการณ์ผลลัพธ์ระยะยาวของการรักษาโรคด้วยวิธีใดวิธีหนึ่งสามารถเลือกวิธีใดวิธีหนึ่งได้ ผลลัพธ์ที่สำคัญในการพยากรณ์โรคของการรักษามะเร็งรังไข่ (โรคของผู้หญิงอายุเจ็ดสิบทุกคน) ทำได้โดย Herbert Kappen ผู้เชี่ยวชาญชาวดัตช์ที่มีชื่อเสียงจากมหาวิทยาลัย Nimegen (เขาไม่ได้ใช้ perceptrons หลายชั้นในงานของเขา แต่สิ่งที่เรียกว่า Boltzmann เครื่องจักร - โครงข่ายประสาทเทียมสำหรับการประเมินความน่าจะเป็น)

นี่คือตัวอย่างของมะเร็งชนิดอื่น นักวิจัยจากโรงเรียนแพทย์ในเมืองคางาวะ ประเทศญี่ปุ่น ได้ฝึกโครงข่ายประสาทเทียมที่ทำนายผลการผ่าตัดตับในผู้ป่วยมะเร็งตับด้วยข้อมูลก่อนการผ่าตัดที่แทบไม่มีข้อผิดพลาด

ที่สถาบัน Troitsk Institute for Innovation and Fusion Research (TRINITI) ซึ่งเป็นส่วนหนึ่งของโครงการสร้างระบบให้คำปรึกษาโครงข่ายประสาทเทียมที่ดำเนินการโดยกระทรวงวิทยาศาสตร์ ได้มีการพัฒนาโปรแกรมโครงข่ายประสาทเทียมขึ้นเพื่อเลือกวิธีการรักษามะเร็งผิวหนังจากเซลล์ต้นกำเนิด (basalioma) ) ตามการคาดการณ์ระยะยาวของการกลับเป็นซ้ำ จำนวนกรณีของ basalioma - โรคมะเร็งของคนผิวขาวที่มีผิวบาง - เป็นหนึ่งในสามของโรคมะเร็งทั้งหมด

การวินิจฉัยโรคเมลาโนมารูปแบบใดรูปแบบหนึ่ง - เนื้องอกซึ่งบางครั้งก็ยากที่จะแยกแยะจากรูปแบบเม็ดสีของ basalioma ได้ดำเนินการโดยใช้เครื่องจำลองโครงข่ายประสาท Multineuron ที่พัฒนาขึ้นที่ศูนย์คอมพิวเตอร์ของ SOAN ในครัสโนยาสค์ภายใต้การแนะนำของ A.N. Gorban

คำอธิบายสั้น

โครงข่ายประสาทเทียมสำหรับงานวินิจฉัย

ระบบเฉพาะ

ความเป็นไปได้ของการใช้โครงข่ายประสาทเทียม

ต้านมะเร็ง

ระบบประสาท พันธุกรรม และโมเลกุล

โครงข่ายประสาทเดินดาวเคราะห์