От доста време четем за ролята на анотация на данни в машинното обучение и модули за изкуствен интелект (AI). Ние знаем, че анотирането на качествени данни е неизбежен аспект, който неизменно влияе върху резултатите, произведени от тези системи.
Какви обаче са различните техники за анотиране, използвани в здравеопазване AI пространство? За индустрия, която е толкова сложна, обширна и решаваща, какви мерки и процедури предприемат експертите по анотиране на данни, за да маркират, внедрят и следват, за да маркират критични здравни данни от безброй източници?
Е, точно това ще разгледаме в тази публикация днес. От основното разбиране на различните видове техники за анотиране на данни, ние ще отключим ниво 2 и ще проучим различните техники за анотиране, използвани в различни случаи на използване на AI.
Анотация на данни за различни случаи на използване на AI
Chatbots
За да предоставят точни резултати чатботовете, те трябва да обработват милиони байтове данни. Една грешна диагноза или препоръка може да се окаже вредна за пациентите и заобикалящата ги среда. Например, ако базирано на AI приложение, предназначено да дава резултати при предварителната оценка на Covid-19, даде грешни резултати, това би довело до заразяване. Ето защо трябва да се проведе подходящо обучение за AI, преди продуктът или решението да бъдат пуснати на живо.
За целите на обучението експертите обикновено използват техники като разпознаване на обекти и анализ на настроенията.
Анотация за цифрово изображение
Въпреки че диагностичният процес е цифров с помощта на сложни системи и устройства, изводите от резултатите все още са предимно ориентирани към човека. Това излага резултатите на погрешно тълкуване или дори пренебрегване на важни проблеми.
Сега AI модулите могат да елиминират всички подобни случаи и могат да открият дори най-миниатюрните аномалии или опасения от MRI, CT сканиране и рентгенови доклади. Освен точни резултати, AI системите могат да предоставят резултати и бързо.
Освен конвенционалните сканирания, термичните изображения се използват и за ранно откриване на опасения като рак на гърдата. IR лъчите, излъчвани от тумори, се изследват за допълнителни симптоми и се докладват съответно.
За тези сложни цели ветераните в анотирането на данни внедряват механизми като маркиране на съществуващи MRI, CT сканиране и рентгенови отчети и данни от термично изображение. След това AI модулите се учат от тези анотирани набори от данни, за да се обучават автономно.
Разработване и лечение на лекарства
Един от най-новите примери за разработване на лекарства чрез AI модули е формулирането на ваксини за Covid-19. В рамките на месеци след избухването изследователите и доставчиците на здравни услуги успяха да разбият кода за ваксини срещу Covid-19. Това се дължи предимно на AI и алгоритмите за машинно обучение и тяхната способност да симулират лекарствени и химични взаимодействия, да се учат от тонове здравни списания, публикувани статии, изследователски документи, научни статии и много други за откриване на лекарства.
Прозрения, които никога не биха попаднали в полезрението на хората (като се има предвид обемът на наборите от данни, използвани за откриване на лекарства и клинични изпитвания), лесно се съпоставят и анализират от AI модули за незабавни заключения и резултати. Това позволява на здравните специалисти да ускорят изпитанията, да проведат строги тестове и да препратят констатациите си за подходящи одобрения.
Освен откриването на лекарства, AI модулите също помагат на клиницистите да препоръчват персонализирани лекарства, които биха повлияли на дозировката и времето им въз основа на техните основни състояния, биологични реакции и др.
За пациенти, страдащи от автоимунни заболявания, неврологични проблеми и хронични заболявания, се предписват множество лекарства. Това може да означава реакция между лекарствата. С персонализирани препоръки за лекарства доставчиците на здравни услуги могат да вземат по-информирано решение по отношение на предписването на лекарства.
За да се случи всичко това, анотаторите работят върху маркирането на NLP данни, данни от радиология на данни, цифрови изображения, EHR, данни за искове, предоставени от застрахователни компании, данни, събрани и компилирани от устройства за носене и др.
Наблюдение и грижи за пациенти
Пациенти, които са били подложени на лечение за рак или страдащи от проблеми с психичното здраве, все повече откриват разговорни ботове полезно. От запитвания след изписване до подпомагане на пациентите да се справят с емоционални сривове, чатботовете пристигат като крайни спътници и помощници. Организация за изкуствен интелект, наречена Northwell Health, също сподели доклад, че близо 96% от нейните пациенти демонстрират оптимизирана ангажираност на пациентите с такива чатботове.
Техниките за анотации в това се свеждат до маркиране на текстови и аудио данни от здравни досиета, данни от клинични изпитвания, разговори и анализи на намерения, цифрови изображения и документи и др.
Завършвайки
Случаи на използване като тези определят стандарти за сравнителен анализ за методологии за обучение и анотация на AI. Те също така служат като пътни карти за всички уникални предизвикателства за анотации на данни, които възникват в бъдеще поради появата на по-нови случаи на употреба и решения.
Това обаче не трябва да ви спира да се впускате в разработването на AI за здравеопазването. Ако тепърва започвате и търсите адекватно и качествено Данни за обучение на AI, свържете се с нас днес. Ние винаги очакваме нови предизвикателства и оставаме крачка пред кривата.
