Грицков Игорь Олегович ‒ студент
119991, Российская Федерация, Москва, ул. Трубецкая, д. 8, стр. 2
Igor O. Gritskov ‒ student
Говоров Александр Викторович ‒ доктор медицинских наук, профессор кафедры урологии
Alexander V. Govorov ‒ MD, Рrofessor of the Department of Urology
Васильев Александр Олегович ‒ кандидат медицинских наук, ассистент кафедры урологии
Alexander O. Vasiliev ‒ Candidat of Medical Sci., assistant of the Department of Urology
Ходырева Любовь Алексеевна ‒ доктор медицинских наук, профессор кафедры урологии; заведующая ОМО по урологии
Lubov A. Khodyreva ‒ MD, Professor of the Department of Urology; Head of the Organizational and Methodological Department
Ширяев Арсений Александрович – аспирант кафедры урологии
Arseniy A. Shiryaev – Graduate Student of the Department of Urology;
Пушкарь Дмитрий Юрьевич ‒ доктор медицинских наук, профессор, академик РАН, заведующий кафедрой урологии, главный уролог Департамента здравоохранения города Москвы и Министерства здравоохранения Российской Федерации
Dmitriy Yu. Pushkar ‒ MD, Professor, Academician of the RAS, Head of the Department of Urology
Введение. Искусственный интеллект, представляющий собой набор алгоритмов, на сегодняшний день выполняет впечатляющий объем работы, связанный с анализом и обработкой информации. Применение вычислительной мощности большого числа простых процессоров, а также составление для их совместной работы математической модели по принципу организации нейронных сетей клеток живых организмов составляет искусственную нейросеть. Подобная система не программируется на этапе разработки в конечный потребляемый продукт (как это обычно происходит, например, с программным обеспечением того или иного устройства), а обучается на протяжении всего своего функционирования. Обучение представляет из себя нахождение процентного взаимоотношения между нейронами и вводными данными, что в конечном итоге приводит к выявлению сложных взаимосвязей между предоставляемыми данными. Данные свойства обучения нейросетей уже сегодня помогают в работе врачей, облегчая их труд, предоставляя более удобные для восприятия данные. Цель исследования: актуализировать информацию о применении современных технологий обучения нейронных сетей в сфере здравоохранения. Задачи: рассмотреть терминологию и обозначить технологии в Data Science, применяемые в здравоохранении; найти на рецензированных ресурсах информацию о современных подходах в анализе аккумулированной информации и изложить ее общедоступным языком; продемонстрировать преимущества и недостатки использования глубокого обучения нейросетей; детализировать будущее глубокого обучения нейросетей в здравоохранении. Результаты: сложная система взаимосвязи между нейронами нейросети с корректно написанным программным кодом, совместно с актуальной и верифицированной информацией позволит с большой точностью находить корреляции многих статистических показателей в сфере здравоохранения, что в конечном итоге приведет к улучшению оказания медицинской помощи. Нейросеть гораздо быстрее и точнее справляется с большим объемом информации, что является огромным шагом в сторону персонализированной медицины. Это стало возможным благодаря накоплению достаточного количества данных в цифровом виде, а также достижению достаточного технического прогресса в области глубокого обучения нейросетей.
Introduction: Artificial intelligence, which is a set of algorithms, currently does an impressive amount of work related to its analysis and processing. The use of the computing power of a large number of simple processors, as well as the compilation of a mathematical model for their joint operation based on the principle of organizing neural networks of cells of living organisms, constitutes an artificial neural network. Such a system is not programmed at the development stage into a final consumer product (as is usually the case, for example, with the software of a device), but “teaches” throughout its entire operation. “Teaching” is about finding the percentage relationship between neurons and input data, which ultimately leads to the identification of complex relationships between the provided data. These properties of training neural networks are already helping doctors in their work, making it easier and providing more readable data. Purpose of the study: to update information about the use of modern technologies for teaching neural networks in the healthcare sector. Tasks: to consider the terminology and designate technologies in Data Science used in healthcare; to find on peer-reviewed resources information about modern approaches to the analysis of accumulated information and present it in a public language; to demonstrate the advantages and disadvantages of using deep teaching of neural networks; detail the “future” of deep teaching of neural networks in healthcare. Results: a complex system of interconnection between neurons of a neural network with a correctly written program code, together with relevant and verified information, makes it possible to accurately find correlations of many statistical indicators in the field of healthcare. This fact will ultimately lead to improved medical care. A neural network can handle large amounts of information much faster and more accurately, which is a huge step towards personalized medicine. This became possible due to the accumulation of a sufficient amount of data in digital form, as well as the achievement of sufficient technical progress in the field of deep teaching of neural networks.
The authors declare that there are no conflicts of interest present.