محققان MIT مدلی را تهیه کرده اند که می تواند انواع مختلفی از داده های سلامتی بیمار را برای کمک به پزشکان در تصمیم گیری با اطلاعات ناقص به شما کمک کند.
زمینه "تجزیه و تحلیل پیش بینی" برای بسیاری از برنامه های مراقبت های بهداشتی نوید بخش است. مدلهای یادگیری ماشینی را می توان آموزش داد تا در داده های بیمار به دنبال الگوهای در پیش بینی خطر بیمار در اثر بیماری یا مرگ در بخش مراقبت های ویژه ، برای کمک به مراقبت از سپسیس یا طراحی رژیم های شیمی درمانی ایمن تر باشند.
این فرایند شامل پیش بینی متغیرهای مورد علاقه مانند خطر بیماری از متغیرهای شناخته شده مانند علائم ، داده های بیومتریک ، آزمایشگاه ها و اسکن بدن است. با این حال ، این داده های بیمار می تواند از چندین منبع مختلف حاصل شود و اغلب ناقص است. به عنوان مثال ، ممکن است شامل اطلاعات جزئی از نظرسنجی های مربوط به سلامتی در مورد بهزیستی جسمی و روحی باشد ، آمیخته با داده های بسیار پیچیده ای که شامل اندازه گیری عملکرد قلب یا مغز است.
استفاده از یادگیری ماشینی برای تجزیه و تحلیل کلیه داده های موجود می تواند به پزشکان در تشخیص بهتر و معالجه بیماران کمک کند. اما اکثر مدل ها نمی توانند داده های بسیار پیچیده را اداره کنند. برخی دیگر نتوانند دامنه کامل روابط بین متغیرهای مختلف سلامتی را ثبت کنند ، از جمله اینکه چگونه الگوهای تنفس به پیش بینی ساعت خواب یا سطح درد کمک می کند.
در مقاله ای که هفته آینده در کنفرانس AAAI درباره هوش مصنوعی ارائه شد ، محققان MIT یک شبکه عصبی واحد را توصیف می کنند که داده های ساده و بسیار پیچیده ای را شامل می شود. سپس شبکه با استفاده از متغیرهای شناخته شده می تواند تمام متغیرهای از دست رفته را پر کند. با توجه به داده های سیگنال الکتروکاردیوگرافی بیمار (ECG) ، که عملکرد قلب و میزان خستگی خود گزارش می شود ، این مدل می تواند سطح درد بیمار را پیش بینی کند ، که ممکن است بیمار آن را به یاد نیاورد و یا درست گزارش کند.
این شبکه با استفاده از داده های واقعی مطالعه خواب - که شامل بررسی های بهداشتی ، و نوار قلب و سایر سیگنال های پیچیده است - در پیش بینی هر یک از هشت متغیر مفقود شده ، براساس هفت متغیر شناخته شده دیگر ، دقت 70 تا 80 درصد را بدست آورد.
این شبکه با دوخت submodels های مختلف ، هر یک مناسب برای توصیف یک رابطه خاص بین متغیرها کار می کند. submodels همانطور که پیش بینی می کند داده ها را به اشتراک می گذارد و در نهایت متغیر هدف پیش بینی شده را تولید می کند . هائو وانگ ، نویسنده اصلی رهبری دانشکده کامپیوتر و مصنوعی می گوید: "ما شبکه ای از مدل ها داریم که با یکدیگر ارتباط برقرار می کنند تا آنچه را که نمی دانیم با استفاده از اطلاعاتی که ما از این نوع داده های مختلف می دانیم پیش بینی کنیم." آزمایشگاه اطلاعاتی (CSAIL). "اگر بگویید ، هشت نوع داده مختلف دارید ، و من از یک بیمار هفت نفر اطلاعات کاملی دارم ، ارتباط بین مدل ها به ما کمک می کند تا شکاف های مفقود شده را در نوع هشتم داده ها از هفت نوع دیگر پر کنیم."
چنگشی مائو ، دانشجوی مقطع کارشناسی ارشد دانشگاه Tsinghua ، در مقاله پیوستن به وانگ است. دکتری CSAIL دانش آموزان هائو او و مینگمین ژائو؛ دینا کاتابی ، اندرو و ارنا ویتربی استاد مهندسی برق و علوم کامپیوتر در MIT و مدیر مرکز MIT برای شبکه های بی سیم و رایانه های سیار. و Tommi S. Jaakkola ، استاد توماس سیبل در گروه مهندسی برق و علوم کامپیوتر و انستیتوی داده ، سیستم و جامعه است.
پیش بینی های دو جهته
استفاده از مدلهای سنتی یادگیری ماشین برای تجزیه و تحلیل تعداد متغیرهایی که شبکه محققان می توانند از آن استفاده کنند ، عملاً غیرقابل نفوذ است ، زیرا تعداد مدلها به صورت نمایی با تعداد متغیرها مقیاس می شوند.
وانگ می گوید: "ما پرسیدیم ، آیا با وجود این واقعیت که در هر گروه ما اطلاعات متفاوتی داریم ، می توان یک مدل واحد طراحی کرد که بتواند از همه این گروه های داده استفاده کند؟"
نوآوری اصلی شکستن شبکه به زیرمجازهای انفرادی است که هر کدام متناسب با نوع دیگری از داده های ورودی مناسب هستند. شبکه عصبی یک شبکه گره بهم پیوسته است که برای پردازش داده های پیچیده با یکدیگر کار می کنند. قبل از ارسال خروجی به گره بعدی ، یک گره محاسبات نسبتاً ساده ای را انجام می دهد. با این حال ، در شبکه های دارای زیرمودل ها ، هر گره می تواند به عنوان یک شبکه جداگانه عمل کند که بتواند محاسبات پیچیده تری را کنترل کند. بسته به کاربرد ، Submodels می تواند بسیار کارآمدتر باشد.
در کار خود ، محققان برای هر بازده متغیر یک زیرمجموعه احتمالی ایجاد کردند. آنها همچنین تکنیکی را ایجاد کردند تا بتواند submodels را در هنگام پیش بینی ، با یکدیگر ارتباط برقرار کند ، بنام شبکه های استنتاج دو جهته (BIN). این تکنیک از تکنیک های آموزش شبکه عصبی که به عنوان عمل مجدد استفاده می شود ، استفاده می کند. در آموزش ، backpropagation خطاهای محاسباتی را از طریق گره ها به روز می کند تا مقادیر پارامتر شبکه را به روز کند. اما این روش هرگز در آزمایش مورد استفاده قرار نمی گیرد ، به خصوص هنگامی که وابستگی های شرطی پیچیده ای در آن وجود داشته باشد. در عوض ، در آزمایش های سنتی ، داده های ورودی از یک گره به گره در یک جهت پردازش می شوند ، تا زمانی که یک گره نهایی در انتهای دنباله پیش بینی کند.
محققان از شبکه خود برنامه ریزی کردند تا در طول آزمایش از روش سنتی و backpropagation استفاده کند. در این زمینه ، backpropagation اساساً از یک خروجی متغیر استفاده می کند ، سپس یک ورودی را از آن خروجی پیش بینی می کند و مقدار ورودی را به عقب به گره قبلی می فرستد. این یک شبکه ایجاد می کند که تمام زیرمجموعه ها با هم کار می کنند و به یکدیگر وابسته هستند تا یک احتمال هدف را به دست آورند.
پر کردن جای خالی
محققان شبکه خود را روی مجموعه داده های مطالعه سلامت قلب خواب 2 (SHHS2) در دنیای واقعی آموزش دادند. داده ها شامل خواندن الکتروانسفالوگرافی (EEG) است که عملکرد مغز را اندازه گیری می کند. ECG؛ و سیگنال های الگوی تنفس. این همچنین شامل اطلاعات مربوط به یک بررسی بهداشتی برای اندازه گیری هشت متغیر سلامتی - از جمله بهزیستی عاطفی ، عملکرد اجتماعی و انرژی / خستگی - در مقیاس 0 تا 100 است.
در آموزش ، شبکه الگوی یاد می گیرد که چگونه هر متغیر ممکن است بر دیگری تأثیر بگذارد. به عنوان مثال ، اگر کسی نفس خود را برای مدت طولانی نگه داشته باشد ، ممکن است تنش داشته باشد ، که می تواند نشان دهنده درد جسمی باشد. در آزمایش ، شبکه قادر به تجزیه و تحلیل روابط برای پیش بینی هر یک از هشت متغیر ، بر اساس هر یک از اطلاعات دیگر ، با دقت 70 تا 80 درصد است.
این شبکه می تواند به کمیت متغیرهای سلامتی گاهی مبهم برای بیماران و پزشکان ، از جمله درد و سطح خستگی کمک کند. به عنوان مثال ، هنگامی که بیماران بعد از عمل می خوابند ، ممکن است در وسط شب با درد بیدار شوند ، اما ممکن است روز بعد سطح درد مناسبی را به خاطر نیاورند.
در مرحله بعد ، محققان امیدوارند شبکه را به عنوان یک مؤلفه نرم افزاری برای دستگاهی که ساخته اند ، با نام EQ Radio اجرا کنند ، که می تواند تنفس و ضربان قلب شخص را با استفاده از تنها سیگنال های بی سیم پیگیری کند. در حال حاضر ، این دستگاه در صورت خوشحال بودن ، عصبانیت یا ناراحت بودن آن اطلاعات را تجزیه و تحلیل می کند. با استفاده از این شبکه ، دستگاه به طور بالقوه می تواند پیش بینی های مداوم به روز شده در مورد سلامت یک بیمار را ، بطور انفعالی ، با توجه به اطلاعات جزئی ، انجام دهد. وانگ می گوید: "این می تواند در مراكز كمكهای زندگی بسیار مفید باشد ، جایی که پزشکان می توانند ابعاد عاطفی و جسمی سلامت یک بیمار را هر روز و هر روز تحت نظارت داشته باشند."
محققان MIT مدلی را تهیه کرده اند که می تواند انواع مختلفی از داده های سلامتی بیمار را برای کمک به پزشکان در تصمیم گیری با اطلاعات ناقص به شما کمک کند.
زمینه "تجزیه و تحلیل پیش بینی" برای بسیاری از برنامه های مراقبت های بهداشتی نوید بخش است. مدلهای یادگیری ماشینی را می توان آموزش داد تا در داده های بیمار به دنبال الگوهای در پیش بینی خطر بیمار در اثر بیماری یا مرگ در بخش مراقبت های ویژه ، برای کمک به مراقبت از سپسیس یا طراحی رژیم های شیمی درمانی ایمن تر باشند.
این فرایند شامل پیش بینی متغیرهای مورد علاقه مانند خطر بیماری از متغیرهای شناخته شده مانند علائم ، داده های بیومتریک ، آزمایشگاه ها و اسکن بدن است. با این حال ، این داده های بیمار می تواند از چندین منبع مختلف حاصل شود و اغلب ناقص است. به عنوان مثال ، ممکن است شامل اطلاعات جزئی از نظرسنجی های مربوط به سلامتی در مورد بهزیستی جسمی و روحی باشد ، آمیخته با داده های بسیار پیچیده ای که شامل اندازه گیری عملکرد قلب یا مغز است.
استفاده از یادگیری ماشینی برای تجزیه و تحلیل کلیه داده های موجود می تواند به پزشکان در تشخیص بهتر و معالجه بیماران کمک کند. اما اکثر مدل ها نمی توانند داده های بسیار پیچیده را اداره کنند. برخی دیگر نتوانند دامنه کامل روابط بین متغیرهای مختلف سلامتی را ثبت کنند ، از جمله اینکه چگونه الگوهای تنفس به پیش بینی ساعت خواب یا سطح درد کمک می کند.
در مقاله ای که هفته آینده در کنفرانس AAAI درباره هوش مصنوعی ارائه شد ، محققان MIT یک شبکه عصبی واحد را توصیف می کنند که داده های ساده و بسیار پیچیده ای را شامل می شود. سپس شبکه با استفاده از متغیرهای شناخته شده می تواند تمام متغیرهای از دست رفته را پر کند. با توجه به داده های سیگنال الکتروکاردیوگرافی بیمار (ECG) ، که عملکرد قلب و میزان خستگی خود گزارش می شود ، این مدل می تواند سطح درد بیمار را پیش بینی کند ، که ممکن است بیمار آن را به یاد نیاورد و یا درست گزارش کند.
این شبکه با استفاده از داده های واقعی مطالعه خواب - که شامل بررسی های بهداشتی ، و نوار قلب و سایر سیگنال های پیچیده است - در پیش بینی هر یک از هشت متغیر مفقود شده ، براساس هفت متغیر شناخته شده دیگر ، دقت 70 تا 80 درصد را بدست آورد.
این شبکه با دوخت submodels های مختلف ، هر یک مناسب برای توصیف یک رابطه خاص بین متغیرها کار می کند. submodels همانطور که پیش بینی می کند داده ها را به اشتراک می گذارد و در نهایت متغیر هدف پیش بینی شده را تولید می کند . هائو وانگ ، نویسنده اصلی رهبری دانشکده کامپیوتر و مصنوعی می گوید: "ما شبکه ای از مدل ها داریم که با یکدیگر ارتباط برقرار می کنند تا آنچه را که نمی دانیم با استفاده از اطلاعاتی که ما از این نوع داده های مختلف می دانیم پیش بینی کنیم." آزمایشگاه اطلاعاتی (CSAIL). "اگر بگویید ، هشت نوع داده مختلف دارید ، و من از یک بیمار هفت نفر اطلاعات کاملی دارم ، ارتباط بین مدل ها به ما کمک می کند تا شکاف های مفقود شده را در نوع هشتم داده ها از هفت نوع دیگر پر کنیم."
چنگشی مائو ، دانشجوی مقطع کارشناسی ارشد دانشگاه Tsinghua ، در مقاله پیوستن به وانگ است. دکتری CSAIL دانش آموزان هائو او و مینگمین ژائو؛ دینا کاتابی ، اندرو و ارنا ویتربی استاد مهندسی برق و علوم کامپیوتر در MIT و مدیر مرکز MIT برای شبکه های بی سیم و رایانه های سیار. و Tommi S. Jaakkola ، استاد توماس سیبل در گروه مهندسی برق و علوم کامپیوتر و انستیتوی داده ، سیستم و جامعه است.
پیش بینی های دو جهته
استفاده از مدلهای سنتی یادگیری ماشین برای تجزیه و تحلیل تعداد متغیرهایی که شبکه محققان می توانند از آن استفاده کنند ، عملاً غیرقابل نفوذ است ، زیرا تعداد مدلها به صورت نمایی با تعداد متغیرها مقیاس می شوند.
وانگ می گوید: "ما پرسیدیم ، آیا با وجود این واقعیت که در هر گروه ما اطلاعات متفاوتی داریم ، می توان یک مدل واحد طراحی کرد که بتواند از همه این گروه های داده استفاده کند؟"
نوآوری اصلی شکستن شبکه به زیرمجازهای انفرادی است که هر کدام متناسب با نوع دیگری از داده های ورودی مناسب هستند. شبکه عصبی یک شبکه گره بهم پیوسته است که برای پردازش داده های پیچیده با یکدیگر کار می کنند. قبل از ارسال خروجی به گره بعدی ، یک گره محاسبات نسبتاً ساده ای را انجام می دهد. با این حال ، در شبکه های دارای زیرمودل ها ، هر گره می تواند به عنوان یک شبکه جداگانه عمل کند که بتواند محاسبات پیچیده تری را کنترل کند. بسته به کاربرد ، Submodels می تواند بسیار کارآمدتر باشد.
در کار خود ، محققان برای هر بازده متغیر یک زیرمجموعه احتمالی ایجاد کردند. آنها همچنین تکنیکی را ایجاد کردند تا بتواند submodels را در هنگام پیش بینی ، با یکدیگر ارتباط برقرار کند ، بنام شبکه های استنتاج دو جهته (BIN). این تکنیک از تکنیک های آموزش شبکه عصبی که به عنوان عمل مجدد استفاده می شود ، استفاده می کند. در آموزش ، backpropagation خطاهای محاسباتی را از طریق گره ها به روز می کند تا مقادیر پارامتر شبکه را به روز کند. اما این روش هرگز در آزمایش مورد استفاده قرار نمی گیرد ، به خصوص هنگامی که وابستگی های شرطی پیچیده ای در آن وجود داشته باشد. در عوض ، در آزمایش های سنتی ، داده های ورودی از یک گره به گره در یک جهت پردازش می شوند ، تا زمانی که یک گره نهایی در انتهای دنباله پیش بینی کند.
محققان از شبکه خود برنامه ریزی کردند تا در طول آزمایش از روش سنتی و backpropagation استفاده کند. در این زمینه ، backpropagation اساساً از یک خروجی متغیر استفاده می کند ، سپس یک ورودی را از آن خروجی پیش بینی می کند و مقدار ورودی را به عقب به گره قبلی می فرستد. این یک شبکه ایجاد می کند که تمام زیرمجموعه ها با هم کار می کنند و به یکدیگر وابسته هستند تا یک احتمال هدف را به دست آورند.
پر کردن جای خالی
محققان شبکه خود را روی مجموعه داده های مطالعه سلامت قلب خواب 2 (SHHS2) در دنیای واقعی آموزش دادند. داده ها شامل خواندن الکتروانسفالوگرافی (EEG) است که عملکرد مغز را اندازه گیری می کند. ECG؛ و سیگنال های الگوی تنفس. این همچنین شامل اطلاعات مربوط به یک بررسی بهداشتی برای اندازه گیری هشت متغیر سلامتی - از جمله بهزیستی عاطفی ، عملکرد اجتماعی و انرژی / خستگی - در مقیاس 0 تا 100 است.
در آموزش ، شبکه الگوی یاد می گیرد که چگونه هر متغیر ممکن است بر دیگری تأثیر بگذارد. به عنوان مثال ، اگر کسی نفس خود را برای مدت طولانی نگه داشته باشد ، ممکن است تنش داشته باشد ، که می تواند نشان دهنده درد جسمی باشد. در آزمایش ، شبکه قادر به تجزیه و تحلیل روابط برای پیش بینی هر یک از هشت متغیر ، بر اساس هر یک از اطلاعات دیگر ، با دقت 70 تا 80 درصد است.
این شبکه می تواند به کمیت متغیرهای سلامتی گاهی مبهم برای بیماران و پزشکان ، از جمله درد و سطح خستگی کمک کند. به عنوان مثال ، هنگامی که بیماران بعد از عمل می خوابند ، ممکن است در وسط شب با درد بیدار شوند ، اما ممکن است روز بعد سطح درد مناسبی را به خاطر نیاورند.
در مرحله بعد ، محققان امیدوارند شبکه را به عنوان یک مؤلفه نرم افزاری برای دستگاهی که ساخته اند ، با نام EQ Radio اجرا کنند ، که می تواند تنفس و ضربان قلب شخص را با استفاده از تنها سیگنال های بی سیم پیگیری کند. در حال حاضر ، این دستگاه در صورت خوشحال بودن ، عصبانیت یا ناراحت بودن آن اطلاعات را تجزیه و تحلیل می کند. با استفاده از این شبکه ، دستگاه به طور بالقوه می تواند پیش بینی های مداوم به روز شده در مورد سلامت یک بیمار را ، بطور انفعالی ، با توجه به اطلاعات جزئی ، انجام دهد. وانگ می گوید: "این می تواند در مراكز كمكهای زندگی بسیار مفید باشد ، جایی که پزشکان می توانند ابعاد عاطفی و جسمی سلامت یک بیمار را هر روز و هر روز تحت نظارت داشته باشند."
هواپیماهای بدون سرنشین قابل حمل جدید در سوراخ های باریک در ماموریت های نجات پرواز می کنند