Data Science – глубокое обучение нейросетей и их применение в здравоохранении
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.