Відмінності між версіями «Користувач:8464972»

Матеріал з Вікі ЦДУ
Перейти до: навігація, пошук
(Створена сторінка: {{subst:Шаблон:Персональна сторінка}})
 
м
 
(не показано 9 проміжних версій цього учасника)
Рядок 1: Рядок 1:
  
  
'''''<font color='red' size=6>Прізвище, ім'я, по батькові</font>'''''
+
'''''<font color='red' size=6>Шевченко Ольга Володимирівна</font>'''''
  
 
== Про себе ==
 
== Про себе ==
  
 
== Мої інтереси ==
 
== Мої інтереси ==
...
+
...танцювати;
 +
малювати
  
 
== Навчальні курси та проекти, в яких беру участь ==
 
== Навчальні курси та проекти, в яких беру участь ==
 
В цьому розділі розміщуються посилання на проекти, в яких ви берете участь.
 
В цьому розділі розміщуються посилання на проекти, в яких ви берете участь.
  
== Мої роботи ==
+
 
В цьому розділі розміщуються посилання (внутрішні та зовнішні)на ваші роботи, додається короткий опис.
+
=Тема статті=
 +
 
 +
'''''ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В МЕДИЦИНІ (4 ОСНОВНІ СПОСОБИ)'''''
 +
 
 +
==Опис проблеми==
 +
 
 +
'''''Штучний інтелект (Машинне навчання) досяг значних успіхів у фармако- та біотехнологічній промисловості.
 +
'''''В цій статті ми розглядаємо 4 найпоши реніші на сьогодні способи застосування штучного інтелекту в медицині.'''''
 +
 
 +
 
 +
 
 +
'''''4 способи застосування штучного інтелекту в медицині'''''
 +
*діагностика;
 +
*розробка ліків;
 +
*персоналізація лікування;
 +
*редагування генів
 +
 
 +
[[Файл:Штучний інтеект 4.jpeg]]
 +
 
 +
<big>'''''1. Штучний інтелект допомагає діагностувати захворювання'''''</big><br />
 +
Для правильної діагностики захворювань потрібні роки медичної підготовки. Діагностика часто є важким, трудомістким процесом. У багатьох сферах попит на експертів значно перевищує наявну пропозицію.<br />
 +
Це створює навантаження на лікарів і часто затримує життєво-важливу діагностику пацієнтів.
 +
 
 +
 
 +
'''''Машинне навчання''''' – особливо алгоритми глибокого навчання – останнім часом досягло величезного прогресу в автоматичному діагностуванні захворювань, зробивши діагностику більш дешевою та доступною.<br />
 +
 
 +
'''Як машини вчаться діагностувати<br />'''
 +
 
 +
Алгоритми машинного навчання можуть навчитися бачити закономірності аналогічно тому, як їх бачать лікарі. Ключова відмінність полягає в тому, що алгоритмам потрібно багато конкретних прикладів – багато тисяч – для того, щоб навчитися. І ці приклади мають бути акуратно оцифровані – машини не можуть читати між рядків у підручниках.  Тому машинне навчання особливо корисне в тих областях, де діагностична інформація, яку вивчає лікар, уже оцифрована.<br />
 +
Як от:<br />
 +
*Виявлення раку легенів або інсультів  на основі компютерної томографії (КТ)<br />
 +
*Оцінка ризику раптової серцевої смерті або інших серцевих захворювань на основі електрокардіограм та МРТ серця<br /> 
 +
*Класифікація уражень шкіри на зображеннях шкіри<br />
 +
*Знаходження показників діабетичної ретинопатії на очних зображеннях<br />       
 +
[[Файл:5d473cc1f0c5a7e8655a827f AI In Diagnostics.png]]
 +
 
 +
Оскільки в цих випадках є багато даних, алгоритми стають настільки ж хорошими в діагностиці, як і експерти. Різниця полягає в тому, що алгоритм може робити висновки за долі секунди, і його можна недорого використовувати у всьому світі. Незабаром усі та скрізь зможуть отримати доступ до однакової якості провідного фахівця з радіологічної діагностики та за низьку ціну, яким буде штучний інтелект.<br />
 +
 
 +
'''''Незабаром з’явиться більш просунута діагностика штучного інтелекту (ШІ)'''''<br />
 +
 
 +
Застосування машинного навчання в діагностиці тільки починається – більш амбітні системи передбачають поєднання декількох джерел даних (КТ, МРТ, геноміка та протеоміка, дані про пацієнтів і навіть рукописні файли) при оцінці захворювання або ступеню його прогресування.<br />
 +
 
 +
'''''ШІ не скоро замінить лікарів'''''<br />
 +
 
 +
Навряд чи штучний інтелект замінить лікарів одразу. Натомість системи ШІ застосовуватимуться для показу потенційно злоякісних уражень або небезпечних серцевих ознак – дозволяючи лікарю зосередитись на інтерпретації цих сигналів.<br />
 +
[[Файл:1-11816.jpeg]]
 +
 
 +
<big>'''''2. Штучний інтелект в медицині: швидка розробка ліків'''''</big>
 +
 
 +
Розробка ліків – досить дорогий процес. Багато аналітичних процесів, що беруть участь у розробці ліків, можна зробити ефективнішими за допомогою машинного навчання. Це має потенціал позбавити років роботи та вивільнити сотні мільйонів інвестицій.<br />
 +
[[Файл:5d4c71d35c89802f30c1f22d Drug Development Process.png]]
 +
 
 +
ШІ вже успішно застосовується на всіх 4 основних етапах розробки ліків:
 +
*Етап 1: Визначення цілей для втручання
 +
*Етап 2: виявлення ефективних ліків
 +
*Етап 3: прискорення клінічних випробувань
 +
*Етап 4: пошук біомаркерів для діагностики захворювання<br />
 +
 
 +
'''Етап 1: Визначення цілей для втручання'''<br />
 +
Першим кроком у розробці ліків є розуміння джерел біологічного походження захворювання, а також механізмів його резистентності. Тоді вам доведеться визначити хороші мішені (як правило, білки) для лікування захворювання.  Алгоритми машинного навчання дозволяють легше проаналізувати всі наявні дані та, навіть, навчитись автоматично визначати цільові білки.<br />
 +
 
 +
'''Етап 2: Знайти ефективне лікарство''' <br />
 +
Далі потрібно знайти з’єднання, яке може взаємодіяти з ідентифікованою цільовою молекулою так як нам треба. Це передбачає перевірку великої кількості – часто багато тисяч чи навіть мільйонів – потенційних сполук на їх вплив на ціль (спорідненість), не кажучи вже про їхні цільові побічні ефекти (токсичність). Ці сполуки можуть бути природними, синтетичними або біоінженерними. Однак нинішнє програмне забезпечення часто є неточним і призводить до багато поганих пропозицій (помилкових позитивних результатів). Тому потрібно дуже багато часу, щоб звузити свій вибир до найкращих варіантів на роль ліків.Тут також можуть допомогти алгоритми машинного навчання.<br />
 +
 
 +
'''Етап 3: Прискорення клінічних випробувань'''<br />
 +
Важко знайти відповідних кандидатів для клінічних випробувань. Якщо ви виберете неправильних кандидатів, це затягне випробування і забере чимало часу та ресурсів.<br />
 +
[[Файл:Img 3 .jpg]]<br />
 +
 
 +
Машинне навчання може прискорити розробку клінічних випробувань шляхом автоматичного визначення відповідних кандидатів, а також забезпечення правильного розподілу для груп учасників випробувань. Алгоритми можуть допомогти визначити закономірності, які відрізняють хороших кандидатів від поганих. Вони також можуть слугувати системою раннього попередження для клінічного випробування, яке не дає переконливих результатів – дозволяючи дослідникам втручатися раніше і потенційно економити розробку препарату.<br />
 +
 
 +
'''Етап 4: Знайти біомарки для діагностики захворювання'''<br />
 +
Ви можете лікувати пацієнтів від захворювання лише після того, як ви впевнені у своєму діагнозі. Деякі методи дуже дорогі і включають складне лабораторне обладнання, а також потребу в специфічних експертних знаннях – наприклад, вивчити послідовність цілих геномів.<br />
 +
 
 +
Біомаркери – це молекули, які знаходяться в тілесних рідинах (як правило, крові людини), які забезпечують абсолютну впевненість у тому, чи є у пацієнта захворювання чи ні. Вони роблять процес діагностики захворювання безпечним і дешевим.<br />
 +
 
 +
Ви також можете використовувати їх для точного визначення прогресу хвороби – полегшуючи лікарям вибрати правильне лікування та контролювати, чи діє препарат.<br />
 +
 
 +
Але виявити потрібні біомаркери для певного захворювання важко. Це ще один дорогий, трудомісткий процес, який включає скринінг десятків тисяч потенційних кандидатів на молекули.<br />
 +
 
 +
Штучний інтелект може автоматизувати значну частину ручної роботи та прискорити процес. Алгоритми класифікують молекули на добрих і поганих кандидатів, що допомагає експертам зосередитися на аналізі найкращих перспектив.<br />
 +
 
 +
'''Біомаркери можна використовувати для ідентифікації:'''<br />
 +
*Наявності захворювання якомога раніше – діагностичний біомаркер<br />
 +
*Ризику розвитку захворювання – біомаркер ризику<br />
 +
*Ймовірного прогресу захворювання – прогностичний біомаркер<br />
 +
*Чи позитивно вплине на пацієнта препарат, що передбачає біомаркер<br />
 +
 
 +
<big>'''''3. Персоналізувати лікування'''''</big><br />
 +
Різні пацієнти реагують на лікарські засоби та схеми лікування по-різному. Тож персональне лікування має величезний потенціал для збільшення тривалості життя пацієнтів. Але визначити, які фактори повинні впливати на вибір лікування, дуже важко.<br />
 +
 
 +
Машинне навчання може автоматизувати цю складну статистичну роботу – і допоможе '''виявити, які характеристики свідчать про те, що пацієнт матиме певну позитивну реакцію на певне лікування.''' Тож алгоритм може передбачити ймовірну реакцію пацієнта на певне лікування.<br />
 +
 
 +
Система ШІ вчиться цьому шляхом перехресного посилання на подібних пацієнтів та порівняння їх лікування та результатів. Отримані результати прогнозування лікарів значно '''спрощують розробку правильного плану лікування.'''<br />
 +
 
 +
<big>'''''4. Поліпшити редагування генів'''''</big><br />
 +
[[Файл:Img 4 .png|mini]]<br />
 +
Кластеризовані регулярно переміщені короткі паліндромні повтори (CRISPR), зокрема система CRISPR-Cas9 для редагування генів, – це великий стрибок у нашій здатності ефективно редагувати ДНК.<br />
 +
 
 +
Ця методика спирається на короткі направляючі РНК (sgRNA) для націлювання та редагування конкретного місця ДНК. Але РНК може відповідати декільком місцям розташування ДНК – і це може призвести до '''непередбачуваних побічних ефектів.''' Ретельний підбір керівної РНК з найменш небезпечними побічними ефектами '''є головним вузьким місцем''' у застосуванні системи CRISPR.<br />
 +
 
 +
Застосування штучного інтелекту в медицині може значно прискорити розробку направляючої РНК для кожної області людської ДНК а також сприятиме розвитку генотерапії.<br />
 +
 
 +
'''Штучний інтелект в медицині: це ліше перші кроки'''<br />
 +
 
 +
Штучний інтелект все більше застосовується в усіх сферах нашого життя (на будівництві, в мистецтві, в юриспунденції). Не дивно, що в медицині його роль постійно зростає. ШІ вже допомагає нам ефективніше діагностувати захворювання, розробляти ліки, персоналізувати лікування та навіть редагувати гени.<br />
 +
 
 +
Але це '''лише початок'''. Чим більше ми оцифровуємо та уніфікуємо свої медичні дані, тим більше ми можемо використовувати штучний інтелект, щоб допомогти нам знайти цінні моделі, які ми можемо використовувати для прийняття точних, економічно ефективних рішень у складних аналітичних процесах.
 +
 
 +
==Мультимедійна презентація==
 +
 
 +
[https://www.google.com/intl/ru_uA/slides/about/ Google Презентація]
 +
 
 +
https://docs.google.com/presentation/d/1AXh2XkhUfKssfUSrTjxv0_3fPFTAtURnZkrgLk4UPXA/edit#slide=id.p
 +
 
 +
==Календар подій проекту:==
 +
 +
https://calendar.google.com/calendar/r
 +
 
 +
Календар
 +
 
 +
==Опитування до проекту==
 +
 
 +
https://forms.gle/yoiyQoSN8P3xHwFw7
 +
 
 +
==Фотоальбом до проекту==
 +
 
 +
https://drive.google.com/drive/folders/1I-VwQuUWv3e7_JV9eZP-HI0julFP_N5i
 +
 
 +
==Спілкування між учасниками проекту==
 +
 +
*Спільнота на базі соціальних мереж
 +
*Skype
 +
*Telegram
 +
*Viber
 +
*Wiki-сторінка
 +
*Сайт
 +
*.....

Поточна версія на 23:11, 29 травня 2020


Шевченко Ольга Володимирівна

Про себе

Мої інтереси

...танцювати; малювати

Навчальні курси та проекти, в яких беру участь

В цьому розділі розміщуються посилання на проекти, в яких ви берете участь.


Тема статті

ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В МЕДИЦИНІ (4 ОСНОВНІ СПОСОБИ)

Опис проблеми

Штучний інтелект (Машинне навчання) досяг значних успіхів у фармако- та біотехнологічній промисловості. В цій статті ми розглядаємо 4 найпоши реніші на сьогодні способи застосування штучного інтелекту в медицині.


4 способи застосування штучного інтелекту в медицині

  • діагностика;
  • розробка ліків;
  • персоналізація лікування;
  • редагування генів

Штучний інтеект 4.jpeg

1. Штучний інтелект допомагає діагностувати захворювання
Для правильної діагностики захворювань потрібні роки медичної підготовки. Діагностика часто є важким, трудомістким процесом. У багатьох сферах попит на експертів значно перевищує наявну пропозицію.
Це створює навантаження на лікарів і часто затримує життєво-важливу діагностику пацієнтів.


Машинне навчання – особливо алгоритми глибокого навчання – останнім часом досягло величезного прогресу в автоматичному діагностуванні захворювань, зробивши діагностику більш дешевою та доступною.

Як машини вчаться діагностувати

Алгоритми машинного навчання можуть навчитися бачити закономірності аналогічно тому, як їх бачать лікарі. Ключова відмінність полягає в тому, що алгоритмам потрібно багато конкретних прикладів – багато тисяч – для того, щоб навчитися. І ці приклади мають бути акуратно оцифровані – машини не можуть читати між рядків у підручниках. Тому машинне навчання особливо корисне в тих областях, де діагностична інформація, яку вивчає лікар, уже оцифрована.
Як от:

  • Виявлення раку легенів або інсультів на основі компютерної томографії (КТ)
  • Оцінка ризику раптової серцевої смерті або інших серцевих захворювань на основі електрокардіограм та МРТ серця
  • Класифікація уражень шкіри на зображеннях шкіри
  • Знаходження показників діабетичної ретинопатії на очних зображеннях

5d473cc1f0c5a7e8655a827f AI In Diagnostics.png

Оскільки в цих випадках є багато даних, алгоритми стають настільки ж хорошими в діагностиці, як і експерти. Різниця полягає в тому, що алгоритм може робити висновки за долі секунди, і його можна недорого використовувати у всьому світі. Незабаром усі та скрізь зможуть отримати доступ до однакової якості провідного фахівця з радіологічної діагностики та за низьку ціну, яким буде штучний інтелект.

Незабаром з’явиться більш просунута діагностика штучного інтелекту (ШІ)

Застосування машинного навчання в діагностиці тільки починається – більш амбітні системи передбачають поєднання декількох джерел даних (КТ, МРТ, геноміка та протеоміка, дані про пацієнтів і навіть рукописні файли) при оцінці захворювання або ступеню його прогресування.

ШІ не скоро замінить лікарів

Навряд чи штучний інтелект замінить лікарів одразу. Натомість системи ШІ застосовуватимуться для показу потенційно злоякісних уражень або небезпечних серцевих ознак – дозволяючи лікарю зосередитись на інтерпретації цих сигналів.
1-11816.jpeg

2. Штучний інтелект в медицині: швидка розробка ліків

Розробка ліків – досить дорогий процес. Багато аналітичних процесів, що беруть участь у розробці ліків, можна зробити ефективнішими за допомогою машинного навчання. Це має потенціал позбавити років роботи та вивільнити сотні мільйонів інвестицій.
5d4c71d35c89802f30c1f22d Drug Development Process.png

ШІ вже успішно застосовується на всіх 4 основних етапах розробки ліків:

  • Етап 1: Визначення цілей для втручання
  • Етап 2: виявлення ефективних ліків
  • Етап 3: прискорення клінічних випробувань
  • Етап 4: пошук біомаркерів для діагностики захворювання

Етап 1: Визначення цілей для втручання
Першим кроком у розробці ліків є розуміння джерел біологічного походження захворювання, а також механізмів його резистентності. Тоді вам доведеться визначити хороші мішені (як правило, білки) для лікування захворювання. Алгоритми машинного навчання дозволяють легше проаналізувати всі наявні дані та, навіть, навчитись автоматично визначати цільові білки.

Етап 2: Знайти ефективне лікарство
Далі потрібно знайти з’єднання, яке може взаємодіяти з ідентифікованою цільовою молекулою так як нам треба. Це передбачає перевірку великої кількості – часто багато тисяч чи навіть мільйонів – потенційних сполук на їх вплив на ціль (спорідненість), не кажучи вже про їхні цільові побічні ефекти (токсичність). Ці сполуки можуть бути природними, синтетичними або біоінженерними. Однак нинішнє програмне забезпечення часто є неточним і призводить до багато поганих пропозицій (помилкових позитивних результатів). Тому потрібно дуже багато часу, щоб звузити свій вибир до найкращих варіантів на роль ліків.Тут також можуть допомогти алгоритми машинного навчання.

Етап 3: Прискорення клінічних випробувань
Важко знайти відповідних кандидатів для клінічних випробувань. Якщо ви виберете неправильних кандидатів, це затягне випробування і забере чимало часу та ресурсів.
Img 3 .jpg

Машинне навчання може прискорити розробку клінічних випробувань шляхом автоматичного визначення відповідних кандидатів, а також забезпечення правильного розподілу для груп учасників випробувань. Алгоритми можуть допомогти визначити закономірності, які відрізняють хороших кандидатів від поганих. Вони також можуть слугувати системою раннього попередження для клінічного випробування, яке не дає переконливих результатів – дозволяючи дослідникам втручатися раніше і потенційно економити розробку препарату.

Етап 4: Знайти біомарки для діагностики захворювання
Ви можете лікувати пацієнтів від захворювання лише після того, як ви впевнені у своєму діагнозі. Деякі методи дуже дорогі і включають складне лабораторне обладнання, а також потребу в специфічних експертних знаннях – наприклад, вивчити послідовність цілих геномів.

Біомаркери – це молекули, які знаходяться в тілесних рідинах (як правило, крові людини), які забезпечують абсолютну впевненість у тому, чи є у пацієнта захворювання чи ні. Вони роблять процес діагностики захворювання безпечним і дешевим.

Ви також можете використовувати їх для точного визначення прогресу хвороби – полегшуючи лікарям вибрати правильне лікування та контролювати, чи діє препарат.

Але виявити потрібні біомаркери для певного захворювання важко. Це ще один дорогий, трудомісткий процес, який включає скринінг десятків тисяч потенційних кандидатів на молекули.

Штучний інтелект може автоматизувати значну частину ручної роботи та прискорити процес. Алгоритми класифікують молекули на добрих і поганих кандидатів, що допомагає експертам зосередитися на аналізі найкращих перспектив.

Біомаркери можна використовувати для ідентифікації:

  • Наявності захворювання якомога раніше – діагностичний біомаркер
  • Ризику розвитку захворювання – біомаркер ризику
  • Ймовірного прогресу захворювання – прогностичний біомаркер
  • Чи позитивно вплине на пацієнта препарат, що передбачає біомаркер

3. Персоналізувати лікування
Різні пацієнти реагують на лікарські засоби та схеми лікування по-різному. Тож персональне лікування має величезний потенціал для збільшення тривалості життя пацієнтів. Але визначити, які фактори повинні впливати на вибір лікування, дуже важко.

Машинне навчання може автоматизувати цю складну статистичну роботу – і допоможе виявити, які характеристики свідчать про те, що пацієнт матиме певну позитивну реакцію на певне лікування. Тож алгоритм може передбачити ймовірну реакцію пацієнта на певне лікування.

Система ШІ вчиться цьому шляхом перехресного посилання на подібних пацієнтів та порівняння їх лікування та результатів. Отримані результати прогнозування лікарів значно спрощують розробку правильного плану лікування.

4. Поліпшити редагування генів
mini
Кластеризовані регулярно переміщені короткі паліндромні повтори (CRISPR), зокрема система CRISPR-Cas9 для редагування генів, – це великий стрибок у нашій здатності ефективно редагувати ДНК.

Ця методика спирається на короткі направляючі РНК (sgRNA) для націлювання та редагування конкретного місця ДНК. Але РНК може відповідати декільком місцям розташування ДНК – і це може призвести до непередбачуваних побічних ефектів. Ретельний підбір керівної РНК з найменш небезпечними побічними ефектами є головним вузьким місцем у застосуванні системи CRISPR.

Застосування штучного інтелекту в медицині може значно прискорити розробку направляючої РНК для кожної області людської ДНК а також сприятиме розвитку генотерапії.

Штучний інтелект в медицині: це ліше перші кроки

Штучний інтелект все більше застосовується в усіх сферах нашого життя (на будівництві, в мистецтві, в юриспунденції). Не дивно, що в медицині його роль постійно зростає. ШІ вже допомагає нам ефективніше діагностувати захворювання, розробляти ліки, персоналізувати лікування та навіть редагувати гени.

Але це лише початок. Чим більше ми оцифровуємо та уніфікуємо свої медичні дані, тим більше ми можемо використовувати штучний інтелект, щоб допомогти нам знайти цінні моделі, які ми можемо використовувати для прийняття точних, економічно ефективних рішень у складних аналітичних процесах.

Мультимедійна презентація

Google Презентація

https://docs.google.com/presentation/d/1AXh2XkhUfKssfUSrTjxv0_3fPFTAtURnZkrgLk4UPXA/edit#slide=id.p

Календар подій проекту:

https://calendar.google.com/calendar/r

Календар

Опитування до проекту

https://forms.gle/yoiyQoSN8P3xHwFw7

Фотоальбом до проекту

https://drive.google.com/drive/folders/1I-VwQuUWv3e7_JV9eZP-HI0julFP_N5i

Спілкування між учасниками проекту

  • Спільнота на базі соціальних мереж
  • Skype
  • Telegram
  • Viber
  • Wiki-сторінка
  • Сайт
  • .....