Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Artificial intelligence et apprendre profondément en médicament

L'artificial intelligence, ou l'AI, est une condition de parapluie pour l'apprentissage automatique et apprendre profondément. Il est où une machine rentre l'information de ses environs et, de cela, prend la décision la plus optimale appropriée à la situation.

Types d'AI

Dans l'apprentissage automatique, une machine peut prendre un ensemble de données, l'analyser, et effectuer une décision ou une prévision basée sur ce qu'elle a appris. Apprendre profondément est une version plus complexe de ceci, où il y a plusieurs couches de caractéristiques de processus et chaque couche prend de l'information.

Celles-ci les deux sont basées sur les réseaux neuronaux, qui sont des algorithmes agissant assimilé à l'esprit humain du fait ils prennent une entrée et fournissent un résultat basé sur ce qu'ils ont appris.

Cependant, l'algorithme n'a pas besoin d'avoir les capacités de résolution des problèmes plus cognitives de l'apprentissage automatique et profondément apprenant à être considéré une AI, il doit juste mener à la solution la plus idéale.

Ceux qui sont considérés AI mais pas l'apprentissage automatique peut être des machines qui emploient juste des arbres de décision pour la logique ou ceux qui ont étée des règles données et des directives.

Augmentation d'artificial intelligence en médicament

L'AI a commencé à transformer sa voie en sciences de la vie dues aux ensembles de données chiffrés et souvent massifs qui ont besoin d'analyse. Elle tient compte d'une programmation plus facile des machines parce qu'elle enlève une grande partie de décrire des caractéristiques de cellules. L'AI doit seulement être montrée un ensemble de deux types de cellules, par exemple, cancéreux et noncancerous, sans descriptions en profondeur de chaque caractéristique.

Pour un, l'AI peut être employée pendant les procédés de dépistage. L'analyse des images, du mode de vie et d'autres caractéristiques de santé peut aider dans le diagnostic ou la prévision du début des maladies à un stade précoce.

Ceci ouvrent la plus grande possibilité d'employer des mesures préventives avant la manifestation de la maladie. Supplémentaire, il peut être possible de réduire des diagnostics de faux positif.

Peut-être avant tout, l'AI a la possibilité à aider dans les endroits avec la santé moins à commande manuelle. On le croit que les endroits géographiquement d'isolement peuvent tirer bénéfice de l'AIS qui pourrait remonter des médecins.

Alternativement, dans les endroits manquant du personnel spécialisé, l'AI a pu remonter les rôles par exemple des radiologues pour effectuer des sous-programmes d'examen critique. Une telle AI existe déjà en Corée, où la tuberculose peut être recensée des radiographies de la poitrine.

Applications d'artificial intelligence

Il y a une myriade d'exemples de la façon dont l'AI peut potentiellement être employée, et la technologie remarque actuel une Renaissance avec plusieurs grandes compagnies concentrant leurs efforts sur des applications d'AI en sciences de la vie. Cependant, quelques méthodes ont été déjà appliquées et méritent la mention.

Le patient profond est une méthode d'apprentissage automatique modélisée des dossiers santé électroniques de 700.000 patients de l'entrepôt de données de mont Sinaï. L'algorithme a été modélisé utilisant l'apprentissage automatique non guidé, où la machine peut apprendre à prendre des décisions basées sur la façon dont assimilé la caractéristique est, même si aucune sortie n'est fournie.

Le patient profond était couronné de succès dans les maladies de prévision telles que le diabète sévère, la schizophrénie, et certains cancers. Il est notoirement difficile prévoir schizophrénie pour des médecins, effectuant à ceci un exploit très impressionnant. Patient profond interviewé pour les environ 80 maladies et parvenu pour prévoir le début avec l'exactitude 80-90%.

De plus, à la différence des approches précédentes, le patient profond n'est pas hautement spécifique à une certaine maladie mais aux panneaux une large gamme de maladies tout en maintenant toujours l'exactitude. Elle prouve également que le patient profond peut apprendre les descriptions et les caractéristiques qui ne sont pas spécifiques à un certain domaine.

L'AI a été appliquée relativement considérable à la cancérologie. La Mayo Clinic ont formé un réseau neuronal pour identifier des mutations génétiques en analysant l'image IRM dans le cancer du cerveau.

Ceci enlève le besoin de biopsies, car le système peut recenser avec l'exactitude de 95%. Cependant, parce que le système ne donne pas une raison de son identification, les chercheurs ne sont toujours pas sûrs ce qu'exact l'algorithme capte en circuit dans ces images IRM.

Bonnes caractéristiques et pièges potentiels d'artificial intelligence

Comme mentionné, l'AI est capable de fournir à des sorties de grande précision. Cependant, à son faisceau l'AI n'est pas entièrement comprise. Les maths derrière la façon dont une AI apprend ne sont pas entièrement comprises, et, comme dans l'exemple de la Mayo Clinic, des chercheurs parfois ne savent pas pourquoi l'algorithme donne certaines sorties, même si elles sont correctes.

L'apprentissage automatique et apprendre profondément se fondent largement sur l'ensemble de données qu'il apprend de. Ils sont susceptibles du soi-disant des « déchets dedans, principe de déchets à l'extérieur », signifiant que les sorties sont seulement aussi précises que les jeux apprenants étaient. Par conséquent, le recensement de l'ensemble de fonctionnalités correct pour regarder et avoir la certitude que la caractéristique est fiable est en critique important.

Further Reading

Last Updated: Oct 15, 2018

Sara Ryding

Written by

Sara Ryding

Sara is a passionate life sciences writer who specializes in zoology and ornithology. She is currently completing a Ph.D. at Deakin University in Australia which focuses on how the beaks of birds change with global warming.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Ryding, Sara. (2018, October 15). Artificial intelligence et apprendre profondément en médicament. News-Medical. Retrieved on February 25, 2021 from https://www.news-medical.net/health/Artificial-Intelligence-and-Deep-Learning-in-Medicine.aspx.

  • MLA

    Ryding, Sara. "Artificial intelligence et apprendre profondément en médicament". News-Medical. 25 February 2021. <https://www.news-medical.net/health/Artificial-Intelligence-and-Deep-Learning-in-Medicine.aspx>.

  • Chicago

    Ryding, Sara. "Artificial intelligence et apprendre profondément en médicament". News-Medical. https://www.news-medical.net/health/Artificial-Intelligence-and-Deep-Learning-in-Medicine.aspx. (accessed February 25, 2021).

  • Harvard

    Ryding, Sara. 2018. Artificial intelligence et apprendre profondément en médicament. News-Medical, viewed 25 February 2021, https://www.news-medical.net/health/Artificial-Intelligence-and-Deep-Learning-in-Medicine.aspx.

Comments

The opinions expressed here are the views of the writer and do not necessarily reflect the views and opinions of News Medical.