L'intelligenza artificiale, o il AI, è un termine generico per l'apprendimento automatico ed in profondità imparare. È dove un commputer contiene le informazioni dai sui dintorni e, da quella, prende la decisione più ottimale appropriata alla situazione.
Tipi di AI
In apprendimento automatico, un commputer può catturare un gruppo di dati, analizzarlo e rendere una decisione o una previsione basata su cui ha imparato. In profondità imparare è una versione più complessa di questo, dove ci sono parecchi livelli di funzionalità trattate ed ogni livello cattura alcune informazioni.
Questi entrambi sono basati sulle reti neurali, che sono algoritmi che agiscono similmente al cervello umano in quanto catturano un input e forniscono un output basato su cui hanno imparato.
Tuttavia, l'algoritmo non deve avere le abilità per la risoluzione di problemi più conoscitive dell'apprendimento automatico ed in profondità imparando essere considerato un AI, deve appena piombo alla soluzione più ideale.
Quelli che sono considerati AI ma non l'apprendimento automatico può essere commputer che usano appena gli alberi di decisione per logica o un che siano stati dati le norme e le istruzioni.
Aumento di intelligenza artificiale nella medicina
Il AI ha cominciato trasformare il suo modo le scienze biologiche dovuto i gruppi di dati digitalizzati e spesso massicci che hanno bisogno dell'analisi. Tiene conto la programmazione più facile dei commputer perché elimina una grande parte di descrizione delle funzionalità delle cellule. Il AI deve soltanto essere indicato un insieme di due tipi delle cellule, per esempio, cancerogeni e noncancerous, senza descrizioni approfondite di ogni funzionalità.
Per uno, il AI può essere usato durante i processi di vagliatura. L'analisi delle immagini, dello stile di vita e di altri dati di salubrità può aiutare nella diagnosi o nella previsione dell'inizio delle malattie ad una fase iniziale.
Ciò apre la possibilità aumentata di usando le misure preventive prima della manifestazione di malattia. Ulteriormente, può essere possibile diminuire le diagnosi del falso positivo.
Forse per di più, il AI ha la possibilità da aiutare nelle aree con la sanità meno pratica. È creduto che le aree geograficamente isolate possano trarre giovamento dall'AIS in grado di sostituire i medici.
Alternativamente, nelle aree che mancano del personale specializzato, il AI ha potuto sostituire i ruoli per esempio dei radiologi per effettuare le routine della selezione. Tale AI già esiste in Corea, in cui la tubercolosi può essere identificata dalla radiografia del torace.
Applicazioni di intelligenza artificiale
C'è una miriade degli esempi di come il AI può potenzialmente essere usato e la tecnologia corrente sta avvertendo una rinascita con parecchie grandi società che concentrano i loro sforzi sulle applicazioni di AI nelle scienze biologiche. Tuttavia, alcuni metodi sono stati applicati già e meritano la menzione.
Il paziente profondo è un metodo di apprendimento automatico modellistico dalle cartelle mediche elettroniche di 700.000 pazienti dal monte Sinai data warehouse. L'algoritmo è stato modellato facendo uso dell'apprendimento automatico non supervisionato, in cui il commputer può imparare prendere le decisioni basate su quanto simile i dati sono, anche se nessun output è fornito.
Il paziente profondo riusciva nelle malattie di predizione quali il diabete severo, la schizofrenia e determinati cancri. La schizofrenia è notoriamente difficile da predire per i medici, rendendo questo un'abilità molto impressionante. Paziente profondo schermato per intorno 80 malattie e riuscito per predire inizio con accuratezza 80-90%.
Più ulteriormente, a differenza degli approcci precedenti, il paziente profondo non è altamente specifico ad una determinata malattia ma ai coperchi una vasta gamma di malattie mentre ancora conserva l'accuratezza. Egualmente indica che il paziente profondo può imparare le descrizioni e le funzionalità che non sono specifiche ad un determinato dominio.
Il AI si è applicato relativamente estesamente a ricerca sul cancro. La clinica di Mayo ha preparato l'una rete neurale per riconoscere le mutazioni genetiche analizzando la risonanza magnetica nel tumore al cervello.
Ciò elimina l'esigenza delle biopsie, poichè il sistema può identificare con accuratezza di 95%. Tuttavia, perché il sistema non dà una ragione per la sua identificazione, i ricercatori non sono ancora sicuri che cosa l'algoritmo sta prendendo esattamente sopra in quelle risonanze magnetiche.
Buoni dati e trabocchetti potenziali di intelligenza artificiale
Come citato, il AI è capace di fornire agli output l'alta precisione. Tuttavia, alla sua memoria AI completamente non è capito. Il per la matematica dietro come un AI impara completamente non è capito e, come nell'esempio della clinica di Mayo, ricercatori a volte non sa perché l'algoritmo dà determinati output, anche se sono corretti.
L'apprendimento automatico ed in profondità imparare contano in larga misura sul gruppo di dati che impara da. Sono suscettibili di cosiddetto “immondizia dentro, principio dell'immondizia fuori„, significante che gli output sono soltanto accurati come gli insiemi d'apprendimento erano. Di conseguenza, identificare l'insieme delle funzionalità corretto per esaminare ed avere certezza che i dati sono affidabili sono estremamente importanti.
Sorgenti
Further Reading