Разработка информационно-измерительной системы диагностики онкологических заболеваний с применением технологий машинного обучения

Введение

В современной медицине особую роль играют средства ранней диагностики способны в короткое время установить промежуточный диагноз для дальнейшего назначения лечения или дальнейшей более глубокой диагностики.

Слабым местом украинской медицины остается проблема несвоевременной диагностики, поэтому внедрение технологии машинного обучения на базе Microsoft Azure позволит уменьшить время на установить промежуточного диагноза для дальнейшего назначения лечения или дальнейшей более глубокой диагностики, еще одним преимуществом будет разгрузки врачей, систематизация анализов и удобство.

Несвоевременная диагностика и невозможность получать качественное лечение способствуют прогрессированию раковых заболеваний и повышают уровень смертности от рака. Решения должны быть ориентированы на создание гибкой системы предоставления медицинских услуг, гарантирует надлежащие условия для диагностики и эффективного лечения. Все эти меры будут способствовать уменьшению уровня смертности и улучшения уровня жизни для людей, у которых диагностирован рак.

Появление такой платформы позволяет каждому на практике проверить свои знания в области машинного обучения с подкреплением, сделать свой вклад в развитие алгоритмов, в дальнейшем найдут свое применение в практических задачах, приблизить развитие технологий для создания свободного, доступного всем искусственного интеллекта.

Материалы и методы исследования

Microsoft Azure – это открытая и гибкая платформа, позволяющая создавать, внедрять, масштабировать приложения и управлять ими в глобальной сети центров обработки данных Microsoft, используя для этого различные языки программирования, инструменты и рабочие среды.

Экспериментальную модель создана в программе Microsoft Azure Machine Learning Studio (рисунок ниже).

Модель Anomaly Detection

Студия машинного обучения позволяет без труда настроить эксперимент с помощью модулей, запрограммированных методик прогнозного моделирования. Используя рабочее пространство, можно перетаскивать нужные наборы данных и модули анализа, сочетая их друг с другом, вы создаете эксперимент, который можно запустить в студии машинного обучения. Сначала создается и учится модель, а затем оценивается и тестируется. Процесс разработки модели можно повторить несколько раз, меняя и запуская эксперимент, покаон не даст нужных результатов. Когда модель будет готова, ее можно опубликовать как веб-службу. Это позволит другим пользователям отправлять данные в модель и получать по ним прогнозы.

После того, как модель построена надо проверить ее на наличие ошибок, корректности и дееспособности системы.

Следующий шаг – это получить график для визуального изображения, который свидетельствует, что модель работает и результат является достоверным (рисунок ниже).

График модели “Onko new”

Дальнейшие действия будут направлены на то, чтобы перевести модель с теоретической обработки данных на практическое и получения прогнозов относительно риска наличия у пациентов онкологических заболеваний. Для этого нужно уже обученную модель превратить в модель для тестирования пациентов, установить веб-сервис.

После создания веб сервиса мы получаем уникальный идентификатор среди других моделей пользователей этой системы – API-key и возможность тестирования программы. После ввода данных система обрабатывает данные и выдает результат, так называемый риск наличия онкологического заболевания у данного пациента (рисунок ниже).

Риск наличия онкологии

Для того чтобы пользователи имели простой и быстрый доступ к нашей обученной модели и могли узнать вероятность наличия онкологического заболевания нужно создать веб приложение. Microsoft Azure дает возможность сделать это очень легко, он генерирует программный код под нашу обученную модель, чтобы создать простой интерфейс для пациентов и пользователей приложения, для быстрого получения результатов, экономии времени, трактовки анализов лабораторных исследований и быстрого реагирования, ведь пациенты смогут узнать риск наличия болезни в любом месте и в любое время с компьютера, планшета и телефона.

Записав данный код в файл и загрузив его на веб hosting, мы получим готовую программу “Онко риск. Общий анализ крови” готовую к использованию (рисунок ниже).

Интерфейс программы

После того как пользователь открыл приложение, он должен заполнить все поля (ячейки) в соответствии с результатами лабораторного общего анализа крови и нажать кнопку “Узнать”, приложение отрабатывает программный код в котором указанный API-key нашей модели по этому ключу данные из программы введенные пользователем попадают в нашу модель, обрабатываются там, после чего отправляется ответ с результатами нашего пациента обратно в программу и она показывает результат на экране (рисунок ниже).

Заполненные ячейки и результат “Онко риск. Общий анализ крови”

Результаты исследования

Построенная и обученная информационно-измерительная система с применением технологии машинного обучения, ускоряет процесс толкования анализов, как результат выдает процентное значение риск наличия онкопатологии, получили результат, убедились, что приложение работает и готов к применению.

Обсуждение результатов

Введение такого приложения очень легкое, для этого нужно лишь: устройство (компьютер, планшет, смартфон), программное обеспечение и постоянный доступ к сети интернет.

Андрей Никитенко
Андрей Никитенко
Задать вопрос эксперту
Понравилась статья? Поделить с друзьями:
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: