טיפים להימנעות ממלכודות בינה מלאכותית של מכשירים רפואיים – StarFish Medical

Share on facebook
Share on twitter
Share on linkedin
Share on telegram
Share on whatsapp
Share on email
פרסומת
תכנון תשתיות רפואיות


טיפים על מלכודות בינה מלאכותיתבערך 80% מנפח המוח האנושי מורכב על ידי הניאוקורטקס, קבוצה של שכבות מאוד מקושרות של נוירונים השולטות בתפקודי המוח הגבוהים שלנו, כגון תפיסה, קוגניציה, שליטה מוטורית ושפה. הארכיטקטורה המקבילה המאסיבית הזו היא ההשראה הראשונית ל-Deep Learning – פרדיגמת רשת עצבית המצטיינת בזיהוי תבניות ובסיווג.

המעניין ביותר, רשתות עצביות הן מקרובים אוניברסליים – כלומר, רשת עם לפחות שכבת ביניים אחת ופונקציית הפעלה מתאימה יכולה לקרב כל פונקציה במרחב סופי ממדי לכל שגיאה רצויה שאינה אפס, כל עוד יש בה מספיק נוירונים. המשמעות היא שרשת עצבית יכולה להתרבות באופן תיאורטי כל דבר שיכול להיות מיוצג כמיפוי קלט לפלט. עד כמה שזה נשמע מעורפל, זה מקיף כמעט כל דבר שאתה עושה כרגע, כולל משימות החל מ זיהוי פנים ל תחזית שוק המניות, ל חישוב במהירות גבוהה של אנרגטיקה ברמה אטומית, ועוד רבים!

הודות לגמישות המדהימה הזו, ולפריחת כוח המחשוב בעשורים האחרונים, רשתות נוירונים ולמידה עמוקה מוצאים שימוש נרחב ככלי ניתוח נתונים כמעט בכל תעשייה, כולל זו של מכשור רפואי. לאחרונה, ה ה-FDA פרסם הנחיות על השימוש בבינה מלאכותית ולמידת מכונה, ומודה שהפרדיגמה המסורתית שלה של ויסות מכשור רפואי לא מתאימה לטכנולוגיות אלו. ההנחיה מתארת ​​בסיס חדש לסקירה מוקדמת של התקנים אשר זוכים לשינויי תוכנה מונעי ML.

בקושי ניתן להאשים חוקרים ומחדשים ברצון לשלב את הטכנולוגיות הללו בפרויקטים שלהם. היכולות של שיטות כאלה להתמודד ולנתח את מכלול הנתונים הנאספים כעת הן, לכל הפחות, מרגשות להפליא. גם לא ניתן להמעיט כיצד שילוב טכנולוגיות רשתות עצביות במכשירים רפואיים ישנים וחדשים כאחד יכול לרתק משקיעים, הנחוצים למימון פיתוח חדשני.

רי בלתי צפויsks

לגישות המרגשות הללו יש סיכונים פוטנציאליים. אחד היתרונות הגדולים ביותר של רשתות עצביות הוא היכולת שלהן לקחת נתונים בעלי ממדים גבוהים כקלט ולספק פלט בכמה ממדים בדיוק כפי שרוצים. בעיות מתעוררות, עם זאת, כאשר גם לרשתות אלו צפויים להיות אותם קדימות לגבי חשיבות פרמטרים כמו לחוקרים. שורה של כלי ML הושלכו על נתוני COVID-19, עם הצלחה מועטה. הכשלים נעוצים בדרך כלל באיסוף נתונים לא הולם, צמצום ונורמליזציה.

אמנם מתמטית אפשרית לרשת להתאמן להתעלם ממידע קלט לא רלוונטי, אבל בפועל זה קשה להפליא, וחוקרים בעלי כוונות טובות שמחפשים להרכיב כלי לעשות את מה שאנו רואים כמשימה פשוטה יחסית, בסופו של דבר באימון רשת לעשות משהו אחר לגמרי. השלב הראשון של ניתוח הנתונים מתחיל הרבה לפני ששורת הקוד הראשונה נכתבה – כאשר החוקרים מחליטים על ארכיטקטורת הרשת, ואיזה תשומות לספק למודל. למרבה האירוניה, על ידי נקיטת צעדים נאותים בהפחתת נתונים, אפשר בדרך כלל ליישם אלגוריתם קלאסי יותר כדי לפתור את אותה בעיה, במורכבות נמוכה בהרבה, ובאופן שקוף משמעותית.

הַדְרָכָה

המכשול הגדול הבא עבור רשתות עצביות טמון באימון. היה מפל של מבוכה תאגידית נוצר על ידי הזנחה בטעות של ייצוג גזעי מתאים במערך נתונים של הכשרה. הכשרת רשת על כל מגוון התשומות האפשריות חשובה להפליא, ולעתים קרובות נשכחת. אמנם השיטות האלה מדהימות אינטרפולטוריםאם הפילוח שנעשה מתחת למכסה המנוע ברשת לא מתאר את ההבדלים האמיתיים מחוץ לגבולות נתוני האימון, כל אקסטרפולציות יהיו חסרות משמעות, במקרה הטוב.

צ'ק ליסט

אם אתה שוקל רשת עצבית כדי לפתור בעיות, הנה כמה שאלות פשוטות שכמעט בוודאות ישפרו את התוצאות שלך:

  • אם יש לך צוות, האם הוא כולל מומחים שיכולים לבקר את תוצאות הרשת? האם זה כולל אנשים שיכולים למתוח ביקורת על יישום הרשת?
  • האם ניתן לפשט את הבעיה על ידי שימוש בפחות כניסות?
  • לאחר שהבעיה הצטמצמה כראוי, האם אלגוריתם קלאסי יכול לבצע את הניתוח שרצית עבורו את ה-NN?
    • אתה כנראה טועה, וכמעט בוודאות יש משהו שיכול, אבל זה יכול להיות לא מספיק ברור כדי להפוך את NNs לבחירה קלה יותר בטווח הקצר.
  • האם ערכת האימונים שלך לְהַשְׁלִים? האם הוא מקיף את מכלול הנתונים האפשריים שהרשת עלולה להיתקל בהם?
    • ניחשתם נכון – כנראה שאתם טועים. תרצה לבדוק ארבע פעמים כדי להימנע רב האשמות מביכות להפליא במאמרי פופ-מדע.
      • האם ערכת האימונים שלך כוללת אנשים מגזע/גוון עור/צבע עיניים שונה משלך?
      • גם אם אתה חושב שזה לא רלוונטי, אולי תרצה בכל מקרה.
  • לבסוף, הסתכל מעבר לפלט "דיוק" ברירת המחדל. מה שלך לִזכּוֹרמה שלך דיוק?

לסיכום, רשתות עצביות הן דברים יפים ופגומים, שעבורם הביטוי "זבל פנימה, זבל החוצה" מתאים באופן מושלם. יש להם פוטנציאל לספק תובנות אינטרפולציה נהדרות על נתונים בעלי ממדים גבוהים עם מתאמים לא ברורים, והם אטרקטיביים מאוד למשקיעים, לתקשורת ו/או לבוס שלך. עם זאת, התוצאות הללו נובעות מקופסה שחורה שמקשה מאוד על ניפוי באגים, ומקרי קצה קשים לניבוי. על מנת להימנע מתוצאות מזויפות וחסרות תועלת הנובעות מאימון שגוי, נתוני הקלט צריכים לעבור בדיקה כבדה ולעבד מראש, ובשלב זה כל מקבץ צריך להיות ברור, או לפחות נגיש לאלגוריתמים אחרים, קלאסיים יותר.

תמונה: © יכול מאגר צילומים / peshkova

ת'ורולד טרונרוד הוא א מהנדס תוכנה ב-StarFish Medical. הוא משלים את עבודת הדוקטורט שלו באסטרופיזיקה על השימוש ברשתות עצביות ושיטות למידת מכונה כדי לזהות כוכבים שהצטברו בדיסק שביל החלב.





קישור לכתבת המקור – 2022-05-01 13:00:41

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on telegram
Telegram
Share on whatsapp
WhatsApp
Share on email
Email
פרסומת
MAGNEZIX מגנזיקס

עוד מתחומי האתר