Новые достижения искусственного интеллекта (ИИ) в области аппаратного и программного обеспечения позволили инженерам и ученым интерпретировать физиологические данные с датчиков — некогда сложный, если не невозможный, подвиг. С этими достижениями происходит быстрый рост одобренных FDA (Управление по санитарному надзору за качеством пищевых продуктов и медикаментов) носимых устройств, таких как умные часы, которые содержат приложения для цифрового мониторинга состояния здоровья и предоставляют инженерам данные и инструменты для обработки их сигналов. Эта тенденция роста числа носимых устройств, выходящих на рынок, влияет и на инженеров, поскольку все больше компаний стремятся интегрировать свои продукты и услуги с приложениями на основе искусственного интеллекта, особенно в сегменте цифрового мониторинга состояния здоровья.
Арвинд Анантаном, руководителем отрасли медицинских устройств в MathWorks, в своем недавнем интервью рассказал о значительном расширении рынка носимых устройств и о том, как группы разработчиков медицинских устройств и приложений для цифрового здравоохранения могут внедрять приложения цифрового здравоохранения на основе ИИ в продукты своих компаний. Также обсуждаются проблемы, связанные с процессом проектирования продукта.
Какие факторы способствовали росту рынков носимых и цифровых приложений для здравоохранения?
До недавнего времени интерпретировать физиологические данные автоматически с помощью датчиков было непросто, если не невозможно. Прогресс ИИ в аппаратном и программном обеспечении теперь позволяет инженерам и ученым разрабатывать алгоритмы для автоматической обработки и анализа физиологических данных. И аппаратные и программные разработки были движущей силой этой тенденции.
Что касается аппаратного обеспечения, технология медицинских датчиков продолжает быстро развиваться и позволяет компактным, экономичным физиологическим датчикам проникать в готовые потребительские носимые устройства. При взгляде на программное обеспечение одним из ведущих направлений является применение алгоритмов искусственного интеллекта, которые могут извлекать и интерпретировать значимую информацию из огромных массивов данных. Это включает в себя данные с помехами и не очень совершенные сигналы (например, данные о сердечно-сосудистой системе от умных часов), искаженные различными выбросами или помехами, которые трудно обработать с помощью традиционных алгоритмов.
Какие шаги могут предпринять инженеры и ученые для удовлетворения потребностей клиентов?
Интеграция искусственного интеллекта и разработка алгоритмов машинного обучения состоит из двух основных этапов: разработка функций и классификация. При проектировании объектов определяются элементы из набора данных, которые необходимо извлечь для классификации. В примере сердечно-сосудистых данных для классификации сигнала ЭКГ пациента могут использоваться функции «Нормальное», «Мерцательная аритмия», «Другой ритм» и «Слишком шумный». На втором этапе извлеченные признаки подаются в хорошо известный алгоритм статистической классификации, такой как метод опорных векторов или традиционная нейронная сеть, для разработки обученной модели, которую затем можно использовать в новом наборе данных для прогнозирования. После того, как эта модель обучена с использованием хорошо представленного маркированного набора данных, пока не будет достигнута удовлетворительная точность, она может затем использоваться в новом наборе данных для прогнозирования сердечно-сосудистых сигналов.
Каких потенциальных проблем следует избегать командам разработчиков при разработке своих собственных алгоритмов ИИ?
Этап разработки функций, пожалуй, самая сложная часть в разработке надежного алгоритма. Это не может рассматриваться как проблема «науки о данных», так как важно иметь знания в области биомедицинской инженерии, чтобы понимать различные типы физиологических сигналов и данных. Такие инструменты, как MATLAB, предоставляют экспертам в предметной области передовую аналитику данных и возможности искусственного интеллекта и позволяют им сосредоточиться на проектировании функций, упрощая применение возможностей «науки о данных».
Для новичков в искусственном интеллекте определение правильной модели классификации также может быть сложной задачей. Классификаторы включают деревья решений, случайные леса (Random forest), метод опорных векторов и K-ближайших соседей (KNN). Опять же, инструменты, ориентированные на инженерные процессы, такие как MATLAB, позволяют экспертам в области искусственного интеллекта тестировать различные модели классификации, чтобы определить, какая из них наиболее точна при минимальном кодировании. Обычно большие затраты времени на разработку функций и настройку классификаторов приводят к значительному дальнейшему повышению точности классификации модели.
Регулирование является потенциальной неинженерной проблемой для проектных групп, которые работают в изменчивой среде с развивающимися стандартами. FDA начинает активно упрощать правила, чтобы стимулировать инновации в медицинской отрасли с помощью таких программ, как программа предварительной сертификации программного обеспечения для цифрового здравоохранения, а также моделирование и симуляция при разработке готовых изделий.
Небольшой обзор умных гаджетов прошлого года:
