Одной из наиболее значимых разработок настоящего времени являются ИНС (искусственные нейронные сети), которые нашли широкое применение в различных сферах жизни общества. Значимым изменениям подверглась, в том числе и область здравоохранения – сегодня нейронные сети становятся неотъемлемой частью медицинской деятельности, позволяя специалистам открывать новые возможности для решения сложных задач. [1]

ИНС – это сложная вычислительная модель, построенная на основе нервной системы живого существа. Архитектура нейронной сети представляет собой множество простых элементов – нейронов, которые образуют многослойную структуру, что позволяет проводить глубокий анализ данных и проявить высокую степень адаптации. [2]

Существует несколько видов искусственных нейронных сетей, ориентированных на решение разного рода задач. Рассмотрим основные разновидности и их особенности:

• Простые нейронные сети.

Состоят из одного слоя нейронов, который принимает входные данные и выдаёт выходные значения. Применяются преимущественно для классификации объектов, построения предсказаний или определения образов.

• Многослойные нейронные сети (МЛП);

Состоят из входного слоя, скрытых слоев и выходного слоя. Применимы для решения сложных задач, например, обработки речи,  прогнозирования временных рядов и других областей машинного обучения.

• Рекуррентные нейронные сети (РНС);

Обратная связь представлена циклом. Предыдущие выходы передаются на вход для следующих этапов. Подобная архитектура сети подходит для работы с временными рядами, последовательностями, анализа текстов, а также в целом при необходимости учета контекста.

• Свёрточные нейронные сети (СНС);

Нацелены на работу с изображениями и видеоматериалами. Принцип работы данного типа нейронных сетей заключается в применении операции свёртки Они используют операцию свёртки, позволяющей выделять ключевые признаки и сжимать их в размере благодаря технологии пулинга.

• Самоорганизующиеся карты Кохонена (СОК);

Нейронные сети, которые могут быть использованы для кластеризации и визуализации данных, так как автоматически выявляют закономерности и взаимосвязи.

• Глубокие нейронные сети (ГНС).

Это многослойные сети (преимущественно >3 слоев), благодаря чему они подходят для решения сложных задач, включая классификацию изображений, анализ речи, генерацию мультимедийного и текстового контента. [3]

Сегодня же научные достижения, а именно технологии искусственного интеллекта, становятся средством, предоставляющим возможность трансформировать способы диагностики и лечения медицинских заболеваний, являясь как независимым инструментом, так и дополнением к экспертному мнению специалиста. [4]

Одним из основных направлений использования нейронных сетей в медицине является улучшение диагностики различных заболеваний. Наиболее часто в медицине используются CNN (сверточные нейронные сети), которые, благодаря своей способности к обработке и анализу двумерных и трехмерных изображений, позволяют:

• диагностировать заболевания дыхательных путей: CNN продемонстрировали хорошие результаты при расшифровке КТ легких, определяя участки поражения и тяжесть воспалительного процесса, что, в свою очередь, позволило вовремя назначать адекватное лечение и минимизировать риск осложнений; [5]
• распознавать патологии глазного дна на основе изображений оптической когерентной томографии (ОКТ), способствуя улучшению уровня оказываемой медицинской помощи в связи с ускорением постановки диагноза; [6]
• обнаружить патологические изменения на кардиограммах, а также классифицировать их, позволяя врачам быстрее определять пациентов, требующих большего внимания; [7]
• с высокой точностью выявить онкологические заболевания исходя из данных компьютерной томографии, магнитно-резонансной томографии и гистологических срезов. [8]

Такой способ распознавания различного рода заболеваний позволяет автоматизировать анализ медицинских изображений, облегчая нагрузку на медицинских специалистов и ускоряя процесс лечения.

Помимо диагностики сверточные нейронные сети также успешно применяются для создания точных прогностических моделей, производящих расчеты на основе множества факторов и большого массива данных.

Отмечается, что прогнозирование онкологических заболеваний возможно за счет анализа уникальных молекулярно-биологических характеристик опухолей и имеющихся обширных баз клинических наблюдений.[8]

Также, как указывает в своей работе Алыменко М. А., точность прогноза течения болезни среди больных туберкулезом достаточно высока и составляет 88,9%. [9]

Высокие результаты показывает CNN и в прогнозировании побочных лекарственных реакций, поскольку применение моделей, основанных на технологии сверточных нейронных сетей позволяет эффективно выявлять нежелательные реакции даже при ограниченном наборе входных данных, при этом в точности не уступая традиционным методам предсказательной медицины. [10]

Таким образом, СНС демонстрируют высокую надежность в прогнозировании эффективности лечения и течения болезни, способствуя повышению качества оказываемой медицинской помощи.

Однако, несмотря на широкий спектр возможностей, предоставляемых нейронными сетями, таких как автоматизация рутинной работы и минимизация ошибок вследствие человеческой невнимательности, внедрение ИНС в сферу здравоохранения может иметь потенциальные риски:

• возможные ошибки, возникшие вследствии недочетов при обучении;
• ненадлежащее хранение или передача персональных данных пациента, что может привести к передаче их третьим лицам и использовании не по назначению, в том числе во вред самому пациенту;
• нормативные законы на сегодняшний день не определяют четкого распределения ответственности между разработчиками, пользователями и другими лицами;
• на данный момент нет возможности обучения технологий искусственного интеллекта человеческим качествам, а также обязательного учета ими этических аспектов, из-за чего возможно возникновение искажений и несправедливых решений. [11]

Внедрение цифровых технологий в систему здравоохранения в перспективе автоматизирует большинство процессов, значительно улучшив качество и повысив эффективность медицинской помощи.

Тем не менее, достижение наивысших результатов возможно только при минимизировании потенциальных рисков и соблюдении стандартов безопасности и этики.