Preview
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Современный передовой уровень искусственного интеллекта для умной медицины

Полный текст:

Аннотация

На данном этапе искусственный интеллект уже не является только обсуждаемой темой. Это вполне реальные технологии, основанные преимущественно на искусственных нейронных сетях. Для их обучения используется принцип Павлова, сформулированный В. Л. Дуниным-Барковским. Математики павловское учение с подкреплением называют Deep Reinforcement Learning. ИИ разделяют на компьютерное зрение (Computer Vision), т е. распознавание и генерацию изображений; распознавание и синтез речи (Speech Recognition and Synthesis); обработку естественного языка (Natural Language Processing, NLP); графовый логический ИИ, миварную логическую технологию. Все это по отдельности - узконаправленный ИИ. А общий интеллект, равный человеку, пока не создан. Такой ИИ должен включать в себя все технологии. С учетом социальной и лингвистической природы появления интеллекта разработчики очень много внимания уделяют отшлифовке алгоритмов NLP и мультиагентной среды. К сожалению, параллельно с прогрессом в развитии нейросетей возникло такое явление, как состязательные атаки, которые, используя тот же механизм обучения, заставляют натренированную нейросеть делать ошибки. Этот факт подвергает сомнению будущее нейросетей в повседневной медицине. Среда для ИИ - это большие данные и датасеты. Европейские эксперты уже озадачились регулированием больших данных с точки зрения безопасного развития как медицины, так и фармацевтической сферы. Несмотря на сложности и отсутствие четких правил, ИИ активно внедряется в частный сектор медицины, создав уже три новые бизнес-модели.

Об авторах

О. Ю. КОЛЕСНИЧЕНКО
Институт социальных наук, ФГАОУ ВО «Первый МГМУ им. И.М. Сеченова» Минздрава России
Россия

Москва



А. В. МАРТЫНОВ
СП.АРМ
Россия

Санкт-Петербург



В. В. ПУЛИТ
СП.АРМ
Россия

Санкт-Петербург



Ю. Ю. КОЛЕСНИЧЕНКО
Uzgraph.ru
Россия

Москва



В. В. ШАКИРОВ
ФНЦ НИИ системных исследований РАН, отдел нейроинформатики
Россия

Москва



Л. С. МАЗЕЛИС
ФГБОУ ВО «Владивостокский государственный университет экономики и сервиса»
Россия

Владивосток



О. О. ВАРЛАМОВ
ФГБОУ ВО «Московский государственный технический университет им. Н.Э. Баумана»
Россия

Москва



Л. О. МИНУШКИНА
ФГБУ ДПО «Центральная государственная медицинская академия УД ПРФ»
Россия

Москва



А. Ю. СОТНИК
ЗАО Фирма ЦВ «ПРОТЕК»
Россия

Москва



Т. Н. ЖИЛИНА
Институт социальных наук, ФГАОУ ВО «Первый МГМУ им. И.М. Сеченова» Минздрава России
Россия

Москва



В. П. ДОРОФЕЕВ
Московский физико-технический институт
Россия

Долгопрудный



Г. Н. СМОРОДИН
ФГБОУ ВО «Санкт-Петербургский государственный университет телекоммуникаций им. М.А. Бонч-Бруевича»
Россия

Санкт-Петербург



М. К. ЖАПАРОВ
Университет имени Сулеймана Демиреля, Каскелен
Россия

Казахстан



Список литературы

1. Bartol T.M., Bromer C., Kinney J., Chirillo M.A., Bourne J.N., Sejnowski T.J. et al. Nanoconnectomic upper bound on the variability of synaptic plasticity. eLife J. 2015;4:e10778. DOI: 10.7554/eLife.10778.

2. Howard D., Eiben A.E., Kennedy D.F., Mouret J.-B., Valencia P., Winkler D. Evolving embodied intelligence from materials to machines. Nature Machine Intelligence. 2019;1:12-19. DOI. org/10.1038/s42256-018-0009-9.

3. Дунин-Барковский В.Л., Соловьева К.П. Принцип Павлова в проблеме обратного конструирования мозга. XVIII Международная конференция «Нейроинформатика-2016». Сборник научных трудов, ч. 1. М.: Национальный исследовательский ядерный университет «МИФИ», 2016:11-23.

4. Dunin-Barkowski W., Solovyeva K. Pavlov Principle and Brain Reverse Engineering. IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology, CIBCB- 2018. Saint Louis, Missouri, USA. 2018; Paper #37: 1-5. DOI: 10.1109/CIBCB.2018.8404975.

5. Shakirov V.V., Solovyeva K.P., Dunin-Barkowski W.L. Review of State-of-the-Art in Deep Learning Artificial Intelligence. Optical Memory and Neural Networks. 2018;27(2):65-80. DOI: 10.3103/S1060992X18020066.

6. Dunin-Barkowski W.L., Shakirov V.V. A Way toward Human Level Artificial Intelligence. Optical Memory and Neural Networks. 2019;28(1):21-26. DOI: 10.3103/S1060992X19010041.

7. Varlamov O.O. Wi!Mi Expert System Shell as the Novel Tool for Building Knowledge-Based Systems with Linear Computational Complexity. The International Review of Automatic Control (IREACO). 2018;11(6):314-325. DOI.org/10.15866/ireaco.v11i6.15855.

8. Varlamov O.O., Chuvikov D.A., Adamova L.E., Kolesnichenko O.Yu., Petrov M.A., Zabolotskaya I.K., Zhilina T.N. Logical, Philosophical and Ethical Aspects of AI in Medicine. International Conference on Computer Science and Information Technology (ICCSIT-2018), International Journal of Machine Learning and Computing. 2019. В печати.

9. Booth Jo., Booth Ja. Marathon Environments: Multi-Agent Continuous Control Benchmarks in a Modern Video Game Engine. arXiv:1902.09097v1 [cs.AI] 25 Feb 2019.

10. Pathak D., Lu C., Darrell T., Isola P., Efros A.A. Learning to Control Self-Assembling Morphologies: A Study of Generalization via Modularity. arXiv:1902.05546v1 [cs.LG] 14 Feb 2019.

11. Tassa Y., Doron Y., Muldal A., Erez T., Li Y., Lillicrap T. et al. Deepmind control suite. arXiv:1801.00690v1 [cs.AI] 2 Jan 2018.

12. Wang R., Lehman J., Clune J., Stanley K.O. Paired Open-Ended Trailblazer (POET): Endlessly Generating Increasingly Complex and Diverse Learning Environments and Their Solutions. arXiv:1901.01753v3 [cs.NE] 21 Feb 2019.

13. Gopalakrishnan A., Mali A., Kifer D., Lee Giles C., Ororbia A.G. A Neural Temporal Model for Human Motion Prediction. arXiv:1809.03036v4 [cs.CV] 6 Dec 2018.

14. Hernandez-Ruiz A., Gall J., Moreno-Noguer F. Human Motion Prediction via Spatio-Temporal Inpainting. arXiv:1812.05478v1 [cs.CV] 13 Dec 2018.

15. Qiu J., Huang G., Lee T.S. A Neurally-Inspired Hierarchical Prediction Network for Spatiotemporal Sequence Learning and Prediction. arXiv:1901.09002v1 [cs.NE] 25 Jan 2019.

16. Radford A., Jozefowicz R., Sutskever I. Learning to Generate Reviews and Discovering Sentiment. arXiv:1704.01444v2 [cs.LG] 6 Apr 2017.

17. Radford A., Narasimhan K., Salimans T., Sutskever I. Improving Language Understanding by Generative Pre-Training, 2018. URL: https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understanding_paper.pdf.

18. Radford A., Wu J., Child R., Luan D., Amodei D., Sutskever I. Language Models are Unsupervised Multitask Learners, 2019. https://github.com/openai/gpt-2.

19. Yogatama D., De Masson d’Autume C., Connor J., Kocisky T., Chrzanowski M., Kong L. et al. Learning and Evaluating General Linguistic Intelligence. arXiv:1901.11373v1 [cs.LG] 31 Jan 2019.

20. Aharoni R., Johnson M., Firat O. Massively Multilingual Neural Machine Translation. arXiv:1903.00089v1 [cs.CL] 28 Feb 2019.

21. Lample G., Conneau A. Cross-lingual Language Model Pretraining. arXiv:1901.07291v1 [cs.CL] 22 Jan 2019.

22. Nachmani E., Wolf L. Unsupervised Polyglot Text To Speech. arXiv:1902.02263v1 [cs.LG] 6 Feb 2019.

23. Haque A, Guo M, Verma P, Fei-Fei L. Audio-Linguistic Embeddings for Spoken Sentences. arXiv:1902.07817v1 [cs.SD] 20 Feb 2019.

24. Gupta A., Vedaldi A., Zisserman A. Learning to Read by Spelling: Towards Unsupervised Text Recognition. arXiv:1809.08675v2 [cs.CV] 9 Dec 2018.

25. Finlayson S.G., Bowers J.D., Ito J., Zittrain J.L., Beam A.L., Kohane I.S. Adversarial attacks on medical machine learning. Science, 2019;363(6433):1287-1289. DOI: 10.1126/science.aaw4399.

26. Finlayson S.G., Chung H.W., Kohane I.S., Beam A.L. Adversarial Attacks Against Medical Deep Learning Systems. arXiv:1804.05296v3 [cs.CR] 4 Feb 2019.

27. Kolesnichenko Yu., Kolesnichenko O., Smorodin G. 3-Dimensional Vector Analysis of 2-Dimensional Ultrasound Diagnostic Images. 21st Conference of Open Innovations Association FRUCT, University of Helsinki, Finland, 2017:428-434.

28. HMA-EMA Joint Big Data Taskforce, Summary report. Heads of Medicines Agencies EU, European Medicines Agency. EMA/105321/2019.13 February 2019, 48.


Для цитирования:


КОЛЕСНИЧЕНКО О.Ю., МАРТЫНОВ А.В., ПУЛИТ В.В., КОЛЕСНИЧЕНКО Ю.Ю., ШАКИРОВ В.В., МАЗЕЛИС Л.С., ВАРЛАМОВ О.О., МИНУШКИНА Л.О., СОТНИК А.Ю., ЖИЛИНА Т.Н., ДОРОФЕЕВ В.П., СМОРОДИН Г.Н., ЖАПАРОВ М.К. Современный передовой уровень искусственного интеллекта для умной медицины. Ремедиум. 2019;(4):36-43.

For citation:


Kolesnichenko O.Yu., Martynov A.V., Pulit V.V., Kolesnichenko Yu.Yu., Shakirov V.V., Mazelis L.S., Varlamov O.O., Minushkina L.O., Sotnik A.Yu., Zhilina T.N., Dorofeev V.P., Smorodin G.N., Zhaparov M.K. MODERN ADVANCED ARTIFICIAL INTELLIGENCE FOR SMART MEDICINE. Remedium. 2019;(4):36-43. (In Russ.)

Просмотров: 5


ISSN 1561-5936 (Print)
ISSN 2658-3534 (Online)