«Médecine génomique a vraiment besoin de l'apprentissage en profondeur», ce sont les mots du conférencier Brendan Frey, PDG de Deep Genomics à l'apprentissage en profondeur de RE-WORK Summit Healthcare 2016.
Frey a souligné le principal problème bloquant la médecine génomique, la Genotype-Phénotype Gap, à travers une citation un roman de Eric Lander:
Cette citation a été prise à partir de 2004, mais l'écart entre la capacité de recueillir des données génétiques et de comprendre sa signification d'une manière fiable, évolutive et digne de confiance est celui que nous n’avons toujours pas réussi à combler.
L'espoir de Frey est d'utiliser l'apprentissage en profondeur pour fermer le Gap Génotype-phénotype par l'intelligence artificielle surhumaine, pour les humains eux-mêmes ont jusqu'à présent été incapables de comprendre le génome.
Le recours à l'IA peut sembler quelque chose de la science-fiction, mais les programmes d'ordinateur avec des capacités surhumaines sont devenues réalité avec le succès récent de Google DeepMind en battant un joueur professionnel au jeu de Go.
Professeur Neil Lawrence, Université de Sheffield, cependant, est déçu, il a fallu si longtemps pour l'apprentissage en profondeur pour casser le jeu de Go, en particulier lorsque les programmes informatiques ont été en mesure de battre les humains à Chess il y a plus de 20 ans. Lawrence décrit l'illusion de données et les inefficacités actuelles de l'apprentissage en profondeur en termes d'outils utilisés.
"Les outils que vous utilisez ne doit pas limiter la façon dont vous pensez", cependant, était le principe clé de Diogo Moitinho de Almeida, scientifique principal de données, Enlitic, qui croit que nous pouvons faire mieux et que «l'apprentissage en profondeur est impressionnant."
Certaines des applications d'apprentissage en profondeur lors du Sommet ne semblent certainement impressionnante. Ali Parsa, PDG de Babylon Santé demoed leur prochaine application qui a demandé à l'utilisateur une série de questions afin de déterminer la gravité des symptômes médicaux de l'utilisateur, de la même manière comme une infirmière de triage. Parsa espère que l'apprentissage en profondeur peut même nous faire un pas plus loin sickcare aux soins de santé.
L'évolution vers un système de santé plus prédictive plutôt que réactif a également été discuté lors d'un panel sur la façon dont AI contribuera à améliorer et personnaliser les soins de santé. Cosimo Gretton, un médecin au NHS Foundation Trust de Guy et St Thomas a décrit comment l'analyse prédictive dans les soins de santé est une approche de transformation, mais il exigera des modifications du système de sorte que les cliniciens peuvent utiliser les algorithmes avec succès.
Gretton a également décrit comment AI peut améliorer les compétences à chaque étape de la chaîne de soins de santé, des patients aux professionnels de la santé. Utilisation de AI de prendre le contrôle de notre propre santé a également été un thème fort dans le discours de Davide Morelli. Le CTO de Biobeats décrit la réponse physiologique au stress en fonction des systèmes nerveux sympathique et parasympathique. Morelli a poursuivi en expliquant comment la respiration profonde à l'aide du diaphragme peut déclencher le nerf vague et ainsi forcer l'utilisateur à se calmer. Cette technique de respiration profonde peut maintenant être appris via Biobeats '' Hear and Now 'application, qui permet de suivre le rythme cardiaque d'un utilisateur pour voir si elles utilisent avec succès leur membrane lorsque la respiration profonde et donne biofeedback immédiate de sorte qu'un utilisateur peut apprendre sur leur propre.
Suivi de la variabilité de la fréquence cardiaque grâce à un capteur de santé a également été un élément clé de l'intervention de Daniel McDuff. Le directeur de la recherche à Affectiva, décrit comment les images webcam ont été utilisées pour former des algorithmes pour détecter une réponse physiologique, plus spécifiquement Photopléthysmographie (PPG), traditionnellement mesurée par contact avec la peau.
McDuff décrit une collaboration avec l'Hôpital Brigham and Women de tenter d'utiliser la technologie pour aider les personnes atteintes de la maladie artérielle périphérique. Les technologies d’Affective basées sur l'apprentissage en profondeur peuvent également être utilisés pour le suicide évaluation des risques en mesurant les expressions faciales.
l'image médicale informatique semble bien être une région où beaucoup de progrès ont été réalisés. Ben Glocker, Maître de conférences à l'Imperial College de Londres, a décrit les progrès dans l'apprentissage de la machine en termes d'imagerie intelligente telles que la construction de modèles de développement du cerveau du fœtus. Le défi qu'il a souligné, cependant, était d'utiliser des données non étiquetées pour l'apprentissage non supervisé.
Les données est certainement un gros problème. Michael Nova, chef de l'innovation, Pathway Genomics nous a rappelé la prédiction de IBM Watson que les données médicales vont doubler tous les 73 jours en 2020 et il se double déjà tous les 3 ans.
D'autres statistiques choquantes provenaient de Alejandro Jaimes, CTO et Chief Scientist de Aicure qui a souligné à quel point nous sommes à la prise de médicaments, avec ~ 50% des personnes ne prenant pas leurs médicaments comme prescrit. Plus inquiétant encore, Jaimes exprimé que ne pas suivre les prescriptions provoque environ 125.000 décès aux États-Unis seulement.
Smartphone app Aicure espère pour aider à résoudre le problème de l'adhésion, à la fois dans la santé de la population et des essais cliniques, où l'on pense que ~ 43-78% des participants ne prennent pas leurs médicaments comme prescrit. L'application utilise la caméra de téléphone à autorecognise visage, la pilule et l'action de prendre le médicament de la personne. L'application a également apprendre à détecter les fraudes par les crachats et autres détection de comportement anormal pour attraper les participants tentent de tricher.
En plus d'améliorer les soins de santé avec des médicaments actuels, le RE-WORK Sommet axé sur le rôle de l'apprentissage en profondeur dans le développement de nouveaux médicaments. Jackie Hunter, PDG de stratifiées Medicine, a souligné son optimisme que l'apprentissage profond peut aider à changer le paradigme de découverte de médicaments. Grâce à l'intelligence augmentée, Hunter a préconisé la production de moins de molécules, mais les bonnes molécules, créant ainsi un modèle de découverte de médicaments plus maigres.
En fin de compte, les modèles actuels ne fonctionnent pas dans de nombreux aspects de la santé, de la nature coûteuse présente la découverte de médicaments au problème exponentielle des données de soins personnalisés, alors peut-être il n'est pas la médecine juste génomique qui a vraiment besoin de l'apprentissage en profondeur, mais les soins de santé dans son ensemble.