Huolimatta siitä, että metodologisesta näkökulmasta IT ja lääketiede ovat melko kaukana toisistaan, niin se on
Kuinka koronaviruksesta tuli lääketieteen tieteen katalysaattori
Nykyään on kaksi keskeistä suuntaaDatatieteen soveltaminen lääketieteessä - terveydenhuolto ja lääketiede. Ensimmäinen suunta sisältää diagnostiset tehtävät, klinikoiden ja lääkäreiden työn optimoinnin, lääkkeiden ja hoitojen valinnan diagnoosin perusteella. Kaikissa näissä globaaleissa ongelmissa käytetyt ratkaisut perustuvat data-analyysiin ja koneoppimisalgoritmeihin. Kertynyttä lääketieteellistä tietoa käytetään aktiivisesti lääkekehityksessä. Puhumme sekä käytöstä vaikuttavien aineiden etsinnässä että lääkkeiden testaamisesta eläimillä ja ihmisillä.
Erityinen rooli tietojenkäsittelytekniikan kehittämisessäsoittaa koronaviruspandemia. Tarve ennustaville malleille, jotka voisivat antaa tarkempaa tietoa koronaviruksen tulevasta leviämisestä, on kasvanut voimakkaasti: ennustaa sairaalahoitojen määrä, tiettyjen rajoittavien toimenpiteiden ja rokotusten vaikutus COVID-19: een. Ja jos klassisessa epidemiologiassa tällaiset ennusteet perustuvat suhteellisen yksinkertaisiin epidemiologisiin malleihin, todellisuudessa nämä mallit ovat osoittautuneet erittäin huonosti, kun taas nykyaikaiset tietojenkäsittelymenetelmät pystyvät korvaamaan ne ja parantamaan ennusteiden tarkkuutta.
Datatieteen pääalueet vuonna 2006lääketiede pysyi samana pandemian aikana, mutta tietojen määrä ja odotettu aika ongelman ratkaisemiseksi ovat muuttuneet merkittävästi. Esimerkiksi taudin diagnosointia keuhkojen TT: llä on tutkittu pitkään; markkinoilla on riittävä määrä toimivia ratkaisuja. Mutta pandemian maailmanlaajuisen luonteen, jatkuvan tietojen vaihdon ja saatavuuden ansiosta COVID-19: n automaattinen diagnoosi CT: n avulla ratkaistiin mahdollisimman pian. Sama koskee taudin lopputuloksen vakavuuden ennustamista, mikä voi auttaa ennakoimaan käytettävissä olevien sairaalapaikkojen määrää. Tämän ongelman ratkaisemiseksi kerätään ja analysoidaan valtava määrä tietoja samanaikaisesti useissa maissa. Mutta lääketieteen spesifisyys on sellainen, että uusien ratkaisujen käyttöönotto on käytännössä mahdotonta. Kuten rokotteiden kohdalla, minkä tahansa mallin huolellinen testaus on tarpeen, ennen kuin lääketieteelliset päätökset voivat riippua siitä.
Mitä perustietoja tarvitaan tietojenkäsittelyyn:
- Korkeampi matematiikka: lineaarinen algebra, matemaattinen analyysi, tilastot.
- Kuinka koneoppimismenetelmät toimivat.
Kuinka datatiede auttaa torjumaan syöpää, Alzheimerin tautia ja uusia lääkkeitä
Katsotaanpa eri sovellusalueitaTietotiede lääketieteessä. Yksi lupaavimmista on syövän diagnoosi. Nykyään datatieteilijät käyttävät useita algoritmeja kehittääkseen ratkaisuja tälle alueelle: tietyn menetelmän valinta riippuu tehtävästä, käytettävissä olevasta tiedosta ja sen määrästä. Voit esimerkiksi tehdä diagnostiikkaa kasvainkuvien avulla - tässä tapauksessa datatieteen asiantuntijat käyttävät todennäköisesti hermoverkkoja. Diagnostiikkaa varten valitaan analyysitulosten perusteella jokin tiettyyn tehtävään paremmin sopiva koneoppimismenetelmistä. On myös olemassa erityisiä algoritmeja, joita käytetään esimerkiksi yksittäisistä soluista saadun DNA-tietojen analysointiin. Tällaisia tietoja analysoidaan useimmiten graafialgoritmeilla. Mutta tämä on pikemminkin poikkeus säännöstä.
Lisäksi on olemassa useita menetelmiäparantaa kuvia ja parantaa tulosten tarkkuutta. Suuret data-alustat (kuten Hadoop) käyttävät esimerkiksi MapReducea etsimään parametreja, joita voidaan käyttää eri tehtävissä. Niille, jotka aikovat kehittää oman tuotteensa tällä alueella, tai yksinkertaisesti harrastajille, on olemassa useita avoimia aivojen kuvantamisen aineistoja: BrainWeb, IXI Dataset, fastMRI ja OASIS.
Toinen tapaus on elinten mallinnusihmisen, yksi vaikeimmista teknisistä tehtävistä. Lisäksi tätä tai toista ratkaisua kehittäessään asiantuntijan on ymmärrettävä tarkalleen miksi ja missä monimutkaisuustasossa elintä mallinnetaan. Voit esimerkiksi tehdä mallin tietystä kasvaimesta geeniekspressio- ja signalointireittien tasolla. Nykyään yritys Insilico Medicine ratkaisee tällaisia ongelmia. Tätä lähestymistapaa käytetään hoidon tavoitteen löytämiseen, myös Data Science -menetelmillä. Tällaisia malleja käytetään pääasiassa tieteelliseen tutkimukseen; ne ovat vielä kaukana käytännön sovelluksista.
Geenisekvenssianalyysi - kokolääketieteen suunta, jonka kehittäminen on yksinkertaisesti mahdotonta ilman datatiedettä. Jos Python-ohjelmointitaidot ovat äärimmäisen tärkeitä datatieteessä, geenien kanssa työskentely vaatii myös tietoa R-ohjelmointikielestä ja erityisistä bioinformatiikkatyökaluista - ohjelmista DNA: n ja proteiinisekvenssien käsittelyyn. Suurin osa näistä ohjelmista toimii Unix-käyttöjärjestelmässä eivätkä ole kovin käyttäjäystävällisiä. Niiden hallitsemiseksi sinun on ainakin ymmärrettävä molekyylibiologian ja genetiikan perusteet. Valitettavasti jopa lääketieteellisissä kouluissa on tässä suuria ongelmia, ja useimmilla lääkäreillä on huono käsitys geenisekvenssien toiminnasta. Venäjällä tällä alalla on mukana kaksi yritystä - Atlas ja Genotech. Yksittäisten geenien mutaatioiden analysointi on myös suosittua tällä hetkellä. Useimmat suuret lääketieteellisen analyysin yritykset tarjoavat tällaisia palveluja. Esimerkiksi potilaat voivat selvittää, onko heillä taipumusta rintasyöpään samoissa geeneissä kuin Angelina Jolie. Alueelle on ominaista henkilöstöpula, koska vain harvoissa paikoissa voit saada asianmukaista koulutusta. Lisäksi monet joko jäävät työskentelemään tieteeseen tai lähtevät ulkomaille. Venäjänkielisiä online-resursseja, joista voit oppia tällaisen analyysin, on vähän. Ne ovat yleensä suunnattu lääkäreille tai biologeille ja opettavat vain ohjelmointia ja perustietojen manipulointia. Saadaksesi käytännönläheisemmän koulutuksen, jolla on pääsy tälle alueelle, voit suorittaa kurssin GeekBrainsin lääketieteen tiedekunnassa.
Nykyään markkinoilla on useitatyökalut tietojen analysointiin tällä alueella: MapReduce, SQL, Galaxy, Bioconductor. MapReduce käsittelee geneettistä dataa ja vähentää geneettisten sekvenssien käsittelyyn kuluvaa aikaa.
SQL on relaatiotietokannan kieli, jonka mekäytetään kyselemään ja noutamaan tietoja genomisista tietokannoista. Galaxy on avoimen lähdekoodin GUI-pohjainen biolääketieteellinen tutkimussovellus. Sen avulla voit suorittaa erilaisia toimenpiteitä genomien kanssa.
Lopuksi, Bioconductor on avoimen lähdekoodin ohjelmisto, joka on suunniteltu genomidatan analysointiin.
Tärkeää kaupallista ja samallatutkimuksen suunta - uuden sukupolven lääkkeiden luominen. Lääkeasiantuntijat etsivät terapeuttisia kohteita ja biomarkkereita koneoppimisen avulla. Ensimmäinen tai toinen ei tietenkään ole itse huumeet. Kohteet ovat kehon molekyylejä, joiden kanssa lääke on vuorovaikutuksessa, ja biomarkkerit ovat molekyylejä, jotka kertovat lääkärille, kenen pitäisi käyttää lääkettä. Siksi lähes kaikki yritykset, jotka kehittävät lääkkeitä sairauksiin, joilla on tuntematon kohde ja biomarkkerit - Novartis, Merck, Roche ja venäläinen BIOCAD - käyttävät koneoppimista. Näitä ovat ennen kaikkea syöpä ja autoimmuunisairaudet, Alzheimerin tauti. Tähän sisältyy myös uusien antibioottien etsiminen.
Miksi lääkärit eivät edistä datatieteen toteutusta
Viime vuodet ovat osoittaneet, että Data Scienceon lääketieteen ennustavien ja analyyttisten mallien teollisuuden moottori esimerkiksi hermoverkkojen soveltamisessa proteiinien tilarakenteen määrittämiseksi. Mutta pandemia on paljastanut monissa maissa maailmanlaajuisen ongelman, joka liittyy klinikan resurssien optimointiin ja henkilöstön puutteeseen. Kuluneen vuoden aikana monet yritykset ovat alkaneet tarjota ratkaisuja näihin ongelmiin Data Science -sovelluksen avulla. Tietojen käytöstä on tullut suuri läpimurto yksityisille klinikoille, koska se tekee lääketieteellisistä palveluista halvempia. Pandemian taustalla on kasvanut myös kysyntä etälääketieteen palveluista, joissa koneoppimisalgoritmeja käytetään laajalti. Etälääketieteen palvelut tarvitsevat alustavan diagnoosin, työskentelevät analyysien parissa ja luovat chat-botteja.
Mitä tulee teknisiin rajoituksiintietokonenäön ja koneoppimisen soveltamisella ei ole käytännössä mitään esteitä. Algoritmien ja palveluiden syvempi toteutus riippuu klinikoiden ja lääkäreiden halusta soveltaa datatieteen menetelmiä. Koulutustiedoista on myös akuutti pula, ja tämä ei koske vain kaupallisia terveydenhuoltolaitoksia, vaan myös valtiota: hallitusten tulisi demokratisoida julkisten sairaalatietojen saatavuus, jotta kehitysyhtiöt voivat luoda nykyaikaisia tuotteita.
Jopa yhden ohjelman oppiminen vaatii paljonlaatutiedot. Kasvain erottamiseksi kehyksessä ohjelma vaatii tuhansia manuaalisesti analysoituja potilaiden kuvia, ja analyysiin tulisi osallistua kokeneita lääkäreitä.
Lääkärin on ensin löydettävä kasvain ja sittennäytä missä hän on. Kuten voitte kuvitella, kokeneilla lääkäreillä on monia muita asioita. Mutta pandemia, kummallakin tavalla, on auttanut joitain alueita. Esimerkiksi venäläinen DiagnoCat, joka käyttää tietokonenäköä kuvien analysointiin hammaslääketieteessä, pystyi houkuttelemaan tyhjät lääkärit analysoimaan kuvia lukituksen aikana. Klinikoiden ja lääkäreiden haluttomuudesta lääkärit yksinkertaisesti eivät luota tällaisiin tekniikoihin. Hyvä lääkäri löytää varmasti tällaisen tapauksen, kun ohjelma tekee väärän diagnoosin, kokematon lääkäri pelkää, että ohjelma tekee kaiken paremmin kuin hän. Tämän seurauksena voit aina perustella itsesi huolehtimalla potilaasta ja oikeudellisista näkökohdista.
Datatieteen ja lääketieteellisen teknologian synergiaon jo antanut meille mahdollisuuden edetä eteenpäin kehitettäessä ratkaisuja syövän, autoimmuunisairauksien ja neurodegeneratiivisten sairauksien diagnosointiin. Tietojen analysoinnin ja koneoppimisen tarjoamat palvelut pystyvät ennustamaan virusten leviämisen ja etsimään uusia huumeiden sukupolvia. Huolimatta siitä, että klassinen lääketieteellinen koulutus on jäljessä alan nykyisistä haasteista, on todellista tulla moderni asiantuntija, joka työskentelee kahden tieteen - tietotieteen ja lääketieteen - risteyksessä. Yksi tapa on GeekBrainsin lääketieteen tiedekunnan verkkokurssi.
Katso myös:
Sumuja, komeettoja ja tähtien taimitarhoja: vuoden paras astrofotografia
Spy-satelliittien tiedot auttoivat selvittämään Aasian jäätiköiden sulamisen syyn
Koronavirus luolassa: kaikki kiinalaisista kaivostyöläisistä, jotka kärsivät outosta keuhkokuumeesta vuonna 2012