Нейросети все чаще приходят на помощь медикам – ведь искусственный интеллект (ИИ) действует по четкому алгоритму и работает в прямом смысле машинально. Так, ученые из Петрозаводского государственного университета научили нейросеть распознавать болезнь Альцгеймера.
По электроэнцефалограммам (ЭЭГ) – графическим записям активности головного мозга – нейросеть определяет, насколько сигналы нейронов неупорядоченные. Другими словами, алгоритм оценивает уровень хаоса этих сигналов – энтропию мозга, высокий уровень которой может говорить о развитии болезни Альцгеймера. ИИ находит ЭЭГ людей с этим заболеванием с точностью более 70%.
Авторы проверили технологию на базе данных из 65 пациентов. Среди них было 29 здоровых человек и 36 человек с болезнью Альцгеймера.
Обычно для определения энтропии в науке используют формулу Шеннона. По ней оценивается «неожиданность» события или явления – чем событие более предсказуемо, тем степень неупорядоченности меньше и наоборот. Но эта формула помогает решить далеко не все задачи.
Искусственный интеллект же может оценить энтропию даже в ситуациях, где сигналы «заглушают» помехи – так, он позволяет работать с большими данными и выбирать только нужную информацию.
Нейросеть петрозаводских ученых находится в открытом доступе – ее может использовать любой исследователь. Она пригодится не только в диагностике болезни Альцгеймера, но и в других сферах: от изучения кардиограмм до обработки сейсмических колебаний.
«Новый метод вычисления энтропии нейронной сетью будет полезен для специалистов, работающих с большими данными в области искусственного интеллекта и машинного обучения. Преимущество алгоритма заключается в том, что он использует оригинальный способ оценки и изучения хаоса, в результате чего получаемые данные дают значительный синергетический эффект при добавлении их к другим признакам. Мы предложили использовать энтропию для распознавания болезни Альцгеймера, но может быть еще множество других вариантов применения нашего метода для задач классификации сигналов алгоритмами машинного обучения. В дальнейшем мы попробуем применить предложенный подход в других научных областях, например, для классификации зашумленных аудио сигналов, обработки сейсмических колебаний, кардиограмм и графиков валютных пар», − рассказал руководитель проекта, кандидат физико-математических наук, ведущий научный сотрудник ПетрГУ Андрей Величко.
Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Algorithms.
