Emerging applications of machine learning and AI for predictive modeling in precision medicine

По данным npj Digital Medicine, передовая статья Zorraquin, J., Kvedar, J.C., Bange, M. et al.[1]"обобщает 31 статью, показывающую, что прецизионная медицина требует интеграции..."[1]Авторы пишут, что "видеоанализ на основе лабораторных методов точен, но дорогостоящ, что ограничивает доступ к специализированному уходу."[1] Они добавляют, что новые подходы ориентированы на небольшие портативные устройства, подходящие для любой среды, включая условия с ограниченными ресурсами.[1]В передовой статье сообщается, что сетевые графовые сверточные нейронные сети на основе смартфонов теперь оценивают асимметрию походки паркинсонизма дома[1]. В ней также говорится что модели с открытым исходным кодом преобразуют необработанное видео в интерпретируемые показатели расстройства аутистического спектра[1].Авторы также цитируют глубокое обучение для обнаружения поражений при ультразвуке в режиме реального времени, неинвазивной оценки подсчета клеток крови из видеозаписей глаз и прогнозирования риска заболеваний сердечно-сосудистой системы на основе эхокардиографии[1].В кардиологии, по словам передовой статьи, глубокое обучение выявляет субклиническую сердечную недостаточность по ЭКГ[1]. Она также отмечает, что модели на основе трансформеров еще больше улучшают прогноз результатов по данным рутинных записей со сниженным смещением.[1]На странице Nature для связанной коллекции статей говорится, что эти технологии "отмечают переход к персонализированному, предсказательному и участливому здравоохранению."[2]На той же странице коллекции предупреждается, что "этические соображения, конфиденциальность данных и справедливый доступ остаются ключевыми проблемами."[2]