自从神经网络开始陷入每个漏洞以来，已经过去了五年。 在许多例子中，一切都几乎可以完美地运行-生物特征识别，技术信息识别（数字，代码），分类和在数据数组中搜索。
在某些领域，一切都变得越来越糟，但是现在正在取得很大的进步-语音/文本识别，翻译。
但是这里有神秘的地方。 似乎有进步。 并且文章会定期发布。 只是直到现在，它才真正投入实际使用。
让我们看看神经网络和机器视觉在医学中是如何工作的。
少量保留 。 在本文中，我只会谈论机器视觉。 这是当我们尝试通过射线照片，照片，超声扫描照片，CT / MRI等识别事物时。
这些领域近年来已大大改善。 在其他领域，一切都更加令人困惑/狡猾，我不想碰它们。
小免责声明2 。 考虑到几乎所有神经元都适用的群落，我想在这里没有明确的例子。 如果您有兴趣阅读神经元最近学到的医学知识，那么我建议您：
荧光图识别乳房X光照片识别视网膜皮肤癌还有更多。
第一部分-猛扑
医学是人类知识的非常具体的领域。 与我上面列出的（生物统计学/数字/翻译）不同，这是一种责任。 如果医生清楚地搞砸了-人类社会建议他应该飞。 并不是说总是执行此安装。 但是，在医生的思想和社会的思想中都有一定的范式。 无论您与谁交谈，人们总是会在这种框架下思考。
现在我们有了神经网络。 我们说：“我们的预测与医生的预测一样准确！” （下面我们将详细考虑该声明）。 医生看一张照片-大约一张。 第二个是华丽的。 但是第十，他根本不同意网络的观点。 医生会写“可疑”，网络会说“健康”。 “这是什么？！” -医生认为。 “我们真的要让这个病人出去吗？！”
在全球范围内，采用“神经网络+医生”方法，其中网络的目标是“搜索病理”，后验分布可以如下：
- 患者患有病理->神经网络找到了她->医生看了她（加上医生的业障）
- 病人患有病理->神经网络找不到->医生看了她（医生认为“好吧，他们在这里提出了废话”，减去了网络业力）
- 病人患有病理->神经网络找不到->医生也看不到任何东西（每个人都被挖空，对任何人都没有惩罚）
- 患者患有病理->神经网络找不到->医生没有看到她（医生认为“好吧，他们在这里提出了胡扯”，然后有两个选择：“医生确定他是对的”，发现结果为垃圾，“医生想推卸责任” -指定其他分析/其他研究-然后获胜）
- 患者没有病理->神经网络找不到->医生也看不到任何东西（加上医生的业力）
- 患者没有病理->神经网络没有找到->医生看到了一些东西（“即使这里没有病理，您的神经元看不到这种明显的症状-绝对需要检查！”）
- 病人没有病理->神经网络发现了->医生也发现了一些东西（每个人都同意，所有事情都包括在内）
- 患者没有病理->神经网络发现了它->医生什么也没看见（再次，有两个版本的事件“医生认为他是对的”-一切正常，“医生想推卸责任”，并开始了研究链。结果是一个恼怒的医生，再一次，我不得不指定一堆测试，没有任何东西。
现在，我们总结一下所有结果：
1、3、5、7-当前的研究方案没有任何变化。 对于筛查研究，这将是95％的病例。 神经网络不会改变任何东西，并且与之相关的任何动作都会使医生的工作复杂化。
第
2点
和第6点使神经网络的业力大大降低。 每次发生时，它们都会产生明显的负面影响。
要点4是神经元可以复原的唯一情况。 但是她必须经过医生的否定性检查。 它将被
第8段完全杀死。 为了让医生理解神经元是有效的，第4段中描述的病例数应与第8段中的可比或更高。但是，只有在病理学患者人数高的情况下，才可以实现。 对于筛选，不会发生这种情况。
老实说，现实看起来更糟。 如果神经元看到训练中没有的内容，但医生知道了什么，她将给出一些随机答案。 好吧，例如，在荧光检查过程中的复杂医疗干预措施的残留（缝线/假体/碎片）。 而且，即使网络在统计上比医生更好，但是每两周医生就会看到相同的明显错误-他会烧伤。
好啦 我们得出的结论是，与合格的医生集成后，神经网络实际上无法增加疾病的检测率-只会增加问题。 让我们考虑一下在没有医生的情况下如何拧紧神经元吗？ 俄罗斯诊所的真正问题是该领域的许多低素质专家。 我与联邦美分的医生交谈-有两个投诉：
- 丝毫怀疑的医生被送到联邦中心进行诊断
- 医生在胸口看不到肿瘤（经验很少）
应当理解，在这种情况下，任何神经网络产生的准确度都比这种医生高出一个数量级。
但是，当您尝试吸引现实时，一切都会变得有些难过：
- 立法不允许完全替代医生-同样，“由谁负责”
- 低级医生可能会遵循以下两种方法之一：
- 认为自己比网络聪明，不要听其决策。 从我所看到的来看-将占多数。
- 完全遵守她的决定。 这还不错，但是我们不能强迫医生官僚地做，因为医生是负责任的人。
- 在较低的水平上，有相当好的医生-必须考虑到这一点。 这样的医生会破坏任何程序的声誉，表明其错误。
最可悲的是，这种“医生资质低下”的问题是通过其他方式解决的，而不是通过神经网络解决的。 一种有能力的系统方法，需要不断培训医生/水平测试/创建网络基础结构，以便一名医生可以一次为许多医院提供服务/为2-3名医生提供重复服务。 用神经网络解决这个问题与用“我有一卷胶带，为什么不试试”这样的词来修理汽车差不多。
莫斯科的同一DIT也在走“第一，我们将一切都减少到一个地方，然后再认识它”。 他们在会议上用神经元促进了他们的
决定 。 但是它们开始与系统解决方案一起精确地工作。 神经元稍后会到达这样的地方，从而加快工作速度，提高质量。 有必要从基础架构开始。
当然，有一种方法可以部分用神经元解决这个问题。 自动检查机构中拍摄的所有照片。 设置阈值的方式应使几乎没有误报（是的，让20％的患者被跳过）。 并且，如果我们确定患者有病，那么绕过医生，请给他进行其他检查。
看起来很简单。 实际上，这是一个令人毛骨悚然的选择：它破坏了决策的逻辑（病人已被释放，现在如何称呼他），他破坏了医生的声誉（瓦西里·彼得罗维奇（Vasily Petrovich）如何割草？！），他对政府不可接受（如何跳过20％?!）。 如果医生有能力，他将不会工作。 对于医院来说，该系统的利润尚不清楚，为什么要花钱安装。 而且只有在医疗机构已经拥有良好的信息系统的情况下才有可能。
但是，我遇到的一半项目都朝这个方向发展...
另一个不错的选择是向医生强调网络所见。 肿瘤/器官/一些特征。 但这不是优先事项。 首先，设备制造商需要它。 在某些时候，这样的“助手”将能够通过现场标准。 这种方法不需要严格的许可，可以部分减轻医生的负担，对于设备/软件来说是一个很好的竞争优势。 我已经看过几个这样的项目。 但是，这又是另一回事。 这不能代替医生，不能改善检测。
第2部分。统计数据如何？
最近，发表了
一篇很棒的
文章 。 关于神经网络达到什么精度以及它如何与人搏斗的元研究。 它不包含有关如何实现/使用某些事物的答案。 但是至少它可以让您评估科学的现代前沿。
本文的最终时间表大致如下（所有研究的准确性等级）：
似乎连人都输了！ 但是请不要忘记这是一个元研究，图中的点是算法的最终精度。
如果我们将那些评估人员和算法基于相同数据集（其中只有14个）的文章放在一边，那么最终的图将更加有趣：
可以看出，通过适当的比较，该算法产生的精度几乎与专业医生相同。
但是请不要忘记以下几点：
- 您只能在明确定义的任务中训练神经元。 如果突然在图片中出现一些奇怪的废话-医生将立即理解，并且将无法确定神经元的输出
- 医生的准确性取决于资历。 这将是下面的示例。 神经元可能会给出一些平均准确度。
- 神经元可以取决于方法/训练集。 医生不变性更大。
关于医生的准确性。 我遇到了几项研究，他们分析了医生的准确性。 实际上，没有这样的研究就无法制造出真正好的神经元。 在后者中，我真的很喜欢这个。 读取乳房X光照片是放射学中最困难的领域之一。 有必要对从不同方向拍摄的4张图像进行空间还原，并了解一切是否正常。 神经元在疾病/健康分类中的准确度达到87％。 医生-从70％到86％。 此外，根据研究，医生在此任务上有经验。
无需将这项研究推广到所有其他任务。 但是可以看到一个很酷的时刻-“神经元绝对可以帮助坏医生。” 但是好人有点慢。
第3部分。关于医学中神经元真正有帮助的地方
我上面所说的只是关于“神经元与病理学的探索”的讨论。 让我们离开几分钟，讨论一个更笼统的话题-神经元和医学。 神经元可以在医学上帮助图像分析吗？
然后，答案肯定是肯定的。 并且它已经被积极使用。 从所遇到的最新示例中（我将已经到达该产品的俄罗斯纯医疗初创公司带到这里）：
UNIM是一个实验室网络，对活检样本进行研究（医生称其为病理研究）。 这些研究时间长而乏味。 医生坐下并计算一种类型，另一种类型的细胞数量，染色细胞的数量等。 就在几年前，所有这些计算都是在显微镜下进行的，并带有计数器。
这可以通过神经元快速而有效地解决。 精度得到了提高（某些事情已经可以实现，并且从算法上讲，比起用眼睛计算单元格的数量要容易得多，您可以在更短的时间内处理更大的区域）。 最重要的是，大大缩短了医生的工作时间。
DiagnoCat-牙齿疾病的CT扫描。 一个人有很多牙齿。 主治医师通常会注意牙齿愈合+引人注目的牙齿。 没有人能完整描述所有32颗牙齿。 但是算法可以。 这种方法增加了转化率，改善了患者的最终状况。
仅在俄罗斯，我就看到了3-4家成功将机器学习引入近医学技术的公司/初创公司。 这些解决方案提高了服务质量/降低了价格。
这样的创业公司的主要特征是它们不是来自“解决所有问题”，而是来自“加速数据处理” /“提高效率”。
结语
神经网络现在不是来自“但让我们认识X”这样的想法。 从“我们在Y上花很多钱->我们可以以某种方式优化它吗？”这样的想法开始。 好吧，例如，如果我们花费大量时间在涂鸦上，则会自动填写诊断。 不幸的是，许多人对此并不理解。
未来十年内药物会改变吗？ 我也这么认为 但不是由于神经网络，而是由于信息化。 自动流量控制，虚拟工作站，将所有数据组合到一个公共数据库中。 以及机器视觉……它本身将出现在那些将在此之前发展的项目中。 安静安静。