의학의 미래에서 신경망의 한계와 과제

Posts by Master, Doctor, Mai Vien Phuong – 위장 내시경 의사 – 건강검진 및 내과 – Vinmec Central Park International General Hospital.

개념 인공 지능 (누구) 1956년 다트머스 학회에서 처음 제안된 것으로 인공지능에 대한 정의는 다르지만 일반적으로 인공지능은 이전에는 불가능했던 작업을 수행하도록 설계되었으며 인간 지능만이 할 수 있습니다.
인공 신경망 (인공 신경망)은 인공 지능의 하위 유형에 속하며 병리학, 방사선학, 심장학, 신경학, 정형외과 및 위장병학을 포함한 임상 의학의 많은 하위 전문 분야에서 사용되었습니다. 소화관 장애 이것은 인간의 소화기 계통의 질병이며 소화기 질병의 치료 프로토콜은 영상 검사에 크게 의존합니다. 대량 영상 데이터는 방사선 전문의에게 부담이 되며, 잠재적으로 잘못된 임상 결정의 발생률을 증가시킵니다. 강력한 증거는 인공 신경망이 이 문제를 효과적으로 해결할 수 있음을 보여줍니다.

축적된 연구에 따르면 인공 신경망은 소화기 질환의 진단 및 치료에 상당한 잠재력을 가질 수 있습니다. 인공 신경망 기반 모델은 종종 최적의 정확도와 AUC 값을 갖습니다. 인공 신경망 모델의 일부 평가 지표는 100% 정확도에 도달하기도 합니다. 인공 신경망 인덱스의 추가 검증을 위해 비교도 수행되었으며 비교 대상을 기반으로 세 가지 측면으로 나눌 수 있습니다. 첫째, 전문가의 경우 전문가와의 비교연구는 인공신경망이 인공진단보다 우월하다는 것을 보여주려는 것이다.

대부분의 인공 신경망은 전문 임상의보다 더 빠른 속도와 더 나은 정확도를 보여줍니다. 따라서 일부 저자는 인공 신경망이 의사와 과학자를 위한 훌륭한 도구가 될 것이며 아마도 이 능력에서 인간을 대체할 수도 있다고 주장합니다. 둘째, 다양한 인공 신경망 모델이 연구되었습니다. 연구원들은 동일한 데이터 세트로 훈련되고 검증 단계를 거친 여러 인공 신경망 알고리즘을 사용했습니다. 그런 다음 추가 탐색을 위한 처리를 위해 가장 잘 맞는 모델이 선택됩니다. 비교는 임상 문제를 처리하는 다양한 모델의 능력을 보여줍니다. 마지막으로, 보고된 다른 데이터는 교과서에서 배우는 것이 개발된 모델의 효과를 결정하기 위한 대안적 접근 방식이라는 것을 보여주었습니다.

그러나 이러한 유형의 비교 방법은 데이터 세트, 하드웨어 성능 및 런타임의 차이와 같은 연구 기준의 불일치로 인해 신뢰할 수 없습니다. 이러한 지정되지 않은 편차도 비교 결과에 영향을 줄 수 있습니다. 따라서 이 방법은 모델의 장점을 추가로 검증하기 위한 추가 연구에서는 권장되지 않습니다. 종합적으로, 설득력 있는 증거는 인공 신경망이 선형 통계 모델 및 인간 노동과 비교하여 위장 임상 실습의 분류 및 심층 분석을 이끌 수 있음을 나타냅니다.

자격을 갖춘 의사를 양성하려면 상당한 사회적, 경제적 시간과 비용이 필요합니다. 그러나 인공 신경망을 배우는 것은 비교적 간단한 과정입니다. 현재 보고서에 따르면 대규모 샘플 데이터베이스로 인공 신경망 모델을 훈련하는 데 며칠 밖에 걸리지 않습니다. 인공 신경망은 매우 짧은 시간에 데이터의 특징을 종합적으로 분석하고 가중치를 조정할 수 있습니다. 또한 하드웨어는 인공 신경망 알고리즘, 특히 두 가지 중요한 데이터 처리 요소인 그래픽 카드와 중앙 처리 장치를 실행하기 위한 기본 요구 사항입니다. 고성능 하드웨어는 의사를 훈련시키는 것보다 훨씬 저렴한 수천 달러의 비용이 듭니다. 일반적으로 인공 신경망 모델을 훈련하는 데 드는 시간과 경제적 비용은 의사를 훈련하는 것보다 훨씬 적습니다. 인공 신경망은 가까운 장래에 임상 실습에서 중요한 역할을 할 것으로 믿어집니다.

소화기 질환의 종합적인 진단을 위해서는 다양한 검사가 필요합니다. 위장병 전문의는 진단을 내리기 위해 임상 지표를 통합해야 합니다. 그러나 기존 지침과 전문가의 합의로는 대부분의 복잡한 질병을 소화기 전문의가 관리하는 데 도움이 되지 않습니다. 인공 신경망은 이러한 제한을 완화할 수 있습니다. 다양한 유형의 환자 특성 및 임상 지표가 예측 모델에 포함될 수 있습니다. 이미지에 저장된 데이터는 텍스트 데이터보다 기하학적으로 우수합니다. CNN은 X선과 내시경 영상을 해석할 수 있습니다. CNN의 분석 속도는 실시간 탐지가 가능할 정도로 빠릅니다. 여러 연구에서 환자의 상황을 분석하기 위해 임상 지표와 영상 정보를 동시에 포함했습니다.

인공 신경망의 적용은 위장병 전문의에게 기존 문제를 극복하는 방법으로 보입니다. 그러나 특정 제한 사항을 심각하게 고려해야 합니다. 첫째, 훈련 방법은 신경망 모델의 성능에 영향을 미칩니다. 대부분의 연구 그룹은 1000건 미만의 소규모 표본 연구를 수행했습니다. 내시경 감지의 경우 정지된 프레임 수가 1만 개에 이를 수 있지만 일부 프레임은 동일한 비디오에서 가져온 것입니다. 결과적으로 프레임의 반복성은 대표성을 감소시킵니다. 데이터 세트의 크기가 작을수록 과적합의 가능성이 높아집니다. 이는 과도하게 훈련되고 내부 데이터 세트 특성에 과적합되는 모델을 의미합니다. 내부 데이터 세트에 대한 엄격한 관찰은 자연스럽게 외부 데이터를 관리하는 모델의 유연성을 감소시킵니다. 예를 들어, 모델이 A 국가의 환자 데이터 세트로 훈련된 경우 B 국가의 환자는 다양한 요인으로 인해 모델에서 잘 설명되지 않을 수 있습니다. 그렇지 않으면 회고적 데이터 세트를 신경망 훈련의 주요 소스로 사용해야 합니다. 기존의 후향적 연구와 유사하게 편향도 존재하며 모델의 적용에 영향을 미칩니다. 선택 편향이 가장 중요한 요소입니다. 병력의 환자 데이터는 연구 프로그램에 따라 선택될 수 있습니다. 등록된 사례의 정보는 유연하지 않기 때문에 연구자가 예상한 대로 편향 가능성을 배제할 수 없습니다.

두 번째 제한 사항은 강조되어야 하는 해석 가능성과 정확성 간의 균형입니다. 최적의 정확도를 가진 모델은 종종 해석 가능성(즉, 해석 가능성)이 부족합니다. 대조적으로, 선형 회귀와 같이 해석 가능성이 거의 완벽한 모델은 덜 정확합니다. 인공 신경망을 훈련하는 동안 알고리즘의 변조와 데이터 피드백은 블라인드 처리됩니다. 연구원들은 회로를 상자에 숨기고 스위치와 표시 장치만 외부에 두는 기계와 유사한 숨겨진 계층의 활성화 기능을 모릅니다. 이 기능을 “블랙박스”라고 합니다. 중요한 의학적 결정에 대해 의사와 환자 모두 어떻게 결정이 내려졌는지 알 권리가 있습니다. 모델이 어떻게 의사결정을 내리는지 이해하지 못하면 자연스럽게 환자와 의사의 신뢰가 떨어집니다. 반면, 설명력 부족으로 인해 연구자들은 인공신경망 모델의 추론 과정을 설명할 수 없어 참조값이 감소합니다.

신경망의 한계 중 세 번째는 신경망 응용에 있어 세심한 고려가 필요한 사회학적 문제로 크게 세 가지로 나눌 수 있다. 첫째, 의료적 책임과 관련하여 인공신경망이 검증 단계에서 우수한 실적을 가지고 있음에도 불구하고 의료 과실 및 의료 과실이 발생할 수 있다. 따라서 결정에 대한 책임이 누구에게 있고 손해에 대한 책임을 어떻게 배분할 것인지 결정하기 어렵습니다. 의사, 환자, 프로그래머 모두 무고한 것처럼 보이며 사고는 대부분 인간의 부주의가 아닌 타고난 태만에 의해 발생합니다. 둘째, 보안과 관련하여 인공 신경망 모델의 운영에는 많은 유형의 데이터가 필요하며 그 중 일부는 환자 개인 정보 보호와 관련이 있습니다. 사생활을 배반한 의사는 벌을 받는다. 그러나 인공 신경망 모델은 인터넷이나 회사 인트라넷에 연결됩니다. 사실 개인정보가 유출된 출처를 파악하기 어렵습니다. 또한 인공 신경망의 데이터 추출 기능은 타의 추종을 불허합니다. 따라서 동의 포기는 추가 토론이 필요합니다. 신경망 연구와 환자 개인 정보 보호 간의 균형은 여전히 ​​과제로 남아 있습니다.

마지막으로, 입법 측면에서 다중 이해 관계자 참여는 병원, 환자, 제품 공급자 및 보험 회사를 포함한 인공 신경망의 중요한 기능입니다. 불행히도 의료 현장에서 사용되는 인공 신경망에 대한 규칙은 아직 잘 알려져 있지 않습니다. 현재 법률은 인공 신경망의 응용 및 전향적 연구를 지원할 수 없습니다. 법적으로 다중 이해 관계자 참여는 병원, 환자, 제품 제공업체 및 보험 회사를 포함한 신경망의 중요한 기능입니다. 불행히도 의료 현장에서 사용되는 인공 신경망에 대한 규칙은 아직 잘 알려져 있지 않습니다. 기존 법률 규정은 인공 신경망의 응용 및 전향적 연구를 지원할 수 없습니다.

다중 이해 관계자 참여는 병원, 환자, 제품 공급자 및 보험 회사를 포함한 인공 신경망의 중요한 기능입니다. 불행히도 의료 현장에서 사용되는 인공 신경망에 대한 규칙은 아직 잘 알려져 있지 않습니다. 기존 법률 규정은 인공 신경망의 응용 및 전향적 연구를 지원할 수 없습니다.

참고문헌

Cao B, Zhang KC, Wei B, Chen L. 위장병 전문의의 관점에서 본 인공 신경망의 현상 및 미래 전망. 월드 J 위장 엔테롤 2021년; 27(21): 2681-2709 [DOI: 10.3748/wjg.v27.i21.2681]

Karakitsos P, Ioakim-Liossi A, Pouliakis A, Botsoli-Stergiou EM, Tzivras M, Archimanditis A, Kyrkou K. 위장의 악성 세포에서 양성 세포를 구별하는 벡터 정량자의 세 가지 변종에 대한 비교 연구. 세포학 . 1998년; 9:114-125. [ PubMed ] [Cited in This Article: 2]