Нейросети: от диагностики алкоголизма по соцсетям до определения продолжительности жизни

Специалисты из исследовательского института Virginia Tech Carilion и Мэрилендского университета представили разработку искусственной нейросети, способной по публикациям в Facebook выявлять зависимость пользователя от психоактивных веществ. 
 
В ходе исследований ученые проверили гипотезу о том, что на характер зависимости может указывать активность пользователей в социальных сетях. Сначала они обучили компьютерный алгоритм распознавать склонность человека к вредным привычкам, задействовав для этого три базы данных, полученные с 2007 по 2012 годы с помощью психометрического приложения myPersonality для Facebook. В первой базе содержалась информация о 5 млн лайков 250 тысяч посетителей сайта; во второй – о 21 млн публикаций 100 тысяч пользователей; в третьей – о наличии зависимости у 13,5 тысяч человек. Во время машинного обучения эти сведения комбинировались.

Прошедшая обучение система в ходе тестов смогла определять вредные привычки с высокой точностью: 84% –  для наркотических веществ, 81% и 86% – для алкогольной и никотиновой зависимости соответственно. Ученые также смогли отследить связь между склонностями и содержанием публикаций. Например, пользователи, употреблявшие наркотики, чаще использовали в своих постах понятия, связанные со здоровьем («таблетки», «больница») и агрессией («убивать», «ненависть»). Также они чаще лайкали записи с упоминанием музыкальных групп Depeche Mode и The Cure. Любители алкоголя предпочитали фильм «V – значит Вендетта», а курильщики – творчество рок-музыканта – Роба Зомби. С подробностями работы можно ознакомиться на сервере научных изданий arXiv.org.
 
Хотя алгоритм обладает высокой точностью, авторы отмечают, что речь не идет о причинно-следственных связях. Общий набор данных был значительно меньше, чем объем каждой базы – всего 3508 пользователей соцсети. А чтобы уточнить полученные сведения, нужно дополнительное исследование на более крупной выборке. 
 
Еще одно интересное исследование в области использования нейросети представила международная группа ученых из Аделаидского университета, Высшего технического института и других учреждений. Им удалось разработать нейросеть, способную определять продолжительность жизни пациентов на основании их результатов томографии. Их работа была опубликована в журнале Scientific Reports.

Поскольку процесс анализа томограмм пациентов требует высокой квалификации, а мониторинг состояния в динамике занимает длительное время, для ускорения процесса диагностики ученые ищут способы автоматизировать изучение рентгеновских снимков.                                                                                      
 
Чтобы создать систему оценки общего состояния здоровья пациентов, использовалась базу из почти 16 тыс. томограмм грудной клетки пациентов старше 60 лет, наблюдавшихся в течение пяти лет. Сначала выборку разделили на две группы по 24 человека: экспериментальную и контрольную. В первую вошли те, кто скончался в 2014 году, а во вторую – выжившие. При этом на рассмотрение отправлялись только изображения без видимых симптомов, онкологических заболеваний и металлических предметов в изучаемой области.

Следующим этапом исследования стало создание четырехслойной сверточной нейросети, нацеленной на эффективное распознавание изображений. На первом ее слове содержалось 50 фильтров, а на каждом последующем по 100. Для эксперимента систему обучили выявлять на снимках биомаркеры различных синдромов и заболеваний. Так, нейросеть должна была с высокой точностью определять факторы риска сердечной недостаточности, общий объем каждой ткани и снижение плотности у костной. А сопоставив полученные данные с открытой статистикой, нейросеть могла оценить и примерную продолжительности жизни пациента. 
 
В ходе испытаний алгоритм определял пятилетнюю выживаемость с точностью до 69%. Как считают исследователи, в целом этот результат аналогичен с тем, что дают классические методы диагностики. Хотя объем рассмотренных данных был недостаточным для утверждения надежности и достоверности выводов, есть основания полагать, что после обучения на более широкой выборке система сможет превзойти врачей в точности диагностики.