Модели ИИ не справляются с резко возрастающими объёмами медицинских данных В отличие от других отраслей, здравоохранение генерирует не только числовые и категориальные данные, но и большие объёмы неструктурированной информации, среди которых: 🔵Медицинские изображения. 🔵Клинические записи. 🔵Сигналы биосенсоров. 🔵Аудиовизуальные диагностические записи. В сочетании с развитием носимых технологий, телемедицинских платформ и эпидемиологического надзора на уровне населения, производство данных в здравоохранении растёт беспрецедентными темпами. В то же время новые исследования журнала Algorithms показывают, что существующие системы машинного обучения по-прежнему плохо подготовлены к удовлетворению растущих вычислительных потребностей сектора. ♦️Это значит, что если сообщество не разработает новые стратегии оптимизации, аппаратные архитектуры и масштабируемые платформы, аналитика в здравоохранении может отстать от потребностей медицинской экосистемы, всё более ориентированной на данные. Как проявляются конкретные проблемы взаимоотношений ИИ и данных: 🔵Рост объёма информации в здравоохранении опережает эффективность машинного обучения. 🔵Технические ограничения угрожают практическому внедрению ИИ в здравоохранении. 🔵Многие предлагаемые методы решения сложностей хорошо работают только на небольших или контролируемых наборах данных. 🔵Аппаратное ускорение обеспечивает преимущества в скорости, но вводит новые ограничения. 🔵Особые трудности возникают со скоростью обработки данных — медицинские системы мониторинга чрезвычайно требовательны к ней, например, устройства для реанимации или дистанционные кардиодатчики. Одно из главных решений от исследователей — разработка новых алгоритмов обучения, которые хорошо масштабируются при работе с большими наборами данных или федеративное обучение, которое позволяет моделям обучаться на распределенных наборах данных без централизации информации о пациентах. ™️ Медкарта