Machine Translated

Mesin Diterjemahkan by Google

oleh Google

TINJAUAN

Kecerdasan Buatan dalam Praktek

Medis: Pertanyaan untuk Jawabannya?
D. Douglas Miller, MD, CM FACP, dan Eric W. Brown, PhD di New York
B
Medical College, Valhalla; Inovasi Dasar, IBM Watson Health, Yorktown Heights, NY.

ABSTRAK

Kemajuan ilmu komputer dan kecepatan komputasi yang sangat cepat menjadikan kecerdasan buatan (AI) sangat bermanfaat bagi masyarakat modern—

meramalkan cuaca, mengenali wajah, mendeteksi penipuan, dan menguraikan genomik.

Peran AI di masa depan dalam praktik medis masih menjadi pertanyaan yang belum terjawab. Mesin (komputer) tidak belajar mendeteksi pola

dapat diuraikan menggunakan biostatistik dengan memproses kumpulan data yang sangat besar (big data) melalui model matematika-matematis berlapis (algoritma).

Memperbaiki kesalahan algoritme (pelatihan) menambah kepercayaan model prediktif AI.

AI berhasil diterapkan untuk analisis gambar di bidang radiologi, patologi, dan dermatologi, dengan kecepatan diagnostik melebihi,

dan akurasi yang paralel, para ahli medis. Meskipun keyakinan diagnostik tidak pernah mencapai 100%, menggabungkan mesin dan dokter

andal meningkatkan kinerja sistem. Program kognitif memengaruhi praktik medis dengan menerapkan bahasa alami

pemrosesan untuk membaca literatur ilmiah yang berkembang pesat dan menyusun beragam rekam medis elektronik selama bertahun-tahun. Dalam hal ini dan

dengan cara lain, AI dapat mengoptimalkan jalur perawatan pasien penyakit kronis, menyarankan terapi presisi untuk penyakit kompleks,

mengurangi kesalahan medis, dan meningkatkan pendaftaran subjek ke dalam uji klinis. © 2018 Elsevier Inc. Semua hak dilindungi undang-undang. • Orang Amerika

Jurnal Kedokteran (2018) 131, 129–133

KATA KUNCI: Analisis; Kecerdasan buatan; Data besar; Penyakit kronis; Pembelajaran mendalam; Rekam medis elektronik;

Pembelajaran mesin; Pencitraan medis; Pemrosesan bahasa alami; jaringan saraf; Obat presisi

Pada tahun 1936, matematikawan Alan Turing menerbitkan On Computable penelitian komputer pertama dengan jaringan saraf tiruan dilakukan pada tahun
Numbers, With an Application to the Entscheidungsproblem, sebuah makalah yang 1950an oleh Nathanial Rochester di International Business Machines (IBM), dan
kemudian dijuluki sebagai “dokumen pendiri era komputer.”1 Kehidupan Turing Bernard Widrow dan Marcian Hoff di Stanford. Ilmuwan komputer saat ini

terulang kembali dalam film tahun 2014, The Imitation Game. Mencoba memecahkan
masalah Entscheidung, Turing dan rekannya di Princeton, Gereja Alonzo,
menggunakan kalkulus untuk mendefinisikan konsep “perhitungan efektif.” Pemecahan
masalah manusia yang cerdas menjadi dasar model komputasi yang disebut
algoritma.
Pada tahun 1943, ahli neurofisiologi Warren McCulloch dan ahli matematika
Walter Pitts memodelkan interaksi saraf otak menggunakan
jaringan saraf sederhana yang terbuat dari rangkaian listrik. Itu
menerapkan algoritma berlapis-lapis menggunakan berbagai konfigurasi
jaringan saraf tiruan untuk memecahkan masalah yang kompleks. Jaringan
saraf tiruan modern mewakili salah satu bidang penelitian kecerdasan buatan (AI)
yang paling aktif.
Pada tahun 1964, guru televisi Merv Griffin menemukan Jeopar-dy!,
Pertunjukan permainan terlama ketiga di Amerika. Pada tahun 2011,
sebuah superkomputer dinamai berdasarkan nama kepala eksekutif pertama IBM, Thomas J.
Watson, menggunakan AI untuk mengalahkan 2 manusia yang sangat cerdas
dalam pertandingan eksibisi yang berpuncak dengan jawaban yang benar terhadap
pertanyaan ini: “Novel penulis mana yang paling terkenal yang terinspirasi oleh 'An

Pendanaan: Tidak ada. Account of the Principalities of Wallachia and Moldavia' karya William
Konflik Kepentingan: DDM: Tidak ada; EWB: Dipekerjakan oleh IBM; hubungan Wilkinson?” (Jawaban: Drakula Bram Stoker).
kerja tidak menimbulkan konflik finansial atau ilmiah baik langsung maupun tidak langsung
dalam penyusunan makalah ini.
PERTANYAAN YANG DAPAT DIJAWAB
Kepenulisan: Semua penulis memiliki akses terhadap data dan peran dalam penulisan ini
naskah. Beberapa pertanyaan tentang peran AI dalam masyarakat modern telah terjawab:
Permintaan cetak ulang harus ditujukan kepada D. Douglas Miller, MD, CM FACP,
Division of Cardiology, Augusta University, 1120 15th Street, BBR-6518, GA, 30912.
Mengapa AI muncul sebagai sesuatu yang berguna di berbagai sektor (bisnis, ilmu
Alamat email: ddouglasmiller1@gmail.com pengetahuan, pemerintahan)?

0002-9343/$ - lihat materi depan © 2018 Elsevier Inc. Semua hak dilindungi undang-
undang. https://doi.org/10.1016/j.amjmed.2017.10.035
Machine Translated oleh
Mesin Diterjemahkan by Google
Google
130
Apa perbedaan AI dengan biostatistik standar?
Apa itu “data besar”? Bagaimana AI memungkinkan analisis kumpulan data besar?
Apa perbedaan aplikasi AI dengan teknologi pintar (perangkat medis, diagnostik
digital, sistem manajemen data) yang sudah digunakan dalam praktik medis?
DI DALAM KOTAK HITAM AI
Meskipun AI mencakup berbagai pendekatan simbolik
dan statistik untuk pembelajaran dan penalaran
(Gambar), kemajuan terkini dalam
algoritma, kekuatan komputasi, dan akses ke kumpulan
data besar telah memungkinkan
jaringan syaraf tiruan muncul sebagai metode AI yang
terdepan. Jaringan saraf tiruan bersifat fleksibel
model matematika yang menggunakan multi-tiple
algoritma untuk mengidentifikasi hubungan
nonlinier yang kompleks dalam kumpulan data
besar (analitik). Mesin belajar ketika kesalahan yang
ditemui sebagai respons terhadap modifikasi algoritme
kecil diperbaiki (pelatihan), sehingga secara progresif
meningkatkan akurasi model prediktif (keyakinan).2
Pembelajaran mendalam menggunakan komputasi
ultra-cepat untuk
mengoptimalkan secara cepat model besar
Gambar Dalam dunia ilmu komputasi, kecerdasan buatan (AI)
dibedakan dari statistik dan database standar, namun
tumpang tindih dengan metodologi penemuan pengetahuan dan
penambangan data (KDD) yang mengekstraksi wawasan berguna
dari kumpulan data besar. Matematika pengenalan pola (mesin
kernel, analisis cluster) tumpang tindih secara signifikan dengan
algoritma deteksi tepi pembelajaran mesin dan dengan
neurocomputing berdasarkan jaringan saraf tiruan. Area pembelajaran
mesin di luar AI dan dalam statistik/pengenalan pola adalah analisis regresi linier.
The American Journal of Medicine, Vol 131, No 2, Februari 2018
kumpulan data berlapis-lapis yang disusun dalam berbagai konfigurasi, termasuk lapisan filter sebagai
jaringan saraf konvolusional dan lapisan rekursif sebagai jaringan
saraf berulang. Pembelajaran mendalam telah diterapkan secara komersial sejak tahun 1990an,3 dan
meskipun matematika modern serupa dengan yang digunakan pada tahun
1980an, kecepatan superkomputer dan jaringan Cloud memungkinkan
dekonvolusi kumpulan data besar.
Pada tahun 2006, Hinton dkk memperkenalkan a
SIGNIFIKANSI KLINIS
metode baru untuk melatih jaringan saraf yang
sangat dalam dengan melakukan pra-
• Analisis citra medis dengan kecerdasan buatan (AI)
pelatihan satu lapisan algoritme tersembunyi
mencapai kecepatan diagnostik yang melebihi
pada satu waktu menggunakan prosedur pembelajaran
kecepatan dan akurasi yang sejajar dengan
mesin tanpa pengawasan4 dan Bengio dkk
para ahli. memvalidasi pekerjaan Hinton dengan pengujian
data dan menggunakannya dengan orang lain yang tidak diizinkan
• AI akan berdampak pada praktik medis dengan
menerapkan pemrosesan bahasa alami teknik seperti auto-encoder.5
untuk “membaca” literatur ilmiah yang semakin
berkembang dan menyusun beragam dokumen elektronik Sepuluh tahun kemudian, pembelajaran mendalam
rekam medis. pemodelan kumpulan data besar memberikan
pengaruh besar pada masyarakat modern
• Pembelajaran mesin langsung dari data medis dapat —mulai dari penelusuran Web hingga jaringan
mencegah kesalahan klinis yang diakibatkannya
media sosial, dan dari perbankan teknologi
bias kognitif manusia, berdampak positif pada keuangan hingga pengenalan wajah.3
perawatan pasien. Algoritma tingkat lanjut mencapai kinerja yang
dapat diterima dengan ~5000 titik data
• Karena AI tidak cerdik dan tidak intuitif
per kategori, dan melampaui kinerja manusia dengan
Meskipun demikian, dokter akan tetap penting untuk kumpulan data >10
praktik medis kognitif.
juta contoh yang diberi label.2 Semakin besar
kumpulan datanya, semakin mudah untuk melakukannya
mesin untuk belajar (mendapatkan kepercayaan diri) karena beban
estimasi biostatistik standar berkurang.2 Meskipun demikian, sepertinya
pemikiran manusia, kepercayaan model prediktif tidak pernah mencapai 100%.
BEKERJA DALAM PROGRES
Masih ada pertanyaan mengenai penerapan, kepraktisan, dan nilai AI dalam praktik medis:
Bagaimana penggunaan AI dalam praktik medis dibedakan dari aplikasi analisis data
besar untuk pemberian layanan kesehatan dan kesehatan masyarakat?
Dapatkah AI mengatasi “masalah” praktik medis, dengan memberikan perawatan yang
lebih efisien dan mujarab sekaligus mengurangi kelelahan dokter?
Akankah AI meningkatkan hasil pasien ketika digunakan di tempat perawatan?
Dapatkah fasilitas layanan kesehatan dan rumah pengobatan Internet-of-Things menjadi
platform bagi pasien yang lebih aman, berkualitas tinggi, dan lebih terhubung?
PENGGUNAAN KASUS UNTUK PRAKTIK MEDIS KOGNITIF
Jaringan saraf sederhana telah digunakan dalam bidang kedokteran sejak awal tahun
1990an untuk menginterpretasikan elektrokardiogram,6 mendiagnosis infark miokard,7 dan
memprediksi lamanya perawatan di unit perawatan intensif.
Machine Translated oleh
Mesin Diterjemahkan by Google
Google

131
Kecerdasan Buatan Miller dan Brown dalam Praktek Medis

tetap mengikuti operasi jantung.8 Aplikasi ilmiah AI telah berkembang biak, termasuk dengan menerapkan pembelajaran mendalam pada pemetaan gambar resonansi magnetik

analisis gambar (radiografi, histologis), pengenalan teks dengan pemrosesan bahasa alami, kandungan air saraf materi putih.17 Pengenalan pola peta panas gambar memiliki akurasi

desain aktivitas obat, dan prediksi ekspresi mutasi gen.9,10 Aplikasi AI terbaru memberikan 74% dalam memprediksi gangguan depresi mayor, dengan wilayah otak tertentu berkontribusi

bukti konsep penggunaan AI dalam praktik medis khusus, sambil memproyeksikan lebih besar terhadap kepercayaan diri model.

kegunaan masa depan dalam praktik medis umum.

Gagal jantung kongestif adalah kondisi yang beragam secara klinis dan biologis

mempengaruhi 5,8 juta orang Amerika, dan 23 juta di seluruh dunia.18 Gagal jantung dengan

fraksi ejeksi yang diawetkan (HFpEF) adalah kondisi heterogen secara fenotip

yang dipengaruhi oleh banyak faktor genetik lemah, tanpa terapi yang terbukti. Ketika
Gen Diagnostik Kognitif
pembelajaran mesin yang diawasi diterapkan pada 46 variabel klinis dari 397 pasien HFpEF,
chip banyak digunakan untuk mendeteksi ekspresi gen sel kanker. Namun, meskipun chip
kelompok peta panas fenotipik memperkirakan kelangsungan hidup pasien dengan lebih akurat
tersebut mampu melakukan pemeriksaan diagnostik untuk 20.000-50.000 fitur genetik,
dibandingkan penilaian risiko yang biasa digunakan.19 Pendekatan AI dapat mengidentifikasi
data yang tidak jelas dan keterbatasan eksperimental mengurangi kegunaan klinisnya.
subset HFpEF atau individu yang dapat memperoleh manfaat dari terapi yang gagal.
Pembelajaran mendalam mengatasi hal ini dengan mengurangi keragaman data
menunjukkan
(dimensi) dan menerapkan analisis pengkodean otomatis berlapis untuk melatih
manfaat kelangsungan hidup dalam kelompok uji klinis.
jaringan saraf tiruan untuk mencapai deteksi kanker yang lebih akurat dan
klasifikasi.11

Histopatologi dari 1.417 gambar kulit yang dianalisis menggunakan analisis pola visual

arsitektur pembelajaran mendalam untuk mendeteksi karsinoma sel basal dan membedakan
Aplikasi Rekam Medis Elektronik Medis elektronik
lesi ganas dari lesi jinak mengungguli analisis otomatis sebelumnya, dengan akurasi diagnostik
catatan (EMR) dimaksudkan sebagai alat untuk mendokumentasikan dan berbagi informasi
>90% dibandingkan dengan para ahli.12 Histopatologi pembelajaran mendalam mengidentifikasi
perawatan medis. Tantangan ESDM mencakup kurangnya interoperabilitas antar platform
kanker payudara metastatik dalam biopsi kelenjar getah bening senti-nel, dengan akurasi
teknologi dari waktu ke waktu, dan perluasan besar-besaran elemen data terstruktur dan tidak
diagnostik untuk deteksi dan lokalisasi tumor serupa dengan yang dilakukan para ahli.13
terstruktur. Pemrosesan bahasa alami adalah alat AI yang “membaca” dan mengontekstualisasikan
Sistem ini dilatih dengan membandingkan fitur jutaan patch histologis tumor-positif dan negatif,
berbagai kata dan ekspresi medis dalam EMR. Produk yang tersedia dapat dikompilasi dan
kemudian memproses data tersebut menggunakan peta panas untuk memprediksi
dihubungkan secara akurat selama beberapa dekade
kemungkinan tumor . Menggabungkan ahli patologi dan pembelajaran mendalam
akumulasi beragam data EMR—sejarah, fisik, laboratorium, pencitraan, pengobatan—dengan cara
mengoptimalkan kinerja, mengurangi tingkat kesalahan manusia sebesar 85%.
yang mudah digunakan. IBM Watson menghasilkan daftar masalah universal yang akurat dari

beragam EMR dalam hitungan detik, sekaligus mengumpulkan literatur medis yang relevan sebagai

respons terhadap pertanyaan klinis.20 Pemodelan pembelajaran mendalam pada memori data EMR

dapat memprediksi lintasan penyakit di masa depan dan hasil medis, dengan percaya diri
Jaringan saraf konvolusional mengungguli 21 dokter kulit di
memprediksi intervensi dan penerimaan kembali pasien di rumah sakit. 2 kelompok pasien yang
deteksi karsinoma keratinosit dan melanoma dengan mengklasifikasikan 129.450
menimbulkan beban ekonomi dan sosial yang berat—
gambar penyakit kulit ganas dan jinak 2032 menggunakan multiple layer
diabetes dan kesehatan mental.21
algoritma yang dilatih untuk mengidentifikasi kanker kulit mematikan yang umum.14

Analisis AI Manajemen Penyakit Kronis mendukung praktik

pengobatan presisi, terutama dalam kondisi sulit penyakit kronis yang ditandai dengan

keterlibatan multiorgan, kejadian akut yang tidak menentu, dan latensi perkembangan

penyakit yang lama. POTENSI BAHAYA

Kekhawatiran mengenai praktik medis kognitif sebagian besar disebabkan oleh hal-hal yang sudah ada

Bagi >29 juta orang Amerika yang mengidap diabetes, retinopati adalah salah satu defisit informasi:

komplikasi yang paling melemahkan. Menggunakan 128.175 foto retina dari 5.871 orang dewasa,

2 sistem pembelajaran mendalam yang dilatih untuk mendeteksi dan menilai retinopati diabetik dan Akankah penyedia layanan menganggap AI sebagai penghalang teknologi lain untuk mengarahkan pasien

edema makula mencapai spesifisitas dan sensitivitas tinggi (87%-90%) untuk mendeteksi peduli?

retinopati sedang dan edema makula, dibandingkan dengan 54 dokter mata dan residen senior.15 Apakah AI meningkatkan atau menghalangi keterlibatan pasien-dokter?

Kelayakan pendekatan ini dalam praktik medis dan kapasitasnya untuk meningkatkan

perawatan dan hasil diabetes memerlukan validasi. Hambatan nonmedis apa yang ada terhadap penggunaan AI dalam perawatan pasien secara langsung

(misalnya penggantian biaya, peraturan)?

Apakah AI akan membuat beberapa dokter kehilangan pekerjaan (keusangan) dan/atau

mengurangi kompensasi dokter (nilai relatif)?

Depresi mempengaruhi 6,8%-8,7% populasi orang dewasa di AS, mengakibatkan 8 juta Apakah dokter yang menggunakan AI berisiko mengalami erosi keterampilan dalam keahlian

kunjungan rawat jalan setiap tahunnya.16 Praktik layanan kesehatan primer tidak mampu diagnostik, ketajaman klinis, atau pemikiran kritis?

menangani penyakit depresi kronis. Dimensi fenotipik dan kurangnya penanda aktivitas Akankah pembelajar dan dokter muda yang paham teknologi akan menjadi pengguna awal

depresi objektif mungkin terjadi teknologi, sehingga mendorong pengembangan praktik kognitif yang dilengkapi AI?
dapat dialamatkan
Machine Translated
Mesin Diterjemahkan by Google
oleh Google
132
The American Journal of Medicine, Vol 131, No 2, Februari 2018
PENYISIPAN TEKNOLOGI
Buku pemenang Hadiah Pulitzer tahun 1981 karya Tracey Kidder, The Soul
dari Mesin Baru22 menggarisbawahi betapa manusia yang tidak sempurna tetap kritis
untuk desain komputer cerdas. Sekarang
Literatur medis AI secara luas mendukung pendapat tersebut
tautologi—penugasan kolaboratif manusia-mesin menjadi lebih baik
kinerja baik sendirian. Sedangkan teknologi AI
kurva perpindahan disejajarkan dengan kurva peluang, kekhawatiran tetap ada
bahwa AI akan mengeluarkan tenaga profesional kesehatan yang
berketerampilan tinggi dari pekerjaan mereka.
Alat adalah suatu alat atau perkakas yang digunakan oleh manusia secara tertentu
fungsi; perkakas digabungkan menjadi mesin untuk industri
produksi. Pada pergantian abad ke-20, mesin pembakaran menggabungkan peralatan
untuk menggerakkan kendaraan secara mandiri di darat.
Pada tahun 2016, penjualan mobil global meningkat menjadi 88 juta unit, dengan
Tiongkok memimpin seluruh negara. Bukti kesehatan masyarakat menunjukkan bahwa kendaraan
berbahan bakar fosil mengeluarkan berbagai polutan udara,
berkontribusi terhadap 2,1 juta kematian berlebih di Asia saja antara tahun 1990 dan
2010.23 Pada pergantian abad ke-21, perangkat seluler menempatkan kemampuan
pengambilan data dan analisis komputer ke dalam sistem manusia. tangan. Pada tahun
2018, rata-rata penggunaan perangkat seluler harian untuk akses Internet saja akan
meningkat menjadi 113 menit per manusia.
Penelitian mengaitkan penggunaan perangkat seluler dengan risiko kanker, kecelakaan,
dan gangguan perangkat medis yang lebih tinggi.24 Seperti halnya mesin
menimbulkan risiko yang tidak terduga bagi manusia, mungkin terdapat
risiko terhadap penggunaan AI dalam praktik medis.
Industri pertahanan dan kedirgantaraan sering kali memasukkan teknologi baru
atau yang lebih baik ke dalam produk atau sistem yang sudah ada.25 Tantangan manajemen proses
terkait mencakup, “platform
modernisasi dan mencapai penerapan yang baru dengan cepat
teknologi." Namun hambatan utama bagi keberhasilan penyisipan teknologi
adalah kurangnya pemahaman bersama mengenai hal tersebut
teknologi di kalangan pengguna utama.
Penyisipan teknologi industri berbeda dengan teknologi medis baru
regulasi perangkat atau perangkat lunak, di bawah naungan Pangan dan
Administrasi Obat. Meskipun Badan Pengawas Obat dan Makanan
mendirikan unit kesehatan digital, AS dan Eropa
platform regulasi belum dilengkapi untuk mengawasi masuknya AI ke dalamnya
praktek medis. Tidak jelas apakah biayanya
penggunaan teknologi AI dalam praktik medis akan dibayar kembali dengan nilai-
perusahaan asuransi yang sadar.
"APAKAH ITU JAWABAN TERAKHIRMU?"
Bahaya Terakhir! jawaban: Instrumen medis tahun 1816 ditemukan oleh Dr. René Laennec untuk
menghindari kontak dengan pasien. Pertanyaan yang
benar: “Apa itu stetoskop?”
Ada 2 alasan mengapa sekolah kedokteran masih mengajarkan siswanya untuk menggunakan a
alat yang berumur berabad-abad. Yang pertama adalah stetoskop
mengungkapkan informasi diagnostik yang berguna untuk perawatan pasien.
Yang kedua adalah bahwa perangkat genggam mengharuskan pembelajar untuk melakukan kontak fisik
dengan precordium, suatu hubungan yang bersifat
humanistik bagi dokter dan meyakinkan pasien. Meskipun auskultator berpengalaman
mengumpulkan 75%-80% informasi yang dihasilkan oleh
ekokardiogram Doppler, praktik medis terbaik dan penggantian biaya pihak ketiga mengharuskan manusia
menggunakan alat sederhana ini sebelum menggunakan mesin
yang lebih modern.
Mesin kognitif saat ini memiliki sensor yang canggih
yang menangkap data besar dan kecil, dan menghasilkan model komputer
korektif yang mensimulasikan sistem saraf manusia yang belum sempurna.
Menanggapi laporan pengemudi mengenai kebakaran baterai akibat dampak
puing-puing jalan, Tesla Motors menerapkan penyesuaian ketinggian sasis pada
semua kendaraan pintarnya untuk mengurangi risiko lebih lanjut.
Praktik kedokteran sehari-hari adalah semacam permainan, yang memerlukan penilaian situasional
berulang-ulang, pengenalan pola berdasarkan pengalaman kasus, dan
penyesuaian risiko-manfaat berbasis bukti.
Meningkatnya tekanan kinerja dapat mendorong ketergantungan pada cara
pintas pemrosesan informasi—pemikiran heuristik atau permainan curang—untuk
meningkatkan efisiensi pengambilan keputusan dan alur kerja. Sayangnya, bias
kognitif yang diakibatkannya dapat menyebabkan kesalahan klinis. Mesin yang belajar
langsung dari data medis dapat mencegah bias kognitif manusia, sehingga memberikan
kontribusi positif terhadap perawatan pasien.
AI tidak dikembangkan secara khusus sebagai alat untuk layanan kesehatan.
Dan sementara AI siap untuk mengatasi praktik medis yang sulit dilakukan
“poin-poin nyeri”, ini tidak cerdik dan tidak intuitif. Jadi begitulah
manusia akan tetap penting dalam penggunaan AI secara cerdas
praktek medis.
Referensi
1. Tur pagi. Pada bilangan yang dapat dihitung, dengan penerapan pada
masalah keputusan. Proc Lond Matematika Soc. 1936;Seri 2(42):230-
265.
2. Teman Baik I, Bengio Y, Courville A. Pembelajaran Mendalam. Cambridge MA,
London, Inggris: MIT Press; 2016; 96-161. Tersedia di: www.deeplearningbook.org.
Diakses 30 Mei 2017.
3. Le Cun Y, Bengio Y, Hinton G. Pembelajaran mendalam. Alam. 2015;521:436-
444.
4. Hinton GE, Osindero S, Teh YW. Algoritme pembelajaran cepat untuk deep
jaring kepercayaan. Komputasi Neural. 2006;18:1527-1554.
5. Bengio Y, Lamblin P, Popovivi D, Larochelle H. Greedy pelatihan jaringan dalam berlapis-lapis.
proses. Sistem Proses Inf Neural Lanjutan. 2006;19:153- 160.
6. Willems JL, Abreu-Lima C, Arnaud P, van Bimmel JH. Kinerja diagnostik
program komputer untuk interpretasi elektrokardiogram.
N Engl J Med. 1991;325:1767-1773.
7. Baxt WG. Penggunaan jaringan saraf tiruan untuk diagnosis infark
miokard. Ann Magang Med. 1991;115(11):843-848.
8. Tu JV, Guerriere MR. Penggunaan jaringan saraf sebagai instrumen prediktif
ment untuk lama tinggal di unit perawatan intensif setelah operasi jantung.
Proc Annu Symp Comput Aplikasi Med Care. 1992;666-672.
9. Leung MK, Xiong HY, Lee LJ, Frey B. Pembelajaran mendalam tentang kode penyambungan
yang diatur jaringan. Bioinformatika. 2014;30:i121-i129.
10. Angermueller C, Parnamaa T, Bagian L. Stegle. Pembelajaran mendalam untuk komputasi
biologi. Mol Sistem Biol. 2016;12:878. Tersedia di: https://dx.doi.org/
10.15252%2Fmsb.20156651 .
11. Fakoor R, Ladhak F, Nazi A, Huber M. Menggunakan pembelajaran mendalam untuk meningkatkan
diagnosis dan klasifikasi kanker. Dalam: Prosiding Konferensi Internasional ke-30 tentang
Pembelajaran Mesin, Vol. 28. Atlanta, Georgia: JMLR; 2013.
[ PubMed ] 12. Cruz-Roa AA, Arevalo Oval JE, Madabhushi A, Gonzales Osorio FA.
Arsitektur pembelajaran mendalam untuk representasi gambar, kemampuan interpretasi visual, dan
deteksi kanker karsinoma sel basal otomatis. Dalam: Mori
K, Sakuma I, Sato Y, Barillot C, Navab N, eds. Citra Medis
Komputasi dan Intervensi Berbantuan Komputer (MICCAI), Vol. 8150.
Catatan Kuliah Ilmu Komputer. Berlin, Heidelberg: Peloncat; 2013; 403-410.
Machine Translated oleh
Mesin Diterjemahkan by Google
Google

Kecerdasan Buatan Miller dan Brown dalam Praktek Medis 133

13. Wang D, Khosla A, Gargeya R, Irshad H, Beck AH. Pembelajaran mendalam untuk mengidentifikasi 20. Tsou CH, Devarakonda M, Liang JJ. Untuk menghasilkan daftar masalah khusus domain/personalisasi dari

kanker payudara. Dalam: Prosiding International Society on Biomedical Imaging (ISBI), Metode rekam medis elektronik. Simposium Musim Gugur AAAI, November 2015. Tersedia di: https://

Kuantitatif. 2016. www.aaai.org/ ocs/index.php/FSS/FSS15/paper/viewFile/

14. Esteva A, Kuprel B, Novoa RA, dkk. Klasifikasi kanker kulit tingkat dokter kulit 11733/11479. Diakses 25 Juni 2017.

dengan jaringan saraf yang dalam. Alam. 2017;542:115-119 .

21. Pham T, Tran T, Phung D, Venkatesh S. Memprediksi lintasan layanan kesehatan dari

15. Gulshan V, Peng L, Coram M, dkk. Pengembangan dan validasi pembelajaran mendalam rekam medis: pendekatan pembelajaran mendalam. J Informasi Biomed.

algoritma untuk mendeteksi retinopati diabetik pada foto fundus retina. JAMA. 2017;69:218-229. Tersedia di: http://doi.org/10.1016/j.jbi.2017.04 .001.

2016;316(22):2402-2410.

16. Uskup TF, Ramsay PP, Casalino LP, Bao Y, Pincus HA, Shortell SM. 22. Kidder T. Jiwa Mesin Baru. Boston, MA: Kecil, Coklat dan

Proses manajemen perawatan lebih jarang digunakan untuk depresi dibandingkan untuk depresi kronis lainnya Perusahaan; 1981.

kondisi di praktik perawatan primer kita. Kesehatan Aff (Millwood). 2016;35(3):394-400. 23. Lim SS, Vos T, Flaxman AD, dkk. Penilaian risiko komparatif atas beban

penyakit dan cedera yang disebabkan oleh 67 faktor risiko dan kelompok faktor risiko di 21 wilayah,

17. Schnyer DM, Clasen PC, Gonzalez C, Beevers CG. Mengevaluasi utilitas diagnostik 1990-2010: analisis sistemik untuk Studi Beban Penyakit Global 2010.

penerapan algoritma pembelajaran mesin pada pengukuran mri tensor difusi Lanset. 2012;380(9859):2224-2260. Tersedia di: http://dx.doi.org?10.1016/

individu dengan gangguan depresi berat. Psikiatri Res. 2017;264:1-9. Tersedia S0140-6736(12)61766-8.

di: http://dx.doi.org/10.1016/j.pscychresns.2017.03.003 . 24. Institut Kanker Nasional NIH. Ponsel dan risiko kanker. Mei 2016.

Tersedia di: https://www.cancer.gov/about-cancer/causes-prevention/risk/radiation/

18.Roger VL. Epidemiologi gagal jantung. Lingkaran Res. 2013;113:646- lembar fakta-ponsel. Diakses 10 Mei 2017.
659.
25. Kerr CIV, Phaal R, Probert DR. Penyisipan teknologi dalam industri pertahanan: sebuah panduan.
19. Deo RC. Pembelajaran mesin dalam kedokteran. Sirkulasi. 2015;132:1920- Proc Inst Mech Eng BJ Eng Manuf. 2008;222:1009-1023. Tersedia di: http://
1930. jurnal.sagepub.com. Diakses 15 Mei 2017.