ИИ от бъдещето обучава ИИ от миналото. Алгоритъм предсказва епилепсията за 30 минути и дава време да се спаси живот

Двата модела сякаш играят на игра с времето: единият знае отговора, другият го гадае.

Учени от Калифорнийския университет в Санта Круз представиха нов подход за прогнозиране на времеви редове, който дава възможност на невронните мрежи значително по-точно да прогнозират бъдещите събития, като използват данни от „близкото бъдеще“. Техният метод, наречен future-guided learning (обучение, ориентирано към бъдещето), се оказва особено ефективен при анализа на електроенцефалограмите за прогнозиране на епилептичните припадъци. Според проучването точността на прогнозите се е подобрила до 44,8% в сравнение с базовите алгоритми.

Разработката се основава на взаимодействието на два модела на невронни мрежи, работещи на различни времеви хоризонти. Първият, условно казано „учител“, анализира данните по-близо до момента на събитието, а вторият, „ученик“, се опитва предварително да предвиди настъпването на събитието. Учителят подава резултатите от собствените си прогнози на ученика, което позволява на последния да се учи от тези данни и да коригира прогнозите.

На практика това изглежда по следния начин: моделът-учител получава данните от ЕЕГ и определя дали именно сега предстои пристъп. Моделът-ученик, който е „ на 30 минути в миналото“, се научава да прогнозира дали пристъпът ще настъпи след половин час. Когато учителят установи висок риск от настоящ пристъп, тази информация незабавно се използва от обучаващия се, за да коригира собствената си прогноза. Тази обратна връзка дава на системата възможност да се адаптира към индивидуалния пациент.

Основното предимство на подхода е, че обучението е непрекъснато и персонализирано. Вместо постоянното участие на лекар, алгоритмите са в състояние самостоятелно да подобряват точността на прогнозите въз основа на уникалните модели на мозъчната дейност на конкретния човек. В бъдеще подобни модели биха могли да бъдат интегрирани с носима електроника, като например смарт часовници, които едновременно да записват текущите показания и да прогнозират риска от пристъпи.

Резултатите от валидирането на двата набора от данни показват различни нива на подобрение. В базата данни на Бостънската детска болница и Масачузетския технологичен институт (MIT) точността на прогнозиране се е подобрила с 44,8%, тъй като системата е била обучена върху индивидуалните данни на пациентите. При използване на базата данни на Американското дружество по епилепсия, където обучаващата извадка е обобщена и не е свързана с конкретен човек, увеличението е 8,9%, което е по-близо до реалната клинична практика.

За да проверят универсалността на метода, изследователите са го приложили към математическата задача за прогнозиране на динамични системи – уравнението на Маки-Глас. Тук подобрението е 23,4% в сравнение с традиционните методи, което потвърждава гъвкавостта на алгоритъма и пригодността му за широк кръг области, в които работата с времеви редове е важна.

Авторите подчертават, че идеята е вдъхновена от структурата на човешкия мозък. Неврофизиологията разглежда мозъка като система, която непрекъснато прогнозира бъдещето и коригира очакванията, когато се сблъска с „изненади“. По същество именно грешките във възприятията се превръщат в източник на обучение, което помага за по-бързото коригиране на поведението и прогнозите. Изследователите смятат, че резултатите могат да помогнат не само в медицината, но и за разбирането на това как мозъкът работи с различни времеви мащаби – от милисекунди до месеци.

Универсалността на обучението, насочено към бъдещето, го прави подходящо за множество приложения – от здравеопазването до промишлеността и икономиката, където точните прогнози и способността на системата да се адаптира към новите данни са от решаващо значение.