🩺 ML в радиологии

Внедрение машинного обучения (ML) в радиологию изменяет область медицинской визуализации, повышает точность и эффективность. Машинное обучение, в частности deep learning, легко справляется с интерпретацией сложных данных визуализации и выявляет закономерности, которые могут не заметить даже опытные рентгенологи. Эта способность помогает быстрее и точнее ставить диагнозы, особенно при выявлении тонких аномалий в огромных массивах данных 🧠

Одним из наиболее значимых применений ML в радиологии является автоматическое обнаружение заболеваний. Эти ML-модели обучаются на огромных коллекциях данных визуализации, что позволяет им с поразительной точностью распознавать такие заболевания, как опухоли, переломы и другие патологии. Это не только способствует раннему обнаружению, но и помогает стандартизировать диагнозы, уменьшая вариативность интерпретаций разных радиологов 🩻

Помимо повышения точности диагностики, ML значительно повышает эффективность рабочего процесса в радиологических отделениях. Расставляя приоритеты в критических случаях и автоматизируя рутинные задачи, такие как сегментация и маркировка изображений, ML позволяет радиологам сосредоточиться на более сложных и тонких случаях. Это приводит к ускорению времени выполнения операций от получения изображения до постановки диагноза, что в конечном итоге обеспечивает более качественное лечение пациентов и улучшение результатов 🏥

Однако внедрение ML в радиологию не обходится без проблем. Среди наиболее актуальных - этические дилеммы, связанные с конфиденциальностью данных, прозрачностью диагноза и возможностью предвзятости 🤔

- Конфиденциальность данных: Для эффективной работы ML-моделей требуются большие массивы данных, что часто приводит к необходимости доступа к конфиденциальной информации о пациентах. В связи с этим возникает вопрос о том, как эти данные хранятся, передаются и используются, особенно с точки зрения обеспечения конфиденциальности пациентов 🛡

- Прозрачность: Еще одна проблема - “black box” некоторых моделей ML. Эти модели делают точные прогнозы, но не всегда предоставляют чёткие объяснения того, как пришли к таким решениям. Такая непрозрачность может вызывать беспокойство в медицинском контексте, где понимание причин, лежащих в основе диагноза, имеет решающее значение 🔍

- Предвзятость: ML-модели также могут непреднамеренно усилить существующие предубеждения, присутствующие в данных, на которых они обучались. Например, если модель была обучена в основном на данных определенной популяции, она может работать не так точно, когда применяется к пациентам из других демографических групп, что может привести к неравенству в лечении ⚖️

Решение этих этических дилемм требует постоянного сотрудничества между радиологами, учёными по изучению данных, специалистами по этике и регулирующими органами.

ML в радиологии становится бесценным инструментом, который дополнит, а не заменит человеческий опыт. По мере развития этих технологий они будут играть все более важную роль в персонализированной медицине, подстраивая планы диагностики и лечения под уникальные потребности каждого пациента 👩‍⚕️

Кстати, в нашем курсе по машинному обучению в модуле по Computer Vision мы очень подробно рассматриваем задачу бинарной классификации по рентгеновским снимкам. Записывайтесь на консультацию и приходите на курс, завтра у нас повышение цен! CCЫЛКА

Курс "Машинное обучение в биологии и биомедицине" от OpenBio - лучшее предложение на рынке для профильных специалистов.

Команда проекта более 4 лет делает образовательные курсы в сфере биотеха, постоянно мониторит рынок вакансий в сфере ML и привлекла лучших специалистов для разработки программы. Наши спикеры сделали успешную карьеру, годами преподают сложные дисциплины и приложили много усилий для реализации непростой задачи - возможности эффективно передать навыки обработки биомед данных современными методами машинного обучения непрограммистам.

Выделите 2,5 месяца по 8-10 часов в неделю и у вас на руках полная база для входа в сферу DataScience, да еще удостоверение о повышение квалификации гособразца.

Наш курс это:

✨Единственная программа с задачами по ML в NGS и Сomputer Vision в биомедицине в одном курсе

📚 Системные знания и навигация в "зоопарке" методов от опытных спикеров с лучшими педагогическими практиками

📈Модули построены с постепенным усложнением, а кейсы содержат те самые задачи, которые спросит вас работодатель

🤓Комфортное освоение материала в гибком графике с еженедельными прямыми эфирами и постоянной поддержкой в чате

📅Материалы лекций и доступ к комьюнити сохраняется в течение года

📌Узнайте подробности на бесплатной консультации, а если обратитесь сегодня - дадим бесплатный список литературы и ресурсов по изучению ML в подарок.

P.S. Завтра повышение цен!

7️⃣ основных требований к стилю написания резюме

Краткость. Одна из главных ошибок резюме - писать его на 2-3 листа. Идеально, чтобы оно занимало 1 лист. У большинства сейчас времени мало, поэтому читать длинные мемуары нет ни желания, ни времени. Особенно, если позиция популярна и на неё идёт большой поток резюме. Поэтому чем более кратко будет изложена основная информация, тем быстрее человек его прочитает. И у него даже может появиться внутренняя благодарность за экономию своего времени.

Поэтому рекомендуется умещать резюме на 1 странице. Как вариант, можно сделать 2 резюме: длинное и короткое. И написать при отправке: «Направляю вам короткое резюме, если необходимо, направлю более длинный вариант». Если вас заранее не попросили прислать развернутое и длинное резюме со всеми местами работы, то лучше отправить короткое. С 3-4 основными результатами вашей деятельности (запустил 6 проектов, освоил для лаборатории 4 новых метода, привлёк 50 новых клиентов и так далее).

Когда будете заполнять информацию о прошлых местах работы - достаточно будет указать 3 последних места за последние 5-6 лет. Если у вас есть более ранний опыт работы, который подходит именно под эту позицию, на которую вы сейчас претендуете, тогда его можно указать, даже 4 пунктом.

Если вы работали 5-6 лет на одну компанию на одном месте и думаете, что 1 строчка будет не слишком убедительна, можно добавить опыт в других компаниях, даже если они были больше 5-6 лет назад.

Конкретность. Формулировки в резюме должны быть предельно конкретными. С цифрами, сроками - любыми измеримыми параметрами.

Активность. Использование энергичных глаголов, показывающих активность. Не стоит писать «участвовал», «оказывал помощь» и т. п. Это позволяет думать, что вы стояли в стороне и от случая к случаю оказывали разовые услуги.

Избирательность. Не стоит считать, что, чем больше дано разношерстной информации, тем лучше; необходимо отбирать информацию, исходя из цели резюме, которая, как правило, состоит в том, чтобы дать понять - есть ли у вас мэтч к тербованиям в вакансии. Даже если вы прекрасная “ромашка”, универсал и многое умеете, если опыт не релевантен позиции, лучше не перегружать буквами лишний раз.

Честность. На собеседовании быстро станет понятно, где вы приврали, и будет очень неловко. Важно знать свои ограничения и при разговоре демонстрировать готовность закрыть пробелы, приводя соответствующие факты.

Позитивность. Стоит предпочитать позитивную информацию негативной. Пишем про удачи и свершившиеся проекты.

Результативность. Концентрируйте внимание читающего на достижениях.

А если вас интересует полная и подробная инструкция о том, как готовить свое резюме по всем правилам, регистрируйтесь на нашей платформе и скачайте подборку 🆓. Поделитесь возможностью с друзьями!

#openbio_career

Вечер этой пятницы оставьте свободным, чтобы посмотреть наш четвертый прямой эфир из серии "Личный путь в сеньора биоинформатика" с Артемом Васильевым.

Артем за 3 года построил карьеру в ML и очень быстро после окончания университета получил позицию разработчика-исследователя методов Computer Vision у лидера рынка - компании "Платформа Третье Мнение". Не первый год он также преподаватель, научный консультант и разработчик учебных материалов курса по нейросетям и их применению в научных исследованиях в МГУ. Как ему это удалось, и что нужно сделать, чтобы попробовать также быстро достичь востребованности, спросите у Артема в прямом эфире.

Трансляции проходят в рамках курса "Машинное обучение в биологии и биомедицине" от OpenBio, который стартует 1 октября.

Сюда вы можете написать свои вопросы спикеру, чтобы они точно попали в эфир!
Начало 27 сентября в 19.00, зарегистрироваться и получить приглашение на трансляцию можно здесь.

Ждем вас!🩵


#openbio_webinar
#openbio_interview #openbio_expert

Дорогие друзья‼️

Завтра с утра мы приглашаем вас на онлайн-встречу в формате круглого стола «Кадры будущего. Кейсы внедрения ИИ в биотех» в рамках форума OpenBio-2024.

Дата: 27 сентября 
Время: 10:30 - 12:30 (по Москве)
Актуальная ссылка на трансляцию: https://online.openbio.ru/zm_27

От команды нашего проекта будут:

Модератор
МНАФКИ Наталья Александровна, эксперт по карьерным трекам в биотехе, соучредитель и ех-руководитель образовательных программ в Бластим, продюсер курса "Машинное обучение в биологии и биомедицине" в OpenBio

Спикеры с докладами:
📄САРАЧАКОВ Александр Евгеньевич, Team Leader Imaging Pipelines Division at BostonGene
📍Тема доклада: Самообучение нейронных сетей

📄 ВАСИЛЬЕВ Артём Викторович, разработчик-исследователь методов компьютерного зрения в компании «Платформа Третье Мнение»
📍Тема доклада: Как ИИ оптимизирует работу врача-рентгенолога: рентгенография ОГК и флюорография, ИИ-сервис компании «Платформа Третье мнение»

⚡️В программе участвует приглашенный эксперт - ГЕЛЬФАНД Михаил Сергеевич, профессор, член Academia Europaea, почетный член Международного общества вычислительной биологии (ISCB)

Также в рамках встречи вас ждут следующие спикеры и доклады: 

🖇 ПОПЦОВА Мария Сергеевна, заведующая международной лаборатории биоинформатики, Институт искусственного интеллекта и цифровых наук, Факультет компьютерных наук, НИУ ВШЭ
📍Тема доклада: ИИ и генетический компьютер 

🖇 ЕРЁМИН Андрей Андреевич, менеджер по развитию бизнеса ООО «Фармпредикт»
📍Тема доклада: Target discovery: биоинформатика омиксных данных для разработки первых в классе препаратов 

🖇 КОЛПАКОВ Федор Анатольевич, научный руководитель, Научный центр генетики и наук о жизни, Направление «Вычислительная биология», Научно-технологический университет «Сириус»
📍Тема доклада: ИИ и регуляция генной экспрессии

🖇 КОНЫШЕВ Владимир Анатольевич, нейрофизиолог, генеральный директор «Нейроботикс»
📍Тема доклада: Нейротренировки на аппаратах БОС на службе у кадров - влияние на снятие стресса и повышение мотивации у сотрудников

Не упустите возможность присоединиться к нашей беседе, послушать мнение экспертов и открыть для себя передовые тренды.

До встречи!💫

Совместно с экспертами курса «Машинное обучение в биологии и биомедицине» и коллегами из N+1 создали серию карточек о том, с чего начать свой путь в ML. Делимся с вами!

А для тех, кто решил зайти в IT как положено напоминаем, что уже 1 октября стартует наш курс повышения квалификации «Машинное обучение в биологии и биомедицине». Группа уже сформировалась, но вы успеваете запрыгнуть в последний вагон!

#сми_о_нас

Двусторонняя поддержка: взаимодействие индустрии и сферы образования для развития ИТ-сектора 👩🏻‍🎓📈

Требования к профессиональным навыкам в сфере информационных технологий (ИТ) постоянно меняются. В то время как высшее образование в России часто акцентируется на теории, приводя к недостатку практических навыков у выпускников, для успешного перехода в индустрию образование в ИТ должно ориентироваться на практику.

Крупные компании и университеты объединяют усилия в подготовке кадров и сокращают разрыв между теорией и практикой. Приведем примеры инициатив в области вычислительной биологии и биомедицины в России.

🔸 В рамках программы «Анализ данных в биологии и медицине», с сентября 2024 года эксперты компании Genotek ведут курсы по молекулярной биологии, биоинформатике и персонализированной медицине на Факультете Компьютерных Наук НИУ ВШЭ. Также магистерскую программу в ВШЭ для решения задач фармакологии открыл BIOCAD. Программы предлагают студентам и теоретические знания и практические навыки, а также открывают возможность трудоустройства в ведущих биомедицинских компаниях.

🔸 Научно-учебная лаборатория Яндекса на базе ФКН НИУ ВШЭ фокусируется на компьютерном зрении, NLP и машинном обучении, предоставляя студентам возможность стажировок и взаимодействия с исследователями Yandex Research. С 2015 по 2023 год факультет уже выпустил 3385 специалистов.

🔸 Программа «Машинное обучение в биологии» от ФББ МГУ совместно с фондом “Интеллект” обучает студентов методам ИИ, включая нейронные сети. Междисциплинарный подход позволяет решать задачи медицины и биотехнологии через командные проекты.

🔸 Международная магистратура "Большие данные и машинное обучение" в университете ИТМО предлагает углубленное образование в области машинного обучения и анализа больших данных на английском языке. Программа ориентирована на студентов ИТ-специальностей и профессионалов, готовящихся к карьере в таких ролях, как ML Engineer или AI Architect.

🔸 В рамках программы «Цифровая экономика РФ» на базе 106 университетов страны открываются "Цифровые кафедры" для подготовки специалистов с практическими навыками. Курсы длятся около 10 месяцев и включают проектную работу, а обучение ведется совместно с ведущими компаниями, такими как Росатом и Сбер.

🔹 Дополнительное образование в сфере анализа данных также возможно благодаря таким платформам, как OpenBio, что позволяет осваивать новейшие достижения в ИТ для медицины.

С учетом растущего спроса на ИТ-специалистов, образовательные программы нового формата становятся актуальными для рынка труда в РФ, где средняя зарплата middle ML-разработчиков составляет 190 тысяч рублей. Сотрудничество между учебными заведениями и бизнесом становится ключевым фактором для подготовки квалифицированных кадров, способных работать в изменчивом мире технологий, и помогает выпускникам уверенно выходить на рынок труда.

#openbio_career

Digital pathology: что это и с чем его едят? Рассказывает эксперт 👾

Александр Сарачаков – эксперт OpenBio и руководитель команды Digital Pathology в BostonGene. Его команда обрабатывает изображения тканей, окрашенных гематоксилином и эозином, а также занимается мультиплексной иммунофлюоресценцией. Они работают с большими данными, что невозможно без глубокого машинного обучения.
Мы попросили Александра рассказать подробнее об этой области.

▫️ Как обычно выглядит ваша задача?

Наша команда получает образцы тканей пациентов с онкологическими заболеваниями для подтверждения диагноза. При биопсии ткань окрашивается, и на компьютере получается гигантское изображение размером 40000 на 60000 пикселей. В случае мультиплексного изображения число цветовых каналов зависит от числа маркеров — отдельных белков, которые мы визуализируем, и их может быть до 60. Это позволяет анализировать пространственные отношения между клетками опухоли и иммунной системы.

Например, мы хотим узнать, может ли иммунная система пациента атаковать опухоль: если мы наблюдаем плотный комок опухоли в центре, а вокруг – иммунные клетки, которые не могут попасть внутрь, то можно предположить, что иммунотерапия будет неэффективна и нужно рассмотреть другие подходы.

▫️ С какими проблемами вы сталкиваетесь в работе?

Обычно для обучения модели необходимо разметить данные с помощью врача-патолога – он должен найти и указать все типы тканей на слайде. Эта задача требует много средств и усилий, а также патологи могут делать разметку по-разному, что приводит к неточностям при обучении.

С появлением метода self-supervised learning в 2019 году ситуация изменилась. Самообучение требует огромного количества данных, но не разметки – она может пригодиться, только чтобы проверить качество работы алгоритма. Сеть разбивает изображения ткани на небольшие области и сама учится генерировать репрезентации. Это значительно снизило необходимость в разметке: теперь достаточно разметить лишь 10 слайдов для проверки алгоритма, вместо 1000 слайдов для обучения. И хотя такие модели требуют больших вычислительных ресурсов, их качество сопоставимо с обучением с учителем.

▫️ Какие методы обработки изображений сейчас актуальны?

Технологии движутся фармацевтической отраслью: успехи препарата KEYTRUDA – моноклонального антитела, связывающего белок PD1 и способствующего активизации иммунных клеток – не дают покоя многим. Любая фармкомпания хочет открыть биомаркеры, которые будут предсказывать ответ на терапию.
Мультиплексная иммунофлюоресценция, или пространственная протеомика, помогает визуализировать клетки и белки в опухоли, которые могут быть связаны с терапией. В частности, это помогает принимать решения о назначении иммунотерапии и активно используется клинических испытаниях.

👨🏼‍💻 Еще больше о методах машинного обучения в цифровой патологии Александр расскажет в своем модуле на курсах OpenBio.

#openbio_webinar
#openbio_interview #openbio_expert

От А до Я в разработке классификатора изображений

Часто у начинающих в области машинного обучения есть страх: получится ли вообще все это понять? Например, “бинарная классификация” – что это такое? Насколько это сложно?

Мы попросили Артема Васильева, специалиста в компьютерном зрении и спикера OpenBio, кратко объяснить ход мыслей разработчика при решении задачи классификации изображения.

Допустим, у нас есть задача: понять по гистологическому образцу, содержится ли в нем злокачественная опухоль или он весь состоит из нормальной ткани. Что нужно, чтобы ее решить?

Работу над решением можно представить в виде следующих общих шагов:

1️⃣ Оценка необходимости машинного обучения
Прежде всего, определите, можно ли решить задачу без использования машинного обучения. Изучите литературу и существующие методы в рамках похожих задач. Часто оказывается, что задача не требует дорогого и сложного решения с ML.

2️⃣ Формулирование задачи
Четко сформулируйте задачу классификации: определите, какие классы вам нужны на выходе.

3️⃣ Сбор и разметка данных для обучения
Необходимо понять, требуется ли в задаче собственная разметка обучающих данных или будет достаточно общедоступной информации. Исследуйте собственные данные и открытые публичные датасеты с лицензией, которые можно использовать для решения.

Обучающие данные должны включать все сценарии, которые могут вас заинтересовать – убедитесь, что у вас достаточно разметки для всех возможных классов (например, нормальная ткань, доброкачественная опухоль, злокачественная опухоль и их сочетания). Убедитесь, что данные разнообразны и репрезентативны для вашей задачи.

4️⃣ Обучение модели
Начните с простых моделей – выбирайте известные инструменты для решения похожих задач. Например, используйте библиотеку Torch Image Models для работы с 2D-изображениями, выберите небольшую модель и доучите ее на собранных данных.

5️⃣ Тестирование качества модели
Проведите тестирование модели на различных данных и оцените ее качество по метрикам (например, точность, полнота). Покажите результаты эксперту в области – на основе обратной связи станет понятно, нужно ли улучшить процесс разметки или попробовать другие модели и методы обработки данных.

6️⃣ Разработка и внедрение
После успешного обучения модели подумайте о том, как ее интегрировать в рабочий процесс. Определите ограничения по времени и ресурсам. Если необходимость в сложной интеграции отсутствует, модель можно запускать как питоновский скрипт.

7️⃣ Мониторинг и обновление
Регулярно проверяйте качество работы модели, особенно при изменении источника данных или условий работы (например, при смене микроскопа в лаборатории). Если во время эксплуатации сервиса не проверять, что данные не изменились, можно получить на выходе произвольное качество.

А чтобы узнать, как реализовывать эти шаги на практике и применять их к своим задачам, приходите на курсы OpenBio.

#openbio_webinar
#openbio_interview #openbio_expert

Сегодня делимся фрагментом интервью с Артемом Васильевым – спикером курса OpenBio и специалистом по компьютерному зрению. Выделим здесь несколько пунктов о ключевых шагах на пути к освоению ML.

▫️ Ваш бэкграунд в физике помог вам при погружении в машинное обучение?
Я не думал, что эта технология станет основной в моей карьере, поэтому не имел четкого плана по ее изучению. Моя математическая подготовка была хорошей, но, возможно, избыточной для начала. Если бы мне нужно было начать с нуля, я бы сосредоточился на базовой теории вероятностей и простых математических концепциях — этого было бы достаточно для чтения статей и понимания алгоритмов.

▫️ Где биологам чаще всего придется использовать методы машинного обучения?
Все, что связано с обработкой последовательностей, включает в себя машинное обучение – например, анализ последовательностей ДНК, РНК или белковых молекул. В этой области накоплено большое количество данных, и исследователям приходится находить более эффективные инструменты для работы с ними.

▫️ Было ли сложно знакомым вам биологам разработать свой первый алгоритм?
Студенты биологического факультета имеют базу математической подготовки, поэтому старт не совсем холодный. Для первых контактов с машинным обучением многим достаточно подтянуть программирование на Python. Порог входа невысок, даже для тех, кто знакомится с базовыми библиотеками. На курсе мы также изучим основной инструментарий, который пригодится при первом контакте с задачами в компьютерном зрении.

▫️ Сколько времени новичок обычно тратит на разработку алгоритма?
Если новичок решает прикладную проблему, то часто кто-то решал ее и раньше. Поэтому важно потратить время на анализ существующих решений – почитать BioRxiv, посмотреть открытый код на GitHub. Это может занять от дней до неопределенного количества времени. Затем идет написание кода для обучения модели, а код широко переиспользуется: например, после прохождения нашего курса у вас останется код, в который можно подставить ваши данные.

▫️ Что спрашивают на собеседованиях на позицию Junior специалиста в машинном обучении?
Необходимо знать метрики качества и их значение. Это отсекает тех, кто не разобрался, что же там на самом деле считается, хотя это самое важное. Могут быть вопросы о структуре моделей: зачем нужны определенные слои в нейросетях, чем различаются архитектуры UNet и ResNet, и так далее. При найме в исследовательскую команду обязательно спросят про новые статьи и конференции – важна способность понимать новые идеи и делать из них выводы.

Маст-хэв – знание теории вероятности и статистики. Полезно будет знать библиотеку PyTorch, особенно если вы хотите работать в компьютерном зрении; пригодится практический опыт с Torch Image Models и Segmentation Models PyTorch. По умолчанию, необходимо умение программировать на Python.

✍🏻 Читайте полную версию интервью по ссылке.