Застосування машинного навчання та глибоких нейронних мереж для аналізу фармацевтичних даних

Abstract

Сучасна фармацевтична галузь генерує великі обсяги цифрових даних, в процесі лабораторних досліджень та при застосуванні лікарських засобів на практиці. З кожним роком такі дані стають більш складними для аналізу звичайними статистичними методами. Це створює потребу у використанні нових технологій, здатних виявляти закономірності, які не можуть бути виявлені традиційними методами аналізу фармацевтичних даних. Машинне навчання та глибокі нейронні мережі є одними з ключових інструментів сучасної аналітики, які демонструють високу швидкість та точність у вирішенні задач класифікації, прогнозування та оцінки ризиків у сфері медицини. Використання таких методів дозволяє автоматизувати аналіз фармацевтичних даних, підвищувати точність оцінювання властивостей лікарських засобів, прискорювати процеси навчання та оцінки моделей та зменшувати ймовірність помилкових рішень. Таким чином, технології штучного інтелекту стають все більше важливими в задачах, де потрібно автоматизувати монотонну та складну роботу, щоб виключити вплив людського фарктору на результат. Магістерська робота спрямована на дослідження можливостей застосування алгоритмів машинного навчання та глибинних нейронних мереж для аналізу фармацевтичних даних, розробку архітектури програмного рішення для побудови моделей та оцінку їхньої працездатності на реальних даних. Робота передбачає порівняння результатів класичних моделей машинного навчання з результатами глибокої нейронної мережі по ключовим показникам моделей, для об'єктивного порівняння моделі будуть мати однаковий набір навчальних даних, що допоможе зрозуміти як вони працюють в рівних початкових умовах. Отримані результати дослідження можуть бути використані для підвищення якості аналітики у фармацевтичній сфері. Значення машинного навчання у цій сфері продовжує зростати, що визначає актуальність даної роботи та її наукову цінність. У рамках даної роботи під ефективністю лікарського засобу розуміється узагальнений показник, що відображає очікувану результативність препарату при його клінічному застосуванні без виникнення серйозних побочних ефектів, сформований на основі фармакологічних характеристик, активних речовин, історичних результатів попередніх моделей прогнозування та інших даних. Тобто ефективність у цьому дослідженні не є конкретною клінічною величиною, а є прогнозованою оцінкою, яка формується моделями машинного навчання з метою визначення потенційної успішності препарату відносно інших представників своєї групи. Ця величина не замінює реальні клінічні дані, але служить аналітичним показником для допомоги аналізування роботи системи. Об’єктом дослідження є фармацевтичні дані, що формуються у процесі дослідження та практичного використання лікарських засобів, а також дані про потенційні побочні ефекти від препаратів. Предметом дослідження є алгоритми машинного навчання та методи глибинних нейронних мереж, принципи їх побудови, навчання та оптимізації, а також способи їхнього застосування для обробки, аналізу та моделювання фармацевтичних даних з метою прогнозування властивостей препаратів, виявлення прихованих закономірностей. Метою дослідження є підвищення точності аналізу фармацевтичних даних шляхом розробки, дослідження та оцінки моделей машинного навчання і глибинних нейронних мереж для прогнозування властивостей фармацевтичних препаратів, оцінки ризиків їх застосування та формування аналітичних висновків.