Так совпало, что я недавно прочёл статью Transparency of deep neural networks for medical image analysis и пост от канала Reliable ML про интерпретируемость. Я работаю в сфере медицины уже почти пять лет, и всё это время постоянно где-то на орбите внимания мелькает эта тема.

Что такое интерпретируемость, если решается задача классификации всего рентгенологического исследования - в целом понятно. Врачи не доверяют системам, которые просто говорят "тут где-то на картинке есть рак", а значит нужны какие-то методы, которые будут "объяснять" итоговое предсказание. Их придумано довольно много - разнообразные виды GradCAMа, окклюзия, LIME. Из коробки многие из них можно взять из библиотеки Captum для Pytorch.

Если вы хотите узнать ещё больше об организации процессов ML-разработки, подписывайтесь на наш Телеграм-канал Варим ML

https://habr.com/ru/post/714354/?utm_source=habrahabr&utm_medium=rss&utm_campaign=714354

Всем привет! Сегодня поговорим про самые интересные стартапы в сфере цифрового здравоохранения за последний год.

Опираться предлагаю на «Digital Health 150» – рейтинг от компании CB Insights. Составители ежегодно отбирают 150 (как видно из названия) наиболее перспективных компаний в 14 категориях и публикуют данные о них в виде таблицы.

В 2022 году борьба была жесткой – финалистов отобрали из 13 000 претендентов. Смотрели на разные критерии: бизнес-модель, динамика на рынке, инвестиции, позиционирование, технологическая новизна, собственные данные CB Insights о компании-претенденте и многое другое.

Что можно сказать о стартапах, вошедших в рейтинг?

Совокупно с 2017 года участники рейтинга 2022 года привлекли около 5,6 млрд долларов в рамках 378 сделок. В ТОП-3 компаний по общему привлечению акционерного капитала за все это время входят SWORD Health, Maven Clinic и Viz.ai.

Все участники рейтинга сейчас находятся на разных стадиях инвестиционного развития, от начинающих до «единорогов». При этом компании, находящиеся на ранних стадиях, занимают примерно половину списка, тогда как «единороги» – только 3% списка (5 компаний).

Стартапы, вошедшие в рейтинг, располагаются в 18 странах. Интересно, что в этом году четверть из них имеют штаб-квартиры за пределами США – это максимальный показатель за всю историю рейтинга. Однако по количеству стартапов на страну США по-прежнему лидируют (целых 112 компаний).

https://habr.com/ru/post/711538/?utm_source=habrahabr&utm_medium=rss&utm_campaign=711538

Первая ML-платформа для трекинга экспериментов, которую мне довелось использовать в проде - это MLFlow. В далёком 2018 мне это показалось чудом - это что же, теперь не надо заносить результаты обучения в Эксель-табличку??

Душа, однако, всегда требует перемен - хочется обновить куду, версию пайторча и фон в зуме. Так что, когда в июне 2019 открылся ML-отдел Цельса, мой взор упал на свеженький, прям из печки Trains AI, ныне известный как ClearML. Может показаться, что базировать ML-инфрастуктуру компании на продукте в бета-версии было слегка рискованно. Отчасти это так, но на самом деле даже сейчас переезд на какое-то аналогичное решение вряд ли стал бы катастрофой. Например, интеграция ClearML в код - это буквально строчки три на сложный проект.

Если вы хотите узнать ещё больше об организации процессов ML-разработки, подписывайтесь на наш Телеграм-канал Варим ML

https://habr.com/ru/post/700536/?utm_source=habrahabr&utm_medium=rss&utm_campaign=700536

https://habr.com/ru/post/695276/?utm_source=habrahabr&utm_medium=rss&utm_campaign=695276