CNET科技行者 9月14日 北京消息: 必然會(huì)有一波搞研究的人嘗試用AI解決。
1920年,國(guó)立醫(yī)學(xué)圖書館的海報(bào)中一只巨型蚊子站在人體之上,其寓意旨在呼吁人們遠(yuǎn)離蚊子。
來(lái)對(duì)抗這一疾病。
對(duì)瘧疾傳染源進(jìn)行精確定位。
谷歌地球引擎技術(shù)(Google Earth Engine)對(duì)瘧疾傳染源進(jìn)行精確定位
解釋了谷歌地球引擎技術(shù)幫助人們對(duì)抗這種疾病的原理:
“在斯威士蘭和津巴布韋,只要有人被確診得了瘧疾,工作人員就會(huì)前往感染發(fā)生的村子,精確采集感染地點(diǎn)的GPS定位數(shù)據(jù)。不過(guò)只看這些定位點(diǎn),你還無(wú)法準(zhǔn)確判定該地區(qū)的瘧疾風(fēng)險(xiǎn)。你還需要通過(guò)衛(wèi)星圖像結(jié)合當(dāng)?shù)氐慕邓?、氣溫、坡度、海拔等環(huán)境因素,因?yàn)檫@些因素都會(huì)影響到蚊蟲的繁殖和寄生蟲的發(fā)育。”
瘧疾風(fēng)險(xiǎn)地圖”,谷歌地球引擎還使這些輔助性(但又十分重要)的數(shù)據(jù)變得更易于采集。
不僅是谷歌,另一科技巨頭微軟公司創(chuàng)始人比爾·蓋茨,由他創(chuàng)辦的“蓋茨基金會(huì)”,同時(shí)也投注了大筆資金,用于研發(fā)的技術(shù)則可以幫助判斷出病人是否感染了瘧疾,感染的是瘧疾中的哪一種類,以及可能是從哪些渠道感染的。相比傳統(tǒng)方式下需要大量看樣本,做分析,該技術(shù)讓醫(yī)生的效率大為提升。
AI在醫(yī)療行業(yè)7個(gè)開(kāi)創(chuàng)性的應(yīng)用領(lǐng)域
事實(shí)上,計(jì)算機(jī)與醫(yī)療的結(jié)合為未來(lái)醫(yī)療開(kāi)啟了新大門。醫(yī)療健康行業(yè)是一座“數(shù)據(jù)金礦”,高質(zhì)量的醫(yī)療數(shù)據(jù)會(huì)成為人工智能引擎的寶貴助力。
當(dāng)然,AI在醫(yī)療的應(yīng)用遠(yuǎn)不止對(duì)抗瘧疾,其實(shí)它還有一些典型場(chǎng)景。這里,我們總結(jié)了AI在醫(yī)療行業(yè)7個(gè)開(kāi)創(chuàng)性的應(yīng)用領(lǐng)域。
1、疾病診斷
疾病的識(shí)別診斷一直是醫(yī)學(xué)研究的前沿。根據(jù)美國(guó)藥物研究與制造商發(fā)布的2015年報(bào)告,有800多種藥物和疫苗用于治療癌癥。
奈特(Knight)研究所研究員杰夫·特納(Jeff Tyner)在接受彭博科技(Bloomberg)采訪時(shí)表示,雖然這令人興奮,但還是不容易找到行之有效的方法來(lái)處理所有數(shù)據(jù)結(jié)果。
Tyner表示:“生物學(xué)家與計(jì)算機(jī)專家合作非常重要。”
毫不奇怪,一些大公司已經(jīng)開(kāi)始這方面的研究布局,特別是在像癌癥識(shí)別和治療這樣的重要領(lǐng)域。
2011年10月,IBM沃森健康公司(Watson Health)宣布與沃森基因組學(xué)公司(IBM Watson Genomics)合作,該計(jì)劃旨在通過(guò)集成認(rèn)知計(jì)算和基因組腫瘤測(cè)序,推動(dòng)精密醫(yī)學(xué)領(lǐng)域發(fā)展。
目前正在進(jìn)行的研究項(xiàng)目包括靜脈內(nèi)腫瘤治療的劑量試驗(yàn)和前列腺癌檢測(cè)和后續(xù)管理。
其他主要的例子包括谷歌的DeepMind Health,去年宣布與英國(guó)的多家合作伙伴關(guān)系,包括倫敦的Moorfields眼科醫(yī)院,他們正在開(kāi)發(fā)技術(shù)來(lái)解決老化眼睛黃斑變性的問(wèn)題。
在腦部疾病如抑郁癥等領(lǐng)域,牛津的“抑郁癥預(yù)防及應(yīng)對(duì)”(PReDicT)項(xiàng)目正在使用預(yù)測(cè)分析來(lái)幫助診斷并提供治療,他們的總體目標(biāo)是研發(fā)一組情緒測(cè)試問(wèn)卷調(diào)查用于臨床。
2、個(gè)性化醫(yī)學(xué)
個(gè)性化醫(yī)學(xué)或基于個(gè)人健康數(shù)據(jù)的預(yù)測(cè)分析也是當(dāng)前一個(gè)熱點(diǎn)研究領(lǐng)域。
該領(lǐng)域目前大多采用監(jiān)督學(xué)習(xí)(Supervised Learning),這讓醫(yī)生們可以從更有限的診斷集中進(jìn)行選擇,或者基于癥狀和遺傳信息來(lái)估計(jì)患者風(fēng)險(xiǎn)。
IBM沃森研究中心腫瘤學(xué)部門和斯隆凱特林紀(jì)念醫(yī)院目前在該領(lǐng)域處于領(lǐng)先地位。他們致力于使用患者醫(yī)療信息和診療歷史來(lái)選擇最優(yōu)治療方案:
在接下來(lái)的十年中,我們將會(huì)看到微生物傳感設(shè)備以及具有更復(fù)雜的健康測(cè)量和遠(yuǎn)程監(jiān)控功能的移動(dòng)APP的廣泛使用,這將帶來(lái)可用于幫助促進(jìn)研發(fā)和治療功效的大量數(shù)據(jù)。
這種個(gè)性化治療有益于幫助提高健康,并最終降低總體醫(yī)療成本。
在初步(早期)藥物設(shè)計(jì)中使用機(jī)器學(xué)習(xí)具有巨大潛力,從藥物化合物的初步篩選到基于個(gè)體因素的藥物有效性預(yù)測(cè),以及一系列新技術(shù),如下一代測(cè)序等。
精準(zhǔn)藥物醫(yī)學(xué)是這一領(lǐng)域的前沿。這涉及確定“多因素”疾病的機(jī)制,或者尋找替代治療等等。
很多這方面研究涉及無(wú)監(jiān)督的學(xué)習(xí),目前很大程度上我們?nèi)匀痪窒抻谧R(shí)別數(shù)據(jù)模式(而非預(yù)測(cè))。
圖示:
A:監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)問(wèn)題的矩陣表示
B:決策樹(shù)將特征映射到結(jié)果
C:神經(jīng)網(wǎng)絡(luò)基于特征的變換來(lái)預(yù)測(cè)結(jié)果
D:最近鄰算法 - 基于最相似訓(xùn)練樣本值的分類器
該領(lǐng)域的主要開(kāi)拓者包括MIT臨床機(jī)器學(xué)習(xí)小組。 其精密醫(yī)學(xué)研究側(cè)重于開(kāi)發(fā)算法,以更好地了解疾病過(guò)程并設(shè)計(jì)有效治療2型糖尿病等疾病。
微軟的漢諾威項(xiàng)目正在多個(gè)計(jì)劃中使用ML技術(shù),其中包括與奈特癌癥研究所合作開(kāi)發(fā)用于癌癥精準(zhǔn)治療的AI技術(shù),目前著眼于開(kāi)發(fā)治療個(gè)性化急性骨髓性白血?。ˋML)的藥物組合。
英國(guó)皇家學(xué)會(huì)還指出,藥物研究中運(yùn)用ML已經(jīng)成熟。 來(lái)自實(shí)驗(yàn)或制造過(guò)程的數(shù)據(jù)有可能幫助制藥廠商減少生產(chǎn)藥物所需的時(shí)間,從而降低成本并提高重復(fù)率。
4、臨床試驗(yàn)研究
機(jī)器學(xué)習(xí)可以用來(lái)指導(dǎo)臨床試驗(yàn)研究。應(yīng)用高級(jí)預(yù)測(cè)分析,我們可以利用比目前更廣泛的數(shù)據(jù),例如社會(huì)媒體和醫(yī)生門診記錄,以及在針對(duì)特定人群時(shí)的遺傳信息來(lái)確定臨床試驗(yàn)候選人; 這一切將使得臨床實(shí)驗(yàn)更小,更快,更便宜。
ML還可用于遠(yuǎn)程監(jiān)控,例如,監(jiān)測(cè)患者體征以發(fā)現(xiàn)任何人身傷害或死亡的跡象。
據(jù)麥肯錫稱,ML可以幫助提高臨床試驗(yàn)效率,包括找到最佳樣本大小; 適應(yīng)患者個(gè)體差異; 以及使用電子醫(yī)療記錄來(lái)減少數(shù)據(jù)錯(cuò)誤(例如重復(fù)輸入)。
5、放射學(xué)和放射治療
在2016年10月的“統(tǒng)計(jì)新聞”采訪中,哈佛醫(yī)學(xué)院助理教授Ziad Obermeyer博士說(shuō):“20年后,放射科醫(yī)生將不復(fù)存在。他們可能看起來(lái)更像是人和機(jī)器的混合體:應(yīng)用ML算法每分鐘他們可以讀取數(shù)千個(gè)病例。
“ 目前,Google的DeepMind Health正在與倫敦大學(xué)學(xué)院(UCLH)合作開(kāi)發(fā)能夠檢測(cè)健康和癌組織差異的ML算法幫助改善放射治療。
圖片來(lái)源:Google DeepMind健康 - 放射治療計(jì)劃
DeepMind和UCLH正在努力應(yīng)用ML,以加快癌組織分割過(guò)程(確保沒(méi)有健康的結(jié)構(gòu)受損)并提高放射治療的準(zhǔn)確性。
6、智能電子健康記錄
使用支持向量機(jī)(SVM)進(jìn)行文本分類(例如通過(guò)電子郵件來(lái)對(duì)患者查詢進(jìn)行排序)以及光學(xué)字符識(shí)別(或OCR,將草圖手寫轉(zhuǎn)換為數(shù)字化字符)都是成熟的ML應(yīng)用。
這將有助于推動(dòng)電子健康的收集和數(shù)字化。 這方面的工作包括MATLAB的ML手寫識(shí)別技術(shù)和Google用于OCR的Cloud Vision API。
MIT臨床機(jī)器學(xué)習(xí)小組正在推動(dòng)下一代智能電子健康記錄的發(fā)展,他們使用內(nèi)置的ML算法來(lái)幫助診斷,臨床決策和提供個(gè)性化治療建議。 MIT在其網(wǎng)站上寫道:“我們需要強(qiáng)大,安全及可解釋的ML算法。它可以從小規(guī)模的標(biāo)注訓(xùn)練集中學(xué)習(xí),并支持自然語(yǔ)言交互,從而可推廣至大量醫(yī)療機(jī)構(gòu)。
7、疫情爆發(fā)預(yù)測(cè)
根據(jù)從衛(wèi)星收集的數(shù)據(jù),網(wǎng)絡(luò)上的歷史信息,實(shí)時(shí)社交媒體更新等等,ML和AI技術(shù)也被應(yīng)用于監(jiān)測(cè)并預(yù)測(cè)世界各地的疫情爆發(fā)。
目前已有基于支持向量機(jī)(SVM)和人工神經(jīng)網(wǎng)絡(luò)(ANN)的模型來(lái)預(yù)測(cè)瘧疾疫情。采用的數(shù)據(jù)包括溫度,月平均降雨量,陽(yáng)性病例總數(shù)等等。
疫情預(yù)測(cè)在第三世界國(guó)家尤其迫切。這些國(guó)家往往缺乏醫(yī)療基礎(chǔ)設(shè)施,教育途徑和及時(shí)治療機(jī)會(huì)。 ProMED是一個(gè)基于互聯(lián)網(wǎng)的郵件系統(tǒng)以用于監(jiān)測(cè)新出現(xiàn)的疾病并實(shí)時(shí)提供疫情報(bào)告:
圖片來(lái)源:Going International
圖片來(lái)源:CDC - HealthMap報(bào)告用于跟蹤和預(yù)測(cè)登革熱病毒(dengue virus)爆發(fā)
有待克服的障礙
在將ML技術(shù)應(yīng)用于制藥和醫(yī)療的這場(chǎng)競(jìng)賽中,還有如下待解決的挑戰(zhàn):
-END-
就結(jié)束了嗎?
國(guó)內(nèi)也有機(jī)構(gòu)專注AI醫(yī)療深度研究報(bào)告。
。
AI醫(yī)療報(bào)告,下載報(bào)告。
<來(lái)源 :Techemergence;編譯:科技行者>
好文章,需要你的鼓勵(lì)
浙江大學(xué)團(tuán)隊(duì)提出動(dòng)態(tài)專家搜索方法,讓AI能根據(jù)不同問(wèn)題靈活調(diào)整內(nèi)部專家配置。該方法在數(shù)學(xué)、編程等任務(wù)上顯著提升推理準(zhǔn)確率,且不增加計(jì)算成本。研究發(fā)現(xiàn)不同類型問(wèn)題偏愛(ài)不同專家配置,為AI推理優(yōu)化開(kāi)辟新路徑。
清華大學(xué)研究團(tuán)隊(duì)提出SIRI方法,通過(guò)"壓縮-擴(kuò)張"交替訓(xùn)練策略,成功解決了大型推理模型"話多且準(zhǔn)確率低"的問(wèn)題。實(shí)驗(yàn)顯示,該方法在數(shù)學(xué)競(jìng)賽題上將模型準(zhǔn)確率提升43.2%的同時(shí),輸出長(zhǎng)度減少46.9%,真正實(shí)現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓(xùn)練提供了新思路。
南洋理工大學(xué)與騰訊聯(lián)合研究團(tuán)隊(duì)開(kāi)發(fā)出Rolling Forcing技術(shù),實(shí)現(xiàn)AI視頻實(shí)時(shí)流式生成的重大突破。該技術(shù)通過(guò)滾動(dòng)窗口聯(lián)合去噪、注意力錨點(diǎn)機(jī)制和高效訓(xùn)練算法三項(xiàng)創(chuàng)新,解決了長(zhǎng)視頻生成中的錯(cuò)誤累積問(wèn)題,可在單GPU上以16fps速度生成多分鐘高質(zhì)量視頻,延遲僅0.76秒,質(zhì)量漂移指標(biāo)從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內(nèi)容創(chuàng)作開(kāi)辟新可能。
華中科技大學(xué)研究團(tuán)隊(duì)發(fā)現(xiàn),通過(guò)讓AI模型學(xué)習(xí)解決幾何問(wèn)題,能夠顯著提升其空間理解能力。他們構(gòu)建了包含約30000個(gè)幾何題目的Euclid30K數(shù)據(jù)集,使用強(qiáng)化學(xué)習(xí)方法訓(xùn)練多個(gè)AI模型。實(shí)驗(yàn)結(jié)果顯示,幾何訓(xùn)練在四個(gè)空間智能測(cè)試基準(zhǔn)上都帶來(lái)顯著提升,其中最佳模型達(dá)到49.6%準(zhǔn)確率,超越此前最好成績(jī)。這項(xiàng)研究揭示了基礎(chǔ)幾何知識(shí)對(duì)培養(yǎng)AI空間智能的重要價(jià)值。