瑞金医院牵手第四范式,用AI“智囊”填补慢性病管理服务缺口

8月30日,在国家标准化代谢性疾病管理中心(National Metabolic Management Center,简称MMC)内举办的“AI+医疗”战略合作发布会上,国内首款基于人工智能(AI)实现的糖尿病及并发症管理产品“瑞宁知糖”,引起众多关注。据悉,该产品由中国工程院院士、瑞金医院副院长宁光院士团队与人工智能独角兽企业第四范式共同研发,可预判人们未来3年罹患糖尿病及糖尿病心血管并发症等代谢疾病的潜在风险、提供专业评估报告及个性化干预方案,今年年初,英国首相特雷莎·梅在亲自参观“瑞宁知糖”后给予了高度认可。此外,发布会上,瑞金医院与第四范式联合宣布达成战略合作,未来将共同推动一系列AI+医疗产品在健康领域更广泛的应用,提升国家慢性病管理水平,以技术造福大众。

瑞金医院&第四范式战略签约仪式环节

瑞金医院内分泌科拥有国家代谢病临床研究中心,卫生部重点实验室,连续八年声誉排名专科全国第一;第四范式是人工智能技术与服务领军者、在迁移学习领域世界排名第一。此次强强联合,旨在改变我国糖尿病等慢性病早期知晓率与控制率低的现状——以糖尿病为例,我国糖尿病患病率达到11.6%,糖尿病前期患病率高达50.1%,已经成为现代人类的最大潜在杀手,然而,由于慢性病筛查准确度低、针对性干预难度大、健康管理工具缺失等医疗难题,成人对糖尿病的知晓率仅有30.1%。宁光院士对此表示:“医疗资源缺乏一定程度上导致了社会在慢性病预防方面心有余而力不足,现在我们可以用AI来解决。对于糖尿病高风险人群,瑞宁知糖疾病风险预测功能可以提高公众自我预防及疾病重视的意识,此外,瑞宁知糖基于AI技术的个性化健康方案,可以帮助更多人回归健康。我们的目标是10年后降低糖尿病发病率1%,降低糖尿病各种并发症患病率10%,第四范式的AI技术给了我们很大的信心。”

瑞金医院副院长宁光院士发表演讲

第四范式的愿景是“AI for everyone”,让AI能够真正福及大众。此次发布会上,第四范式同时发布了瑞宁知糖、瑞宁知糖专业版、瑞宁知心、慢性病智能咨询系统,以及慢性病管理一体化机器人等五款产品。依据世界卫生组织(WHO)慢性病三级预防理论,以《中国防治慢性病中长期规划(2017—2025年)》为指导,第四范式慢性病管理系列产品实现用户输入基础指标条件下,即可享受慢性病精准筛查、危险因素分析、个性化干预方案推荐和健康管理等全流程贴心服务,让众人享受到标准化、专家级的AI慢性病管理服务。第四范式创始人兼首席执行官戴文渊表示:“此次发布的是第四范式在医疗领域的阶段性成果,从2016年起第四范式就已经医疗领域进行研究,诸多医疗产品已经具备行业应用的领先性和广泛的场景覆盖能力,未来还将有多项第四范式医疗终端产品问世,帮助用户在线上线下实现一站式慢性病管理,并拓展到更多疾病的筛查与管理中。

第四范式创始人、首席执行官戴文渊发表演讲

尽管国内外AI巨头也纷纷布局医疗领域,但受制于AI“命脉”数据在医疗领域的匮乏,热炒概念多成为泡沫式尝试,而瑞宁知糖、瑞宁知心系列产品则率先落地并开展了商业化,第四范式资深科学家、医疗产品负责人涂威威在发布会上解释了其中的技术细节。在宁光院士的带领下,瑞金医院构建了全最大的代谢性疾病样本库,深入对慢性病患者致病因素、治疗管理等课题研究分析,为我国慢性病医疗研究和防控做出巨大贡献,同时为双方合作的落地提供了数据基石。同时,第四范式数据科学家制定了一套完善的慢性病建模方案,通过高维机器学习技术、迁移学习技术、半监督学习和可解释机器学习技术等全球领先算法应用,总结出50万条预测新规则,并通过构建虚拟代谢模型,结合高维机器学习技术,提出创新性的个性化干预方法,目前,瑞宁知糖针对糖尿病预测规则远超传统临床金标准规则数量,其糖尿病预测准确率比基于临床金标准的预测提升2-3倍,基于AUC评估效果在绝对值上也远超现行ADA(美国标准)、芬兰标准和CDS(中华医学会标准)等标准。与瑞宁知糖相似,瑞宁知心在糖尿病心血管并发症的预测效果上与国际著名Framingham心血管疾病风险评估标准相比,基于AUC评估效果绝对值提升14%,超出行业标准预测水平,领先世界糖尿病心血管并发症预测。

第四范式资深科学家、医疗产品负责人涂威威发布产品

基础指标输入即可得出比专业医师判断更为准确的患病风险评估结果,同时提供千人千面的个性化健康管理方案,并可从单一病症拓展到并发症的管理。医疗资源向来是稀缺宝贵,结合了人工智能技术和医学专家智慧结晶的AI医生,让有限的医疗资源发挥更大的作用,有助于重塑传统看病模式,惠及个人、医疗健康机构,乃至整个社会。

产业产品应用医疗第四范式
1
相关数据
半监督学习技术

半监督学习属于无监督学习(没有任何标记的训练数据)和监督学习(完全标记的训练数据)之间。许多机器学习研究人员发现,将未标记数据与少量标记数据结合使用可以显着提高学习准确性。对于学习问题的标记数据的获取通常需要熟练的人类代理(例如转录音频片段)或物理实验(例如,确定蛋白质的3D结构或确定在特定位置处是否存在油)。因此与标签处理相关的成本可能使得完全标注的训练集不可行,而获取未标记的数据相对便宜。在这种情况下,半监督学习可能具有很大的实用价值。半监督学习对机器学习也是理论上的兴趣,也是人类学习的典范。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

迁移学习技术

迁移学习是一种机器学习方法,就是把为任务 A 开发的模型作为初始点,重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务,虽然大多数机器学习算法都是为了解决单个任务而设计的,但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。 迁移学习对人类来说很常见,例如,我们可能会发现学习识别苹果可能有助于识别梨,或者学习弹奏电子琴可能有助于学习钢琴。

推荐文章
暂无评论
暂无评论~