史无前例:Nature Medicine同期8篇论文,聚焦人工智能在医学领域的应用

人工智能(AI),特别是深度学习(Deep Learning),是开始用于医学图像和电子健康记录解释的主要技术工具之一。利用AI可以预测血压、年龄和吸烟状况甚至疾病风险,AI在医学中的应用越来越广泛,FDA甚至批准了一种基于人工智能的设备来检测某些与糖尿病相关的眼部问题。本文由机器之心经授权转载自 BioWorld (ID:ibioworld ),未经授权禁止二次转载。

2019年1月7日,Nature 旗下顶级医学期刊 Nature Medicine 杂志同期刊登8篇论文,聚焦人工智能在医学领域的应用。BioWorld列举并介绍了这8篇论文:

1

High-performance medicine: the convergence of human and artificial intelligence

高效医学:人类与智能的融合

作者:Eric J. Topol;单位:Scripps研究所

通过在所有部门中使用标记的大数据以及显著增强的计算能力和云存储,已经实现了人工智能的使用,特别是深度学习。在医学方面,这开始在三个层面产生影响:对于临床医生来说,主要是更快速、准确的图像分析;对于卫生系统来说,通过改善工作流程和减少医疗差错;对于患者来说,使他们能够处理自己的数据,以促进健康。

本文讨论了当前的局限性,包括偏见、隐私和安全性,以及缺乏透明度等在未来发展方向中存在的问题。随着时间的推移,准确性、生产力和工作流程的显著改善可能会实现,但是人工智能的应用会改善患者与医生之间的关系,还是恶化他们之间的关系,仍有待观察。

论文链接:https://www.nature.com/articles/s41591-018-0300-7

2

Identifying facial phenotypes of genetic disorders using deep learning

使用深度学习识别遗传疾病的面部表型

作者:Yaron Gurovich等;单位:FDNA公司

通过使用17000多张患者的面部图像,训练了一款人工智能算法DeepGestalt,这款算法可以高准确率识别罕见的遗传综合征。

论文链接:https://www.nature.com/articles/s41591-018-0279-0

3

Predicting the early risk of chronic kidney disease in patients with diabetes using real-world data

使用现实世界数据预测糖尿病患者的慢性肾脏疾病的早期风险

作者:Wolfgang Petrich;单位:罗氏公司

诊断程序,治疗建议和医疗风险分层基于专门的严格控制的临床试验。然而,存在大量现实世界的医学数据,因此数据量的增加是以完整性,一致性和控制为代价的。逐案比较表明,基于现实世界数据的糖尿病相关慢性肾病模型的预测能力优于来自临床研究数据的模型。

论文链接:https://www.nature.com/articles/s41591-018-0239-8

4

Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram

使用具有人工智能的心电图筛查心脏收缩功能障碍

作者:Paul A. Friedman;单位:梅奥诊所

无症状的左心室功能不全(ALVD)存在于3-6%的人群中,与生活质量和寿命降低相关,并且在发现时可治疗。通过来自梅奥诊所的44,959名患者,研究团队训练了基于卷积神经网络人工智能来识别心室功能障碍患者,当在一组独立的52,870名患者上测试该神经网络,灵敏度、特异性和准确度的值分别为86.3%、85.7%和85.7%。而且在没有心室功能障碍的患者中,人工智能筛查阳性的患者发生未来心室功能障碍的风险是阴性的4倍。

这一AI人工智能在心电图中的应用,既降低了成本,允许心电图作为无症状个体的强大筛查工具来识别无症状的左心室功能不全(ALVD)。

论文链接:https://www.nature.com/articles/s41591-018-0240-2

5

Privacy in the age of medical big data

医疗大数据时代的隐私

作者:I. Glenn Cohen;单位:Petrie-Flom卫生法政策中心

大数据已成为医学创新无处不在的观察词。特别是机器学习技术和人工智能的快速发展已经将医疗实践从资源分配转变为复杂疾病的诊断。 但是,大数据带来了巨大的风险和挑战,其中包括关于患者隐私的重大问题。我们概述了大数据为患者隐私带来的法律和道德挑战。我们还讨论如何最好地构思健康隐私;公平、知情和患者管理在数据收集中的重要性;数据使用中的歧视;以及如何处理数据泄露。我们通过草拟监管系统的方法可能终结这些问题。

论文链接:https://www.nature.com/articles/s41591-018-0272-7

6

Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network

采用心脏病专家级别的深度神经网络进行动态心电图心律失常检测和分类

作者:Awni Y. Hannun;单位:斯坦福大学

研究人员开发了一个深度神经网络(DNN),使用来自使用单导联动态心电监护设备的53,549名患者的91,232个单导联心电图对12个节律类进行分类。DNN的平均F1评分(0.837)是阳性预测值和敏感性的调和平均值,超过了心脏病学家平均值(0.780)。

这些研究结果表明,端到端的深度学习方法可以对来自单导联心电图的各种不同的心律失常进行分类,其具有与心脏病学家类似的高诊断性能。

论文链接:https://www.nature.com/articles/s41591-018-0268-3

7

A guide to deep learning in healthcare

医疗保健深度学习指南

作者:Andre Esteva等;单位:斯坦福大学

我们提供深度学习的医疗保健技术,集中讨论计算机视觉自然语言处理强化学习和广义方法的深度学习。 我们将描述这些计算技术如何影响医学的几个关键领域,并探索如何构建端到端系统。 我们对计算机视觉的讨论主要集中在医学成像上,我们描述了自然语言处理在电子健康记录数据等领域的应用。 类似地,在机器人辅助手术的背景下讨论强化学习,并且综述了基因组学的广义深度学习方法。

论文链接:https://www.nature.com/articles/s41591-018-0316-z

8

The practical implementation of artificial intelligence technologies in medicine

医学中人工智能技术的实际应用

作者:张康等;单位:广州医科大学第一附属医院

基于人工智能(AI)的医学技术的发展正在迅速发展,但现实世界的临床实施尚未成为现实。 在这里,我们回顾了围绕在现有临床工作流程中实施AI的一些关键实际问题,包括数据共享和隐私,算法透明度,数据标准化以及跨多个平台的互操作性,以及对患者安全的关注。

我们总结了美国目前的监管环境,并重点介绍了与世界其他地区的比较,尤其是欧洲和中国。

论文链接:https://www.nature.com/articles/s41591-018-0307-0

本文由机器之心经授权转载自 BioWorld (ID:ibioworld ),未经授权禁止二次转载。

原文链接:https://mp.weixin.qq.com/s/YGYE1brkivIiLqezKAqxRw

理论深度学习论文医疗
2
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

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。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

卷积神经网络技术

卷积神经网路(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层(对应经典的神经网路)组成,同时也包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比,卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路,卷积神经网路需要考量的参数更少,使之成为一种颇具吸引力的深度学习结构。 卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据,它可以被认为是以一定时间间隔采样的一维网格,又如图像数据,其可以被认为是二维像素网格。

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

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

推荐文章
暂无评论
暂无评论~