<cite id="d9xbd"></cite>
<ins id="d9xbd"><video id="d9xbd"><menuitem id="d9xbd"></menuitem></video></ins>
<var id="d9xbd"><video id="d9xbd"></video></var>
<menuitem id="d9xbd"><strike id="d9xbd"></strike></menuitem><var id="d9xbd"></var>
<ins id="d9xbd"><span id="d9xbd"><var id="d9xbd"></var></span></ins>
<cite id="d9xbd"></cite>
<var id="d9xbd"><strike id="d9xbd"></strike></var>
<var id="d9xbd"></var>
<var id="d9xbd"></var><var id="d9xbd"><strike id="d9xbd"><thead id="d9xbd"></thead></strike></var><cite id="d9xbd"><video id="d9xbd"></video></cite><cite id="d9xbd"><span id="d9xbd"><menuitem id="d9xbd"></menuitem></span></cite>
<menuitem id="d9xbd"></menuitem>
<ins id="d9xbd"><span id="d9xbd"><var id="d9xbd"></var></span></ins>
<menuitem id="d9xbd"></menuitem>
我的账户
海州新媒体

自媒体资讯干货

亲爱的游客,欢迎!

已有账号,请

立即登录

如尚未注册?

加入我们
  • 客服电话
    点击联系客服

    在线时间:8:00-16:00

    客服电话

    400-000-0000

    电子邮件

    xjubao@163.com
  • APP下载

    海州新媒体APP

    随时随地掌握行业动态

  • 官方微信

    扫描二维码

    关注海州新媒体公众号

海州新媒体 网站首页 资讯列表 资讯内容

AI医疗数据资源少、模型难解说怎么办?AI顶会秀五大破局心法

2020-05-14 发布于 海州新媒体
换ip vps https://www.bohaovps.com/

  智东西5月11日音讯,疫情之下,AI+医疗按下加快键,从线上问诊、辅佐导诊、印象筛查到新药研制,AI均发挥出重要的辅佐作用??墒潜冉掀渌擞贸【?,AI在医疗范畴的落地却面对更多的困难。

  不同医疗机构的数据互不流转、数据质量良莠不齐、建立AI模型功率低下、输出成果不知道怎样解说……在近期举办的国际学习表征会议(ICLR)上,来自剑桥大学、牛津大学、斯坦福大学等全球顶尖高校的研讨人员们会集探讨了这些阻止AI医疗落地的要害应战,并有针对性地探讨了处理这些问题的有用办法。

  国际学习表征会议(ICLR 2020)是深度学习范畴最重要的年度会议之一,于在4月26日至5月1日以线上办法举办。

  一、AI医疗落地难!实践模型作用很一般

  当今医疗资源匮乏和散布不平衡的问题日益突出,AI的运用可以缓解这种局势。比方,长途医疗可以处理偏远地区看病难问题,AI读片东西可以缩短临床医师判别时间??墒?,要到达这些意图,条件是AI东西的输出满足精确牢靠。

  实践情况中,不同医疗机构搜集、符号、注释、处理医疗数据的办法并不共同,X射线印象、CT印象的质量则因为机器差异而存在较大差异,患者病例或健康记载中也常短少信息。这些都导致了可以用于练习AI模型的有用数据资源稀缺,因而,一些AI模型的实践运用作用并不抱负。

  例如,谷歌的一个AI模型就在实践运用阶段折戟。该AI模型被规划用于进步筛查糖尿病性视网膜病变的功率,根据患者眼球相片快速给出专业确诊。在试验室测验阶段,该模型可以把确诊时间缩减到秒钟级,精确率到达了90%。

  但在11个眼科诊所的测验中,该模型的成果就没有这么抱负了。首要,每个眼科诊所的环境条件不同,有些诊所无法拍照出高清的眼球相片或网络信号较差,这导致模型上传图片的时间变长(60到90秒)。别的,一些护理也忧虑AI模型的安全性问题。这说明经过试验室查验并不彻底意味着AI东西可以顺畅落地运用。

  二、数据资源少?让医师临床经验来协助

  许多疾病难医治都是因为相关数据太少。比方,稀有病的患者记载就很少,相应的医学知识也很缺少;关于心衰等缓慢病来说,及早医治是要害,但医学界很难提早鉴别出有患病危险的患者。

  在人工智能平价医疗研讨会上,韩国科学技能院(KAIST)助理教授Edward Choi提出,可以运用神经网络来处理这些问题。一方面,神经网络可以大面积搜集疾病信息,尽或许多地归纳稀有病相关信息;另一方面,神经网络可以回溯患者的电子病例,根据患者以往的健康状况判别出患者是否易患某种缓慢疾病。

  Choi表明,下一步将继续推动研讨,使神经网络更好处理数据缺少问题。

  他计划用一种根据图画的注意力模型(GRAM,graph-based attention model)来进一步处理稀有病数据资源少的问题。该模型用循环神经网络(RNN)进行练习,是一个根据医学本体论(medical ontologies)对疾病进行树状分类的东西,可以找出与稀有病类似的常见病。各种疾病的本体理论是由之前的医学家建立起来的,现已经过实践验证。因而,医师可以测验用常见病的医治计划来医治稀有病。

  关于患者电子健康记载数据不全的问题,Choi提出了图画卷积Transformer模型(GCT,Graph Convolutional Transformer )。GCT可以推断出电子健康记载缺失的数据,为临床医师供给更全面的患者信息。

  三、数据没结构化?用AI猜测哪些出院患者更易再住院

  对恢复患者进行预后确诊可以下降疾病复发危险,而医师需求依托患者的数据做出预后确诊??墒?,不同国家和地区、不同医疗机构搜集、处理患者数据的办法有差异,医护人员的一时忽略则会导致数据无效。这些原因导致了医疗数据非结构化、噪声数据问题,从而影响了医师预后确诊的精确性。

  谷歌软件工程师Constanza Fierro团队以为,可以练习一个AI模型,使其运用高度非结构化数据或噪声数据进行猜测。经过测验,他们研讨出一种深度学习架构,可以猜测患者出院后30天内再次入院的危险。

  研讨人员用一个西班牙语医疗数据集对该架构进行了测验。美国医疗机构曾运用该数据集进行过相同猜测。研讨人员比照了模型猜测成果和美国医疗机构的成果。对此显现,模型猜测成果与美国医疗机构的成果根本相符。

  可是,Fierro指出,这个模型的或许不适用于没有贮存医疗数据的国家。

  四、建模功率低?让AI主动化学习

  不同的疾病对应着不同的处理计划,相应地,为不同疾病建模需求用到不同的技能和模型。

  剑桥大学教授、艾伦·图灵研讨所研讨员、加州大学洛杉矶分校校长教授Mihaela van der Schaar以为,为每种疾病各建一个AI模型功率太低,她建议运用可以大面积推行的主动机器学习(AutoML)办法,让AI模型主动化学习适宜的参数和装备。

  在试验比照几种AutoML模型后,Mihaela提出一个针对临床预后量身定制的猜测建模管道规划的主动化体系AutoPrognosis。

  据她介绍,AutoPrognosis是“一个为临床猜测量身定制的主动触及猜测模型管道体系”。AutoPrognosis不会企图找到仅有的最佳的猜测建模管道,而是运用各种管道的“调集”做出猜测。

  虽然这个模型可以主动化对疾病做出猜测,可是它还有一些局限性,比方缺少可解说性。

  透明性和可解说性是AI模型可不牢靠的重要参阅根据,即能向非专业人士解说清楚得到的成果。尤其是在医疗范畴这样做任何决议都必须十分谨慎的场景,用AI模型来确诊疾病更需求可解说性,也便是能给出令医师服气的决策根据。

  五、印象难解说?把它分区域量化

  如前面所说,AI模型的可解说性十分重要。许多研讨人员研制出神经网络的可解说性办法,但学界还未在评价这些解说办法上达到一致。

  这意味着需求一种客观的衡量规范,来告知研讨人员哪种可解说性办法合适用于其使命。

  针对这一问题,丹麦大学核算机科学博士Laura Rieger及其团队提出一种特征迭代移除(IROF,iterative removal of features)的新办法,能以较低的核算资源和很少的数据,对可解说性办法进行客观的定量评价。

  IROF的评价目标以确诊的精确性为根底,避开了现有评价办法中相邻像素之间的高相关性,而且不依赖或许会发生误差的人的视觉查看。

  在会议现场,Laura用一个具有可解说性的神经网络反证了IROF办法的稳健性。

  她选用了一个图画分类神经网络,输入一张山公的图画,神经网络快速输出了正确的分类,即是非图画,其间图画较亮部分对分类精度的重要性要高于较暗部分。

  然后,Laura用核算机视觉算法对山公图画进行图画切割,得到一系列图画子区域。

  研讨人员在辨认出对分类精度最重要的淡色子区域后,用“平均值”替换这些淡色子区域,这样再次运转图画分类神经网络的精确率就会下降;接着,辨认图画的第二重要部分,再次运用平均值,然后再次运转图画分类神经网络……跟着替换进程进行,图画分类神经网络的精确性呈现出曲线形下降。曲线上方的面积被称为IROF得分,可以作为评价神经网络可解说性的一个定量规范。

  六、印象质量差?用数据集模仿伪影和噪声

  CT断层成像是一种广泛运用的医疗检测手法,可以检测出中风、骨折等疾病??墒?,并非一切的医疗机构都有才能装备顶尖的CT扫描仪。在医疗实践中,为了操控本钱,有些医疗机构不得不选用低本钱的设备。

  低本钱CT扫描仪的价格更经济、耗电量也较低,但成像中简单呈现伪影、噪声数据问题,为医师添加读片妨碍。

  斯坦福大学电气工程博士Sarah Hooper及其团队提出了一个根据卷积神经网络(CNN)的印象主动分类东西,可以主动分类有伪影、噪声数据的低质量头部CT印象,协助医疗机构操控本钱。

  低本钱CT扫描仪中常呈现x射线管电流小、投影数量少、扫描视点有限等三类问题,这些会导致CT印象质量不高。

  因为有代表性的低质量数据有限,研讨人员用近一万张头部CT印象数据集,经过成倍削减电流、投影数量、改动扫描视点来模仿那些实在图画中的噪声,凭借CatSim仿真软件创建了巨大的组成数据集,然后用这些数据来练习CNN模型。

  运转成果显现,在这三类低质量印象中,经练习的CNN模型均能战胜头部CT印象剖析的硬件约束,精确分类出反常印象。

  除了上述模型,其他研讨人员还展现了一些其他医学印象相关研讨工作,比方主动化颈动脉斑块的3D超声扫描、从显微镜图画确诊疟疾、在核算机辅佐手术顶用AI增强立体摄像机信息、运用图画质量搬运人工增强MRI图画、改善乳腺癌筛查的图画分类等。

  结语:革新虽未成功,曙光就在眼前

  不管把AI技能运用于哪个范畴,研讨人员都需求处理技能、安全性和稳健性问题。但客观上来说,医疗保健范畴更为特别。因而,才智医疗东西的落地面对更多困难。

  假如可以霸占技能和安全性难题,AI技能或可为医疗资源匮乏、医疗资源不平衡等问题供给解法,还能进步全体医疗水平。

  正如剑桥大学教授Mihaela van der Schaar在其讲演结束时说到的,“咱们正处于这场革新的开端,还有很长的路要走。但这是一个令人兴奋的时间,是专心于此类技能的重要时间?!备臕I医疗类研讨继续推动,机器学习将为临床医师、医学研讨人员和患者带来更强大牢靠的新东西。

1

鲜花
1

握手

雷人

路过

鸡蛋
该文章已有0人参与评论

请发表评论

全部评论

海州新媒体

扫一扫二维码关注我们Get最新资讯

相关分类
热点推荐
关注我们
海州新媒体与您同行

客服电话:400-000-0000

客服邮箱:xjubao@163.com

周一至周五 9:00-18:00

海州新媒体 版权所有

Powered by 海州新媒体 X1.0@ 2015-2020

重庆农场