首頁(yè) 資訊開發(fā)用于醫(yī)療保健的人工智能工具

開發(fā)用于醫(yī)療保健的人工智能工具

來(lái)源：泰然健康網(wǎng) 時(shí)間：2025年07月10日 08:32

開發(fā)用于醫(yī)療保健的人工智能工具

Developing Artificial Intelligence Tools for Health Care

美國(guó)英語(yǔ)科技與健康

新聞源：WCM Newsroom

2024-12-17 22:00:00閱讀時(shí)長(zhǎng)4分鐘1840字

醫(yī)療保健人工智能強(qiáng)化學(xué)習(xí)護(hù)理周期離線策略評(píng)估卷積神經(jīng)網(wǎng)絡(luò)圖數(shù)據(jù)個(gè)性化患者護(hù)理健康結(jié)果

強(qiáng)化學(xué)習(xí)（Reinforcement Learning，RL）是一種人工智能方法，有潛力指導(dǎo)醫(yī)生設(shè)計(jì)連續(xù)的治療策略，以實(shí)現(xiàn)更好的患者結(jié)果，但需要顯著改進(jìn)才能應(yīng)用于臨床環(huán)境。這是由威爾康奈爾醫(yī)學(xué)院和洛克菲勒大學(xué)研究人員進(jìn)行的一項(xiàng)新研究發(fā)現(xiàn)的結(jié)果。

強(qiáng)化學(xué)習(xí)是一類能夠在一段時(shí)間內(nèi)做出一系列決策的機(jī)器學(xué)習(xí)算法。它負(fù)責(zé)最近的人工智能進(jìn)展，包括在國(guó)際象棋和圍棋中超越人類的表現(xiàn)。RL可以利用不斷變化的患者狀況、測(cè)試結(jié)果和之前的治療反應(yīng)，建議個(gè)性化患者護(hù)理的下一步最佳行動(dòng)。這種方法特別適用于慢性病或精神疾病的管理決策。

該研究發(fā)表在《神經(jīng)信息處理系統(tǒng)會(huì)議論文集》（Proceedings of the Conference on Neural Information Processing Systems，NeurIPS）上，并于12月13日進(jìn)行了展示，介紹了“護(hù)理周期”（Episodes of Care，EpiCare），這是第一個(gè)用于醫(yī)療保健的RL基準(zhǔn)。

“基準(zhǔn)已經(jīng)在計(jì)算機(jī)視覺、自然語(yǔ)言處理、語(yǔ)音識(shí)別和自動(dòng)駕駛汽車等機(jī)器學(xué)習(xí)應(yīng)用中推動(dòng)了改進(jìn)。我們希望它們現(xiàn)在能推動(dòng)醫(yī)療保健領(lǐng)域的RL進(jìn)步，”領(lǐng)導(dǎo)這項(xiàng)研究的威爾康奈爾醫(yī)學(xué)院精神病學(xué)神經(jīng)科學(xué)助理教授Logan Grosenick博士說(shuō)。

RL代理根據(jù)收到的反饋逐步優(yōu)化其行為，逐漸學(xué)習(xí)一種增強(qiáng)其決策能力的策略?！叭欢?，我們的研究結(jié)果表明，盡管當(dāng)前的方法很有前景，但它們極其依賴數(shù)據(jù)，”Grosenick博士補(bǔ)充道。

研究人員首先測(cè)試了五種最先進(jìn)的在線RL模型在EpiCare上的表現(xiàn)。所有五種模型都超過(guò)了標(biāo)準(zhǔn)護(hù)理基線，但在數(shù)千或數(shù)萬(wàn)個(gè)現(xiàn)實(shí)模擬治療周期的訓(xùn)練后才達(dá)到這一效果。在現(xiàn)實(shí)世界中，RL方法永遠(yuǎn)不會(huì)直接在患者身上進(jìn)行訓(xùn)練，因此研究人員接下來(lái)評(píng)估了五種常見的“離線策略評(píng)估”（Off-Policy Evaluation，OPE）方法：這些方法旨在使用歷史數(shù)據(jù)（如臨床試驗(yàn)數(shù)據(jù)）來(lái)避免在線數(shù)據(jù)收集的需要。通過(guò)EpiCare，他們發(fā)現(xiàn)最先進(jìn)的OPE方法在醫(yī)療保健數(shù)據(jù)上始終無(wú)法準(zhǔn)確執(zhí)行。

“我們的研究結(jié)果表明，目前最先進(jìn)的OPE方法不能被信任來(lái)準(zhǔn)確預(yù)測(cè)縱向醫(yī)療保健情景中的強(qiáng)化學(xué)習(xí)性能，”第一作者、洛克菲勒大學(xué)的研究員Mason Hargrave博士說(shuō)。隨著OPE方法在醫(yī)療保健應(yīng)用中的討論越來(lái)越多，這一發(fā)現(xiàn)強(qiáng)調(diào)了開發(fā)更準(zhǔn)確的基準(zhǔn)工具（如EpiCare）的必要性，以審計(jì)現(xiàn)有的RL方法并提供衡量改進(jìn)的指標(biāo)。

“我們希望這項(xiàng)工作能夠促進(jìn)醫(yī)療保健環(huán)境中強(qiáng)化學(xué)習(xí)的更可靠評(píng)估，并幫助加速適用于醫(yī)療應(yīng)用的更好RL算法和訓(xùn)練協(xié)議的開發(fā)，”Grosenick博士說(shuō)。

適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)以解釋圖數(shù)據(jù)

在同一天的另一篇NeurIPS論文中，Grosenick博士分享了他關(guān)于將廣泛用于處理圖像的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNNs）適應(yīng)更一般的圖結(jié)構(gòu)數(shù)據(jù)（如腦、基因或蛋白質(zhì)網(wǎng)絡(luò)）的研究。2010年代早期，CNNs在圖像識(shí)別任務(wù)中的廣泛應(yīng)用為“深度學(xué)習(xí)”奠定了基礎(chǔ)，并開啟了現(xiàn)代神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)的人工智能應(yīng)用時(shí)代。CNNs被廣泛應(yīng)用于面部識(shí)別、自動(dòng)駕駛汽車和醫(yī)學(xué)圖像分析等領(lǐng)域。

“我們經(jīng)常需要分析類似于圖的神經(jīng)影像數(shù)據(jù)，這些數(shù)據(jù)具有頂點(diǎn)和邊，而不像圖像。但我們意識(shí)到，沒有真正等同于CNNs和深度CNNs的工具可用于圖結(jié)構(gòu)數(shù)據(jù)，”Grosenick博士說(shuō)。

腦網(wǎng)絡(luò)通常表示為圖，其中腦區(qū)域（表示為頂點(diǎn)）沿連接它們并表示它們之間強(qiáng)度的“邊”向其他腦區(qū)域傳播信息。這同樣適用于基因和蛋白質(zhì)網(wǎng)絡(luò)、人類和動(dòng)物的行為數(shù)據(jù)以及藥物等化學(xué)化合物的幾何結(jié)構(gòu)。通過(guò)直接分析這些圖，我們可以更準(zhǔn)確地建模局部和遠(yuǎn)距離連接之間的依賴關(guān)系和模式。

當(dāng)時(shí)在Grosenick實(shí)驗(yàn)室的研究助理Isaac Osafo Nkansah是該研究的第一作者，他幫助開發(fā)了Quantized Graph Convolutional Networks（QuantNets）框架，該框架將CNNs推廣到圖數(shù)據(jù)。“我們現(xiàn)在正在使用它來(lái)建?；颊叩腅EG（腦電活動(dòng)）數(shù)據(jù)。我們可以在頭皮上放置256個(gè)傳感器來(lái)讀取神經(jīng)元活動(dòng)——這是一個(gè)圖，”Grosenick博士說(shuō)。“我們正在將這些大圖簡(jiǎn)化為更可解釋的組件，以更好地理解患者在接受抑郁癥或強(qiáng)迫癥治療時(shí)動(dòng)態(tài)腦連接的變化?！?/p>

研究人員預(yù)見QuantNets將有廣泛的應(yīng)用。例如，他們還在研究圖結(jié)構(gòu)姿態(tài)數(shù)據(jù)以跟蹤小鼠模型和通過(guò)計(jì)算機(jī)視覺提取的人類面部表情的行為。

“雖然我們?nèi)栽趹?yīng)對(duì)將尖端AI方法應(yīng)用于患者護(hù)理的安全性和復(fù)雜性，但每一步前進(jìn)——無(wú)論是新的基準(zhǔn)框架還是更準(zhǔn)確的模型——都在逐步推動(dòng)個(gè)性化治療策略的發(fā)展，這些策略有潛力顯著改善患者的健康結(jié)果，”Grosenick博士總結(jié)道。

(全文結(jié)束)