首頁(yè) 資訊 AI工具革新醫(yī)療保健

AI工具革新醫(yī)療保健

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

AI Tools Revolutionize Health Care

美國(guó)英語(yǔ)科技與健康

新聞源：Armed robbery in Revesby

2024-12-18 05:00:00閱讀時(shí)長(zhǎng)4分鐘1880字

AI工具醫(yī)療保健強(qiáng)化學(xué)習(xí)EpisodesofCare基準(zhǔn)測(cè)試慢性疾病精神疾病卷積神經(jīng)網(wǎng)絡(luò)圖數(shù)據(jù)

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)治療策略，以改善患者預(yù)后，但需要在臨床應(yīng)用前進(jìn)行顯著改進(jìn)。這是由威爾康奈爾醫(yī)學(xué)院（Weill Cornell Medicine）和洛克菲勒大學(xué)（Rockefeller University）研究人員的一項(xiàng)新研究發(fā)現(xiàn)的。

RL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、檢查結(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疾病或精神疾病的管理決策。

這項(xiàng)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)行了介紹，首次引入了“Episodes of Care”（EpiCare），這是首個(gè)用于醫(yī)療保健的RL基準(zhǔn)測(cè)試工具。“基準(zhǔn)測(cè)試已經(jīng)推動(dòng)了計(jì)算機(jī)視覺(jué)、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)用的改進(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)該研究的精神病學(xué)神經(jīng)科學(xué)助理教授Logan Grosenick博士說(shuō)。

RL代理基于收到的反饋逐步優(yōu)化其行為，逐漸學(xué)習(xí)一種增強(qiáng)其決策制定能力的策略?！叭欢?，我們的研究發(fā)現(xiàn)，盡管當(dāng)前的方法很有前景，但它們非常依賴數(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)的模擬治療案例中訓(xùn)練后才達(dá)到這一水平。在現(xiàn)實(shí)世界中，RL方法不會(huì)直接在患者身上進(jìn)行訓(xùn)練，因此研究者接下來(lái)評(píng)估了五種常見(jiàn)的“離線策略評(píng)估”（Off-Policy Evaluation, OPE）方法：這些方法旨在利用歷史數(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。使用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)中始終無(wú)法準(zhǔn)確表現(xiàn)。

“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)表現(xiàn)，”第一作者M(jìn)ason Hargrave博士說(shuō)，他是洛克菲勒大學(xué)的研究員。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)突顯了開(kāi)發(fā)更準(zhǔn)確的基準(zhǔn)測(cè)試工具（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)在醫(yī)療保健環(huán)境中更可靠地評(píng)估強(qiáng)化學(xué)習(xí)，并幫助加速適合醫(yī)療應(yīng)用的更好RL算法和訓(xùn)練協(xié)議的開(kāi)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)（如大腦、基因或蛋白質(zhì)網(wǎng)絡(luò)）的研究。2010年代初期，CNN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(kāi)啟了現(xiàn)代神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)的AI應(yīng)用時(shí)代。CNN在許多應(yīng)用中都有使用，包括面部識(shí)別、自動(dòng)駕駛汽車和醫(yī)學(xué)圖像分析。

“我們經(jīng)常需要分析類似于圖的數(shù)據(jù)，例如頂點(diǎn)和邊構(gòu)成的神經(jīng)影像數(shù)據(jù)，而不是像圖像那樣的數(shù)據(jù)。但我們意識(shí)到，沒(méi)有真正等同于CNN和深度CNN的工具可用于圖結(jié)構(gòu)數(shù)據(jù)，”Grosenick博士說(shuō)。

大腦網(wǎng)絡(luò)通常表示為圖，其中腦區(qū)（用頂點(diǎn)表示）通過(guò)連接它們并代表它們之間強(qiáng)度的“邊”向其他腦區(qū)傳播信息?；蚝偷鞍踪|(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)化合物的幾何形狀也是如此。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是這篇論文的第一作者，他幫助開(kāi)發(fā)了將CNN推廣到圖的Quantized Graph Convolutional Networks（QuantNets）框架?！拔覀儸F(xiàn)在正在使用它來(lái)建?；颊叩腅EG（電腦活動(dòng)）數(shù)據(jù)。我們可以在頭皮上放置一個(gè)256個(gè)傳感器的網(wǎng)絡(luò)來(lái)讀取神經(jīng)元活動(dòng)——這就是一個(gè)圖，”Grosenick博士說(shuō)?！拔覀冋趯⑦@些大圖簡(jiǎn)化為更具可解釋性的組件，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。”

研究人員預(yù)見(jiàn)了QuantNets的廣泛適用性。例如，他們還在研究使用圖結(jié)構(gòu)的姿態(tài)數(shù)據(jù)來(lái)跟蹤小鼠模型和提取自計(jì)算機(jī)視覺(jué)的人類面部表情的行為。

“雖然我們?cè)趯⒓舛薃I方法應(yīng)用于患者護(hù)理時(shí)仍在應(yīng)對(duì)安全性和復(fù)雜性，但每一步前進(jìn)——無(wú)論是新的基準(zhǔn)測(cè)試框架還是更準(zhǔn)確的模型——都使我們逐步接近具有潛力顯著改善患者健康結(jié)果的個(gè)性化治療策略，”Grosenick博士總結(jié)道。

(全文結(jié)束)