開發(fā)用于醫(yī)療保健的人工智能工具

美國英語科技與健康

2024-12-17 22:00:00閱讀時長4分鐘1840字

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

強化學(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)計連續(xù)的治療策略，以實現(xiàn)更好的患者結(jié)果，但需要顯著改進才能應(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)研究人員進行的一項新研究發(fā)現(xiàn)的結(jié)果。

強化學(xué)習(xí)是一類能夠在一段時間內(nèi)做出一系列決策的機器學(xué)習(xí)算法。它負責最近的人工智能進展，包括在國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、測試結(jié)果和之前的治療反應(yīng)，建議個性化患者護理的下一步最佳行動。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)會議論文集》（Proceedings of the Conference on Neural Information Processing Systems，NeurIPS）上，并于12月13日進行了展示，介紹了“護理周期”（Episodes of Care，EpiCare），這是第一個用于醫(yī)療保健的RL基準。

“基準已經(jīng)在計算機視覺、自然語言處理、語音識別和自動駕駛汽車等機器學(xué)習(xí)應(yīng)用中推動了改進。我們希望它們現(xiàn)在能推動醫(yī)療保健領(lǐng)域的RL進步，”領(lǐng)導(dǎo)這項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。

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)一種增強其決策能力的策略?！叭欢?，我們的研究結(jié)果表明，盡管當前的方法很有前景，但它們極其依賴數(shù)據(jù)，”Grosenick博士補充道。

研究人員首先測試了五種最先進的在線RL模型在EpiCare上的表現(xiàn)。所有五種模型都超過了標準護理基線，但在數(shù)千或數(shù)萬個現(xiàn)實模擬治療周期的訓(xùn)練后才達到這一效果。在現(xiàn)實世界中，RL方法永遠不會直接在患者身上進行訓(xùn)練，因此研究人員接下來評估了五種常見的“離線策略評估”（Off-Policy Evaluation，OPE）方法：這些方法旨在使用歷史數(shù)據(jù)（如臨床試驗數(shù)據(jù)）來避免在線數(shù)據(jù)收集的需要。通過EpiCare，他們發(fā)現(xiàn)最先進的OPE方法在醫(yī)療保健數(shù)據(jù)上始終無法準確執(zhí)行。

“我們的研究結(jié)果表明，目前最先進的OPE方法不能被信任來準確預(yù)測縱向醫(yī)療保健情景中的強化學(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。隨著OPE方法在醫(yī)療保健應(yīng)用中的討論越來越多，這一發(fā)現(xiàn)強調(diào)了開發(fā)更準確的基準工具（如EpiCare）的必要性，以審計現(xiàn)有的RL方法并提供衡量改進的指標。

“我們希望這項工作能夠促進醫(yī)療保健環(huán)境中強化學(xué)習(xí)的更可靠評估，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。

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)動的人工智能應(yīng)用時代。CNNs被廣泛應(yīng)用于面部識別、自動駕駛汽車和醫(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)具有頂點和邊，而不像圖像。但我們意識到，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。

腦網(wǎng)絡(luò)通常表示為圖，其中腦區(qū)域（表示為頂點）沿連接它們并表示它們之間強度的“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)。通過直接分析這些圖，我們可以更準確地建模局部和遠距離連接之間的依賴關(guān)系和模式。

當時在Grosenick實驗室的研究助理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)?！拔覀儸F(xiàn)在正在使用它來建?；颊叩腅EG（腦電活動）數(shù)據(jù)。我們可以在頭皮上放置256個傳感器來讀取神經(jīng)元活動——這是一個圖，”Grosenick博士說?！拔覀冋趯⑦@些大圖簡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迫癥治療時動態(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計算機視覺提取的人類面部表情的行為。

“雖然我們?nèi)栽趹?yīng)對將尖端AI方法應(yīng)用于患者護理的安全性和復(fù)雜性，但每一步前進——無論是新的基準框架還是更準確的模型——都在逐步推動個性化治療策略的發(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)

相關(guān)知識

智慧醫(yī)療中的人工智能——用于改善健康醫(yī)療實踐
【人工智能】8 位專家探討人工智能在醫(yī)療保健領(lǐng)域的應(yīng)用
人工智能與長壽：人工智能如何改變醫(yī)療保健
智慧醫(yī)療人工智能的應(yīng)用.ppt
醫(yī)療保健領(lǐng)域的人工智能: 使用案例和技術(shù)
人工智能工具如何塑造醫(yī)療保健和護理的未來
醫(yī)療+人工智能的創(chuàng)新應(yīng)用
用于醫(yī)療保健模擬的人工智能驅(qū)動的嚴肅游戲?qū)崟r設(shè)計
人工智能如何改變醫(yī)療保健
人工智能：醫(yī)生的玩具、工具還是替代品？

網(wǎng)址: 開發(fā)用于醫(yī)療保健的人工智能工具 http://m.gysdgmq.cn/newsview1532020.html