美國英語科技與健康

2024-12-18 05:00:00閱讀時長4分鐘1880字

AI工具醫(yī)療保健強化學習EpisodesofCare基準測試慢性疾病精神疾病卷積神經(jīng)網(wǎng)絡圖數(shù)據(jù)

強化學習（Reinforcement Learning, RL）是一種人工智能方法，有潛力指導醫(yī)生設計連續(xù)治療策略，以改善患者預后，但需要在臨床應用前進行顯著改進。這是由威爾康奈爾醫(yī)學院（Weill Cornell Medicine）和洛克菲勒大學（Rockefeller University）研究人員的一項新研究發(fā)現(xiàn)的。

RL是一類能夠在一段時間內(nèi)做出一系列決策的機器學習算法。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、檢查結(jié)果和之前的治療反應，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疾病或精神疾病的管理決策。

這項研究發(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日進行了介紹，首次引入了“Episodes of Care”（EpiCare），這是首個用于醫(yī)療保健的RL基準測試工具?！盎鶞蕼y試已經(jīng)推動了計算機視覺、自然語言處理、語音識別和自動駕駛汽車等機器學習應用的改進。我們希望它們現(xiàn)在能推動醫(yī)療保健領域的RL進步，”領導該研究的精神病學神經(jīng)科學助理教授Logan Grosenick博士說。

RL代理基于收到的反饋逐步優(yōu)化其行為，逐漸學習一種增強其決策制定能力的策略?！叭欢?，我們的研究發(fā)現(xiàn)，盡管當前的方法很有前景，但它們非常依賴數(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)實的模擬治療案例中訓練后才達到這一水平。在現(xiàn)實世界中，RL方法不會直接在患者身上進行訓練，因此研究者接下來評估了五種常見的“離線策略評估”（Off-Policy Evaluation, OPE）方法：這些方法旨在利用歷史數(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。使用EpiCare，他們發(fā)現(xiàn)最先進的OPE方法在醫(yī)療保健數(shù)據(jù)中始終無法準確表現(xiàn)。

“我們的研究結(jié)果表明，目前最先進的OPE方法不能被信任準確預測縱向醫(yī)療保健情景中的強化學習表現(xiàn)，”第一作者Mason Hargrave博士說，他是洛克菲勒大學的研究員。隨著OPE方法在醫(yī)療保健應用中的討論越來越多，這一發(fā)現(xiàn)突顯了開發(fā)更準確的基準測試工具（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在醫(yī)療保健環(huán)境中更可靠地評估強化學習，并幫助加速適合醫(yī)療應用的更好RL算法和訓練協(xié)議的開發(fā)，”Grosenick博士說。

適應卷積神經(jīng)網(wǎng)絡以解釋圖數(shù)據(jù)

在同一天的另一篇NeurIPS論文中，Grosenick博士分享了他關于將廣泛用于處理圖像的卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks, CNNs）適應更一般的圖結(jié)構數(shù)據(jù)（如大腦、基因或蛋白質(zhì)網(wǎng)絡）的研究。2010年代初期，CNN在圖像識別任務中的廣泛應用為“深度學習”奠定了基礎，并開啟了現(xiàn)代神經(jīng)網(wǎng)絡驅(qū)動的AI應用時代。CNN在許多應用中都有使用，包括面部識別、自動駕駛汽車和醫(yī)學圖像分析。

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

大腦網(wǎng)絡通常表示為圖，其中腦區(qū)（用頂點表示）通過連接它們并代表它們之間強度的“邊”向其他腦區(qū)傳播信息?；蚝偷鞍踪|(zhì)網(wǎng)絡、人類和動物的行為數(shù)據(jù)以及藥物等化學化合物的幾何形狀也是如此。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系和模式。

當時在Grosenick實驗室的研究助理Isaac Osafo Nkansah是這篇論文的第一作者，他幫助開發(fā)了將CNN推廣到圖的Quantized Graph Convolutional Networks（QuantNets）框架。“我們現(xiàn)在正在使用它來建?；颊叩腅EG（電腦活動）數(shù)據(jù)。我們可以在頭皮上放置一個256個傳感器的網(wǎng)絡來讀取神經(jīng)元活動——這就是一個圖，”Grosenick博士說?！拔覀冋趯⑦@些大圖簡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迫癥治療時動態(tài)腦連接的變化?！?/p>

研究人員預見了QuantNets的廣泛適用性。例如，他們還在研究使用圖結(jié)構的姿態(tài)數(shù)據(jù)來跟蹤小鼠模型和提取自計算機視覺的人類面部表情的行為。

“雖然我們在將尖端AI方法應用于患者護理時仍在應對安全性和復雜性，但每一步前進——無論是新的基準測試框架還是更準確的模型——都使我們逐步接近具有潛力顯著改善患者健康結(jié)果的個性化治療策略，”Grosenick博士總結(jié)道。

(全文結(jié)束)

相關知識

AI代理如何革新醫(yī)療保健
醫(yī)療健康領域里有哪些AI工具？
AI驅(qū)動醫(yī)療革新：開啟數(shù)字健康新時代的必備工具和應用解析
AI正在變革現(xiàn)代醫(yī)療方式
AI驅(qū)動醫(yī)療革新：開啟數(shù)智健康新時代
AI驅(qū)動醫(yī)療革新：數(shù)智健康新時代的機遇與挑戰(zhàn)
AI驅(qū)動醫(yī)療變革：迎接數(shù)智健康時代的新挑戰(zhàn)與機遇
微軟推出全新醫(yī)療保健AI工具：幫助減輕醫(yī)生和護士工作量
科技創(chuàng)新世界潮丨AI正在變革現(xiàn)代醫(yī)療方式
革新生物醫(yī)學數(shù)據(jù)共享和AI驅(qū)動的醫(yī)療解決方案

網(wǎng)址: AI工具革新醫(yī)療保健 http://m.gysdgmq.cn/newsview1532026.html