人工智能在生物医学领域大有作为,谷歌AI预测病

2019-09-07 20:03栏目:金沙国际官网

金沙国际官网,图片来源:

在测试中,人工智能被要求完成三项诊断任务:鉴别角化细胞癌、鉴别黑色素瘤,以及使用皮肤镜图像对黑色素瘤进行分类。研究者通过建构敏感性-特异性曲线对算法的表现进行衡量。敏感性体现了算法正确识别恶性病变的能力,特异性体现了算法正确识别良性病变,即不误诊为癌症的能力。在所有三项任务中,该人工智能表现与人类皮肤科医生不相上下,敏感性达到91%。

据美国侨报网报道,日前,谷歌新出炉的一项研究报告称,该公司已开发出一种新人工智能算法,可预测人的死亡时间,且准确率高达95%。最近,谷歌的这项研究发表在了《自然》杂志上。 据报道,这项AI技术对医院患者面临的一系列临床问题进行了测试。在研究中,谷歌对来自两个医疗中心至少21.6万名成人患者,应用了这一AI技术,测试时间至少为24个小时。研究人员从电子健康记录中获取了大量数据。 研究人员在报告中解释说:“我们有兴趣了解深度机器学习算法能否在广泛的临床问题和结果中产生有效的预测。因此,我们选择了来自不同领域的结果,包括一项重要的临床结果——死亡、一项衡量护理质量的标准——再入院、一项资源利用率——住院时间和一项检测病人病情的度量——诊断。” 这项理论性证据研究发现,该算法可准确地预测病人的死亡风险、再入院,延长住院时间和出院诊断。在所有情况下,该算法都被证明比以前公布的算法更精确。据加州大学旧金山卫生系统的数据显示,该AI算法在预测患者死亡率方面有95%的准确率,而来自芝加哥大学医学系统的数据显示,其准确率为93%。 此外,该AI算法在早期预警评分上,也明显比传统预测模式更精确,这将有助于帮助医生确定病人的病情和治疗方案。研究显示,该算法在病情预测方面,加州大学、旧金山卫生系统的准确率为85%,而在芝加哥大学医学系统中准确率为83%。 近来,围绕应用人工智能的潜在益处和风险,正在经历激烈争论。从网络安全风险到所谓的“末日”机器,AI技术被认为,虽然能推动经济增长,但也可能会是一项具有潜在破坏力的技术。而专家们也正在权衡AI可能导致的长期影响。但在医疗保健领域,越来越多的人认为利用人工智能是一种很好的方法。

虽然谷歌的人工智能在预测死亡方面可能并不完美,但随着更多数据的“传授”,它将表现得更好。因此,如果这一突破性的医疗技术得到改进,就可以减少医疗中的人为失误,从而挽救更多的生命。谷歌的人工智能技术可以帮助医疗专业人员改善诊断,做出更好的决策,最终提高治愈患者的护理水平。

这种用于检测可发病的糖尿病性视网膜病(RDR/referable diabetic retinopathy,即中度和更糟糕的糖尿病性视网膜病)、可发病的糖尿病性黄斑水肿或同时两者的算法的灵敏度和特异性是基于眼科专家小组中大多数决策的参考标准。该算法在为两个开发集所选择的 2 个操作点上进行了评估,其中一个是为高特异性选择的,另一个则是为高灵敏度选择的。

原标题:谷歌AI预测病人死亡日期 准确率高达95%

为了获得他们需要的数据,他们要求49名志愿者闻一闻一组精心挑选的分子,每种分子装在一个小瓶子里。可能存在的气味数量几乎是无止境的---尽管人类感知光线和声音的限制是大家熟知 的,但是还没有为气味建立这样的边界。因此,在探究我们的嗅觉的全部范围的努力中,Keller收集了476种不同的分子,它们中的很多分子之前从没有在嗅觉研究中接受过测试。

所以,下次你去医院的时候,请询问他们是否能根据你的记录运行AI算法,并评估你的生存几率吗? 返回搜狐,查看更多

7.谷歌研发人工智能眼科医生:用深度学习诊断预防失明doi:10.1001/jama.2016.17216

2018-09-11 15:39:39 作者:刘文广

来自美国休斯顿的研究人员最近开发出一个人工智能软件能够准确解读乳腺X线影像结果,帮助医生快速准确预测乳腺癌风险。根据这项发表在国际学术期刊Cancer上的最新研究,这套计算机软件能够直观地将病人的图像结果翻译成诊断信息,速度是人类的30倍,准确率高达99%。

谷歌在2018年5月的一篇期刊文章中公布了试验人工智能死亡预测的结果。该系统通过收集患者的各种细节数据来工作,如年龄、性别、种族、以前的诊断、目前的体征和实验室结果。更重要的是,该系统还可以利用图表和pdf格式的数据进行预测。在对算法进行测试后,谷歌发现它可以以惊人的准确率95%进行死亡预测,比传统模型的准确率高出10%。在其中一个案例研究中,谷歌AI软件对一名女性转移性癌症患者的记录进行了大约17.6万个数据点的处理,并宣称她在医院里有19.9%的死亡几率。医院的医生给了她9.3%的死亡几率。正如人工智能软件预测的那样,这名女子在两周内死亡。

研发者们是以谷歌的一个能在128万张图像中识别1000种物体的算法为蓝本进行加工。谷歌的这个算法原本是用来区分喵星人和汪星人的,现在,研究者们需要训练它区别良性脂溢性角化病(benign seborrheic keratosis)和角化细胞癌(keratinocyte carcinomas)、普通的痣和恶性黑色素瘤。

金沙国际官网 1

图片来自H. Zhang et al., Science Translational Medicine, doi:10.1126/scitranslmed.aaf9209。

【中关村在线新闻资讯】9月11日消息,谷歌开发智能系统,与加州旧金山大学、芝加哥大学和斯坦福大学的专家合作。令人惊讶的是,谷歌声称人工智能能够比医生使用的其他传统模型更准确地预测病人何时死亡。

Aczon和Ledbetter都在一个名为“虚拟PICU”的医院研究部门内工作。在这里,他们和那些渴望看到操作上有改进的临床医生合作,共同开发这个人工智能系统。Aczon说:“他们的观点是,在ICU里,医患之间的接触一直在发生,并产生数据。我们有道德责任从这些病例中学习,并将所学到的经验来更好地治疗接下来的患者。”

责任编辑:

儿科重症监护室内的场景,总是让人心痛。在洛杉矶儿童医院,数据科学家Melissa Aczon和David Ledbetter提出了一种人工智能系统,这个系统可以让医生们更好地了解哪些孩子的病情可能会恶化。

算法诊断不同数量的角化细胞和黑色素细胞图片时的敏感性,均在91%以上。除了媲美人类医生的诊断敏感性之外,该算法还有一大亮点,它的敏感性是可以调节的。研究者可以依据想要的诊断效果对敏感性进行调整。

在你看到一种颜色之前,你能够仅根据光的波长预测它。音乐无需亲耳听见而能够仅根据乐谱上的音符加以理解。但是气味不是这样的。辨别一种东西闻起来像是玫瑰味、松脂味、汽油味还 是海风般清新的唯一方法是闻它。

他们选出了129450张皮肤病变图片,其中包含2032种不同的疾病。每张照片是作为一个带有相关疾病标签的像素输入进算法的。这样,研发者省去了许多前期的图像分组工作,大大提高了数据量。

10.人工智能助力癌细胞活体检测 新闻来源:AI Boosts Cancer Screens to Nearly 100 Percent Accuracy

2016年4月份,在捷克首都布拉格举行的国际生物医学成像国际研讨会上,一组来自哈佛大学的科学家们,展示了他们最新的研究成果。该研讨会组织了一次利用计算机模型来进行病理检测的竞赛。组织者们选择的病理活体组织检测基于前哨淋巴结活检。哈佛大学组的基于机器学习模型的分辨方法,可以在人类乳腺癌细胞组织中,成功区分开正常的组织细胞和乳腺癌细胞,其分辨的成功率达到了惊人的92%,远超出其他的机器学习模型。然而人类依然有着天然的优势。病原学专家进行活体组织检测,可以区分开正常组织细胞和癌细胞,其准确率则高达96%。在该研讨会上,来自哈佛大学的研究人员还展示了机器学习的人工智能模型与人类专家的协作,在组织细胞活体检测上面能够有99.5%的准确率。

随着人工智能技术的快速崛起,基于人工智能的癌症筛选也获得了长足的进步。科学家们利用人工智能技术,可以高效区分出普通的健康细胞和癌变的细胞,其准确率不亚于一个专业训练的病原学专家。

作为一类慢性中枢神经疾病,阿兹海默病越来越严重地影响了现代社会。2015 年,全世界约有 3000 多万人被诊断患有这种疾病。因为需要花费巨大人力物力来妥善护理病人,它也给世界各地的卫生保健系统带来了很大的经济负担。虽然目前没有已知的方法在晚期病例阶段中制止该疾病的恶化,但有证据表明,如果早期发现,相应治疗有望使疾病进展获得减慢或停止。所以,如何找到一种可靠的方法来提早发现那些有可能具备疾病风险的潜在病人,逐步成为医学研究和临床护理的重要目标。

在DREAM挑战结束时,这些研究人员利用他们拥有的对69种分子的评分测试了这种综合模型的性能。将气味属性与分子匹配在一起的完美分数是1.0;这种综合模型得分为0.83,显着好于之前 为解决这个问题作出的任何尝试。

值得一提的是对于反应后颜色的识别不是人为的去看,而是机器自己识别。研发团队为了减少人为识别带来的误差,开发了一套机器学习算法自动识别颜色的变化,同时为了验证算法的准确性,研究人员先用经典凝胶卡片法鉴定3550例血液样本,再通过优化参数操作,算法模型准确的测出这3550例血液的血型。同时在另一项试验中,研究人员取600个血液样本,15个无效样本,机器学习模型100%识别出15个无效样本。这种方式不仅方便、快捷、而且成本很低适宜推广,要想实现产业化,该方法稍加改造就可成为一个低成本和强大的通用血型鉴定平台。

近,全球范围的科学家们都在欢庆人工智能50周年华诞。1943年,由McCulloch,Pitts和Wiener等科学家发表的关于生物控制论和仿生学的科技论文奠定了人工智能的理论基础。从那以后,一些科研团体热衷于从物理学、数学和工程计算中探寻生物学的踪迹,探索目的主要有两个,一是试图从工程研究中获取一些新的概念和灵感;二是物理学、工程学和计算学中的概念和相关技术,很好地帮助神经科学家们理解生物系统的功能。

在这项成人的糖尿病性视网膜眼底照片的评估中,基于深机器学习的算法对可疑糖尿病性视网膜病变检测时具有高灵敏度和特异性。 进一步的研究是必要的,这将确认此算法应用在临床中的可行性,并确定与目前的眼科评估相比是否使用该算法可以改善治疗和诊断结果。

1943年,由McCulloch,Pitts和Wiener等科学家发表的关于生物控制论和仿生学的科技论文奠定了人工智能的理论基础。从那以后,一些科研团体热衷于从物理学、数学和工程计算中探寻生物学的踪迹,探索目的主要有两个,一是试图从工程研究中获取一些新的概念和灵感;二是物理学、工程学和计算学中的概念和相关技术,很好地帮助神经科学家们理解生物系统的功能。

首先,人工智能算法必须自我训练。模型使用 78% 的数据来搜索模式并构建它们自己的内部"指导方针〃。然后使用剩余的记录对自己进行测试。在使用 2005 年的可用记录数据后,系统能预测在未来十年内哪些患者会首次发生心脑血管疾病,然后再使用 2015 年的记录检查预测结果。与 ACC/AHA 指导方针不同,机器学习方法可考虑超过 22 个的特征,包括民族、关节炎和肾脏疾病等。

最好的解决方法并没有出现在任何单个模型中。为了利用众人的智慧,DREAM挑战通常将每个人提交的模型合并到一个综合模型中。这个综合模型经常要比任何单个模型 更加强大。

1.人工智能预测阿兹海默病风险,准确率超 84%原始论文:Predicting Cognitive Decline with Deep Learning of Brain Metabolism and Amyloid

所有 4 种人工智能方法的表现都优于 ACC/AHA 指导方针。我们使用 AUC的统计量,ACC/AHA 指导方针达到 0.728,而 4 种人工智能方法的精确度在 0.745 到 0.764 之间,Weng 的团队这个月在 PLOS ONE 报告了这一成果。最好的神经网络方法的精确与测量不仅比 ACC/AHA 指导方针多出 7.6%,同时还减少了 1.6% 的错误预警。在大约有 83000 条记录的测试样本中,这相当于多挽救了 355 名额外的患者。Weng 说,这是因为预警通常就会导致患者通过服用降低胆固醇的药物或改变饮食进行预防。

版权声明:本文由金沙国际登录网址发布于金沙国际官网,转载请注明出处:人工智能在生物医学领域大有作为,谷歌AI预测病