 软件方面的大玩家们把人工智能作为改善医疗保健的一种方式，新的计算机模型突破了早期医生发现疾病的极限，研发出快速识别分子化合物的方式，以便使用新的药物。 我们对过去一周里通过IEEE审核的模型进行了筛选，展示如下：IBM公布了一个预测心脏衰竭的计算模型;斯坦福大学报告了深度学习算法，预测了药物化合物的安全性;英特尔宣布了一项竞赛，以找到提前发现肺癌的算法。 IBM模式预测心脏衰竭IBM研究室是多国高科技巨头IBM的创新机构，其研究人员研发了一种机器学习模型，通过电子健康记录和医生笔记中收集的隐藏信号，对该模型进行优化，通常可在病人被确诊之前的两年，预测出其心脏衰竭。 心脏衰竭是一种心脏肌肉不够强大，不足以吸取足够血液来满足身体需要的慢性疾病，这种疾病很难预测，大多数人在被医院检查出来之前都不知道他们的心脏有问题。IBM计算健康研究中心项目主管胡建英表示：“当病人被诊断出结果的时候，往往已经引发了严重的后果，甚至造成不可逆转的局面。” 胡建英的团队想知道他们能否在患者结束医院治疗之前对问题进行良好预测，为了做到这一点，该小组定期对医生查房时收集的电子健康数据进行分析。她表示：“在这种情况下分析其他条件、用药和住院记录，为预测心脏失灵提供了最宝贵的信息。”此外，他们还利用自然语言处理技术从医生的笔记中采集到关键信息。 胡建英表示：“这些数据来自1万多人的健康记录。该模型在预测一年前的心力衰竭方面是非常准确的，并且也能够在两年前预测出心脏有逐渐退化的苗头，从而在治疗过程中感受到数据的力量。 该模型是由国家卫生研究所资助的为期三年的200万美元研究项目之一。为了批准通过，IBM 研究所与Sutter Health医院小组以及Geisinger Health系统的临床专家合作研究了该项目。该小组在11月份报道了其预测性模型，并在本周宣布了他们从研究中得到的其他真知灼见。 IBM计划将继续进行合作和研究，通过从更多样化的患者人群中进行更大规模的数据收集来改进模型。胡建英表示：“在该模型被应用于临床装置之前，仍有很多工作要做。IBM目前还没有将软件商业化的计划。” 斯坦福模式AI为药物发现做贡献斯坦福大学的研究人员研发了一种深度学习算法，可以利用很少的数据预测潜在药物化合物的属性。周一的《ACS Central Science》杂志对该算法进行了描述。 在研发一种新药物时，公司需花费大量时间筛选分子化合物，试图找出不同的化学成分，从而找到最安全、有效的方法。在这一过程中，所显示出来的药物属性如毒性、副作用和不稳定性，可能在临床试验或药物商业化的情况下造成严重后果。 提前预测这些属性的算法可以缩短或改进药物筛选过程，这种深入神经网络的机器学习算法已经被证明是相当不错的。比较麻烦的是，这种算法必须要使用几百甚至百万的数据来进行训练。当一家公司能够收集到大量数据的时候，它的研发人员或许已经知道他们有了一种很好候选药物。 因此斯坦福大学的化学家Vijay Pande和他的学生们研发了一种能够基于极小的数据，对药物属性做出有意义的预测的算法。为了做到这一点，他们设计了一种名为“一次性学习”的机器学习算法体系结构，该算法能够利用相关数据来预测出那些新的、极少的数据点。 标准的“一次性学习”使计算机能够识别出一中新的成分，例如，见过一只长颈鹿之后，Pande和他的学生适当调整了他们的算法，便能预测出该实验中长颈鹿身体里的分子的行为。 他们在两个数据集的基础上优化了他们的算法，一个数据是关于不同化学品的毒性信息，另一个数据是关于药品市场副作用的信息。他们发现该算法能够比随机计算更好地预测出新化合物的毒性和副作用。 Pande表示：“要知道这项技术在商业上可能引发的效果还为时过早，但围绕这项技术建立一个初创企业，或者与那些药物研发人员建立合作关系是可能的。“除了在斯坦福大学担任老师外，Pande是风险投资公司Andreessen Horowitz的普通合伙人，他负责公司在生物和计算机科学交叉领域的投资。 英特尔支持AI早期发现肺癌美国科技巨头英特尔在上周宣布了一项名为“TianChi Healthcare AI”的竞赛，旨在寻找早期发现肺癌的算法。参加比赛的人将使用计算机断层扫描(CT)和临床记录，设计出一种能够识别可疑的肺部生长(肺结节)的算法。 总部位于加州圣克拉拉的英特尔将与中国杭州的阿里巴巴云计算部门合作举办此次竞赛。肺癌是中国最普遍的癌症之一，给我国的医疗保健系统带来沉重负担，竞赛的目的是通过协助诊断过程来减轻这一负担。 为了此次竞赛，英特尔致力于Xeon和Xeon Phi处理器的研究，从而获得其算法、数学库以及为医学影像分析设计的深度学习框架软件。阿里巴巴云计算负责提供云端基础设施，位于北京的专注于肿瘤的大数据公司LinkDoc将提供高分辨率的CT扫描。 据英特尔称，比赛获胜者将获得一百万人民币，约14.5万美元。比赛结果将于今年9月份公布。 |
|
|
