兩項研究評估用于醫(yī)療保健的人工智能工具的發(fā)展

美國英語科技與健康

2024-12-18 05:00:00閱讀時長4分鐘1879字

醫(yī)療保健人工智能強化學習EpiCare離線策略評估卷積神經(jīng)網(wǎng)絡(luò)圖結(jié)構(gòu)數(shù)據(jù)患者護理健康結(jié)果

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(shè)計連續(xù)治療策略，以實現(xiàn)更好的患者結(jié)果。然而，一項由威爾康奈爾醫(yī)學院和洛克菲勒大學研究人員進行的新研究發(fā)現(xiàn)，該方法在應用于臨床環(huán)境之前仍需顯著改進。

強化學習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。它負責近期的人工智能進展，包括在國際象棋和圍棋中超越人類的表現(xiàn)。強化學習可以利用患者病情的變化、測試結(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步驟。這種方法特別適用于慢性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，提出了“護理階段”（Episodes of Care, EpiCare），這是第一個針對醫(yī)療保健的強化學習基準。

“基準測試已經(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(lǐng)域的強化學習進步，”研究負責人、精神病學神經(jīng)科學助理教授Logan Grosenick博士說。

強化學習代理基于收到的反饋不斷優(yōu)化其行動，逐漸學習一種增強其決策能力的策略?！叭欢覀兊难芯堪l(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強化學習模型在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)實模擬治療階段的訓練后才達到這一效果。在現(xiàn)實世界中，強化學習方法永遠不會直接在患者身上進行訓練，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)上始終無法準確表現(xiàn)。

“我們的研究結(jié)果表明，目前最先進的OPE方法不能被信賴準確預測縱向醫(yī)療保健情景中的強化學習性能，”第一作者、洛克菲勒大學研究員Mason Hargrave博士說。隨著OPE方法越來越多地被討論用于醫(yī)療保健應用，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)有的強化學習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)境中強化學習的更可靠評估，并幫助加速開發(fā)更適合醫(yī)療應用的更好強化學習算法和培訓協(xié)議，”Grosenick博士說。

適應卷積神經(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年代早期，CNNs在圖像識別任務中的廣泛應用為“深度學習”奠定了基礎(chǔ)，并開啟了現(xiàn)代神經(jīng)網(wǎng)絡(luò)驅(qū)動的人工智能應用時代。CNNs被用于許多應用，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)，例如具有頂點和邊的神經(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，當時并沒有真正相當于CNNs和深度CNNs的工具可用于圖結(jié)構(gòu)數(shù)據(jù)，”Grosenick博士說。

大腦網(wǎng)絡(luò)通常表示為圖，其中大腦區(qū)域（表示為頂點）通過“邊”向其他大腦區(qū)域傳遞信息，這些邊連接并代表它們之間的強度。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)以及藥物等化學化合物的幾何形狀。通過直接分析這些圖，我們可以更準確地建模局部和更遠距離連接之間的依賴關(guān)系和模式。

當時在Grosenick實驗室的研究員Isaac Osafo Nkansah是該研究的第一作者，他幫助開發(fā)了量化圖卷積網(wǎng)絡(luò)（Quantized Graph Convolutional Networks, QuantNets）框架，該框架將CNNs推廣到圖結(jié)構(gòu)數(shù)據(jù)。

“我們現(xiàn)在正在將其用于建?；颊叩腅EG（腦電活動）數(shù)據(jù)。我們可以在頭皮上放置一個由256個傳感器組成的網(wǎng)絡(luò)來讀取神經(jīng)元活動——這就是一個圖，”Grosenick博士說。“我們正在將這些大型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)栽趯Ш綄⒓舛薃I方法應用于患者護理的安全性和復雜性，但每一步前進——無論是新的基準框架還是更準確的模型——都使我們逐步接近能夠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(guān)知識

【人工智能】8 位專家探討人工智能在醫(yī)療保健領(lǐng)域的應用
推動人工智能醫(yī)療器械研發(fā)上市
人工智能與醫(yī)療健康產(chǎn)業(yè)系列研究之七：人工智能醫(yī)用軟件的注冊及監(jiān)管問題
人工智能輔助病理學家工具連接臨床研究與臨床護理
“人工智能+”醫(yī)療新范式 賦能行業(yè)創(chuàng)新發(fā)展
基于人工智能技術(shù)的心理健康狀態(tài)識別系統(tǒng)設(shè)計研究
慢性病患者疾病適應評估工具的研究進展
研究人員使用人工智能優(yōu)化算法評估電池健康狀況
人工智能在醫(yī)療健康領(lǐng)域中的應用
健康教育文本材料評估工具研究進展

網(wǎng)址: 兩項研究評估用于醫(yī)療保健的人工智能工具的發(fā)展 http://www.gysdgmq.cn/newsview1532018.html