首页 > 资讯 > 开发用于医疗保健的人工智能工具

开发用于医疗保健的人工智能工具

泰然健康网
2025-07-10 08:32

开发用于医疗保健的人工智能工具

Developing Artificial Intelligence Tools for Health Care

美国英语科技与健康

新闻源：WCM Newsroom

2024-12-17 22:00:00阅读时长4分钟1840字

医疗保健人工智能强化学习护理周期离线策略评估卷积神经网络图数据个性化患者护理健康结果

强化学习（Reinforcement Learning，RL）是一种人工智能方法，有潜力指导医生设计连续的治疗策略，以实现更好的患者结果，但需要显著改进才能应用于临床环境。这是由威尔康奈尔医学院和洛克菲勒大学研究人员进行的一项新研究发现的结果。

强化学习是一类能够在一段时间内做出一系列决策的机器学习算法。它负责最近的人工智能进展，包括在国际象棋和围棋中超越人类的表现。RL可以利用不断变化的患者状况、测试结果和之前的治疗反应，建议个性化患者护理的下一步最佳行动。这种方法特别适用于慢性病或精神疾病的管理决策。

该研究发表在《神经信息处理系统会议论文集》（Proceedings of the Conference on Neural Information Processing Systems，NeurIPS）上，并于12月13日进行了展示，介绍了“护理周期”（Episodes of Care，EpiCare），这是第一个用于医疗保健的RL基准。

“基准已经在计算机视觉、自然语言处理、语音识别和自动驾驶汽车等机器学习应用中推动了改进。我们希望它们现在能推动医疗保健领域的RL进步，”领导这项研究的威尔康奈尔医学院精神病学神经科学助理教授Logan Grosenick博士说。

RL代理根据收到的反馈逐步优化其行为，逐渐学习一种增强其决策能力的策略。“然而，我们的研究结果表明，尽管当前的方法很有前景，但它们极其依赖数据，”Grosenick博士补充道。

研究人员首先测试了五种最先进的在线RL模型在EpiCare上的表现。所有五种模型都超过了标准护理基线，但在数千或数万个现实模拟治疗周期的训练后才达到这一效果。在现实世界中，RL方法永远不会直接在患者身上进行训练，因此研究人员接下来评估了五种常见的“离线策略评估”（Off-Policy Evaluation，OPE）方法：这些方法旨在使用历史数据（如临床试验数据）来避免在线数据收集的需要。通过EpiCare，他们发现最先进的OPE方法在医疗保健数据上始终无法准确执行。

“我们的研究结果表明，目前最先进的OPE方法不能被信任来准确预测纵向医疗保健情景中的强化学习性能，”第一作者、洛克菲勒大学的研究员Mason Hargrave博士说。随着OPE方法在医疗保健应用中的讨论越来越多，这一发现强调了开发更准确的基准工具（如EpiCare）的必要性，以审计现有的RL方法并提供衡量改进的指标。

“我们希望这项工作能够促进医疗保健环境中强化学习的更可靠评估，并帮助加速适用于医疗应用的更好RL算法和训练协议的开发，”Grosenick博士说。

适应卷积神经网络以解释图数据

在同一天的另一篇NeurIPS论文中，Grosenick博士分享了他关于将广泛用于处理图像的卷积神经网络（Convolutional Neural Networks，CNNs）适应更一般的图结构数据（如脑、基因或蛋白质网络）的研究。2010年代早期，CNNs在图像识别任务中的广泛应用为“深度学习”奠定了基础，并开启了现代神经网络驱动的人工智能应用时代。CNNs被广泛应用于面部识别、自动驾驶汽车和医学图像分析等领域。

“我们经常需要分析类似于图的神经影像数据，这些数据具有顶点和边，而不像图像。但我们意识到，没有真正等同于CNNs和深度CNNs的工具可用于图结构数据，”Grosenick博士说。

脑网络通常表示为图，其中脑区域（表示为顶点）沿连接它们并表示它们之间强度的“边”向其他脑区域传播信息。这同样适用于基因和蛋白质网络、人类和动物的行为数据以及药物等化学化合物的几何结构。通过直接分析这些图，我们可以更准确地建模局部和远距离连接之间的依赖关系和模式。

当时在Grosenick实验室的研究助理Isaac Osafo Nkansah是该研究的第一作者，他帮助开发了Quantized Graph Convolutional Networks（QuantNets）框架，该框架将CNNs推广到图数据。“我们现在正在使用它来建模患者的EEG（脑电活动）数据。我们可以在头皮上放置256个传感器来读取神经元活动——这是一个图，”Grosenick博士说。“我们正在将这些大图简化为更可解释的组件，以更好地理解患者在接受抑郁症或强迫症治疗时动态脑连接的变化。”

研究人员预见QuantNets将有广泛的应用。例如，他们还在研究图结构姿态数据以跟踪小鼠模型和通过计算机视觉提取的人类面部表情的行为。

“虽然我们仍在应对将尖端AI方法应用于患者护理的安全性和复杂性，但每一步前进——无论是新的基准框架还是更准确的模型——都在逐步推动个性化治疗策略的发展，这些策略有潜力显著改善患者的健康结果，”Grosenick博士总结道。

(全文结束)