首页 > 资讯 > AI工具革新医疗保健

AI工具革新医疗保健

泰然健康网
2025-07-10 08:32

AI Tools Revolutionize Health Care

美国英语科技与健康

新闻源：Armed robbery in Revesby

2024-12-18 05:00:00阅读时长4分钟1880字

AI工具医疗保健强化学习EpisodesofCare基准测试慢性疾病精神疾病卷积神经网络图数据

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治疗策略，以改善患者预后，但需要在临床应用前进行显著改进。这是由威尔康奈尔医学院（Weill Cornell Medicine）和洛克菲勒大学（Rockefeller University）研究人员的一项新研究发现的。

RL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、检查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疾病或精神疾病的管理决策。

这项研究发表在《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日进行了介绍，首次引入了“Episodes of Care”（EpiCare），这是首个用于医疗保健的RL基准测试工具。“基准测试已经推动了计算机视觉、自然语言处理、语音识别和自动驾驶汽车等机器学习应用的改进。我们希望它们现在能推动医疗保健领域的RL进步，”领导该研究的精神病学神经科学助理教授Logan Grosenick博士说。

RL代理基于收到的反馈逐步优化其行为，逐渐学习一种增强其决策制定能力的策略。“然而，我们的研究发现，尽管当前的方法很有前景，但它们非常依赖数据，”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的模拟治疗案例中训练后才达到这一水平。在现实世界中，RL方法不会直接在患者身上进行训练，因此研究者接下来评估了五种常见的“离线策略评估”（Off-Policy Evaluation, OPE）方法：这些方法旨在利用历史数据（如临床试验数据）来避免在线数据收集的需要。使用EpiCare，他们发现最先进的OPE方法在医疗保健数据中始终无法准确表现。

“我们的研究结果表明，目前最先进的OPE方法不能被信任准确预测纵向医疗保健情景中的强化学习表现，”第一作者Mason Hargrave博士说，他是洛克菲勒大学的研究员。随着OPE方法在医疗保健应用中的讨论越来越多，这一发现突显了开发更准确的基准测试工具（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在医疗保健环境中更可靠地评估强化学习，并帮助加速适合医疗应用的更好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（如大脑、基因或蛋白质网络）的研究。2010年代初期，CNN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AI应用时代。CNN在许多应用中都有使用，包括面部识别、自动驾驶汽车和医学图像分析。

“我们经常需要分析类似于图的数据，例如顶点和边构成的神经影像数据，而不是像图像那样的数据。但我们意识到，没有真正等同于CNN和深度CNN的工具可用于图结构数据，”Grosenick博士说。

大脑网络通常表示为图，其中脑区（用顶点表示）通过连接它们并代表它们之间强度的“边”向其他脑区传播信息。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形状也是如此。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是这篇论文的第一作者，他帮助开发了将CNN推广到图的Quantized Graph Convolutional Networks（QuantNets）框架。“我们现在正在使用它来建模患者的EEG（电脑活动）数据。我们可以在头皮上放置一个256个传感器的网络来读取神经元活动——这就是一个图，”Grosenick博士说。“我们正在将这些大图简化为更具可解释性的组件，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。”

研究人员预见了QuantNets的广泛适用性。例如，他们还在研究使用图结构的姿态数据来跟踪小鼠模型和提取自计算机视觉的人类面部表情的行为。

“虽然我们在将尖端AI方法应用于患者护理时仍在应对安全性和复杂性，但每一步前进——无论是新的基准测试框架还是更准确的模型——都使我们逐步接近具有潜力显著改善患者健康结果的个性化治疗策略，”Grosenick博士总结道。

(全文结束)