医疗保健|处理和分析数据的能力的改进,推动了医疗领域AI技术的快速发展

医疗保健|处理和分析数据的能力的改进,推动了医疗领域AI技术的快速发展

文章图片

医疗保健|处理和分析数据的能力的改进,推动了医疗领域AI技术的快速发展

文章图片

医疗保健|处理和分析数据的能力的改进,推动了医疗领域AI技术的快速发展

文章图片


大量的医疗保健数据加上存储、处理和分析此类数据的能力得到改进 , 推动了医疗领域人工智能(AI)技术的快速发展 。 一项文章总结了越来越多的同行评审出版物 , 这些出版物涉及人工智能算法在医学中的开发和使用 , 并强调需要额外的进步和证据才能有效地将这些创新转化为实践 。 2018年 , 人工智能研究人员解决了将人工智能实际应用于健康领域的一些最重大挑战 , 例如不完整和不一致的数据以及跨机构访问和分析敏感医疗数据集的需要 。

国际医学信息学协会年鉴被改编为“健康中的人工智能:新机遇、挑战和实践意义”的特别章节主题 。 2018年 , 研究人员发表了人工智能科学方面的有希望的进展 , 以解决其在健康方面的应用所面临的一些最重大挑战 。 两篇最好的论文通过结合领域知识来限制学习空间来提高学习方法的性能 。 阿尔伯斯等人将航空应用中常用的数据同化技术重新引入到预测2型糖尿病血糖值的问题中 。

在这项研究中 , 他们将机器学习与内分泌生理模型相结合 , 以做出准确的血糖水平预测 , 生成产生预期结果的建议 , 并学习模型参数来表示表型 。 这种方法允许使用稀疏数据进行准确预测 , 这在医疗保健中很常见 , 并通过可解释性支持信任 。 作者强调需要多学科生物医学信息学管道 , 以将数据同化应用于医学领域 。 奥克泰等人提出了一种新策略来训练神经网络 , 使用受全局解剖知识约束的堆叠自动编码器从心脏成像数据中学习基础解剖结构 。

在这项研究中 , 利用解剖知识而不是生理知识来展示使用多模态磁共振成像(MRI)和超声数据集的图像分割任务的出色性能 。 重要的是 , 这种方法能够克服非常常见的运动伪影和缺乏内部一致性的问题 , 这限制了许多图像解释方法 。 此外 , 尽管该方法是为分割而设计的 , 但该算法在病理分类中表现出良好的性能 。 第三篇最佳论文解决了在跨机构分布的数据集中应用学习模型的挑战性任务 。

Lee等人提出了一种新颖的隐私保护分析平台 , 用于联合设置中的患者相似性学习 , 通过多哈希方法进行上下文相关的跨机构患者表示 , 并结合同态加密来保护隐私 。 这项工作解决了在医疗保健中启用隐私保护学习的重要问题 , 其中可能会在各种站点上存储足够的数据来进行推理 。 剩下的五篇选定的论文描述了通过深度学习方法的新应用和增强在医学成像分析方面的进步 。

Shi等人将一种新兴的堆叠深度多项式网络技术应用于多模态成像分类任务 。 这些科学家使用分阶段方法构建机器学习算法 , 将堆叠深度多项式网络应用于MRI和正电子发射断层扫描图像 , 以融合和学习特征表示 , 从而对来自阿尔茨海默病患者、正常对照组和轻度认知障碍患者的图像进行分类随后是否发展为阿尔茨海默病 。 他们的方法在具有挑战性的多类分类任务中表现出出色的准确性 , 该任务通常会逐渐且不可预测地进展 。

【医疗保健|处理和分析数据的能力的改进,推动了医疗领域AI技术的快速发展】