首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

机器是如何学习的?人工智能开启医学的新时代

关注我们,为您推送更多最新资讯。

文章引言

生活在大数据时代,面对数量庞大且日益增长的医疗数据,人类很难全面高效地处理所有信息。因此,我们迫切需要可靠、自动化的医疗评估工具。人工智能中,机器学习 (Machine Learning, ML) 在医疗方面有着极高的潜能。它有可能彻底改变医学的许多领域,帮助人们更快地做出更正确的决定,并改善当前的治疗标准。来自波兰波兹南医科大学 Oliwia Koteluk 和 Adrian Wartecki 博士等人在Journal of Personalized Medicine 期刊发表了文章,介绍了几种不同的模型以及机器学习和算法训练的一般过程;讨论了人工智能作为一种先进的自动化医学工具的未来前景和可能的威胁。

主要内容——那么机器是如何学习的呢?

机器学习模型

ML 有三种主要的学习模型:监督学习、无监督学习和强化学习,它们因数据输入的类型而异。不同的学习方案需要特定的算法。

图1. 机器学习模型和算法。

监督模型对需要描述的数据进行学习。由此,具有提取特征的输入值被链接到其输出标签 (图2)。在训练后,该算法可以对未标记的数据进行预测。输出值由数据分类或值预测生成 (图1)。

图2. 监督学习模型。

相反,在无监督学习中,机器试图找到以随机顺序呈现的未标记、分类或分类示例之间的模式和相关性 (图3)。

图3. 无监督学习模型。该算法从未知输入数据中提取特征本身,无需训练。因此,该算法可以使用类似组件对数据进行聚类,从而将数据与其他对象或组区分开来。

在强化学习的方法中,算法通过试错过程进行学习,并不断接收反馈。强化学习的函数表达式是一个国际象棋游戏,其中虚拟智能体 (Artificial Agent) 必须对对手的移动做出反应,以获得其移动和胜利的最大回报。

深度学习

深度学习 (Deep Learning, DL) 建立在互连的多级算法上,创建了类神经网络。该方法的主要优点是 DL 能够在无需人工干预的情况下进行数据特征提取。DL 利用了一种模仿人类大脑神经元结构的结构 (图4)。

图4.深度前馈或前馈神经网络的层。

机器学习在医学中的应用

科学家对机器学习寄予厚望,期待 ML 彻底改变医学的许多领域,帮助做出更快、更正确的决定,并改善当前的治疗标准。在放射学中,ML 是一种可靠的、自动化的图像评估工具,并且能改进成像方法,预测癌症的生存率。在药物设计中,传统的新药设计方法基于大量的实验室湿实验,成本高且耗时。其中最耗时的一部分内容是筛选化合物的大数据集以找到具有目标蛋白质的配体,这一步交给 ML 算法分析,速度更快,精度更高。在研究传染病(例如新冠肺炎) 时,ML 可以创建快速、早期检测 COVID-19 患者的工具。该算法分析计算机断层扫描 (CT,Computer Tomography) 胸部扫描和临床信息 (如白细胞计数、症状、年龄、性别和旅行以及暴露史),可以快速诊断、估计流行趋势和确定病毒进化史。在个性化决策中,ML 可以基于患者基因组进行筛查,个体化预测遗传疾病的发生。

结论与讨论

作者认为,ML 通过算法理解和处理来自给定数据集的信息,由此帮助人类快速得出新结论。然而,至少到目前为止,人工智能的决断还是需要人为干预的,且对于所得出的结论是否被采取仍是由人类做最终决定。

目前,ML 使临床医生可以节省大量时间,医院可以节省资金,患者可以获得高度个性化和更精确的治疗。然而,在医学中逐步实施 ML 还面临许多技术和伦理局限性。ML 需要克服的主要技术问题是可能影响系统决策的输入数据的潜在操作数量;ML 引入医疗保健需要解决许多道德和法律问题,因为有理由担心人工智能可能会模仿人类的偏见,并有歧视的倾向;另一个重大威胁是ML可能不受控制地创建以不道德方式执行的算法。鉴于上述风险,政府当局有必要制定基于 ML 的系统批准和预防措施的法律实践,以及时识别潜在的错误、偏见和滥用情况。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20220908A01YET00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券