首頁資訊兩項研究評估用于醫(yī)療保健的人工智能工具的發(fā)展

兩項研究評估用于醫(yī)療保健的人工智能工具的發(fā)展

來源：泰然健康網(wǎng) 時間：2025年07月10日 08:32

兩項研究評估用于醫(yī)療保健的人工智能工具的發(fā)展

Two studies evaluate development of artificial intelligence tools for health care

美國英語科技與健康

新聞源：Medical Xpress

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(qiáng)化學(xué)習(xí)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(hù)理健康結(jié)果

強(qiáng)化學(xué)習(xí)（Reinforcement Learning, RL）是一種人工智能方法，有潛力指導(dǎo)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(xué)院和洛克菲勒大學(xué)研究人員進(jìn)行的新研究發(fā)現(xiàn)，該方法在應(yīng)用于臨床環(huán)境之前仍需顯著改進(jìn)。

強(qiáng)化學(xué)習(xí)是一類能夠在一段時間內(nèi)做出一系列決策的機(jī)器學(xué)習(xí)算法。它負(fù)責(zé)近期的人工智能進(jìn)展，包括在國際象棋和圍棋中超越人類的表現(xiàn)。強(qiáng)化學(xué)習(xí)可以利用患者病情的變化、測試結(jié)果和之前的治療反應(yīng)，建議個性化患者護(hù)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(jìn)行了介紹，提出了“護(hù)理階段”（Episodes of Care, EpiCare），這是第一個針對醫(yī)療保健的強(qiáng)化學(xué)習(xí)基準(zhǔn)。

“基準(zhǔn)測試已經(jīng)推動了計算機(jī)視覺、自然語言處理、語音識別和自動駕駛汽車等機(jī)器學(xué)習(xí)應(yīng)用的改進(jìn)。我們希望它們現(xiàn)在能推動醫(yī)療保健領(lǐng)域的強(qiáng)化學(xué)習(xí)進(jìn)步，”研究負(fù)責(zé)人、精神病學(xué)神經(jīng)科學(xué)助理教授Logan Grosenick博士說。

強(qiáng)化學(xué)習(xí)代理基于收到的反饋不斷優(yōu)化其行動，逐漸學(xué)習(xí)一種增強(qiáng)其決策能力的策略?！叭欢?，我們的研究發(fā)現(xiàn)，盡管當(dāng)前的方法很有前景，但它們非常依賴數(shù)據(jù)，”Grosenick博士補(bǔ)充道。

研究人員首先測試了五種最先進(jìn)的在線強(qiáng)化學(xué)習(xí)模型在EpiCare上的表現(xiàn)。所有五種模型都超過了標(biāo)準(zhǔn)護(hù)理基線，但在數(shù)千或數(shù)萬個現(xiàn)實模擬治療階段的訓(xùn)練后才達(dá)到這一效果。在現(xiàn)實世界中，強(qiáng)化學(xué)習(xí)方法永遠(yuǎn)不會直接在患者身上進(jìn)行訓(xùn)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(jìn)的OPE方法在醫(yī)療保健數(shù)據(jù)上始終無法準(zhǔn)確表現(xiàn)。

“我們的研究結(jié)果表明，目前最先進(jìn)的OPE方法不能被信賴準(zhǔn)確預(yù)測縱向醫(yī)療保健情景中的強(qiáng)化學(xué)習(xí)性能，”第一作者、洛克菲勒大學(xué)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(yīng)用，這一發(fā)現(xiàn)強(qiáng)調(diào)了開發(fā)更準(zhǔn)確的基準(zhǔn)工具（如EpiCare）的必要性，以審計現(xiàn)有的強(qiáng)化學(xué)習(xí)方法并提供衡量改進(jìn)的指標(biāo)。

“我們希望這項工作能夠促進(jìn)醫(yī)療保健環(huán)境中強(qiáng)化學(xué)習(xí)的更可靠評估，并幫助加速開發(fā)更適合醫(yī)療應(yīng)用的更好強(qiáng)化學(xué)習(xí)算法和培訓(xùn)協(xié)議，”Grosenick博士說。

適應(yīng)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(yīng)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(wù)中的廣泛應(yīng)用為“深度學(xué)習(xí)”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(yīng)用時代。CNNs被用于許多應(yīng)用，包括面部識別、自動駕駛汽車和醫(yī)學(xué)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(diǎn)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(dāng)時并沒有真正相當(dāng)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(diǎn)）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(qiáng)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(xué)化合物的幾何形狀。通過直接分析這些圖，我們可以更準(zhǔn)確地建模局部和更遠(yuǎn)距離連接之間的依賴關(guān)系和模式。

當(dāng)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(qiáng)迫癥治療時動態(tài)腦連接的變化?！?/p>

研究人員預(yù)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(jī)視覺提取的人類面部表情的行為。

“雖然我們?nèi)栽趯?dǎo)航將尖端AI方法應(yīng)用于患者護(hù)理的安全性和復(fù)雜性，但每一步前進(jìn)——無論是新的基準(zhǔn)框架還是更準(zhǔn)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)