
在许多情况下,人工智能在病情的预测和诊断的效率和精确度上甚至超过医生。但是,前提是大部分工作都要在精心控制的实验室中进行的,并且所基于的数据和图像均由专家进行采集和审查。
如今,越来越多的技术公司都在努力,尝试将人工智能引入真正的医疗保健体系中。
去年,美国食品和药物管理局(FDA)批准了第一个医疗机器学习应用程序Arterys Cardio DL。该程序通过使用深度学习算法来分析心脏的MRI图像,从而帮助医生识别患者的问题并进行诊断。
除此之外,还有一些AI应用程序试图在没有专家监督的情况下标记数据并诊断疾病。
最近,美国爱荷华州的IDx公司宣布,FDA已加快审查其创建的AI自动系统IDx-DR,以用于尽早发现糖尿病患者失明的主要原因——糖尿病视网膜病变,从而加以预防、提前治疗。
该系统由IEEE高级会员Michael Abramoff花费了21年开发,在没有眼科专家的帮助下,就能自行诊断。由于目前许多患者经常都要等待数周或数月才能看到眼科专家,无法及时诊断,因此,这一系统的出现患者来说可能会产生巨大影响。
Abramoff说,AI系统的自主性最初使监管者感到不舒服。 “基本上没有人在考虑算法的问题,”他说。因此,IDx公司和FDA用了7年时间来确定评估系统准确性和安全性的标准。 Abramoff补充道:“使监管机构能够理解算法至关重要。 这是一段漫长的旅程,但我希望能够尽快实现。”
据他介绍,IDx公司还对系统做了一些必要的调整,以便从实验室走出来,真正进入诊所,得以应用。比如,IDx团队添加了一个互动组件,当AI的诊断质量足够高时,系统就会将拍摄的视网膜图像情况反馈给护士或医生。 “拍摄视网膜并不容易,” Abramoff表示, “系统会告诉操作员他们是否需要重新拍摄图像。”
在对公开数据集进行早期测试后,IDx公司在去年夏天完成了一项900人的临床试验,将进行了四小时培训的系统及具有10年以上经验的专家通过摄取和分析视网膜图像,从而提供的诊断结果相比较。虽然Abramoff还拒绝分享审查结果,但他指出:“我们对此非常兴奋。”
可以看到,人工智能诊断在眼科领域已经得到了蓬勃发展,其中包括对先天性白内障和青光眼等疾病的诊断。例如,谷歌正在对DeepMind进行培训,以发现常见眼疾的迹象。这一早期的发展势头并不令人意外,因为该病症具有明确的诊断和治疗标准,而且眼睛易于接近,因此非常适合应用新技术。例如,此前FDA批准使用的第一种基因疗法之一针对的就是遗传性视力丧失的疾病。
总体来说,AI更适合解决定义明确的问题和任务。因此,具有硬数据的医学领域(例如病理图像)对于AI的应用往往比只有软数据的领域(诸如来自电子医疗记录的一般诊断)更成熟。
如Abramoff所说,随着AI技术的日渐成熟,其诊断结果也将愈加客观,这将使得越来越多的医疗工作者得以从繁琐的工作中解脱出来,将更多的精力放在症状和治疗方案的判断和商定,以及其它医学研究中。
好文章,需要你的鼓励
这项由Snowflake AI Research发表的研究挑战了传统语言学对大型语言模型的批评,通过引入波兰语言学家Mańczak的理论框架,论证了LLM的成功实际上验证了"频率驱动语言"的观点。研究认为语言本质上是文本总和而非抽象系统,频率是其核心驱动力,为重新理解AI语言能力提供了新视角。
freephdlabor是耶鲁大学团队开发的开源多智能体科研自动化框架,通过创建专业化AI研究团队替代传统单一AI助手的固化工作模式。该框架实现了动态工作流程调整、无损信息传递的工作空间机制,以及人机协作的质量控制系统,能够自主完成从研究构思到论文发表的全流程科研工作,为科研民主化和效率提升提供了革命性解决方案。
德国马普智能系统研究所团队开发出专家混合模型的"即时重新布线"技术,让AI能在使用过程中动态调整专家选择策略。这种方法无需外部数据,仅通过自我分析就能优化性能,在代码生成等任务上提升显著。该技术具有即插即用特性,计算效率高,适应性强,为AI的自我进化能力提供了新思路。
Algoverse AI研究团队提出ERGO系统,通过监测AI对话时的熵值变化来检测模型困惑程度,当不确定性突然升高时自动重置对话内容。该方法在五种主流AI模型的测试中平均性能提升56.6%,显著改善了多轮对话中AI容易"迷路"的问题,为构建更可靠的AI助手提供了新思路。