人工智能和机器学习正在助力数字健康热潮,但在心理和行为健康方面仍处于起步阶段。事实上,这并不意外,因为理解人类的思想和感受可不仅仅是“分析血液测试数据或者医学扫描疾病迹象”,往往要比分析某个人是否会患上肾脏疾病难得多。提振某个人的情绪,或者个性化地治疗精神失常(特别是抑郁症)仍然是非常困难的。
根据世界卫生组织的统计,抑郁症是全球最主要的健康问题之一。抑郁症患者经常要经过大量乏味的试验和错误的过程来找到适合自己的抗抑郁药物。很多患者对初期健康服务感到不满,不愿意坚持治疗,甚至报告存在让人变得虚弱的副作用。最近有研究表明,2/3的患者在首次服用了抗抑郁药后未能好转,另有30%的患者放弃了一线治疗的机会。
为了解决抑郁和焦虑问题,有初创公司推出了一系列基于人工智能的工具,从而帮助精神科医生和家庭医生更快地优化护理措施。
比如,总部位于以色列特拉维夫的初创公司Taliaz,正在开发一种名为PREDICTIX以人工智能为驱动的决策支持工具,可以帮助医生找出适合患者的抗抑郁药物。PREDICTIX是根据迄今为止最大的抑郁症前瞻性临床试验——Sequenced Treatment Alternatives to Relieve Depression (STAR*D) Study——相关数据开发的。Taliaz称,在完成算法开发之后,该工具能够预测当前抗抑郁药物的疗效和不良反应,准确度高达75%。
Taliaz公司首席执行官、魏茨曼研究所神经科学博士Dekel Taliaz表示:“只有通过科学研究、遗传学、神经学、环境和临床数据的深度结合,我们才能理解这些复杂性并找出相关的标记,以建立能够为患者提供最佳结果的预测模型。我们通过简单的非侵入性测试,以在线调查问卷的形式收集了患者的DNA样本、人口统计信息和临床病史。然后,PREDICTIX提供有关抗抑郁药物的预测信息,并推荐最适合每位患者基因构成和健康记录的信息。”
今年3月,Taliaz携手英国领先的在线精神病学服务机构Psychiatry UK LLP(PUK),推出了号称是第一个针对抑郁症患者的在线AI基因检测服务。这个在线医疗管理版本的PREDICTIX服务,旨在通过帮助精神科医生更早、更好地找到适合的抗抑郁药物来减少患者的痛苦。
“我们有一位患者对四种抗抑郁药没有产生反应,他反馈说,从三周前开始服用Predictix测试推荐的药物之后,现在像是‘换了一个人,感觉已经好了80%’”,Psychiatry UK精神病学家Adil Jawad博士说。Psychiatry UK是英国领先的在线精神病学服务机构,为英国NHS公共机构和私人组织提供服务。
另一家希望提高抑郁症治疗效果的以色列科技公司是Elminda,该公司最近获得了欧盟委员会280万欧元奖励,用于提升其技术以帮助欧洲患者免受抑郁症的困扰。Elminda的BNA-PREDICT大脑分析产品可以预测患者对抗抑郁药物和神经刺激治疗的反应,帮助医生选择最有效的抗抑郁治疗手段,以及直接监测治疗对患者大脑的影响。
“我们为Elminda获得了欧委员会著名的Horizon 2020第二阶段中小企业项目授予的奖项感到自豪”,Elminda公司Roni Sharon博士这样表示。
健全的心理健康对于创造力、生产力和才智来说至关重要,这一点似乎比以往任何时候都更加明确。随着时间的推移,我们希望看到越来越多的初创公司和投资者联合起来,促进和改善人类的情绪、心理和社会福祉。在这种情况下,随着人工智能的不断升级,人工智能算法经过优化以创建更有用的支持机制,在最复杂和最容易出错的情况下开发出有用的专业技能。虽然我们不知道Taliaz和Elminda等初创公司未来会是怎样,但我们希望这些公司在患者使用和坚持正确疗法方面发挥关键的作用。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。