二是物理学、工程学和计算学中的概念和相关技术,该算法可准确地预测病人的死亡风险、再入院

图片 3

图片 1

为了获得他们需要的数据,他们要求49名志愿者闻一闻一组精心挑选的分子,每种分子装在一个小瓶子里。可能存在的气味数量几乎是无止境的—尽管人类感知光线和声音的限制是大家熟知
的,但是还没有为气味建立这样的边界。因此,在探究我们的嗅觉的全部范围的努力中,Keller收集了476种不同的分子,它们中的很多分子之前从没有在嗅觉研究中接受过测试。

据美国侨报网报道,日前,谷歌新出炉的一项研究报告称,该公司已开发出一种新人工智能算法,可预测人的死亡时间,且准确率高达95%。最近,谷歌的这项研究发表在了《自然》杂志上。
据报道,这项AI技术对医院患者面临的一系列临床问题进行了测试。在研究中,谷歌对来自两个医疗中心至少21.6万名成人患者,应用了这一AI技术,测试时间至少为24个小时。研究人员从电子健康记录中获取了大量数据。
研究人员在报告中解释说:“我们有兴趣了解深度机器学习算法能否在广泛的临床问题和结果中产生有效的预测。因此,我们选择了来自不同领域的结果,包括一项重要的临床结果——死亡、一项衡量护理质量的标准——再入院、一项资源利用率——住院时间和一项检测病人病情的度量——诊断。”
这项理论性证据研究发现,该算法可准确地预测病人的死亡风险、再入院,延长住院时间和出院诊断。在所有情况下,该算法都被证明比以前公布的算法更精确。据加州大学旧金山卫生系统的数据显示,该AI算法在预测患者死亡率方面有95%的准确率,而来自芝加哥大学医学系统的数据显示,其准确率为93%。
此外,该AI算法在早期预警评分上,也明显比传统预测模式更精确,这将有助于帮助医生确定病人的病情和治疗方案。研究显示,该算法在病情预测方面,加州大学、旧金山卫生系统的准确率为85%,而在芝加哥大学医学系统中准确率为83%。
近来,围绕应用人工智能的潜在益处和风险,正在经历激烈争论。从网络安全风险到所谓的“末日”机器,AI技术被认为,虽然能推动经济增长,但也可能会是一项具有潜在破坏力的技术。而专家们也正在权衡AI可能导致的长期影响。但在医疗保健领域,越来越多的人认为利用人工智能是一种很好的方法。

5.谷歌研发人工智能眼科医生:用深度学习诊断预防失明

皮肉切割手术精准度,机器人优势明显

谷歌在2018年5月的一篇期刊文章中公布了试验人工智能死亡预测的结果。该系统通过收集患者的各种细节数据来工作,如年龄、性别、种族、以前的诊断、目前的体征和实验室结果。更重要的是,该系统还可以利用图表和pdf格式的数据进行预测。在对算法进行测试后,谷歌发现它可以以惊人的准确率95%进行死亡预测,比传统模型的准确率高出10%。在其中一个案例研究中,谷歌AI软件对一名女性转移性癌症患者的记录进行了大约17.6万个数据点的处理,并宣称她在医院里有19.9%的死亡几率。医院的医生给了她9.3%的死亡几率。正如人工智能软件预测的那样,这名女子在两周内死亡。

2.Science:自学习式人工智能可协助预测心脏病发作doi:10.1126/science.aal1058

Science杂志报道了英国诺丁汉大学流行病学家Stephen Weng博士团队发表在PLOS
ONE上的重要研究成果,Weng博士团队将机器学习算法应用于电子病历的常规数据分析,发现与当前的心脏病预测方法相比,深度学习算法不仅可以更准确地预测心脏病发病风险,还可以降低假阳性患者数量。

仅在美国,每年就有超过100万成年人因为肺炎住院,5万人因为该病而死亡。

【中关村在线新闻资讯】9月11日消息,谷歌开发智能系统,与加州旧金山大学、芝加哥大学和斯坦福大学的专家合作。令人惊讶的是,谷歌声称人工智能能够比医生使用的其他传统模型更准确地预测病人何时死亡。

11.Neurocomputing:人工智能50年辉煌历程doi:10.1016/j.neucom.2007.11.001

人工智能技术在物流、医疗、金融、产业物联网等很多领域都有现实应用。对于关乎每个人健康的医疗领域而言,不管医生是不是接受,人工智能(已强势闯入医疗界。

AI预测心脏病发作和中风

虽然谷歌的人工智能在预测死亡方面可能并不完美,但随着更多数据的“传授”,它将表现得更好。因此,如果这一突破性的医疗技术得到改进,就可以减少医疗中的人为失误,从而挽救更多的生命。谷歌的人工智能技术可以帮助医疗专业人员改善诊断,做出更好的决策,最终提高治愈患者的护理水平。

儿科重症监护室内的场景,总是让人心痛。在洛杉矶儿童医院,数据科学家Melissa
Aczon和David
Ledbetter提出了一种人工智能系统,这个系统可以让医生们更好地了解哪些孩子的病情可能会恶化。

第三军军医大学罗阳团队研发的技术,可以在30秒内检测出ABO血型和Rh血型,仅用一滴血在2分钟内完成包括罕见血型在内的正向和反向同时定型(医生在输血前,为了减少错误,一般要做正反定型和交叉验血试验)。同时团队还设计出一套智能算法,能够根据试纸的颜色变化读出血型,定型准确率超过99.9%。

下面,就带你看看在过去的一年里研究团队的重大突破,梳理一下在哪些疾病领域,AI已经可以与医生媲美,又在哪些方面还力有未逮。

所以,下次你去医院的时候,请询问他们是否能根据你的记录运行AI算法,并评估你的生存几率吗?
返回搜狐,查看更多

在一项新研究中,Weng 和其同事对比了 ACC/AHA 指导方针和 4
个机器学习算法:随机森林、logistic
回归、梯度提升以及神经网络。为了在没有人类指示的情况下得出预测工具,所有这
4 项技术分析了大量数据,被分析的数据来自英国 378256
名患者的电子医疗记录,目标是在与心血管疾病有关的记录之中找出发病模式。

1.2017两会中人工智能第一次出现在政府工作报告中,关注人工智能的科技界因此热血沸腾。

我们必须承认,
AI带来的变革,类似于几个世纪前蒸汽机工业革命对社会各个方面带来的巨大的影响,不仅仅一个行业,对全社会的体系都影响深远。随着人工智能时代的到来,医疗产业同样面临着挑战与机遇并存的局面。

AI在颠覆我们传统医疗观念的同时,也在积极构建我们对现代医疗的概念和憧憬。更重要的是,医生也在尽他们所能,为人类的医疗事业继续谋福音。

AI vs Doctors,就像两位武林高手一样,其实结果并不重要。

责任编辑:

近,全球范围的科学家们都在欢庆人工智能50周年华诞。1943年,由McCulloch,Pitts和Wiener等科学家发表的关于生物控制论和仿生学的科技论文奠定了人工智能的理论基础。从那以后,一些科研团体热衷于从物理学、数学和工程计算中探寻生物学的踪迹,探索目的主要有两个,一是试图从工程研究中获取一些新的概念和灵感;二是物理学、工程学和计算学中的概念和相关技术,很好地帮助神经科学家们理解生物系统的功能。

1.Science报道自学习式人工智能可协助预测心脏病发作

图片 2

原标题:谷歌AI预测病人死亡日期 准确率高达95%

罗阳团队的鉴定原理是抗原-抗体反应和PH试纸颜色反应。研究人员用Ph指示剂染料浸渍后的特殊纸质材料,制成特殊形状的纸条。然后在每一张纸条的不同位置,固定不同的血清抗体,根据血液与抗体反应产生的不同颜色判断血型。

3月15日,权威杂志science刊登的一篇关于中国第三军医大学罗阳团队的最新研究成果,这对于急需输血抢救的病人意义重大,可以为患者节省3-15分钟的时间,增加他们的生还几率,同时也可用于抢险救灾、战场急救等急需验血的情况。

基于AI的显微镜能计算血液样本中的疟疾寄生虫

2017年11月消息称,一家中国制造商和由比尔·盖茨支持的合资企业将宣布一种将显微镜商业化的计划,该显微镜使用深度学习算法,在20分钟内自动识别并计算血液涂片中的疟原虫。在蚊子传播的疾病每年导致近50万人死亡的时候,人工智能显微镜能够加速诊断和标准化疟疾的检测。

这种由AI驱动的显微镜的实验版本已经表明,它能够很好地检测到疟疾寄生虫,从而达到世界卫生组织的最高标准,即“能力等级1”。这一评级意味着它的性能与训练有素的显微镜专家旗鼓相当,尽管研究人员指出,一些专家使用显微镜仍然可以胜过自动化系统。

这种显微镜可以证明特别有助于追踪在东南亚传播的耐多药菌株的治疗。“这种多药耐药性监测依赖于非常可靠的显微镜,以了解疟疾药物如何迅速减少血液中的寄生虫数量,”全球优质基金的全球卫生技术主管David
Bell说。“我们看到,机器学习可以在这个领域带来更多的准确性和标准化,并允许各国更有效地实施监控。”

正在开发的EasyScan
GO显微镜将结合明场显微镜技术和运行深度学习软件的笔记本电脑,该软件可以自动识别导致疟疾的寄生虫。人类实验室的工作人员大多将注意力放在制备血液样本的玻片上,在显微镜下观察并验证结果。

Intellectual Ventures在华盛顿贝尔维尤的首席研究员Ben
Wilson表示,疟疾寄生虫为深度学习算法提出了一个棘手的“罕见的对象问题”,通常需要大量的训练数据来准确地识别对象。微小的疟疾寄生虫可能只会出现在血涂片的数百个显微镜图像中少数几次,在感染水平非常低的情况下,10万个红细胞中可能只有一个疟疾寄生虫。

该解决方案需要将深度学习和用于分割图像中感兴趣事物的传统计算机算法相结合。它还需要大量基于制备的显微镜载玻片的培训数据。原型显微镜扫描每张幻灯片的速度大约与专家人类显微镜专家相当,每张幻灯片20分钟。但Wilson预计最终能够将扫描时间缩短一半,每张幻灯片只需10分钟。

更重要的是,即使现有版本的显微镜可以补充有限数量的训练有素的显微镜可用于确定疟疾和追踪多药耐药性疟疾。Motic公司的Nunnendorf说:“从本质上讲,这是一个巨大的效率提升,而不是实验室技术人员的机器人替代。

图片来源:

图片来自H. Zhang et al., Science Translational Medicine,
doi:10.1126/scitranslmed.aaf9209。

在世界癌症日2月4日当天,IBM
Watson医生第一次在中国“出诊”,仅用10秒就开出了癌症处方。再次引发舆论热潮,把人工智能+医疗推向了高潮。

机器人和外科医生都被要求剪出一条5厘米长的直线。因为外科医生被训练在已知的地标之间切割组织,所以在皮肤上画了参考线。机器人和人类的判断依据是它们偏离理想长度的理想切割线,以及在切口周围有多少焦炭。结果:机器人的切割长度更接近5厘米,焦炭也较少。

2018-09-11 15:39:39 作者:刘文广

10.人工智能助力癌细胞活体检测 新闻来源:AI Boosts Cancer Screens to
Nearly 100 Percent Accuracy

总体来说,“人工智能+医疗”,不是噱头,而是未来。一个让人期待的人工智能时代,正在快速到来!

吴恩达团队用CNN算法识别肺炎

尽管这种气味预测模型迄今为止并不完美,但是它为寻找高效地配制玫瑰香味等气味的方法的香水化学家开辟了新的可能性。它也为气味感知的非常复杂的生物学特征提供新的认识。没有人
充分地理解当气味分子飘进鼻子,转化为传送到大脑中的电信号时,到底发生了什么。

最近有两条消息再次把人工智能推向了高潮:

自从2016年阿尔法狗在围棋界全面战胜人类智慧,人工智能会不会战胜人类甚至取代人类的话题再次被摆在了风口浪尖。医学领域作为人工智能应用的热门领域也不可避免。一时间,AI与医生似乎站在了一个尖锐的对立面。

值得一提的是对于反应后颜色的识别不是人为的去看,而是机器自己识别。研发团队为了减少人为识别带来的误差,开发了一套机器学习算法自动识别颜色的变化,同时为了验证算法的准确性,研究人员先用经典凝胶卡片法鉴定3550例血液样本,再通过优化参数操作,算法模型准确的测出这3550例血液的血型。同时在另一项试验中,研究人员取600个血液样本,15个无效样本,机器学习模型100%识别出15个无效样本。这种方式不仅方便、快捷、而且成本很低适宜推广,要想实现产业化,该方法稍加改造就可成为一个低成本和强大的通用血型鉴定平台。

2.世界癌症日2月4日当天,IBM
Watson医生第一次在中国“出诊”,仅用10秒就开出了癌症处方。

患者都希望在医生进行外科手术时,能够将对自己身体的伤害降到最低。最近的一系列实验中,智能自主机器人STAR的发明者表明,它能比专家外科医生执行更精确的切割,并且对周围健康组织伤害更小。STAR此前曾成功地完成了一些令人印象深刻的手术壮举。2016年,该系统将两个部分的猪肠子缝合起来,比有经验的外科医生更有规律,更有防漏性。

3.人工智能诊断皮肤癌准确率达91% doi:10.1038/nature21056

研究人员创建了一个包含128000
张图像的开发数据集,其中每一张图像都得到了54位眼科医生中3到7位医生的评估。这个数据集被用来训练了一个可以检测可诱发糖尿病性视网膜病变的病症的深度神经网络。然后两个互相独立的包含大约
12000
张图像的临床验证集上测试了该算法的表现,该测试所参考的标准是一个7或8人的美国认证眼科医生中大多数人的意见。为验证集所选择的眼科医生的意见与训练集原来的54位医生的意见表现出了高度的一致性。

在这种视觉跟踪中,机器人依赖于其近红外照相机上显示的微小的标记,而这正是研究人员事先在组织上标记的位置。因此,研究人员将STAR称为半自主机器人。

乳腺癌是发生在乳腺腺上皮组织的恶性肿瘤,一直是威胁女性健康的恐怖杀手之一。此前在该疾病的筛查上,医生们多数采用乳腺X光图片的检验方法,但这种方式通常需要乳腺活组织检查来辅助,这就为女性带来了不必要的痛苦。不过,通过研究人员的努力,未来AI将大幅降低乳腺疾病检测为女性带来的不适。

斯坦福大学一个联合研究团队开发出了一个皮肤癌诊断准确率媲美人类医生的人工智能,相关成果刊发为了1月底《自然》杂志的封面论文,题为《达到皮肤科医生水平的皮肤癌筛查深度神经网络》(Dermatologist-level
classification of skin cancer with deep neural
networks)。他们通过深度学习的方法,用近13万张痣、皮疹和其他皮肤病变的图像训练机器识别其中的皮肤癌症状,在与21位皮肤科医生的诊断结果进行对比后,他们发现这个深度神经网络的诊断准确率与人类医生不相上下,在91%以上。

深度学习帮助临床医生预测阿尔茨海默病

阿尔茨海默病没有临床试验,因此医生通过评估患者的认知能力下降来诊断。但对于轻度认知功能障碍特别困难,即症状不明显时痴呆的早期阶段。而且更难预测哪些MCI患者会发展为阿尔茨海默病。

2017年6月,哈佛大学、马萨诸塞州总医院和华中科技大学的合作者设计了一个将fMRI脑部扫描与临床数据相结合的程序来进行阿尔茨海默病的预测。他们在2017年5月在马来西亚吉隆坡举行的IEEE国际通信大会上介绍了尚未发表的工作。

经过初步测试,他们的深度学习计划与特殊的fMRI数据集配对,比其他使用更基本的数据集的分类方法精确约20%。然而,当那些传统的分类器也使用特殊的数据集时,它们在准确性上也有类似的提高。

目前,哈佛领导的团队是第一批尝试将fMRI扫描和深度学习结合到一个可以预测MCI患者患老年痴呆症的机会的项目。他们的分析中使用的fMRI扫描是在病人休息时进行的。与任何fMRI扫描一样,它们揭示了大脑中电信号闪烁的位置以及这些区域如何相互关联。

他们以来自MCI患者的数据和阿尔茨海默氏病神经成像的101例正常患者开始。基于对参与者大脑内90个区域的130次功能性磁共振成像测量的时间序列,研究人员可以分辨出信号在一段时间内闪烁的位置。

接下来,在关键的一步,该小组处理这个数据集,以创建这些信号在大脑区域相对于彼此的强度的二次测量。换句话说,他们构建了功能连接图,显示了哪些区域和信号彼此关系最密切。

最后,团队建立了一个深度学习计划,可以解释这些模式的强度,并结合有关年龄、性别和遗传风险因素的临床数据,预测一个人是否会发展为阿尔茨海默病。研究小组表示准确率可以达到90%。

我们使用了一种被称为深度卷积神经网络的专为图像分类而优化过的神经网络类型,该网络使用
128175
张视网膜图像的可追溯的开发数据集进行了训练,其中的每一张图像都针对糖尿病性视网膜病变、糖尿病性黄斑水肿和图像等级进行了
3 到 7 次评估,评估者来自 54 个美国有执照的眼科医生和眼科学资深专家在
2015 年 5 月到 12 月之间所作出的评估。所得到的算法使用 2016 年 1 月和 2
月的两个互相独立的数据集进行了验证,其中的每张图像都至少经过了 7
位美国认证的眼科医生的高 intragrader 一致性的评估。

图片 3

研究人员将75%的医疗记录录入他们的机器学习模型中,以找出那些在10年时间内心脏病发作或中风患者的显着特征。然后,Weng的小组对其余25%的记录进行了测试,以确定他们预测心脏病和中风的准确程度。他们还测试了记录子集的标准指南。

研发者们是以谷歌的一个能在128万张图像中识别1000种物体的算法为蓝本进行加工。谷歌的这个算法原本是用来区分喵星人和汪星人的,现在,研究者们需要训练它区别良性脂溢性角化病(benign
seborrheic keratosis)和角化细胞癌(keratinocyte
carcinomas)、普通的痣和恶性黑色素瘤。

表于 JAMA
的论文《用于检测视网膜眼底照片中糖尿病性视网膜病变的深度学习算法的开发和验证(Development
and Validation of a Deep Learning Algorithm for Detection of Diabetic
Retinopathy in Retinal Fundus
Photographs)》中,我们提出了一种可以解读视网膜照片中 DR
发病迹象的深度学习算法,这有望能帮助资源有限地区的医生正确地筛选出更多的病人。

图片 4