新的AI模型尝试像医生一样综合患者数据

PNNL包含超过300,000种医学概念的信息，其数量超过了任何现有的AI数据集，以帮助医生进行诊断。人工智能永远不会取代医生。但是，能源部太平洋西北国家实验室的研究人员朝着AI可以帮助医生预测医学事件的时代迈出了一大步。与其他嵌入方法相比，由PNNL科学家开发的新方法将患者诊断的准确性提高了20%。

PNNL方法试图捕获并重新创建医生在他们一生的学习和知识应用于站在检查室前的患者时，自然而然地建立的联系类型。目标：在实验室学习和深度学习中使用实验室强大的AI功能，以改善患者护理并挽救生命。

PNNL的科学家们最近在SIGKDD知识发现和数据挖掘会议的数据科学保健研讨会上发表的一篇论文中讨论了他们的新方法。

开发的核心是与斯坦福大学合作创建的PNNL数据集，其中包含SNOMED Clinical Terms定义的300,000多种医学概念，是医学研究人员和从业人员使用的标准医学术语，代码，同义词和定义的集合。PNNL基于这些术语开发了一种基于图的学​​习方法，该方法优于当前模型。该代码可作为开放源代码下载获得。

“如果您认为很难翻译医生的笔迹，请尝试将他们的医学知识转化为计算机语言，” PNNL的计算机科学家罗伯特·拉洛(Robert Rallo)指出，他领导PNNL团队将人工智能应用于医疗保健。“困难的部分是合并多种类型的数据。计算机友好的数据(例如血液编号或诊断代码)比非结构化数据(例如图表笔记或X射线或MRI图像)更容易。

Rallo和PNNL团队的其他成员正在创建方法，将多种不同类型的医疗保健数据与称为知识图的AI工具融合在一起，这是PNNL资助的项目Deep Care的一部分。

Rallo说：“知识图就是医生在诊断您时的想法。” “医生会根据多年的培训和经验来了解他们之间的关系。这是他们在症状和疾病之间建立联系的心理模型。我们正在将诸如此类的医学知识的符号表示形式转化为可以与患者数据一起提供给机器学习算法的东西。”

PNNL计算机科学家Khushbu Agarwal强调AI不会取代医生。相反，人工智能将成为决策支持工具。这些模型将可以访问比任何人脑都可以存储的更多的数据和更多的连接。这些模型远不止数据库，甚至可以检测到观察一组随机症状的医生最初可能不会考虑的连接。但是，不应期望医生会从表面上得出模型的输出。PNNL的计算机科学家Sutanay Choudhury专注于这些模型的可解释性。他正在努力构建一种工具，可以使用医生会解释的易于理解的示例来解释其推理，预测和建议。这样的解释增加了对该模型的信任，PNNL团队设想该模型将有一天在医疗诊所中部署。

作为其下一阶段研究的一部分，PNNL团队正在处理一个新的数据集，这是退伍管理局与能源部之间合作的一部分。VA-DOE大数据科学计划创建了用于分析医学数据的安全计算环境，并包括研究自杀，心血管疾病和前列腺癌的新方法。

免责声明：本文由用户上传，如有侵权请联系删除！