最初使用合成數據訓練人工智能，以此達到保護患者隱私的目的。但是，隨著可穿戴設備帶來更多的數據流，如何保護患者隱私成為重要挑戰。本文，我們將深入研究人工智能是如何改變醫療數據的收集和使用方式，并從蘋果、谷歌和fake puppy（假狗狗）中汲取一些經驗。

數據帶來的麻煩

現在大部分人工智能算法都是通過輸入輸出對來訓練的。比如，向人工智能輸入1萬張腫瘤的核磁共振掃描圖。

然后人工智能算法只需且只能做到一件事情：在掃描中識別腫瘤。在大規模（大量數據）和高精準的情況下，它可以很好地做到這一點。

但是患者的數據是敏感、孤立和雜亂的，并且回避了一些關于訪問和算法訓練準確性的基本問題：

• 如果你是一家小型人工智能健康創業公司，你如何解決數據的來源問題。
• 數據（比如醫學掃描）是否經過準確的注釋？
• 如何獲得罕見疾病的訓練數據？
• 如何在保護患者隱私的原則上訓練人工智能模型？

以下是大型科技公司和創業公司解決這些問題的一些方法。

聯邦學習是否適用于醫療保健領域

聯邦學習是一種在保護隱私的原則上，利用敏感用戶數據來訓練人工智能的新興方法。

谷歌最先引入了針對Android鍵盤的聯邦學習（Gboard）。如今，OWKIN公司正在對患者數據采取類似的方法。簡而言之，就是患者數據不會離開醫院，也不會發送到中央云服務器。該模型使用本地數據在醫院內部進行更新，只有這些更新（以及來自其他參與醫院的模型更新）被發送到云端。這家由谷歌風投（Google ventures）投資的公司本月進行了首輪融資。

在最近接受《麻省理工學院技術評論》采訪時，OWKIN聯合創始人托馬斯?克洛澤爾(Thomas Clozel)談到了與美國和英國癌癥中心的合作，以及即將發表的一篇關于在現實世界的醫療環境中使用聯邦學習的論文。這篇論文強調了一些重要的基礎設施挑戰：

在醫療保健領域應用聯合學習面臨一些挑戰。首先，組合不同的模型可能會產生一個（比它每一部分）更糟糕的主模型。目前研究人員正在努力改進現有的技術，以確保這種情況不會發生。另一方面，聯合學習要求每所醫院具備訓練機器學習模型的基礎設施和技術人員。此外，標準化所有醫院的數據共享也存在問題。（原文如下）

“逼真”的核磁共振圖像

如果你在Twitter上很活躍，并且一直在密切關注人工智能，你可能會遇到一些人，他們利用一種叫做“生成對抗性網絡”(GAN）的東西來創造“逼真”的假圖像，比如，假狗狗、假漢堡和假鮮花。

一個有趣的新興趨勢是使用人工智能本身來幫助生成更多“逼真”的合成圖像來訓練人工智能。例如，英偉達公司就利用GAN“偽造”腦瘤的核磁共振圖像，以此來推進腫瘤分割的發展。

英偉達公司的研究論文得出結論，利用合成核磁共振圖像增加現實世界的數據有助于改善腫瘤分割。這為機器學習在醫學成像領域面臨的兩個挑戰提供了一個潛在的解決方案，這兩大挑戰分別為：在保護患者隱私的原則上，如何進行數據共享、依靠圖像發現疾病的概率很小。

人工智能離不開醫生

人工智能公司需要醫學專家對圖像進行注釋，教會算法如何識別異常。

這種模式在很大程度上是合作性的。在注釋領域投入巨資的科技巨頭和政府機構正在向其他研究人員公開這些數據庫。

DeepMind開發了AI眼病診斷工具，可識別50多種威脅到視力的眼科疾病，準確率高達94%。為了對系統進行基準測試，DeepMind用1000次未用于訓練AI的掃描結果對軟件進行了測試，與普通眼科醫生給出的結果進行比較，產生任何分歧都由一位超過10年經驗的資深認證專家進行評判。

在接受《南華早報》采訪時，中國獨角獸依圖科技公司報告說，DeepMind團隊擁有400名兼職醫生，只為了標注醫療數據。

不再過度依賴電子健康記錄（EHR）數據

蘋果通過與數百家醫療機構以及與Cerner和Epic兩大EHR巨頭合作，旨在解決醫療保健領域的數據互操作性問題。除此之外，蘋果正在圍繞其兩個最受歡迎的產品，Apple Watch和iPhone建立一個醫療保健生態系統。

這表明了一個新的趨勢，未來在醫療保健領域，企業不再僅僅依賴于EHR數據，而更多的從可穿戴式設備等進行實時數據收集和分析。

本文名稱：人工智能如何重塑醫療數據？
文章路徑：http://m.newbst.com/news33/101633.html

成都網站建設公司_創新互聯，為您提供網站維護、虛擬主機、手機網站建設、品牌網站建設、商城網站、ChatGPT

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯