周村网站制作首选公司,开发一个定制的网站,大一网页设计实训总结,重庆 做网站编者按#xff1a;每年的4月7日是世界卫生日#xff0c;又称世界健康日#xff0c;旨在引起世界各国人民对卫生、健康工作的关注#xff0c;提高人们对卫生领域的素质和认识#xff0c;强调健康对于劳动创造和幸福生活的重要性。那么#xff0c;如果医疗技术能够更加智能…编者按每年的4月7日是世界卫生日又称世界健康日旨在引起世界各国人民对卫生、健康工作的关注提高人们对卫生领域的素质和认识强调健康对于劳动创造和幸福生活的重要性。那么如果医疗技术能够更加智能我们是否能够更早地发现健康隐患更精准地进行疾病治疗在世界卫生日到来之际让我们一起通过微软亚洲研究院上海的几个合作研究项目看看人工智能如何助力我们打造一个更加健康的未来。 常言道“如果说人生是一场漫长的马拉松那么健康将是决定跑道长度的关键因素。”健康是幸福生活和社会发展的基石。随着智能化时代的到来人工智能技术在医疗健康领域的应用也日益广泛成为了维护和促进人类健康的新工具。无论是辅助疾病的早期检测发现、病情发展预测还是在个性化的精准医疗以及推进医学研究和新药研发人工智能都展现出了其独特的价值和潜力。
在过去的几年中微软亚洲研究院持续与医疗机构和高校的专家密切合作并且引进医疗健康领域的专业人才希望推动人工智能技术在医疗健康领域的深入应用促进构建健康的全球社会。
早发现、早治疗人工智能辅助疾病检测与康复训练
疾病的早期诊断对于提高治疗效果和患者的生活质量至关重要而康复训练则是许多疾病治疗过程中不可或缺的一环对于恢复患者的各项功能具有重要作用。传统的诊断和康复方法往往受限于资源分配、地理位置和专业医护人员的稀缺性在一定程度上限制了医疗服务的普及和效率。人工智能技术则能通过自动化和智能化的方法辅助医护人员更早地识别疾病迹象从而及时进行干预和治疗。
语音识别辅助腭裂患儿的语音恢复
腭裂和唇裂是口腔和颌面区最常见的先天性畸形患者通常由于软腭即腭咽功能不全未能完全闭合无法发出正常的声音从而产生高鼻音。在与相关医疗机构的合作中微软亚洲研究院的研究员们了解到高鼻音的检测是腭裂患者治疗的关键因素。 图片来源Operation Smile
在临床检查中高鼻音通常由言语-语言病理学家做出评估但是专业的病理学家数量有限且只分布在个别医院中这就需要患者进行长期的跨地区诊疗。漫长的诊疗周期和高昂的成本让患者及家属苦不堪言。因此一种自动化的高鼻音评估方法将不仅有助于病理学家做出精确判断也能帮助患者实现远程诊疗减少花销。
微软亚洲研究院利用迁移学习技术开发了一种基于自动语音识别ASR模型来改进高鼻音评估的新方法。该模型能够有效提取声学特征并且具有良好的泛化能力。在两个腭裂数据集上的实验结果表明相比已有方法这一模型取得了更优的性能有助于提升病理学家诊断的准确率。
基于高鼻音评估的结果医生将为患者定制个性化的语音训练方案。在这一环节微软亚洲研究院进一步开发了一个掩码预训练发音评估MPA模型该模型支持端到端的训练适用于无监督和有监督的学习环境便于用户远程部署。通过利用参考文本并结合掩码和预测策略进行预测MPA 模型可以有效避免发音评估中的错位或误识别问题为腭裂患者提供更精确的语音校正支持。
目前微软亚洲研究院正与医疗机构合作共同评估这一创新语音评估技术的应用可行性希望这项技术能够帮助医生提高诊疗效率降低患者的治疗成本并让广大偏远地区的腭裂患者受益。
相关论文
高鼻音检测Improving Hypernasality Estimation with Automatic Speech Recognition in Cleft Palate Speech. INTERSPEECH 2022.
https://arxiv.org/pdf/2208.05122.pdf
语音评估End-to-End Word-Level Pronunciation Assessment with MASK Pre-training. INTERSPEECH 2023.
https://arxiv.org/pdf/2306.02682.pdf
语音分析模型助力阿尔茨海默症筛查
阿尔茨海默症是一种普遍的神经退行性疾病多见于老年人群患者会逐渐出现包括记忆减退、语言障碍、认知功能退化、计算力损害等不可逆的认知损伤。尽管目前阿尔茨海默症尚无有效的治疗方法但及早发现并及时干预对延缓病程发展十分关键。 图片来源pexels.com
传统的诊断方法如脑部成像、血液检测和面对面的神经心理评估周期长、成本高。有研究表明阿尔茨海默症的早期阶段其实可以通过分析患者的口语来进行识别如流利性失语以及在词汇寻找和检索方面的困难。
正是基于这一发现微软亚洲研究院开发了几种语音和语言分析技术旨在从高级声学和语言特征中提取与阿尔茨海默症相关的线索同时根据这些特征还推出了一种新的任务导向方法将参与者的语言描述内容与认知任务之间的关系进行建模。
在自发语言识别ADReSS数据集的一个子任务中“厨房偷吃饼干 Cookie Theft”的图片描述和转录文本实验如图1所示这些方法实现了91.4%的准确性。与传统只专注于语音或语义分析的模型不同微软亚洲研究院创新地将语音与语义结合极大地提升了病症检测的准确率。在未见过的测试集上该模型也取得了较高的效率与性能为阿尔茨海默症的广泛筛查提供了新的可行性。 图1用于检测阿尔茨海默症描述性任务的 Cookie Theft 图像由 DementiaBank Pitt Corpus, Becker 等人提出1994年
相关论文
Leveraging Pretrained Representations with Task-related Keywords for Alzheimers Disease Detection. ICASSP 2023.
https://arxiv.org/pdf/2303.08019.pdf
利用无监督方法检测自闭症谱系障碍患者的刻板行为
自闭症谱系障碍ASD大多起病于婴幼儿时期其特征往往表现为社交和交流障碍以及刻板和重复性行为。其中刻板和重复性行为如不断拍打地面、反复撞击头部或不断拍手等是自闭症谱系障碍检测的重要线索。自闭症患者的康复机率与发现和干预的及时性密切相关但单纯依靠专业医护人员长时间跟踪观察儿童行为的效率较低。因此一种快速且自动化的刻板行为检测方法将具有重要价值。 图片来源unsplash.com
现有方法大多利用计算机视觉技术基于自闭症谱系障碍患者的视频录像数据通过监督分类和活动识别技术来检测刻板行为。然而刻板行为种类繁多且视频录像数据因涉及隐私问题收集困难限制了现有监督检测方法的可行性。
微软亚洲研究院与专业医疗机构合作从新的方向入手解决挑战——利用无监督视频异常识别来检测刻板行为并推出了一个基于人体姿势的时间轨迹和动作重复模式的双流深度模型 DS-SBD。该模型不仅可以在只包含正常行为的未标记视频中进行训练而且还可以在推理过程中检测到未知类型的异常行为比如识别出训练数据中未曾出现的转圈行为等。 图2当出现刻板行为时不正常的拍手算法的预测概率显著升高
广泛的实验表明DS-SBD 模型的无监督刻板行为检测方法将分类准确性指标的微平均micro-averageAUROC 从60.43%提高到了71.04%宏平均macro-averageAUROC 从56.45%提高到了73.39%这不仅提升了对刻板行为检测的准确性还进一步扩展了对更多种类刻板行为的识别能力。该方法超越了现有的 SOTA 方法有望成为未来研究的潜在基准。不过刻板行为检测只是自闭症诊断中的一环自闭症谱系障碍的早期识别和干预还需要更多跨领域合作和社会各界的共同努力。
相关论文
Unsupervised Video Anomaly Detection for Stereotypical Behaviors in Autism. ICASSP 2023.
https://arxiv.org/pdf/2302.13748.pdf
基于脑电信号提升新生儿癫痫检测准确率
儿童癫痫是儿童018岁时期常见的一种病因复杂且反复发作的神经系统综合征。为了避免影响孩子们的成长发育新生儿癫痫的早期检测十分重要。 图片来源unsplash.com
癫痫发作是由脑部神经元“异常放电”所引起所以脑电波检查对于诊断癫痫病有着决定性的作用。但由于新生儿大脑发育不完全、脑电数据噪声大且患儿个体差异明显使得基于脑电波的新生儿癫痫检测成为世界级医学难题。
微软亚洲研究院与多家合作伙伴基于人工智能和脑电信号EEG提出了一个深度学习框架——时空 EEG 网络STATENet。该框架可以对脑信号进行精细化处理灵活适应新生儿 EEG 通道数量的变化以应对上述挑战。此外研究员们还提出了一个模型级别的集成方法通过动态聚合不同时空深度模型的结果提高了 STATENet 模型在不同新生儿之间的泛化能力。
研究员们在包含了大规模真实世界新生儿 EEG 的数据集上进行了实验结果表明STATENet 模型显著提高了检测的准确性AUPRC精确率-召回率曲线下的面积比现有的最先进的方法提升了超过30%为医生诊断小儿癫痫提供了新的工具。
不仅如此微软亚洲研究院还训练了首个跨数据集的脑电基础模型可以对任何脑电数据进行分析实现了“一对多”的脑电理解。基于该模型研究员们还开发了 AI Neurologist 系统可辅助临床和科研场景下的脑电信号分析工作将医生的判断准确率由原来的75%提高至90%。目前相关模型已在 GitHub 上开源微软亚洲研究院欢迎全球的研究者共同参与让相关技术在更广泛的医学领域发挥作用为临床诊断与治疗带来新的突破。 图3AI Neurologist 系统
相关论文
新生儿癫痫检测论文Protecting the Future: Neonatal Seizure Detection with Spatial-Temporal Modeling. IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2023.
https://arxiv.org/abs/2307.05382
脑电预训练模型论文Learning Topology-Agnostic EEG Representations with Geometry-Aware Modeling
https://openreview.net/attachment?idhiOUySN0ubnamepdf
病程预测与个性化治疗人工智能助力精准医疗有的放矢
精准医疗是未来医疗发展的重要方向它以个体化差异为基础为患者提供个性化的治疗方案。然而由于疾病的复杂性与个体差异性精准医疗的实现仍面临着诸多挑战。人工智能在数据处理、模式识别和预测分析方面的独特能力让其在预测疾病风险和病程进展方面展现出了巨大的潜力。这种预测能力对于慢性病的管理尤为重要可以帮助医生和患者更好地管理疾病减少并发症的发生。
将图神经网络用于帕金森病程发展预测
帕金森病是一种常见于中老年人的神经系统退行性疾病其病程进展通常不快有些患者一年也不会有明显变化甚至会出现好转在合理的药物和理疗帮助下可以保持良好的生理机能。但帕金森病的症状复杂多样包括睡眠障碍、呼吸困难、面部肌肉失调以及步态不稳和震颤等病程发展预测是帕金森病治疗中的一大难题。 图片来源pixabay.com
对此微软亚洲研究院的研究员们认为有必要分析患者的多模态数据来提取相似特征以提高病症发展预测的准确性。图神经网络GNNs就非常适合连接个体之间的关系——构建一个以患者为节点的图并连接相似的患者其中的相似性由患者的边缘特征决定。然而选择这些边缘特征来定义患者相似性也具有一定的挑战因为其非常依赖于人类专家和先验知识。
针对这些问题微软亚洲研究院与医疗机构合作在数据预处理、算法构建、模型设计和可解释性等方面进行了密切交流并基于专业医护人员的建议提出了一种新算法——AdaMedGraph。该算法可以自动选择重要特征来构建多个患者的相似性图并与先验知识兼容将人类专家构建的图纳入最终的集成模型。因为能够将个体间的信息与个体内的特征统一在一个模型中AdaMedGraph 最大限度地减轻了图构建方面的负担。
在帕金森病进展标志物倡议PPMIMarek等2018年和帕金森病生物标志物计划PDBP两个公开数据集上AdaMedGraph 在预测24个月帕金森病病情发展方面与其他基准模型相比在所有指标上都获得了更高的准确性为后续的个性化精准治疗提供了切入点。
此外AdaMedGraph 模型还具有较强的泛化能力在预测代谢综合征的发生上也表现出色。在测试数据集上的 AUROC 达到了0.675进一步证明了将患者内部数据和患者之间的数据都纳入个体疾病发展预测的有效性为未来的医学研究提供了新的思路和方法。
相关论文
AdaMedGraph: Adaboosting Graph Neural Networks for Personalized Medicine
https://arxiv.org/abs/2311.14304
加强跨领域合作释放人工智能价值
微软亚洲研究院的探索不仅限于疾病检测和病程预测。通过与医学界的广泛合作微软亚洲研究院也在深入挖掘人工智能在药物研发和医学研究领域的巨大潜力比如将前沿技术应用于人工视网膜构建、药物成瘾分析、癌症治疗、人体代谢探究等等。
人工智能技术的成熟和进步使其在实际应用中的潜力逐渐显现但要充分释放人工智能在各行各业的价值跨学科与跨领域的合作变得至关重要。“得益于与医疗机构和医学研究机构的医学专家的跨界合作微软亚洲研究院才能顺利开展诸多涉及医疗健康领域的研究项目持续探索将人工智能技术应用于疾病检测、康复训练和病程预测等医疗领域的关键环节这是团队共同努力的成果。我们也欢迎更多对跨领域研究感兴趣的优秀人才的加入共同为守护人类健康和推动医学进步贡献力量。”微软亚洲研究院副院长邱锂力表示。
欢迎加入微软亚洲研究院https://www.msra.cn/zh-cn/jobs
注本文所述的微软亚洲研究院在医疗健康领域的研究均为科研探索性质且均在专业医疗和医学研究机构的合作指导下进行旨在推动科学进步并为人类未来的医疗健康应用提供理论和技术支持。所有研究均严格遵守微软负责任的 AI 流程的指导并遵循公平、包容、可靠性与安全性、透明、隐私与保障、负责的原则。文中所提及的技术和方法目前均处于研究和开发阶段尚未形成商业产品或服务也不构成任何医疗建议或治疗方案。我们鼓励读者在面对健康问题时咨询合格的医疗专业人士。
