人工智能确定青少年自杀和自残的主要预测因素

人工智能确定青少年自杀和自残的主要预测因素根据澳大利亚健康与福利研究所（AIHW）的数据，自杀是15-24岁澳大利亚人的首要死因。在美国，疾病控制和预防中心（CDC）将其列为10-14岁青少年的第二大死因。预测自杀或自残的标准方法依赖于将过去的自杀或自残尝试作为唯一的风险因素，但这可能并不可靠。现在，新南威尔士大学悉尼分校领导的研究人员利用机器学习（ML）准确识别出了导致青少年自杀和自残风险增加的首要因素。"有时我们需要消化和处理大量信息，这超出了临床医生的能力范围，"该研究的通讯作者Ping-IDanielLin说。"这就是我们利用机器学习算法的原因"。这项具有全国代表性的研究始于2004年，从澳大利亚儿童纵向研究（LSAC）中提取了2809名青少年的数据。这些青少年被分为两个年龄组：14至15岁和16至17岁。数据来自儿童、他们的照顾者和学校老师填写的调查问卷。在参与者中，10.5%的人曾报告过自我伤害行为，5.2%的人报告在过去12个月中至少尝试过一次自杀。研究人员从心理健康、身体健康、人际关系、学校和家庭环境等方面的数据中发现了4000多个潜在风险因素。他们使用随机森林（RF）算法来确定哪些14-15岁时出现的风险因素最能预测16-17岁时的自杀和自残企图。RF是一种由决策树组成的监督机器学习算法。它将多个决策树的输出结果结合起来，得出一个结果。RF算法的基本思想是，通过将多个决策树组合成一个模型，平均预测结果将更接近实际情况。研究人员将ML模型的预测性能与仅使用既往自残史或自杀未遂史作为预测指标的方法进行了比较。每个模型的性能都是通过评估曲线下面积（AUC）来确定的，AUC是一个性能指标，范围从0.5（不优于随机猜测）到1.0（完美预测）。一般来说，预测风险的AUC在0.7到0.8之间为可接受，0.8到0.9为优秀，超过9.0为杰出。过程中使用了48个变量来训练RF模型，以预测自残行为，结果显示该模型的AUC为0.740，预测效果尚可。在预测自杀未遂方面，使用315个变量训练的模型的AUC为0.722。在自残模型中，最主要的变量包括评估抑郁症状的"简短情绪和感觉问卷"（SMFQ）、评估行为和情绪的"优势和困难问卷"（SDQ）得分、生活压力事件、青春期量表、儿童与父母的关系、自主性、对学校的归属感以及儿童是否有男女朋友。在自杀未遂模型中，SMFQ、SDQ、评估焦虑症状严重程度的斯彭斯焦虑量表以及衡量健康相关生活质量的CHU9D指数是最主要的预测指标。与仅使用自残史或自杀未遂史作为预测指标相比，ML模型的效果更好。使用既往自残史预测重复自残的AUC为0.645，使用既往自杀未遂史预测重复自杀未遂的AUC为0.630，使用自残史预测自杀未遂的AUC为0.647。令研究人员感到惊讶的是，自杀或自残前科并非高危因素，而环境却扮演着如此重要的角色。Lin说："让我们感到惊讶的是，以前的尝试并不在首要风险因素之列。我们发现，年轻人所处的环境比我们想象的作用更大。从预防的角度来看，这是一件好事，因为我们现在知道，我们可以为这些人做更多的事情。"研究人员还指出，无论是自杀还是自残，都有其特有的因素。预测自杀的一个独特因素是缺乏自我效能感，当一个人感到无法控制自己的环境和未来时，就会产生这种感觉。自残的一个独特预测因素是缺乏情绪调节。研究人员说，他们的发现非常重要，因为这些发现倾向于推翻人们仅因心理健康状况不佳而自杀或自残的刻板印象。他们说，他们的模型可用于评估青少年的个体化风险。"基于患者信息，ML算法可以计算出每个人的得分，并将其整合到电子病历系统中，"Lin说。"临床医生可以快速检索这些信息，以确认或调整他们的评估。"在临床环境中推广这些模型之前，还需要进行更多的研究。它们需要应用于现实生活中的临床数据库，以验证其预测自杀和自残企图的有效性。"作为研究人员，我们将努力继续提供更多信息和证据。这是说服临床医生、家庭、患者和社区等利益相关者相信这些数据驱动的方法是有价值的"。该研究发表在《精神病学研究》（PsychiatryResearch）杂志上。...PC版：https://www.cnbeta.com.tw/articles/soft/1381485.htm手机版：https://m.cnbeta.com.tw/view/1381485.htm

人工智能分析技术可通过骨密度扫描预测未来疾病

人工智能分析技术可通过骨密度扫描预测未来疾病腹主动脉钙化（AAC）是指主动脉穿过腹部的部分发生钙化，可预测心血管疾病（如心脏病发作和中风）的发展并决定死亡风险。先前的研究还发现，它也是晚年痴呆症的可靠标志。AAC在骨密度扫描中可见，通常用于检测腰椎的骨质疏松症，但需要训练有素的专业人员来分析这些图像，这需要时间。AAC通常由训练有素的影像专家使用24点评分系统（AAC-24）进行量化。0分代表没有钙化，24分代表最严重的AAC程度。现在，澳大利亚埃迪斯科文大学（EdithCowanUniversity）的研究人员利用机器学习加快了钙化评估和评分过程。研究人员将由四种不同型号的骨密度仪拍摄的5012张脊柱图像输入他们的机器学习模型。研究人员说，尽管已经开发了其他算法来评估这些类型图像中的AAC，但这项研究是规模最大的，也是首次在真实世界环境中使用常规骨密度测试图像进行测试。然后，他们评估了该模型在根据AAC-24评分将图像准确地分为低、中和高钙化类别方面的性能。为了检验准确性，将基于机器学习的AAC评分与人类专家给出的评分进行了比较。专家和软件在80%的情况下得出了相同的结论。有3%的AAC高分者被软件错误地诊断为低分。人类和机器学习模型给出的AAC评分比较/伊迪丝考文大学Lewis说："这是值得注意的，因为这些人的疾病程度最严重，发生致命性和非致命性心血管事件以及全因死亡率的风险最高。虽然与人类读数相比，提高软件的准确性还有很多工作要做，但这些结果是我们1.0版算法的结果，我们已经用最新版本的算法大幅提高了结果。"研究人员说，他们的机器学习算法可以每天分析大约6万张骨密度扫描图像。考虑到专家分析一张图像平均需要5到15分钟，这是一个巨大的进步。这项研究的通讯作者约书亚-刘易斯（JoshuaLewis）说："由于这些图像和自动评分可以在骨密度检测时快速方便地获得，这可能会在未来的常规临床实践中为早期心血管疾病检测和疾病监测带来新方法。"研究人员说，他们的筛查方法可用于在症状出现前筛查疾病。Lewis说："自动评估AAC的存在和程度，其准确性与成像专家相似，这为大规模筛查心血管疾病和其他疾病提供了可能--甚至在某人出现任何症状之前。这将使高危人群更早地做出必要的生活方式改变，使他们在晚年更健康。"这项研究发表在《eBioMedicine》杂志上。...PC版：https://www.cnbeta.com.tw/articles/soft/1371625.htm手机版：https://m.cnbeta.com.tw/view/1371625.htm

Google人工智能技术“Transframer”可根据一张图片创建短视频

Google人工智能技术“Transframer”可根据一张图片创建短视频随着技术的发展，研究人员继续寻找新的方法来利用人工智能和机器学习能力。本周早些时候，Google科学家宣布创建了Transframer，这是一个新的框架，它能根据单一的图像输入来生成短视频。这项新技术有朝一日可以增强传统的渲染解决方案并使开发者能够基于机器学习能力创建虚拟环境。这个新框架的名称（及在某些方面的概念）是对另一个基于人工智能的模型Transformer的点赞。Transformer最初于2017年推出，是一个新颖的神经网络架构，它有能力通过建模和比较句子中的其他词来生成文本。此后，该模型被纳入了标准的深度学习框架如TensorFlow和PyTorch。据悉，Transframer使用具有类似属性的背景图像，结合查询注释来创建短视频。尽管在原始图像输入中没有提供任何几何数据，但产生的视频在目标图像周围移动并将准确的视角可视化。这项新技术使用Google的DeepMind人工智能平台进行了演示，其功能是分析单一的照片背景图像以此来获得关键的图像数据并生成额外的图像。在这一分析过程中，系统确定了图片的框架，这反过来又帮助系统预测图片的周围环境。然后，语境图像被用来进一步预测图片从不同角度会出现的情况。预测根据数据、注释及语境框架中的任何其他信息对额外图像框架的概率进行建模。该框架通过提供基于非常有限的数据集生成合理准确的视频的能力，这标志着视频技术的巨大进步。Transframer任务在其他跟视频有关的任务和基准上也显示出极有前景的结果，如语义分割、图像分类和光流预测。对基于视频的行业如游戏开发可能具有潜在的巨大影响。目前的游戏开发环境依赖于核心渲染技术，如着色、纹理映射、景深和光线追踪。像Transframer这样的技术有可能通过使用人工智能和机器学习来构建他们的环境并与此同时来减少创建环境所需的时间、资源和精力以为开发者提供一个全新的开发路径。PC版：https://www.cnbeta.com/articles/soft/1306793.htm手机版：https://m.cnbeta.com/view/1306793.htm

超参数化技术新突破推动量子人工智能发展

超参数化技术新突破推动量子人工智能发展洛斯阿拉莫斯国家实验室博士后研究员迭戈-加西亚-马丁（DiegoGarcia-Martin）说："我们相信，我们的研究成果将有助于利用机器学习来学习量子数据的属性，例如在量子材料研究中对不同物相进行分类，而这在经典计算机上是非常困难的。他是洛斯阿拉莫斯团队在《自然-计算科学》（NatureComputationalScience）上发表的一篇关于该技术的新论文的共同作者之一。简而言之，我们可以把神经网络想象成一个带有旋钮或参数的盒子，它将数据作为输入，并根据旋钮的配置产生输出。加西亚-马丁说："在训练阶段，算法会随着学习更新这些参数，试图找到最佳设置。一旦确定了最佳参数，神经网络就能够将它从训练实例中学到的知识外推到新的和以前未见过的数据点上。"在训练参数时，经典人工智能和量子人工智能都面临着共同的挑战，因为算法在训练过程中可能会达到次优配置，从而停滞不前。性能飞跃超参数化是经典机器学习中的一个著名概念，它可以增加越来越多的参数，从而避免停滞。直到现在，人们对超参数化在量子机器学习模型中的影响还知之甚少。在这篇新论文中，洛斯阿拉莫斯团队建立了一个理论框架，用于预测量子机器学习模型变得过度参数化的临界参数数。在某个临界点，增加参数会促使网络性能飞跃，模型也会变得更容易训练。"通过建立量子神经网络超参数化的基础理论，我们的研究为优化训练过程和提高实际量子应用的性能铺平了道路，"手稿第一作者、洛斯阿拉莫斯大学博士后研究员马丁-拉罗卡（MartinLarocca）解释说。通过利用纠缠和叠加等量子力学方面的优势，量子机器学习有望实现比经典计算机上的机器学习更快的速度或量子优势。避免机器学习中的陷阱为了说明洛斯阿拉莫斯团队的研究成果，论文的资深科学家、实验室的量子理论家马可-塞雷佐（MarcoCerezo）描述了一个思想实验：在这个实验中，一个远足者在一片黑暗的风景中寻找最高的山峰，这就是训练过程。徒步旅行者只能朝特定方向前进，并通过使用有限的全球定位系统测量海拔高度来评估他们的进展。在这个比喻中，模型中参数的数量与远足者可移动的方向相对应，Cerezo说。他说："一个参数允许前后移动，两个参数允许横向移动，以此类推。与我们假设的徒步旅行者的世界不同，数据景观可能不止三个维度。"如果参数太少，徒步旅行者就无法进行彻底的探索，可能会把一座小山误认为是最高的山峰，或者被困在一个平坦的区域，迈出任何一步似乎都是徒劳。然而，随着参数数量的增加，行走者可以在更高的维度上向更多的方向移动。最初看似局部的山丘可能会变成山峰之间的高谷。有了更多的参数，徒步者就能避免被困，找到真正的山峰或问题的解决方案。...PC版：https://www.cnbeta.com.tw/articles/soft/1376979.htm手机版：https://m.cnbeta.com.tw/view/1376979.htm

Google的人工智能技术可以让交通红工作更高效

Google的人工智能技术可以让交通红工作更高效西雅图是包括雅加达、里约热内卢和汉堡在内的四大洲十几个城市之一，这些城市根据Google地图的驾驶数据对一些交通信号进行了优化，旨在减少车辆空转造成的排放。该项目利用人工智能算法分析来自地图用户的数据，初步调整了70个交叉路口的配时。根据Google对去年和今年测试的调整前后交通流量的初步统计，其人工智能驱动的繁忙信号灯配时建议每月可为3000万辆汽车减少多达30%的停车次数和10%的排放量。Google今天公布了这些早期成果，同时还公布了利用其数据和人工智能研究人员推动环境可持续发展的其他项目的最新进展。该公司正在将地图中的节油路由功能扩展到印度和印度尼西亚，该功能可引导驾驶员选择交通流量较少的道路或上坡行驶；它还在向比利时、荷兰、卢森堡和德国西北部的空中交通管制员提供飞行路线建议，以减少造成气候变暖的烟尘。罗滕伯格说，Google优先支持那些雇用了交通工程师并能远程控制交通信号的大城市，同时也在全球范围内推广这项技术，以证明它在各种条件下都能很好地发挥作用。Google工程师和印度海得拉巴的官员在讨论交通信号灯的设置，这是该公司利用其地图应用程序中的数据减少交通堵塞和汽车尾气排放项目的一部分。通过地图数据，Google可以推断出每个城市数千个十字路口的信号时间和协调情况。然后，该公司科学家开发的人工智能模型可以分析过去几周的交通模式，确定哪些信号灯值得调整--主要是在城市地区。然后，它就会建议改变设置，以减少走走停停的交通流量。系统中的过滤器会尝试阻止一些不明智的建议，比如那些可能对行人不友好的建议。Google的一些建议非常简单，比如在特定时段将一个绿灯亮起与下一个绿灯亮起之间的时间增加两秒钟，这样就可以让更多车辆不停车通过两个路口。更复杂的建议可能涉及两个步骤，既要调整特定信号灯的持续时间，又要调整该信号灯与相邻信号灯之间的偏移量。城市工程师登录Google在线仪表板查看建议，然后将其复制到照明控制程序中，几分钟内即可远程应用；对于未联网的信号灯，工程师可以亲自到路口的控制箱前查看。无论在哪种情况下，Google都能利用自身的数据进行计算，使城市不必自己收集数据--无论是通过传感器自动收集，还是通过人工进行费力的统计--也不必自己计算或目测调整。在一些城市，十字路口的设置可能多年不变。罗滕伯格说，在某些情况下，该项目引起了人们对通常被城市领导忽视的交叉路口的关注。Google的系统可以根据交通模式的变化，每隔几周进行一次调整，但目前还不具备实时调整的能力，而许多城市都不具备支持实时调整的基础设施。罗滕伯格说，Google与以色列理工大学和加州大学伯克利分校的交通工程教师合作开发了"绿灯"系统，其用户还包括海法、布达佩斯、阿布扎比和巴厘岛。为了验证Google的建议是否有效，城市可以使用视频录像或其他传感器进行交通统计。将计算机视觉算法应用到城市视频中，最终可以帮助Google和用户了解传统交通数据不易发现的其他影响。例如，当Google工程师在布达佩斯亲眼目睹"绿灯"调整方案生效时，他们注意到闯红灯的人少了，因为司机不必再等待多个红灯变绿灯的周期才能通过十字路口。Google的其他一些气候提示，包括在航班和食谱搜索结果中显示估计排放量，令包括航空公司和养牛场主在内的一些团体感到沮丧，他们指责Google使用了不正确的数学方法，歪曲了他们的行业。到目前为止，Google的"绿灯计划"获得了好评，但今天公布的有关其工作原理的新细节以及明年将该系统扩展到更多城市的计划可能会引起更多的关注。德克萨斯农工大学（TexasA&MUniversity）助理教授古尼-沙龙（GuniSharon）也在研究人工智能优化交通信号的潜力。但在他看来，更全面的人工智能和传感器系统，使信号灯能够根据交通状况进行实时调整，可能会更加有效。沙龙说，Google的交通信号灯系统似乎采取了一种保守的方法，它允许城市利用现有的基础设施，因此采用起来更容易，风险也更小。Google在其"绿灯项目"网页上说，它希望结果会不断变化，并将在即将发表的一篇论文中提供有关该项目的更多信息。...PC版：https://www.cnbeta.com.tw/articles/soft/1389281.htm手机版：https://m.cnbeta.com.tw/view/1389281.htm

人工智能技术可从零开始生成原始蛋白质

人工智能技术可从零开始生成原始蛋白质该实验表明，最初为阅读和写作语言文本而创建的自然语言处理人工智能可以掌握生物学的某些基本概念。这个被称为ProGen的AI程序是由SalesforceResearch开发的，它采用了下标预测法，从氨基酸序列中构建人工蛋白质。科学家们说，这项新技术可能会变得比定向进化（诺贝尔奖得主的蛋白质设计技术）更强大，它将通过加快开发新的蛋白质来为有50年历史的蛋白质工程领域注入活力，这些蛋白质几乎可以用于从治疗药物到降解塑料的任何用途。加州大学旧金山分校药学院生物工程和治疗科学教授詹姆斯-弗雷泽博士说："人工设计的性能比受进化过程启发的设计好得多，"他是这项工作的作者之一，该论文最近发表在《自然-生物技术》上。该论文的前一个版本自2021年7月以来一直在预印本服务器BiorXiv上提供，在那里获得了几十次引用，然后才发表在同行评议的期刊上。"语言模型正在学习进化的各个方面，但它与正常的进化过程不同，"弗雷泽说。"我们现在有能力调整这些属性的生成，以达到特定的效果。例如，一种热稳定性极强的酶或喜欢酸性环境或不会与其他蛋白质相互作用的酶。"为了创建这个模型，科学家们只是将2.8亿种不同的蛋白质的氨基酸序列输入机器学习模型，并让它消化了几周的信息。然后，他们用五个溶菌酶家族的56000个序列以及关于这些蛋白质的一些背景信息对该模型进行了微调。该模型迅速生成了一百万个序列，研究小组根据它们与天然蛋白质序列的相似程度，以及人工智能蛋白质的基础氨基酸"语法"和"语义"的自然程度，选择了100个进行测试。在这第一批由TierraBiosciences公司进行体外筛选的100种蛋白质中，研究小组制作了五种人工蛋白质在细胞中进行测试，并将其活性与鸡蛋白中发现的一种酶进行比较，这种酶被称为鸡蛋白溶菌酶（HEWL）。在人类的眼泪、唾液和牛奶中也有类似的溶菌酶，它们在那里抵御细菌和真菌。其中两种人工酶能够分解细菌的细胞壁，其活性与HEWL相当，但它们的序列彼此之间只有大约18%的相同。这两个序列与任何已知的蛋白质都有大约90%和70%的相同。一个天然蛋白质只要有一个突变就能使其停止工作，但在另一轮筛选中，研究小组发现人工智能生成的酶显示出活性，即使其序列中只有31.4%与任何已知的天然蛋白质相似。人工智能甚至能够学习酶的形状，仅仅通过研究原始序列数据。通过X射线晶体学测量，人造蛋白质的原子结构看起来和它们应该的一样，尽管其序列是以前从未见过的。SalesforceResearch在2020年开发了ProGen，基于他们的研究人员最初开发的一种用于生成英语文本的自然语言编程。他们从以前的工作中知道，人工智能系统可以教自己语法和单词的含义，以及其他使写作有条理的基本规则。"当你用大量数据训练基于序列的模型时，它们在学习结构和规则方面真的很强大，"SalesforceResearch的人工智能研究主任、该论文的资深作者NikhilNaik博士说。"它们可以学习哪些词可以共同出现，也可以学习构成性。"对于蛋白质，设计的选择几乎是无限的。就蛋白质而言，溶酶很小，最多有大约300个氨基酸。但是有20个可能的氨基酸，就有大量的（20300）可能的组合。这比古往今来的所有人类，乘以地球上的沙粒数量，再乘以宇宙中的原子数量还要多。考虑到无限的可能性，该模型能够如此容易地产生工作的酶，这一点非常了不起。ProfluentBio公司的创始人、前SalesforceResearch公司的研究科学家、该论文的第一作者AliMadani博士说："从零开始生成功能性蛋白质的能力表明，我们正在进入一个蛋白质设计的新时代。"这是一个可供蛋白质工程师使用的多功能新工具，我们期待着看到治疗性应用"。完整的作者和资助名单请见该论文。论文中描述的方法的综合代码库可在https://github.com/salesforce/progen上公开获取。...PC版：https://www.cnbeta.com.tw/articles/soft/1346413.htm手机版：https://m.cnbeta.com.tw/view/1346413.htm