新的人工智能模型比以前的方法更准确地预测癌症患者的生存率

新的人工智能模型比以前的方法更准确地预测癌症患者的生存率这是癌症患者确诊后旅程的第一步。该模型能够识别每个病人的独特特征，从而使6个月、36个月和60个月的生存预测的准确率超过80%。这些发现最近发表在《美国医学会杂志》网络版上。"预测癌症生存期是一个重要的因素，可以用来改善癌症护理，"主要作者约翰-乔斯-努涅斯博士说，他是UBC情绪障碍中心和BC癌症的精神病学家和临床研究员。"它可能会建议医疗服务提供者更早地转介到支持服务，或在前期提供一个更积极的治疗方案。我们的希望是，像这样的工具可以用来个性化和优化病人立即接受的护理，使他们获得可能的最佳结果。"传统上，癌症的存活率是回顾性计算的，只按一些通用因素分类，如癌症部位和组织类型。尽管对这些比率很熟悉，但由于影响病人结果的许多复杂因素，肿瘤学家要准确预测个别病人的存活率具有挑战性。努涅斯博士和他的合作者（包括来自不列颠哥伦比亚省癌症协会和不列颠哥伦比亚大学计算机科学和精神病学系的研究人员）开发的模型，能够在病人的初始咨询文件中发现独特的线索，以提供更细致的评估。它还适用于所有癌症，而以前的模型只限于某些癌症类型。"人工智能本质上阅读咨询文件，类似于人类阅读文件的方式，"努涅斯博士说。"这些文件有许多细节，如病人的年龄、癌症的类型、潜在的健康状况、过去的物质使用和家族史。人工智能将所有这些汇集在一起，描绘出一幅更完整的患者结果。"研究人员使用位于不列颠哥伦比亚省的所有癌症中心的47625名患者的数据训练和测试了该模型。为了保护隐私，所有患者的数据都安全地储存在本地，并以匿名方式呈现。与人类研究助理的病历审查不同，新的人工智能方法有一个额外的好处，即保持病人记录的完全保密性。努涅斯博士说："由于该模型是根据不列颠哥伦比亚省的数据训练的，这使它成为预测本省癌症生存率的潜在有力工具。"在未来，该技术可以应用于加拿大和世界各地的癌症诊所。努涅斯博士说："神经NLP模型的伟大之处在于它们是高度可扩展的，可移植的，并且不需要结构化数据集。我们可以使用本地数据快速训练这些模型，以提高在新地区的表现。我怀疑这些模型在世界任何一个病人能够看到肿瘤医生的地方都能提供一个良好的基础"。努涅斯博士是2022/23年UBC精神健康研究所马歇尔奖学金的获得者，也得到了不列颠哥伦比亚省癌症基金会的资金支持。在另一项工作中，努涅斯博士正在研究如何利用先进的人工智能技术为癌症患者提供尽可能好的心理和咨询护理。他设想的未来是，人工智能被整合到卫生系统的许多方面，以改善病人护理。努涅斯博士说："我认为人工智能的作用几乎就像医生的虚拟助手。随着医学越来越先进，有人工智能来帮助整理和理解所有的数据将有助于为医生的决策提供信息。最终，这将有助于改善患者的生活质量和结果。"...PC版：https://www.cnbeta.com.tw/articles/soft/1352495.htm手机版：https://m.cnbeta.com.tw/view/1352495.htm

人工智能为多囊卵巢综合症诊断带来革命性变革

人工智能为多囊卵巢综合症诊断带来革命性变革"鉴于社区中多囊卵巢综合症诊断不足和误诊造成的巨大负担及其潜在的严重后果，我们希望确定人工智能/ML在识别可能有多囊卵巢综合症风险的患者方面的效用，"该研究的共同作者、美国国立卫生研究院（NIH）下属国家环境健康科学研究所（NIEHS）高级研究员兼内分泌学家珍妮特-霍尔（JanetHall）医学博士说。"人工智能和机器学习在检测多囊卵巢综合症方面的效果比我们想象的更加令人印象深刻。"多囊卵巢综合征发生在卵巢不能正常工作的情况下，在许多情况下还伴有睾酮水平升高。这种疾病会导致月经不调、痤疮、面部多毛或头部脱发。患有多囊卵巢综合症的女性患2型糖尿病、睡眠、心理、心血管和其他生殖系统疾病（如子宫癌和不孕症）的风险通常会增加。"鉴于多囊卵巢综合症与其他疾病的重叠，诊断多囊卵巢综合症可能具有挑战性，"该研究的资深作者、美国国家健康研究所助理研究医师兼内分泌学家斯坎德-谢卡尔（SkandShekhar）医学博士说。"这些数据反映出，将人工智能/ML纳入电子健康记录和其他临床环境，以改善多囊卵巢综合症妇女的诊断和护理，还具有尚未开发的潜力。"该研究的作者建议将基于人群的大型研究与电子健康数据集结合起来，并分析常见的实验室测试，以确定有助于诊断多囊卵巢综合症的敏感诊断生物标志物。多囊卵巢综合征的诊断依据的是多年来不断发展并被广泛接受的标准化标准，但通常包括临床特征（如痤疮、毛发生长过多和月经不调）以及实验室（如高血睾酮）和放射学检查结果（如卵巢超声检查发现多个小囊肿和卵巢体积增大）。然而，由于多囊卵巢综合症的某些特征可能与肥胖、糖尿病和心血管代谢紊乱等其他疾病同时存在，因此经常被忽视。人工智能是指使用基于计算机的系统或工具来模仿人类智能并帮助做出决策或预测。ML是人工智能的一个分支，侧重于从以前的事件中学习，并将这些知识应用到未来的决策中。人工智能可以处理大量不同的数据，例如从电子健康记录中获得的数据，因此是诊断多囊卵巢综合症等难以诊断的疾病的理想辅助工具。研究人员对过去25年（1997-2022年）中发表的所有使用人工智能/ML检测多囊卵巢综合症的同行评审研究进行了系统回顾。在一位经验丰富的美国国立卫生研究院图书管理员的帮助下，研究人员确定了可能符合条件的研究。他们共筛选出135项研究，并将31项纳入本文。所有研究都是观察性的，评估了人工智能/ML技术在患者诊断中的应用。约有一半的研究包含超声波图像。研究参与者的平均年龄为29岁。在使用标准化诊断标准诊断多囊卵巢综合症的10项研究中，检测准确率在80%-90%之间。Shekhar说："在各种诊断和分类模式中，人工智能/ML在检测多囊卵巢综合症方面表现极佳，这是我们的研究得出的最重要的结论。"作者指出，基于人工智能/ML的项目有可能大大提高我们早期发现多囊卵巢综合症妇女的能力，从而节省相关费用，减轻多囊卵巢综合症给患者和医疗系统带来的负担。具有强大验证和测试实践的后续研究将使人工智能/ML与慢性健康状况顺利结合。...PC版：https://www.cnbeta.com.tw/articles/soft/1386563.htm手机版：https://m.cnbeta.com.tw/view/1386563.htm

谷歌为医疗保健推出新的人工智能模型 MedLM

谷歌为医疗保健推出新的人工智能模型MedLM谷歌周三宣布推出一套新的医疗保健专用人工智能模型MedLM，旨在帮助临床医生和研究人员进行复杂的研究、总结医患互动等。此举标志着谷歌将医疗保健行业人工智能工具货币化的最新尝试。该公司与亚马逊和Microsoft等竞争对手之间的市场份额竞争仍然激烈。(环球市场播报)https://cj.sina.cn/article/norm_detail?url=

开创性的人工智能方法找到了对心脏功能和疾病进行分类的方法

开创性的人工智能方法找到了对心脏功能和疾病进行分类的方法该团队开发出了一种突破性的人工智能应用，可对心脏功能进行分类，并准确识别瓣膜性心脏病，突显了在整合医学科学和技术以改善患者预后方面取得的长足进步。相关研究成果最近发表在《柳叶刀数字健康》（TheLancetDigitalHealth）杂志上。瓣膜性心脏病是心力衰竭的原因之一，通常使用超声心动图进行诊断。然而，这项技术需要专业技能，因此合格的技术人员也相应短缺。同时，胸片检查也是发现疾病（主要是肺部疾病）最常用的检查方法之一。尽管心脏在胸片上也清晰可见，但迄今为止，人们对胸片检测心脏功能或疾病的能力知之甚少。左：胸片右：人工智能判断依据的可视化。图片来源：OMU，上田大寿许多医院都会进行胸部X光检查，而且只需要很少的时间，因此非常容易获得和复制。因此，大阪都立大学医学研究生院诊断和介入放射学系的上田大洲博士领导的研究小组认为，如果能通过胸部X光片确定心脏功能和疾病，那么这项检查就可以作为超声心动图的补充。上田博士的团队成功开发出一种利用人工智能的模型，可以从胸片上准确地对心脏功能和瓣膜性心脏病进行分类。由于在单一数据集上训练的人工智能可能会出现偏差导致准确率较低，因此该团队将目标放在了多机构数据上。因此，在2013年至2021年期间，研究小组从四家机构的16946名患者中收集了与22551张超声心动图相关的共22551张胸部X光片。将胸片作为输入数据，将超声心动图作为输出数据，对人工智能模型进行了训练，以学习连接这两个数据集的特征。人工智能模型能够精确地对六种选定的瓣膜性心脏病类型进行分类，其曲线下面积（AreaUndertheCurve，简称AUC）在0.83到0.92之间。(AUC是表示人工智能模型能力的评级指标，其数值范围为0至1，越接近1越好）。在检测左心室射血分数（监测心脏功能的一项重要指标）的40%临界值时，AUC为0.92。Ueda博士说："我们花了很长时间才取得这些结果，但我相信这是一项意义重大的研究。除了提高医生的诊断效率外，该系统还可用于没有专家的地区、夜间急诊以及难以接受超声心动图检查的患者。"...PC版：https://www.cnbeta.com.tw/articles/soft/1379911.htm手机版：https://m.cnbeta.com.tw/view/1379911.htm

放射科医生与机器的较量：在识别胸部X光片肺部疾病能力上依然超越人工智能

放射科医生与机器的较量：在识别胸部X光片肺部疾病能力上依然超越人工智能北美放射学会（RSNA）期刊《放射学》9月26日发表的一项研究显示，在对2000多张胸部X光片进行的研究中，放射科医生在准确识别三种常见肺部疾病的存在与否方面优于人工智能。放射成像的作用首席研究员、丹麦哥本哈根Herlev和Gentofte医院放射科住院医生兼博士研究员、医学博士LouisL.Plesner说："胸透是一种常见的诊断工具，但要正确解读检查结果需要大量的培训和经验。"虽然市面上已有经FDA批准的人工智能工具来协助放射科医生，但将基于深度学习的人工智能工具用于放射诊断的临床应用仍处于起步阶段。Plesner博士说："虽然越来越多的人工智能工具被批准用于放射科，但在实际临床场景中进一步测试这些工具的需求尚未得到满足。人工智能工具可以协助放射科医生解读胸部X光片，但其实际诊断准确性仍不明确。"(A）71岁男性患者因呼吸困难进展而接受检查的后前位胸部X光片显示双侧纤维化（箭头B）31岁女性患者因咳嗽一个月而转诊接受放射检查的后前位胸部X光片显示右心边界处有细微的气隙不清晰（箭头）。(C)一名78岁男性患者在置入中心静脉导管后转诊的前胸X光片显示右侧皮肤皱褶（箭头）。(D)为排除气胸而转诊的一名78岁男性患者的后前方胸部X光片显示右侧顶部有一个非常细微的气胸（箭头）。(E)一名72岁男性患者的后正位胸部X光片显示肋膈角慢性变圆（箭头），该患者无特殊原因转诊进行放射检查。(F)因怀疑充血和/或肺炎而转诊的76岁女性患者的前胸X光片显示左侧胸腔有非常微小的积液（箭头），所有三种能分析前胸X光片胸腔积液的人工智能工具都漏诊了。资料来源：北美放射学会研究结果Plesner博士和研究小组比较了四种市售人工智能工具和72位放射科医生在2020年对丹麦四家医院两年内连续拍摄的2040张成人胸部X光片进行解读时的表现。患者群体的中位年龄为72岁。在胸部X光片样本中，669张（32.8%）至少有一个目标发现。胸部X光片针对三种常见发现进行了评估：气室疾病（由肺炎或肺水肿等引起的胸部X光片形态）、气胸（肺部塌陷）和胸腔积液（肺部周围积水）。人工智能工具对气道疾病的灵敏度为72%至91%，对气胸的灵敏度为63%至90%，对胸腔积液的灵敏度为62%至95%。他说："在检测胸部X光片上的气腔疾病、气胸和胸腔积液方面，人工智能工具显示出与放射科医生相当的中高灵敏度。然而，与放射科医生相比，它们产生了更多的假阳性结果（在不存在疾病的情况下预测出疾病），而且当出现多个发现和较小的目标时，它们的性能会下降。"预测值比较对于气胸，人工智能系统的阳性预测值--筛查呈阳性的患者真正患病的概率--在56%到86%之间，而放射科医生的预测值为96%。"人工智能在识别气胸疾病方面表现最差，阳性预测值在40%到50%之间，"Plesner博士说。"在这一疑难老年患者样本中，人工智能10次中有5到6次预测出了不存在的气隙疾病。你不可能让一个人工智能系统以这样的速度独立工作"。放射科医生的目标是在发现和排除疾病的能力之间取得平衡，既要避免重大疾病被忽视，又要避免过度诊断。"人工智能系统在发现疾病方面似乎非常出色，但在确定没有疾病方面却不如放射科医生，尤其是在胸部X光片比较复杂的情况下，"他说。"过多的假阳性诊断会导致不必要的成像、辐射暴露和成本增加"。大多数研究通常倾向于评估人工智能确定单一疾病存在与否的能力，这比现实生活中病人往往患有多种疾病的情况要容易得多。在之前许多声称人工智能优于放射科医生的研究中，放射科医生只查看了图像，而无法了解患者的临床病史和之前的成像研究。在日常实践中，放射科医生对成像检查的解释是这三个数据点的综合。研究人员推测，如果下一代人工智能工具也能进行这种综合，其功能可能会变得更加强大，但目前还不存在这样的系统。"我们的研究表明，在病人种类繁多的真实场景中，放射科医生的表现普遍优于人工智能，"他说。"虽然人工智能系统能有效识别正常的胸部X光片，但人工智能不应自主进行诊断。"Plesner博士指出，这些人工智能工具可以通过对胸部X光片进行二次观察，增强放射科医生对其诊断的信心。...PC版：https://www.cnbeta.com.tw/articles/soft/1387257.htm手机版：https://m.cnbeta.com.tw/view/1387257.htm

研究发现：用人工智能生成的图像训练出的人工智能产生了糟糕的结果。

研究发现：用人工智能生成的图像训练出的人工智能产生了糟糕的结果。斯坦福大学和莱斯大学的研究人员发现，生成式人工智能模型需要“新鲜的真实数据”，否则输出的质量就会下降。这对摄影师和其他创作者来说是个好消息，因为研究人员发现，训练数据集中的合成图像会放大人工痕迹，使人工智能画出的人类看起来越来越不像真人。研究小组将这种状况命名为“模型自噬障碍”。如果自噬循环的每一代都没有足够的新鲜真实数据，未来的生成模型注定会逐渐降低其质量或多样性。如果该研究论文是正确的，那么这意味着人工智能将无法开发出无穷无尽的数据源。人工智能仍然需要真实、高质量的图像来不断进步，而不是依赖自己的输出。这意味着生成式人工智能将需要摄影师。——