新的人工智能模型试图像医生一样合成患者数据

PNNL整合了超过30万个医学概念的信息,比任何现有的人工智能数据集都要多,以帮助医生诊断

人工智能(AI)永远不会取代医生。然而,美国能源部的研究人员太平洋西北国家实验室(PNNL)朝着人工智能可以帮助医生预测医疗事件的那一天迈出了一大步。与其他嵌入方法相比,PNNL科学家开发的一种新方法将患者诊断的准确性提高了20%。

PNNL方法试图捕捉并重建医生在诊室中将毕生的学习和知识应用于站在他们面前的病人时自然产生的联系类型。目标:利用实验室在机器学习和深度学习方面强大的人工智能能力,改善患者护理,挽救生命。

PNNL的科学家们最近讨论了他们的论文中的新方法在SIGKDD知识发现和数据挖掘会议的医疗保健数据科学研讨会上发表。

开发的核心是PNNL与斯坦福大学合作创建的数据集,其中包含由SNOMED临床术语定义的30多万个医学概念,SNOMED临床术语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开发了一种基于这些术语的基于图的学习方法,优于当前的模型。该代码可作为开放源码下载

“如果你认为翻译医生的笔迹很难,那就试着把他们的医学知识翻译成计算机语言,”PNNL的计算机科学家罗伯特·拉罗(Robert Rallo)说,他领导着PNNL将人工智能应用于医疗保健的团队。“困难的部分是结合多种类型的数据。与图表注释、x光或核磁共振成像图像等非结构化数据相比,血液检查数字或诊断代码等对计算机友好的数据更容易处理。”

Rallo和PNNL团队的其他成员正在创造方法,将许多不同类型的医疗保健数据与一种称为知识图谱的人工智能工具融合在一起,这是PNNL资助的项目Deep care的一部分。

拉罗说:“知识图谱是医生在诊断你时脑子里的东西。“医生根据多年的训练和经验来看待关系。这是他们在症状和疾病之间建立联系的心理模型。我们正在将医学知识的象征性表示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,人工智能不会取代医生。相反,人工智能将成为决策支持工具。这些模型将能够访问比任何人类大脑存储的更多的数据和更多的连接。这些模型远远超过了一个数据库,甚至可以检测到医生在观察一组随机症状时最初可能没有考虑到的联系。但不应指望医生只看模型的表面价值。PNNL的计算机科学家Sutanay Choudhury专注于研究这些模型的可解释性。他正在努力建立一个工具,可以解释它的推理、预测和建议,使用可理解的例子,医生会解释。这样的解释增加了人们对该模型的信任,PNNL团队设想有一天将在医疗诊所部署该模型。

作为下一阶段研究的一部分,PNNL团队正在使用一个新的数据集,作为VA和能源部合作的一部分。VA-DOE大数据科学计划为医疗数据分析创造了一个安全的计算环境,并包括研究自杀、心血管疾病和前列腺癌的新方法。

-资料来源:太平洋西北国家实验室