ZD至顶网软件频道消息:根据《自然》杂志发表的论文所言,一种新的算法承诺帮助皮肤科医师通过手机相机对皮肤癌病症进行诊断。
近年来,机器学习与AI技术的快速发展令计算机拥有了更为强大的数据流分析与图像分类能力。皮肤癌则成为另一种能够通过软件进行诊断的疾病。
去年,Google Brain宣称其算法能够与眼科医师一样进行视网膜扫描以检测由糖尿病引发的视网膜病变。而其姐妹AI厂商DeepMind公司亦在努力对癌变口腔组织与健康口腔组织进行区分,从而检测口腔癌症。
皮肤癌此前通常需要通过视诊方式进行活检。医生寻找皮肤肌理中的斑块,从而判断皮肤生长的异常迹象——而如今这一工作已经可以由机器负责完成。
这一基于谷歌Inception v3的新代码属于基于TensorFlo的深度学习算法——Inception利用来自ImageNet数据集中的128万张图片进行预训练,能够正确从照片中区分猫与狗。现在,加利福尼亚州斯坦福大学的研究人员与加利福尼亚州退伍人员事务帕洛阿尔托医疗系统已经对其进行调整,旨在将其判断方向转向皮肤癌领域。
其采用一套包含2032张不同皮肤病症图片的,总计拥有129450张图片的数据集进行训练。每张图片立足于原始像素进行处理,旨在与各类疾病标签进行关联。
“由于缺少庞大的皮肤癌数据集,我们只能自己动手建立数据集以训练相关算法,”本文联合主笔作者兼斯坦福大学研究生Brett Kuprel表示。“我们从互联网处收集图像,并与医学院合作以在极为混乱的数据当中创建出一套准确的分类——标签只包含几种语言,包括德语、阿拉伯语以及拉丁语。”
在将标签翻译为英语后,团队邀请21名皮肤科医生对该算法进行了测试。每位医生皆会被询问是否会根据单独的图像对患者进行活检、治疗或者判断其皮肤操作是否属于癌变迹象。
通过比较,这种新算法能够与皮肤科医生一样准确地分辨癌变与非癌变皮肤。
通过对三种类型的皮肤疾病进行测试,这款软件能够给出与皮肤科医生判断相符的答案,且准确性可达到91%。
尽管结果与预期基本准确,“在临床实践当中,从业者与患者都可以严格利用该项算法的前瞻性判断进行验证,”斯坦福大学论文联合作者兼皮肤病学教授Susan Swetter指出。
一旦代码的水平符合临床使用的要求,研究人员们希望能够将这项技术引入移动手机。“配合深层神经网络,移动设备能够扩大皮肤科医生在诊所外的诊断范围。到2021年,预计全球智能手机用户将达到63亿,因此以此为基础提供低成本诊断服务将广泛成为可能,”论文总结称。
美国每年存在540万新增皮肤癌病例(所有类型),而早期检测对于病患的存活率有着巨大影响。恶性黑色素瘤的五年存储率在初期阶段约为97%,但在晚期检测出的存活率则约为14%。
如果这项算法能够轻松在移动手机上加以运行,则将韅提升皮肤癌的早期检测可能性。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。