至顶网软件频道消息:谷歌认为其深度学习系统可以解决电子健康记录困境。
在Google I / O大会上,该公司首席执行官Sundar Pichai介绍了该公司如何利用其人工智能和机器学习基础设施更好地预测医疗保健结果。该领域的多个前沿方向正在兴起,但大部分医疗数据都是非结构化的,有大量的麻烦。
对于谷歌来说,对医疗保健的兴趣更多的是要证明其在该领域的模型和算法。这也是Google Cloud Platform的一个自然扩展。谷歌还与Fitbit合作开发数据和健康API。有鉴于此,谷歌人工智能对医疗保健领域非常有兴趣。
在Google I / O大会期间发布的一篇论文中,该公司介绍了它如何使用电子健康记录。该公司指出,它与斯坦福大学、加州大学旧金山分校和芝加哥大学合作,探索深度学习模式如何应用于医院的患者。关键的发展是谷歌正在寻求使用数据。数据准备本身可以有许多分析工作。
谷歌的文章介绍了数据准备挑战:
我们假设这些技术将很好地转化进入医疗保健;具体而言,深度学习方法可以包含整个EHR,包括自由文本笔记,为广泛的临床问题提供预测,并且它的准确程度超过传统中最高水平的预测模型。我们的核心观点是,与其直接调整EHR数据,将其映射为一组高度组织化、结构化的预测变量,然后将这些变量馈送到统计模型中,我们还不如学习通过直接特征学习同步调谐输入并预测医疗事件。
谷歌表示,该公司的模型能够在预测意外再入院、出院和住院病死率方面进行扩展并准确预测。正如ZDNet先前报道的那样,人工智能正在被用来更好地改善护理,同时降低成本。参看:
谷歌指出,它具有统计意义上的重要性,而且还仅仅是一个开始。预测和深度学习模型还仅仅是在使用回顾性数据。
事实上,在医疗保健中还有很多其他的地方可以使用人工智能和机器学习。例如:
好文章,需要你的鼓励
OpenAI明确表示要成为互联网一切事物的主导界面。AI智能体正在改变用户的数字习惯,从健康记录分析到购物指导,ChatGPT已经在多个领域扩展影响力。用户快速采用AI工具,但企业和生态系统的适应速度滞后。电商领域的权力分配尚不明确,用户偏好AI驱动的答案优先体验,品牌则推动生成式引擎优化。研究旨在了解用户与企业在AI变革中的适应差异。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。