至顶网软件频道消息:根据2018年6月ABI Research的报告,到2021年使用数据训练人工智能模型进行预测分析的患者监护设备数量(包括用于家庭预防性医疗保健的人工智能)将从2017年的5.3万台增加至201万。预计到2021年,这种连接将为医院节省约520亿美元。
Venable LLP医疗合伙人兼联合主席Drew Gantt表示:“由于互联网、电子健康记录、个人健康记录、手机、可穿戴设备、数字医疗设备、传感器等许多其他因素,我们现在的数字医疗数据正在呈指数级的增长。这些数据将在短期内推动算法解决方案、临床决策支持工具和可视化工具。”
Gantt说,医疗企业应该专注于使用人工智能技术来解决问题、发现价值、促进使命、创造竞争优势,而不是仅仅为了技术或为了拥有最新的东西而使用它。
2018年6月1日,纽约西奈山医院(Mount Sinai Hospital)宣布与AI医疗初创公司RenalytixAI建立合作关系,打造一款AI工具来发现患有晚期肾病风险的患者。
根据Global Kidney Health Atlas报告显示,2017年全世界10人中就有1人患有慢性肾脏疾病。而且,传统上肾病患者在需要透析前不会开始治疗。
西奈山医院和RenalytixAI将把超过300万份患者健康记录放入人这个工智能工具中,以识别处于危险中的患者。通过分析大量数据的过程实现自动化,团队希望借此减少诊断错误,加快检测,让医院工作人员更专注于护理工作中。双方表示,他们预计这款AI新产品将在2019年第二季度实现商业化。
RenalytixAI创始人兼首席执行官James McCullough表示:“通过与西奈山医院等主要医疗机构合作,我们可以真正定义AI驱动型产品在肾脏疾病中的临床影响。我们还将专注于开发对于具有高风险糖尿病和少数人群的健康网络采用至关重要的报销和监管途径。”
RenalytixAI是EKF Diagnostics剥离出来的一个子公司,EKF Diagnostics是位于加迪夫的临床诊断公司,拥有一个生物指标组合,将其sTNFR生物指标转移给该公司。
McCullough说,让RenalytixAI引人注目的,是它专注于诊断与人工智能的结合。
“西奈山医院拥有来自大量高危人群的深层数据,如2型糖尿病患者和非洲血统人群,这两类人群是肾脏疾病的主要高危人群,临床知识与丰富数据集的结合,让我们能够创建一个风险评分系统,从这些高危人群的生物指标中抽取数据。这么做让这些数据具有很高的质量。”
“这个项目让个性化医疗和人口健康的结合取得了成果,” RenalytixAI Scientific Advisory委员会主席、西奈山伊坎医学院医学系主任、临床整合与人口健康Barbara Murphy博士这样说。
“通过及早发现危险人群,我们将有可能通过主动监测和管理来预防或减缓肾脏疾病的进程,这将对患者的生活产生持久而显着的影响,”Murphy补充说。
Gantt说,医院所拥有的数据仍然存在巨大挖掘潜力,有助于实现医院的使命。
“拥有大量数据的医院和其他企业应该制定一套数据业务计划——即使是仅用于内部非商业目的。人工智能可以增强对这些数据的分析。医疗行业应该专注于使用人工智能技术来解决问题、发现价值、推进自己的使命并创造竞争优势,而不是仅仅为了技术或者为了拥有最新的东西而使用它。”
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。