美国食品药品监督管理局(FDA,简称药监局)已经批准首个部署在数字听诊器内的AI算法,可供医师准确检测心脏瓣膜疾病。
当心脏瓣膜功能不正常时,即可引发瓣膜性心脏病。由于瓣膜无法正常打开或关闭,会影响血液向全身各处泵送,亦导致心腔自身难以摄入回流血液。
根据疾控中心公布的数据,全美约有2.5%的民众患有瓣膜性心脏病,每年有数万人死于心力衰竭或心脏骤停等并发症。
瓣膜性心脏病的检测往往相当棘手,要求医师听取患者心跳,并从中识别出异常声音或模式,据此判断哪个瓣膜受损、由此导致什么问题。然而,对心跳声音和模式的判断相当主观,经常发生误诊甚至彻底漏诊。
AI算法在这方面有望提供帮助。Eko是一家位于加利福尼亚州奥克兰的数字健康初创企业,他们开发出一款软件,能够分析患者脉搏并帮助医疗保健专家检测心脏杂音。这款Eko Murmur分析软件(EMAS)也成为首个获得FDA批准的同类软件。
医师可以使用搭载EMAS分析功能的Eko智能听诊器收集心跳数据。据称,EMAS能够对心脏杂音进行表征,以便在几秒钟内检测并分析患者可能患有哪种类型的瓣膜性心脏病。
Eko公司发言人在采访中表示,“EMAS是一项基于云的服务,允许用户通过应用编程接口上传心音,并结合可选心电图数据开展分析。该软件使用信号处理(例如波形滤波)及机器学习算法分析采集到的数据,据此为临床医师生成临床决策与持续输出。”
“EMAS算法能够分析心音数据,并输出带有算法结果的JSON文件。该文件随后被进一步传递至应用程序,再由应用以人类可读的格式展示给用户。”
Eko公司宣称,其EMAS工具的总体敏感性与特异性(衡量疾病识别准确度的两项指标)分别为85.6%与84.4%。相比之下,据报道全科医师在使用传统听诊器检测瓣膜性心脏病时,敏感性与特异性分别为44%与69%。
根据Eko公司发言人的介绍,“临床专家需要多年积累,才能掌握用听觉解析心脏杂音的「艺术」,而且其中仍有不少无法确定的变量。心脏病专家的整体杂音检测精度高于初级保健医师,但目前大多数病患只能接受初级医师的诊疗。只有疑似或已知患有心脏病的患者,才会经转诊接触到心脏病专家。”
FDA的批准,意味着Eko可以在美国销售其EMAS算法,并将这项技术推向整个医疗保健行业。“FDA的批准,是我们迈向商业化的重要一步。我们正在与美国各医疗机构积极寻求合作,这些机构将成为EMAS新型解决方案的早期采用者,提升对心脏瓣膜疾病的检测能力。”
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。