肺癌是一种可怕的疾病。根据世界卫生组织的数据,肺癌已成全球最常见的致命病因之一,仅2020年就造成近221万例死亡。更重要的是,这种疾病具有进行性——在大多数病患身上,肺癌最初只引发轻微症状、不易引起警觉,但随后迅速演变成危及生命的重症。幸运的是,过去二十年间针对肺癌患者的诊疗方法有了巨大发展。但就目前来看,早期发现仍然是显著降低肺癌死亡率的唯一手段。
最近,麻省理工学院(MIT)与麻省总医院(MGH)宣布开发名为Sybil的深度学习模型,可利用单一CT扫描数据预测肺癌风险。相关研究已经于上击正式发表在《临床肿瘤学杂志》上,其中讨论了“以个性化潜在癌症风险评估工具服务高风险人群”的可能性。研究负责人假设“可以建立一套评估全体积LDCT(低剂量计算机断层扫描)数据的深度学习个体风险预测模型,无需额外的人口统计或临床数据即可提供可靠结论。”
该模型遵循的基本原理非常简单:“LDCT图像中包含的信息,可用于预测未来肺癌风险,且准确率高于现有可识别特征(例如肺结节)。”为此,开发人员试图“开发并验证一种深度学习算法,通过单一LDCT扫描预测未来6年内罹患肺癌的风险,并评估其潜在临床影响。”
总的来说,这项研究目前取得了阶段性成功:Sybil仅依靠单一LDCT数据,就能在一定程度上准确预测患者的肺癌风险。
毫无疑问,这项技术距离临床应用和实际推广还有很长的路要走。研究负责人自己也同意,仍需要大量工作来弄清如何在临床实践中应用这项技术——特别是如何为该技术积累起受众信心,让医生和患者愿意接受系统输出的结果。
但必须承认,该算法的出现极具象征意义,也成为改变诊疗游戏规则的一股潜在力量。

如此强大的诊断方法可谓超出以往的想象。一款工具单凭一次CT扫描就能预测长期疾病趋势,这样的能力有望解决众多现实问题,特别是实施早期治疗和降低患者死亡率。
也许会有人担心这类系统要抢医生们的饭碗,并强调还没有任何AI系统能在判断力和临床诊疗方面取代人类医生。没错,可这类系统并不是要取代医生,而是为医生提供高效且可靠的工作辅助。
像Sybil这样的系统可以作为推荐工具,将可能反映病情的特征标记给医生,再由医生根据自己的临床经验对建议做出取舍。这不仅有望提高接诊效率,也可作为辅助“查验”过程来提高诊断准确性。
当然,后续还有很多工作需要完善。科学家、开发人员和创新者们探索的脚步一刻不能止歇,他们不单要完善具体算法和系统本身,还要解决将这项技术引入实际临床后的种种细微问题。如果能找到一条安全、符合道德且行之有效的推行路线,那么这项技术在改善病患护理方面将迸发出巨大能量,最终颠覆我们所熟知的整个诊疗体系。
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。