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
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。