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
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。