""

澳门太阳城网站-最新注册

  • 一个新的澳门太阳城最新网站开发的模型自动使用AI的医疗决策,专家通常用手工识别海量数据集患者的重要特征的关键一步。该模型能够自动识别人的声带结节(如图所示),并反过来清浊模式,使用这些功能来预测哪些人做的,没有障碍。

    一个新的澳门太阳城最新网站开发的模型自动使用AI的医疗决策,专家通常用手工识别海量数据集患者的重要特征的关键一步。该模型能够自动识别人的声带结节(如图所示),并反过来清浊模式,使用这些功能来预测哪些人做的,没有障碍。

    研究人员礼貌形象

    全屏

自动化医疗决策的人工智能

一个新的澳门太阳城最新网站开发的模型自动使用AI的医疗决策,专家通常用手工识别海量数据集患者的重要特征的关键一步。该模型能够自动识别人的声带结节(如图所示),并反过来清浊模式,使用这些功能来预测哪些人做的,没有障碍。

模型代替手工标注大量的病人数据集的艰苦的过程。


记者联系

艾比abaz要么ius
电子邮件: abbya@mit.edu
电话:617-253-2709
澳门太阳城最新网站新闻办公室

媒体资源

1张图片下载

媒体访问

媒体只能从本网站的桌面版本下载。

澳门太阳城最新网站的计算机科学家们希望加快采用人工智能,以提高医疗决策,通过自动化这通常是由手工完成的关键一步 - 这是越来越费力某些数据集种植规模越来越大。

预测分析的字段保持增长,帮助临床医生诊断和治疗病人的承诺。机器学习模型可以被训练来查找患者数据模式 援助败血症护理, 设计更安全的化疗方案,并预测患者的风险 具有乳腺癌 要么 死亡在ICU,仅举几个例子。

通常情况下,训练数据集由许多病人和健康者的,但每个主题的数据相对较少。然后专家们必须找到刚才那些方面 - 在数据集,这将是进行预测时重要的 - 或“功能”。

这个“功能设计”可以是一个费力的和昂贵的过程。但它变得与穿戴式传感器的崛起更是具有挑战性的,因为研究人员可以更方便地监控在长时间内患者的生物识别,跟踪睡眠模式,步态和语音活动,例如。仅一周的监测后,专家们可以为每个主题数十亿的数据样本。  

在纸张在机器本周学习卫生保健大会正在呈现,澳门太阳城最新网站的研究表明,自动学习的典范特点声带疾病的预测。功能来自约100名受试者中,每个数据集有一个星期左右的价值语音监测数据和数十亿样本 - 换句话说,少数科目和大量的每个受试者的数据。该数据集包含从安装在受试者颈部一点加速度传感器捕获的信号。

在实验中,从这些数据中自动地提取模型中使用的特征进行分类,具有精度高,具有和不具有声带结节的患者。这些病变在喉发展往往会因为声音误用模式,如大声播放歌曲或大喊大叫。重要的是,该模型完成了这一任务,而不大集手标记的数据。

“它变得越来越容易收集的长时间序列数据集。但你需要他们的知识应用到标签数据集医生,”主要作者何塞·哈维尔·冈萨雷斯·奥尔蒂斯,博士生在澳门太阳城最新网站计算机科学和人工智能实验室(CSAIL)说。 “我们要删除该手册一部分专家和卸载所有的功能设计到机器学习模型”。

该模型可以适应学习任何疾病或症状的模式。但检测声带小结相关的日常语音使用模式的能力是开发改进的方法来预防,诊断和治疗疾病的一个重要步骤,研究人员说。可能包括设计新的方法来识别并报警的人有潜在危害的声乐行为。

在纸接合冈萨雷斯Ortiz的是约翰·加塔,所述杜格尔德℃。计算机科学与电气工程和CSAIL的数据驱动的推论组组长的杰克逊教授;罗伯特·希尔曼,jarrad面包车斯坦和daryush梅塔,所有马萨诸塞州总医院的中心喉手术和语音康复;和marzyeh ghassemi,计算机科学和医学在多伦多大学的助理教授。

强制功能学习

多年来,美国澳门太阳城最新网站的研究人员与中心喉手术和康复的语音合作开发和来自传感器的数据分析在所有醒着的时间来跟踪主题语音使用。所述传感器是与附着在颈部并连接到智能电话的节点的加速度计。作为人会谈,智能手机汇集了来自加速度计的位移数据。

在工作中,研究人员收集这些数据的一周的 - 被称为“时间序列”数据 - 从104名对象,其中一半的人被诊断患有声带结节。对于每一个病人,也有匹配的控制,这意味着类似的年龄,性别,职业等因素的健康问题。

传统上,专家将需要手动标识功能,可能是有用的模型来检测各种疾病或病症。这有助于防止在保健常见的机器学习问题:过度拟合。这时候,在训练中,一个模式“记忆”主题数据,而不是仅仅学习临床相关的功能。在测试中,这些模型往往不能辨别前所未见的主题类似的模式。

“而不是学习的是临床显著的特点,模型看到的图案,并说,‘这是萨拉,我知道萨拉是健康的,这是彼得,谁拥有声带小结。’所以,它只是记忆的主题图案。那么,当它看到安德鲁,它有一个新的声音使用模式的数据,就不能计算出,如果这些模式匹配的分类,”冈萨雷斯说,奥尔蒂斯。

主要的挑战,那么,被阻止,同时自动手动功能工程的过度拟合。为此,研究人员被迫模型的学习功能,而无需主题信息。他们的任务,这意味着捕捉所有的时刻,当主题发言,他们的声音的强度。

作为他们的模型通过抓取对象的数据,它被编程为查找清浊段,其包含仅大致10中的数据的百分比。对于每个这些清浊窗口,该模型计算的频谱,频率的随时间变化的光谱,其通常用于语音处理任务的视觉表示。谱图然后被存储为数千值的大矩阵。

但这些矩阵是巨大的,难以处理。所以,自动编码器 - 最优化以产生从大量数据的有效的数据编码神经网络 - 第一压缩谱图到30个的值的编码。它然后解压缩该编码到一个单独的光谱图。  

基本上,该模型必须确保解压谱图非常类似于原来的频谱输入。在此过程中,它被迫学习每一个频谱段输入的压缩表示在每个主题的整个时间序列数据。压缩表示是帮助训练机器学习模型进行预测的功能。  

映射正常和异常特征

在训练中,模型学习映射这些功能为“患者”或“控制”的患者将有更多的发声方式比将控制。在以前看不见的对象测试,该模型类似地冷凝所有谱图分段成特征的缩减集合。那么,它的大部分规则:如果对象大多异常的配音片段,他们归类为患者;如果他们大多是正常的,他们归为对照。

在实验中,模型进行尽可能准确需要手动特征工程状态的最先进的模型。重要的是,研究人员的模型训练和测试进行准确的,这表明它是从数据来看,特定主题而不是信息学临床相关的图案。

接下来,研究人员希望监视治疗如何将各种 - 如手术,声带疗法 - 影响声乐行为。如果患者的行为,移动形式异常正常随着时间的推移,他们最有可能提高。他们还希望利用类似的技术在心电图数据,这是用来跟踪心脏的肌肉功能。 


主题: 研究, 计算机科学与技术, 算法, 人工智能, 行为, 机器学习, 健康, 卫生保健, 卫生科学与技术, 计算机科学和人工智能实验室(CSAIL), Electrical Engineering & Computer Science (eecs), 工程学院

回到顶部