人工智能在脑保健和治疗中的指数增长

发布时间: 2020-10-28 15:11

人工智能在脑保健和治疗中的指数增长

意大利研究人员分析了十多年来人工智能在大脑护理方面的应用。

计算机科学的进步有助于加速广泛的科学研究。问题越复杂，人工智能（AI）机器学习帮助识别模式和做出预测的潜力就越大。机器学习在治疗大脑疾病和疾病中的应用有多广泛？本月早些时候发表在科学杂志APL Bioengineering上的一项新研究调查了人工智能在脑病方面的最新应用，并显示在过去的10年里，人工智能的应用呈指数级增长。

生物大脑的灵感来源于人工神经网络，一种人工智能（AI）机器学习模型。深度学习方法使用人工神经网络，其模式识别能力为当前人工智能的复兴做出了巨大贡献。研究大脑通常需要处理大量复杂的成像数据，这对人类科学家来说是一项艰巨而耗时的任务。因此，机器学习可以成为治疗大脑疾病的有用工具。

在一项由欧盟研究与创新计划“地平线2020”资助的研究中，米兰理工大学和卡拉布里亚大学的一组意大利研究人员着手研究人工智能在大脑护理中的不同应用，并确定重要的临床应用。

为了实现这一目标，Alice Segato、Aldo Marzullo、Francesco Calimeri和Elena De Momi使用人工智能和大脑的搜索关键字查询了Pubmed、Scopus和Web of Science数据库中的2696篇科学论文，结果得到154篇论文。研究小组随后对这些科学论文进行了系统的回顾。

根据研究人员的说法，“在最近的十年里，评估人工智能模型作为一种辅助工具的研究数量呈指数增长，这些研究模式包括“利用解剖信息进行诊断，利用形态学信息进行诊断，具有连通性信息的诊断、外科治疗的候选选择、外科治疗的目标定义、外科治疗的轨迹定义、术中辅助的组织变形建模以及用于术后评估的患者预后预测。”

研究小组发现人工智能被用于治疗各种脑疾病，如帕金森氏症、脑肿瘤、癫痫、脑血管异常、脑损伤和脑损伤。

算法的类型有很多种。这些算法包括回归算法、线性回归、逻辑回归、基于实例的算法、K-最近邻（KNN）、支持向量机（SVM）、贝叶斯算法、朴素贝叶斯算法（NB）、聚类算法、K-均值、模糊C-均值、隐马尔可夫模型（HMM）、稀疏自动编码器（SAE）、人工神经网络算法，深度学习算法，全连接神经网络（FCNN）、卷积神经网络（CNN）、校正学习网络（CLNet）、递归神经网络（RNN）、递归模糊神经网络（RFNN）、长短期记忆网络（LSTM）、深度信念网络（DBN）、极限学习机（ELM）、维数缩减算法，线性判别分析（LDA）、集成算法、AdaBoost、随机森林（RF）、梯度提升机（GBM）、梯度增强回归树（GBRT）、稀疏多视图任务集中（稀疏MVTC）、遗传算法（GA）、自然语言处理（NLP）、基于图的半监督（GBS）、多元分析，监督定位（局部自适应阈值估计）。

其中绝大多数(确切地说是121篇论文)使用人工智能诊断大脑疾病和紊乱。研究人员称:“这包括利用解剖信息、形态信息和神经紊乱、脑瘤、脑损伤、脑损伤、帕金森病、癫痫和大脑动脉、精神分裂症、阿尔茨海默病、自闭症和多发性硬化症的连通性信息进行分类。”

最常见的病理诊断是脑瘤，神经紊乱，阿尔茨海默病，自闭症障碍。论文中最常用的诊断数据主要是MRI(51%)和FC(31%)。最常用的人工智能方法是卷积神经网络(30%)、支持向量机(23%)、随机森林(12%)和人工神经网络(7%)。

研究人员总结道:“人工智能技术的应用正逐渐为大量现实世界中与大脑相关的临床问题带来有效的理论解决方案。”“具体来说，近年来，由于相关数据的积累和越来越有效的算法的发展，对复杂大脑机制的理解有了显著提高。”

Cami Rosso writes about science, technology, innovation, and leadership.

psychology today