人工智能在腦保健和治療中的指數增長

發布時間: 2020-10-28 15:13

人工智能在腦保健和治療中的指數增長

意大利研究人員分析了十多年來人工智能在大腦護理方面的應用。

計算機科學的進步有助於加速廣泛的科學研究。問題越復雜，人工智能（AI）機器學習幫助識別模式和做出預測的潛力就越大。機器學習在治療大腦疾病和疾病中的應用有多廣泛？本月早些時候發表在科學雜誌APL Bioengineering上的壹項新研究調查了人工智能在腦病方面的最新應用，並顯示在過去的10年裏，人工智能的應用呈指數級增長。

生物大腦的靈感來源於人工神經網絡，壹種人工智能（AI）機器學習模型。深度學習方法使用人工神經網絡，其模式識別能力為當前人工智能的復興做出了巨大貢獻。研究大腦通常需要處理大量復雜的成像數據，這對人類科學家來說是壹項艱巨而耗時的任務。因此，機器學習可以成為治療大腦疾病的有用工具。

在壹項由歐盟研究與創新計劃“地平線2020”資助的研究中，米蘭理工大學和卡拉布裏亞大學的壹組意大利研究人員著手研究人工智能在大腦護理中的不同應用，並確定重要的臨床應用。

為了實現這壹目標，Alice Segato、Aldo Marzullo、Francesco Calimeri和Elena De Momi使用人工智能和大腦的搜索關鍵字查詢了Pubmed、Scopus和Web of Science數據庫中的2696篇科學論文，結果得到154篇論文。研究小組隨後對這些科學論文進行了系統的回顧。

根據研究人員的說法，“在最近的十年裏，評估人工智能模型作為壹種輔助工具的研究數量呈指數增長，這些研究模式包括“利用解剖信息進行診斷，利用形態學信息進行診斷，具有連通性信息的診斷、外科治療的候選選擇、外科治療的目標定義、外科治療的軌跡定義、術中輔助的組織變形建模以及用於術後評估的患者預後預測。”

研究小組發現人工智能被用於治療各種腦疾病，如帕金森氏癥、腦腫瘤、癲癇、腦血管異常、腦損傷和腦損傷。

算法的類型有很多種。這些算法包括回歸算法、線性回歸、邏輯回歸、基於實例的算法、K-最近鄰（KNN）、支持向量機（SVM）、貝葉斯算法、樸素貝葉斯算法（NB）、聚類算法、K-均值、模糊C-均值、隱馬爾可夫模型（HMM）、稀疏自動編碼器（SAE）、人工神經網絡算法，深度學習算法，全連接神經網絡（FCNN）、卷積神經網絡（CNN）、校正學習網絡（CLNet）、遞歸神經網絡（RNN）、遞歸模糊神經網絡（RFNN）、長短期記憶網絡（LSTM）、深度信念網絡（DBN）、極限學習機（ELM）、維數縮減算法，線性判別分析（LDA）、集成算法、AdaBoost、隨機森林（RF）、梯度提升機（GBM）、梯度增強回歸樹（GBRT）、稀疏多視圖任務集中（稀疏MVTC）、遺傳算法（GA）、自然語言處理（NLP）、基於圖的半監督（GBS）、多元分析，監督定位（局部自適應閾值估計）。

其中絕大多數(確切地說是121篇論文)使用人工智能診斷大腦疾病和紊亂。研究人員稱:“這包括利用解剖信息、形態信息和神經紊亂、腦瘤、腦損傷、腦損傷、帕金森病、癲癇和大腦動脈、精神分裂癥、阿爾茨海默病、自閉癥和多發性硬化癥的連通性信息進行分類。”

最常見的病理診斷是腦瘤，神經紊亂，阿爾茨海默病，自閉癥障礙。論文中最常用的診斷數據主要是MRI(51%)和FC(31%)。最常用的人工智能方法是卷積神經網絡(30%)、支持向量機(23%)、隨機森林(12%)和人工神經網絡(7%)。

研究人員總結道:“人工智能技術的應用正逐漸為大量現實世界中與大腦相關的臨床問題帶來有效的理論解決方案。”“具體來說，近年來，由於相關數據的積累和越來越有效的算法的發展，對復雜大腦機制的理解有了顯著提高。”

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

psychology today