Tag: Machine learning

机器学习在医疗保健领域已经成为一种非常重要的工具，革新了该行业的各个方面。其中之一的主要应用是诊断，机器学习算法分析包括医学图像、基因信息和患者记录在内的大量数据集，以识别模式并进行准确预测。 以前，机器学习模型被用于检测易感染患者并支持感染预防和控制（IPC）计划。这些模型使用了定期收集的大量医学数据，包括电子健康记录（EHR）。虽然经典的机器学习模型在有限的使用案例中可能会显示出有效的结果，但它们无法推广到大规模和长期的EHR数据。 日内瓦大学的研究人员在医疗技术方面取得了突破性进展。他们在医疗保健领域使用了图神经网络（GNN）来检测抗菌药物耐药性（AMR）和多药耐药性（MDR）的肠道杆菌感染。 肠道杆菌通常存在于健康人的肠道中，但如果它们在其他部位定殖并引起感染，对健康非常危险。许多因素导致了医疗环境中这些病原体的增多。 研究人员通过使用图结构对患者和医务人员之间的相互作用进行建模，其中节点及其相互作用形成了描述患者的边。然后，使用图神经网络（GNN）模型对富含临床和时空特征的患者网络进行训练，以学习定植模式。 来自日内瓦大学的教授道格拉斯·特奥多罗表示，核心目标是对医疗环境中的复杂相互作用进行建模，以预测医疗相关感染（HAIs）的传播。该预测结合了关于患者和医务人员的网络信息。他还表示，该研究最重要的信息是分析医疗网络相互作用以提高对HAIs的预测的潜力。该方法可能显著推动医疗环境中的感染预防和控制技术。 特奥多罗还表示，鉴于该方法的基于数据驱动的方法，他们预计其适用性可扩展到具有类似传播动态的其他病原体和各种医疗环境。 该研究包括一个名为基于图的医院感染预测的图片，展示了团队如何应用图神经网络来模拟传播多药耐药性肠道杆菌的复杂模式。该研究旨在改变医院预测和处理感染风险的方式。 这些模型使用了用于重症监护中心的医学信息市场（MIMIC-III）数据集进行训练和评估，并与传统的机器学习基准进行比较。值得注意的是，与基准模型相比，GNN模型在对抗菌敏感（AMS）、AMR和MDR肠道杆菌的早期检测方面表现更好。 研究人员测试了该模型，并发现在使用时空特征识别出由耐万古霉素的肠球菌定植的患者时，接收器操作特性曲线下方的面积（AUROC）性能超过88％。研究人员发现，GNN模型在接收器操作特性曲线下方的面积（AUROC）方面的表现范围为0.91到0.96。这种性能比逻辑回归基准高8％，基准得分为0.88。

无机晶体对于许多当代技术至关重要，包括计算机芯片、电池和太阳能电池板。每一个新的、稳定的晶体都是经过数月的细致实验得到的，稳定的晶体对于推动新技术具有重要意义，因为它们不会溶解。 研究人员进行了昂贵的试错实验，但只取得了有限的结果。他们通过修改现有的晶体或尝试其他不同的元素组合来寻找新的晶体结构。在过去的十年中，多亏了Materials Project和其他组织推动的计算方法，已经找到了28,000种新材料。到目前为止，新材料在实验上可行性可靠预测的能力一直是一个重大限制。 劳伦斯伯克利国家实验室和Google DeepMind的研究人员在《自然》杂志上发表了两篇论文，展示了我们AI预测用于自主材料合成的潜力。该研究展示了2.2百万颗更多的晶体，相当于大约800年的信息。他们的新型深度学习工具，被称为Graph Networks for Materials Exploration（GNoME），可以预测新材料的稳定性，大大提高了发现速度和效率。GNoME展示了AI在大规模发现和开发新材料方面的潜力。全球各地不同实验室的科学家们同时进行了独立的努力，已经找到了736种这些新颖结构。 得益于GNoME，技术可行材料的数量增加了两倍。在它的2.2百万个预测中，有380,000个由于稳定性而最有希望进行实验合成。其中一些有能力创造下一代电池，提高电动车的效率，以及用于强大超级计算机的超导体。 GNoME是一种先进的图神经网络模型示例。由于GNN的输入数据类似于原子之间的连接关系，因此GNN非常适合找到新的晶体材料。 最初用于训练GNoME的晶体结构及其稳定性的数据可通过Materials Project公开获取。使用“主动学习”作为训练方法显著提高了GNoME的效率。研究人员使用GNoME生成新的晶体候选，并预测它们的稳定性。他们使用密度泛函理论（Density Functional Theory，DFT），这是物理学、化学和材料科学中广为接受的计算方法，用于理解原子结构——这对于评估晶体稳定性至关重要——以在不断进行的训练周期中反复检查模型的表现，以评估其预测能力。高质量的训练数据又回到了这个过程中。 研究结果显示，这项研究将材料稳定性预测的发现率从50%左右提高到了80%，参考以前最先进模型设定的外部基准。对该模型效率的改进使发现率从不到10%提升到了80%以上；这些效率的提升可能对每一次发现所需的计算功率有重大影响。 自主实验室使用Materials Project的成分和GNoME的稳定性信息，已经创造出了超过41种新的材料，为人工智能驱动的材料合成的进一步发展铺平了道路。 GNoME的预测结果已经向科学界发布。研究人员将这些化合物的分析结果和稳定性信息添加到Materials Project的在线数据库中，共计380,000种材料。借助这些资源，他们希望科学界能够进一步研究无机晶体，并认识到机器学习技术作为实验指南的潜力。

在癌症疗法的优化过程中，研究人员提出了一项划时代的解决方案，显著提升了我们对肿瘤动力学的理解。该研究聚焦于精确预测肿瘤内液流压力（IFP）和脂质体积累，揭示了一种开创性的物理信息深度学习模型。这种创新方法有望优化癌症治疗策略，准确揭示治疗药物在肿瘤内的分布情况。 许多纳米治疗的基石在于增强的渗透性和滞留效应（EPR效应），利用肿瘤的特性，如增强的血管渗透性和经血管压力梯度。尽管其关键作用，EPR效应对治疗结果的影响表现不一致。这种不一致性促使对影响实体肿瘤内药物输送的因素进行更深入的探索。在这些因素中，间质流体压力（IFP）已经成为一个关键决定因素，严重限制脂质体药物输送到肿瘤中心区域。此外，升高的IFP是一个独立的预后标记物，显著影响特定实体癌症的放射治疗和化疗的疗效。 针对这些挑战，研究人员提出了一个先进的模型，使用术前和术后的图像数据来预测体素级别的肿瘤内脂质体积累和IFP。他们的方法独特之处在于将物理信息机器学习与偏微分方程相结合的创新技术。通过将这种创新技术应用于来自合成肿瘤的数据集，研究人员展示了该模型在输入数据最小的情况下能够做出高度准确的预测的能力。 现有的方法往往需要在肿瘤内提供一致且准确的脂质体分布和IFP的预测。这项研究通过引入一种前所未有的方法，将机器学习与基于物理的原则相结合，从而在研究中有所突破。这种创新模型不仅能够提供准确的预测，还对癌症治疗的设计具有直接的影响。预测脂质体和IFP在肿瘤内的空间分布能够为更深入地了解肿瘤动力学打开新的途径，为更有效和个性化的治疗干预铺平道路。 该研究由滑铁卢大学和华盛顿大学的研究团队详细介绍了他们提出的方法。他们利用了物理信息深度学习以实现体素级别的预测。该模型依赖于合成肿瘤数据，凸显了其稳健性和高效性，并为应对癌症治疗中提出的IFP升高问题提供了潜在解决方案。通过展示该方法的可扩展性和适用性，研究人员强调了其在预测肿瘤进展和促进治疗计划方面的潜力。 总之，这项开创性的研究为解决基于脂质体的癌症疗法所涉及的复杂问题提供了一种转变性的方法。他们的模型结合了物理信息机器学习，可以提供精确的体素级别的肿瘤内脂质体积累和间质流体压力预测。这种创新推进了我们对肿瘤动力学的理解，并对治疗设计有直接的影响。更有效和个性化的干预潜力凸显了这项工作的重要性，为优化癌症治疗策略提供了关键的进展，以提高可预测性和治疗成功率。

在人工智能（AI）和机器学习（ML）这两个快速发展的领域中，寻找有效的、自动化的和适应性强的方法变得极其重要。AI和ML方法的不断提升已经改变了机器可以完成的事情以及人类如何与机器交互的可能性。 包括深度学习在内的AI领域完全依赖于数据，重要的数据存储在数据仓库中，通过主外键关系链接在多个表中分散存储。使用这样的数据开发ML模型存在许多困难，需要大量的时间和工作，因为现有的ML方法并不适合直接从跨越多个关系表的数据中学习。目前的方法要求将数据通过一种称为特征工程的过程转换成单个表。 为了克服这一挑战，斯坦福大学、Kumo AI、耶鲁大学、马克斯普朗克学院和伊利诺伊大学厄巴纳-香槟分校的研究团队最近提出了关系深度学习。这种端到端的深度表示学习技术可以处理分散在多个表中的数据。该方法已经被开发成一种将关系表作为异构图的基本方法。该图模型中的每个表行代表一个节点，而主外键关系定义了边。 使用消息传递神经网络（MPNNs），可以自动遍历并学习多个表，从而提取利用所有输入数据的表示，并且不需要任何手动特征工程。研究团队还提出了RELBENCH，这是一个包括基准数据集和关系深度学习实现的综合框架。这些数据集涵盖了各个领域，从亚马逊产品目录中的图书评论到像Stack Exchange这样的网站上的对话。 RELBENCH包含三个核心模块，具体如下： 数据模块：RELBENCH的数据模块提供了有效使用关系数据集的框架。其中包括三个重要特性：时间数据划分、任务规范和数据加载。 模型模块：该模块通过将未处理数据转换为图形表示来构建图神经网络（GNNs）的预测模型。使用强大的深度学习库PyTorch Geometric，RELBENCH对几种广泛使用的GNN架构进行了基准测试。该模块允许模型架构的灵活性，对于桥接预测模型和原始关系数据开发之间的差距至关重要。 评估模块：该模块创建了一个统一的评估模型性能的过程。它以系统化的方式评估预测文件，提供了模型的有效性的量化指标。该模块与各种受欢迎的深度学习工具配合使用，因为它被设计为与深度学习框架无关。这种适应性使研究人员和从业者可以使用他们选择的框架，而不会牺牲评估过程。