科普

机器学习 | 机器到底学习了什么?

2019-09-25 548健康相关

机器都学习了什么?

机器学习,作为一种实现人工智能的方法,绝对可以称为“学霸”:指纹/虹膜/人脸识别(考勤安全必备)、图像识别/处理(发圈必备)、智能推荐(剁手必备)、天气预报(出行必备)...

它还get了健康必备的技能...

预测心衰风险

心力衰竭是2型糖尿病的一个重要的潜在并发症,其发生率较高且可导致死亡或残疾。本月来自美国的研究人员在《Diabetes Care》发表了其最新研究,揭示了一种新的机器学习衍生模型,该模型可以高度准确地预测糖尿病患者未来的心力衰竭。

研究小组利用了8,756例糖尿病患者的数据,这些数据包括147个变量:人口统计学、临床信息、实验室数据等。研究人员使用能够处理多维数据的机器学习方法来确定心力衰竭的最佳预测因子,开发了一种称为WATCH-DM的风险评分工具,可以识别出未来五年面临心力衰竭风险的患者。

癌症诊断

头颈部癌症诊断中一直存在一个问题,即癌症的起源问题,因为癌症存在转移,尤其是头颈部癌症,例如如何区分原发性肺癌和头颈部癌肺转移?这样的区分对患者的治疗至关重要。

本月来自德国的科学家成功解决了这个问题,研究人员开发了一种新的分类方法:根据DNA的变化来确定癌变组织的主要起源。此项研究结果发表在《Science Translational Medicine》上。

研究人员利用数百例头颈部癌和肺癌的DNA甲基化数据,训练一个深层神经网络来区分两种癌症,目前该神经网络区分肺癌和头颈部癌症转移的准确率超过99%。

癌症疫苗研究

《Cancer Immunology Research》发布了来自美国北卡罗莱纳大学的一项新研究:研究人员设计并验证了一个新的机器学习算法模型,可以预测特定肿瘤特异性抗原产生免疫反应的能力,有助于克服研制个性化癌症疫苗的重大障碍。

目前肿瘤新生抗原预测算法主要通过对表位/MHC亲和力预测选择潜在的抗原表位,这些算法最大的问题是都不能准确的预测抗原表位免疫原性,也就无法准确预测这些抗原能否触发人体免疫系统对抗癌症。

针对这个问题,研究人员设计并验证了一种新的机器学习算法,以预测特定肿瘤特异性抗原(tumor-specific antigen,TSA)产生免疫反应的能力。该方法提高了预测抗原表位免疫原性的精确性,有助于更好的筛选肿瘤特异性抗原,缩短肿瘤疫苗临床应用的周期。

影像学

《Nature Machine Intelligence》发布的一项来自伦斯勒理工学院、麻省总医院和哈佛医学院的研究成果:机器学习有潜力通过减少辐射暴露和提高图像质量,极大地推进医学成像,特别是CT扫描。

研究人员开发了一个深度神经网络,并将其与目前三种主要商用CT扫描仪的最佳结果进行了对比,结果证实机器学习可以帮助生成更安全、更准确的CT图像,同时运行速度也比迭代算法更快。

@所有人,机器都在学习了,你还在等什么,公众号内回复『微课』加入CNGBdb免费微课,一起愉快的学习吧!

参考文献:
[1] Segar M W, Vaduganathan M, Patel K V, et al. Machine Learning to Predict the Risk of Incident Heart Failure Hospitalization Among Patients With Diabetes: The WATCH-DM Risk Score[J]. Diabetes care, 2019: dc190587.
[2] Jurmeister P, Bockmayr M, Seegerer P, et al. Machine learning analysis of DNA methylation profiles distinguishes primary lung squamous cell carcinomas from head and neck metastases[J]. Science translational medicine, 2019, 11(509): eaaw8513.
[3] Smith C C, Chai S, Washington A R, et al. Machine-Learning Prediction of Tumor Antigen Immunogenicity in the Selection of Therapeutic Epitopes[J]. Cancer immunology research, 2019.
[4] Shan H, Padole A, Homayounieh F, et al. Competitive performance of a modularized deep neural network compared to commercial algorithms for low-dose CT image reconstruction[J]. Nature Machine Intelligence, 2019, 1(6): 269.

上一篇下一篇