新研究:醫用AI評估精神分裂新病患治療效果的精確性偏低
1月12日消息,一项最新研究发现,用于协助医生治疗精神分裂症患者的计算机算法不能很好适应之前开发过程中未见过的新鲜数据。因此这种医用人工智能在评估未曾接触过的患者的治疗效果时,表现十分糟糕。
这些医用工具利用人工智能来发现大数据集中的特征,并预测个体对特定治疗的反应,这是精准医疗的核心。医疗保健专业人员希望使用这种工具为每位患者量身定制治疗方案。在一篇发表在《科学》杂志上的文章中,研究人员指出,人工智能模型可以高度准确地预测训练样本中所涉及患者的治疗结果。但是,在处理之前未见过的患者数据时,该模型的性能会显著下降,甚至只比随机猜测略高。
为了确保精准医疗的有效性,预测模型需要在不同情况下保持稳定准确性,并将偏差或随机结果出现的可能性降至最低。
“这是一个人们还没有意识到的大问题,”研究报告的合著者、康涅狄格州纽黑文耶鲁大学精神病学家亚当·切克鲁德(Adam Chekroud)表示。“这项研究基本上证明了算法仍需要在多个样本上进行测试。”
算法的准确性
研究人员评估了一种通常用于精神病预测模型的算法。他们使用了五项抗精神病药物临床试验的数据,涉及北美、亚洲、欧洲和非洲1513名被诊断患有精神分裂症的志愿者。这些试验在2004年至2009年间进行,测量志愿者服用三种抗精神病药物中的一种之前以及四周后的症状。
研究团队用数据集训练算法,来预测患者经过四周抗精神病药物治疗后的症状改善程度。首先,研究人员在开发算法的试验中测试了算法的准确性,将预测结果与试验中记录的实际效果进行比较,发现准确率很高。
然后,他们使用了多种方法来评估这一人工智能模型分析新数据的准确性。研究人员用一个临床试验的数据子集训练模型,然后将其应用于同一试验的另一个数据子集。他们还用一次试验或一组试验的所有数据训练算法,然后通过其他临床试验数据测试模型性能。
结果发现,人工智能模型在这些测试中表现不佳,当应用于未经训练的数据集时,模型产生的预测似乎几乎是随机的。研究团队使用不同的预测算法重复进行,但得到的结果都差不多。
更好的测试
这项研究的作者表示,他们的发现凸显出临床预测模型应该如何在大型数据集上进行严格测试,确保它们的可靠性。一项对308个精神病预后临床预测模型的系统评测发现,只有大约20%的模型在开发所用样本之外的数据集上进行了验证。
“我们应该更像研发药物那样思考模型开发,”切克鲁德说。他解释说,许多药物在早期临床试验中表现不错,但在后期阶段就会出现问题。“我们必须严格遵守如何开发以及测试这些算法的原则,不能只做一次就认为这是真的。”(辰辰)
以上是新研究:醫用AI評估精神分裂新病患治療效果的精確性偏低的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

本站6月27日訊息,剪映是由位元組跳動旗下臉萌科技開發的一款影片剪輯軟體,依託於抖音平台且基本面向該平台用戶製作短影片內容,並相容於iOS、安卓、Windows 、MacOS等作業系統。剪映官方宣布會員體系升級,推出全新SVIP,包含多種AI黑科技,例如智慧翻譯、智慧劃重點、智慧包裝、數位人合成等。價格方面,剪映SVIP月費79元,年費599元(本站註:折合每月49.9元),連續包月則為59元每月,連續包年為499元每年(折合每月41.6元) 。此外,剪映官方也表示,為提升用戶體驗,向已訂閱了原版VIP

透過將檢索增強生成和語意記憶納入AI編碼助手,提升開發人員的生產力、效率和準確性。譯自EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG,作者JanakiramMSV。雖然基本AI程式設計助理自然有幫助,但由於依賴對軟體語言和編寫軟體最常見模式的整體理解,因此常常無法提供最相關和正確的程式碼建議。這些編碼助手產生的代碼適合解決他們負責解決的問題,但通常不符合各個團隊的編碼標準、慣例和風格。這通常會導致需要修改或完善其建議,以便將程式碼接受到應

想了解更多AIGC的內容,請造訪:51CTOAI.x社群https://www.51cto.com/aigc/譯者|晶顏審校|重樓不同於網路上隨處可見的傳統問題庫,這些問題需要跳脫常規思維。大語言模型(LLM)在數據科學、生成式人工智慧(GenAI)和人工智慧領域越來越重要。這些複雜的演算法提升了人類的技能,並在許多產業中推動了效率和創新性的提升,成為企業保持競爭力的關鍵。 LLM的應用範圍非常廣泛,它可以用於自然語言處理、文字生成、語音辨識和推薦系統等領域。透過學習大量的數據,LLM能夠產生文本

大型語言模型(LLM)是在龐大的文字資料庫上訓練的,在那裡它們獲得了大量的實際知識。這些知識嵌入到它們的參數中,然後可以在需要時使用。這些模型的知識在訓練結束時被「具體化」。在預訓練結束時,模型實際上停止學習。對模型進行對齊或進行指令調優,讓模型學習如何充分利用這些知識,以及如何更自然地回應使用者的問題。但是有時模型知識是不夠的,儘管模型可以透過RAG存取外部內容,但透過微調使用模型適應新的領域被認為是有益的。這種微調是使用人工標註者或其他llm創建的輸入進行的,模型會遇到額外的實際知識並將其整合

機器學習是人工智慧的重要分支,它賦予電腦從數據中學習的能力,並能夠在無需明確編程的情況下改進自身能力。機器學習在各個領域都有廣泛的應用,從影像辨識和自然語言處理到推薦系統和詐欺偵測,它正在改變我們的生活方式。機器學習領域存在著多種不同的方法和理論,其中最具影響力的五種方法被稱為「機器學習五大派」。這五大派分別為符號派、聯結派、進化派、貝葉斯派和類推學派。 1.符號學派符號學(Symbolism),又稱符號主義,強調利用符號進行邏輯推理和表達知識。該學派認為學習是一種逆向演繹的過程,透過現有的

編輯|ScienceAI問答(QA)資料集在推動自然語言處理(NLP)研究中發揮著至關重要的作用。高品質QA資料集不僅可以用於微調模型,也可以有效評估大語言模型(LLM)的能力,尤其是針對科學知識的理解和推理能力。儘管目前已有許多科學QA數據集,涵蓋了醫學、化學、生物等領域,但這些數據集仍有一些不足之處。其一,資料形式較為單一,大多數為多項選擇題(multiple-choicequestions),它們易於進行評估,但限制了模型的答案選擇範圍,無法充分測試模型的科學問題解答能力。相比之下,開放式問答

本站8月1日消息,SK海力士今天(8月1日)發布博文,宣布將出席8月6日至8日,在美國加州聖克拉拉舉行的全球半導體記憶體峰會FMS2024,展示諸多新一代產品。未來記憶體和儲存高峰會(FutureMemoryandStorage)簡介前身是主要面向NAND供應商的快閃記憶體高峰會(FlashMemorySummit),在人工智慧技術日益受到關注的背景下,今年重新命名為未來記憶體和儲存高峰會(FutureMemoryandStorage),以邀請DRAM和儲存供應商等更多參與者。新產品SK海力士去年在

編輯|KX在藥物研發領域,準確有效地預測蛋白質與配體的結合親和力對於藥物篩選和優化至關重要。然而,目前的研究並沒有考慮到分子表面訊息在蛋白質-配體相互作用中的重要作用。基於此,來自廈門大學的研究人員提出了一種新穎的多模態特徵提取(MFE)框架,該框架首次結合了蛋白質表面、3D結構和序列的信息,並使用交叉注意機制進行不同模態之間的特徵對齊。實驗結果表明,該方法在預測蛋白質-配體結合親和力方面取得了最先進的性能。此外,消融研究證明了該框架內蛋白質表面資訊和多模態特徵對齊的有效性和必要性。相關研究以「S
