G可解释生物医学( 四 )

文章插图

比如应用在自闭症预测时，多模态融合的分析方法诊断率极高。

文章插图

具体来说是三管齐下：
第一管，行为学分析；
第二管，基因分析，抽点血找到生物标记；
第三管，建立MRI影像，找到病灶。
我们现在讲三管齐下，实际上不止三管，比如行为学可以一管分成三、四管，细分为表情、语调、动作姿势、脑信号。最近我们又做了一个眼珠转动的研究，发现自闭症的孩子，眼珠转动也不一样。

文章插图

文章插图

但复杂问题是，各种模态的确诊率不一致，如何判断可信模态，如何用算法融合，是前融合、中融合还是后融合
例如，后融合就是每个人决定做好了，再来做预测；中融合是中间算法加了东西，前融合是数据结合起来一起融合。这就很难，因为每个数据都不一样。
下面我们讲到这个三步曲，第一步是行为观察，这是不用花钱的，第二步是抽血，花500到1000块钱，第三步是照影像，大概1000到3000块钱。
我们希望在3年到5年时间，我们预测疾病能达到90%的可能性，这样就比医生的水平高了，当然这里面就涉及到伦理和法律问题。
现在看起来，我们好像对人工智能不信任。但其实我们以前已经在相信机器了，比如说10年前你看个肺病，就是用X光扫描，X光不准怎么办，医生就那么准吗？
所以今后就是这个方向——如何健全法律，让使用者可以在使用AI的时候没有后顾之忧。
我们最近还做了一个癫痫实验，也是三步走：脑影像中的特征、磁共振影像（MRI、三维），功能性磁共振影像。

文章插图

具体来说，先对大脑做MRI成像，抠出来51个小特征，并结合SVM(支持向量机，support vector machines)分析脑成像中的灰色地带等特征。比如说，如果灰色面积较大，则有可能是癫痫。
第二步，MRI建立三维神经网。第三步加入时间轴，建立四维fMRI图。考虑到诊断效率和算力水平，我们所用的四维方法是加入LSTM（长短期记忆，Long short-term memory）的三维图像，以便减少训练时间。虽然减少一点精度，但是实际应用效果还是很不错。

文章插图

03在医学研究中，要多做由结果找靶标的逆向工程最后，在第三代AI系统中，还有一个方法是结果解释，这是一项逆向工程。
举个例子，如何让AI识别男女，我们经常是输入男性和女性的特征，比如头发的长短、身体的胖瘦、个子的高矮。但是从结果回溯，我们需要知道，AI到底基于什么比例做出的判断？
80%是因为你的头发比较长，10%的原因是你的个子比较矮小，1%的原因是你比较苗条。

文章插图

为什么结果解释在医学中这么重要呢？
因为这是找到“靶标”的过程。
我来举个AlphaFold的例子。
大家知道氨基酸有20个字母，形成一个序列即氨基酸序列，这个序列可以产生一个结构。在生物界，蛋白质序列是很容易得到的，蛋白质结构是很难的。现在很容易基于氨基酸序列给出所有的预测结果，但如果由结果回溯，AI能不能得出序列？
如果可以实现，那么我们就可以找到压抑癌症、压抑肺病的某一个蛋白质，从而以靶标精准用药。

G可解释 生物医学( 四 )

G可解释生物医学( 四 )