BMEF|人工智能在医学领域的应用: "CASES理念"引领未来

学术   科学   2024-02-29 10:25   江苏  

Perspective | Open Access

Volume 5 | Article ID 0036 |

https://spj.science.org/doi/10.34133/bmef.0036

近日,美国纽约州特洛伊市伦斯勒理工学院GE WANG 教授Science 合作刊BMEF 上发表题为“Making “CASES” for AI in Medicine ”的Perspective文章

随着人工智能(Artificial Intelligence, AI)技术的飞速发展,其在医学领域的应用正在悄然改变我们的生活方式。从筛查、诊断到治疗与预后,AI正为医疗行业带来前所未有的变革;然而,要使AI真正融入临床实践,我们仍面临着众多挑战。在这篇Perspective中,GE WANG 教授为我们提供了一个全新的视角——“CASES”,“CASES”是一个专为解决AI在医学领域所面临的挑战而定制的概念,它包括Confidence(置信度)、Adaptability(适应性)、Stability(稳定性)、Explainability(可解释性)和Security(安全性)五个关键要素。这五个要素共同构成了AI在医学领域应用的核心价值,它将助力AI在医学领域取得更大的突破。

1.置信度:打破AI预测的不确定性
在医学领域,AI需要为其预测结果提供置信度。然而,由于数据质量、算法局限以及生物和病理复杂性等因素,AI预测往往存在不确定性。为了打破这一局限性,我们需要不断提升AI算法的精确度和稳定性,同时加强数据质量管理,以确保AI能够为医学决策提供可靠的依据。
2.适应性:让AI更贴近临床实际
医学领域的实践环境千差万别,要求AI具备强大的适应性。这意味着AI需要能够根据不同的医疗场景、患者群体和疾病类型,灵活调整其预测模型和治疗方案。通过引入先进的机器学习和深度学习技术,我们可以使AI具备更强的自适应性,从而更好地满足临床需求。
3.稳定性:保障AI预测结果的可靠性
稳定性是AI在医学领域应用的重要前提。一个稳定的AI系统能够在面对不同数据输入时,保持一致的预测结果,从而为医生提供可靠的决策依据。为了实现这一目标,我们需要对AI算法进行严格的测试和验证,确保其在各种情况下都能保持稳定的性能。
4.可解释性:让AI决策更加透明
在医学领域,AI决策的可解释性至关重要。医生需要了解AI为何做出某个预测或推荐,以便更好地信任和使用AI。为了实现这一目标,我们需要开发更加“透明”的AI模型,让AI的决策过程更加易于理解和解释。这将有助于提升医生对AI的信任度,从而推动AI在医学领域的广泛应用。
5.安全性:保障患者和医疗数据的安全
在医学领域应用AI时,我们必须高度重视患者和医疗数据的安全。这要求我们在设计和实施AI系统时,严格遵守相关法律法规和伦理准则,确保患者隐私和数据安全。同时,我们还需要对AI系统进行全面的安全测试,以防范潜在的安全风险。

图1. 置信度、适应性、稳定性、可解释性和安全性对于医学中的人工智能非常重要,可以使用新兴的扩散型模式和多模态大型模型进行改进。

上述五个要素的协同性问题可通过新兴的大型语言模型和多模态大型模型(Multimodal Large Models)来解决,这些大型模型具有处理和关联各种数据类型(如图像、文本和基因组数据)的能力,为个性化医学提供了巨大潜力(图1)。此外,已有的研究发现通过扩散模型(Diffusion Models)实现生成式人工智能的结果通常优于生成对抗网络,但需要提高扩散模型的采样速度以解决其高昂的计算成本等问题。目前,扩散模型、大型混合模型等前沿领域正在加速发展,这为人工智能融入医学领域提供了机遇,有望提高临床效率、改善患者结果并消除医疗保健差距。让我们共同期待AI在医学领域的未来发展,为人类的健康福祉贡献更多力量!



作者介绍

本文的通讯作者是美国纽约州特洛伊市伦斯勒理工学院生物技术与跨学科研究中心生物医学成像中心GE WANG 教授,主要的研究方向是深度学习、深度神经网络、计算机断层扫描等,GE WANG 教授是IEEE,SPIE,AAPM,OSA,AIMBE,AAAS会士,H-index为71,并在IEEE transactions on medical imaging、nature machine intelligence、radiology等SCI期刊上发表相关学术文章700余篇。




撰稿:张宏

核:孙敏轩刘萍萍



原文链接:



    https://spj.science.org/doi/10.34133/bmef.0036




-----往期荐读-----


BMEF | 综述: 基于三维柔性电子器件的毫米级模式动物大规模电生理记录
Scalable Electrophysiology of Millimeter-Scale Animals with Electrode Devices
https://spj.science.org/doi/10.34133/bmef.0034



BMEF | 基于电酶组装策略的代谢产物高效同时检测方法
Efficient simultaneous detection of metabolites based on electroenzymatic assembly strategy
https://spj.science.org/doi/10.34133/bmef.0027



About BMEF


BMEF (《生物医学工程前沿》)是中国科学院苏州生物医学工程技术研究所(SIBET CAS)与美国科学促进会(AAAS)/Science合作出版的开放获取国际学术期刊。期刊旨在为生物医学工程这一交叉学科提供一个高效的交流平台,以推动领域内的科学家、工程师和临床医学专家及时地交流,共同促进人类健康。期刊关注在致病机理研究和疾病预防、诊断、治疗及评估方面取得的突破性进展,包括概念、设备、材料、组织、过程和方法等。目前,BMEF 已陆续被DOAJ、CNKI、INSPEC、PubMed Central、Scopus、ESCI、Ei Compendex等知名学术数据库收录,并将于2024年获得首个影响因子。
期刊网址:
https://spj.science.org/journal/bmef/
投稿网址:
https://www.editorialmanager.com/bmef/
欢迎各位同仁踊跃投稿!

点击下方阅读原文查看文章原文





点击在看”,助力传播

生物医学工程前沿
中国科学院苏州生物医学工程技术研究所(SIBET CAS)与美国科学促进会(AAAS)合作刊《生物医学工程前沿》(BME Frontiers)官方公众号。可提供期刊最新录用查询、过往刊目检索、发表论文导读等服务。
 最新文章