（文章來源：零壹財經(jīng)）

美國麻省理工學院的計算機科學家們，希望通過人工智能在醫(yī)學方面的應用，進而替代一些人工投入過高的步驟，從而改善醫(yī)療決策。因為隨著某些數(shù)據(jù)集變得越來越大，許多醫(yī)療決策過程變得越來越費力。

在預測分析領域，人工智能的出現(xiàn)能夠幫助臨床醫(yī)生診斷和治療，甚至是提升患者對于治愈的希望。例如，透過機器學習模型，在自我學習過程中能夠歸納患者的數(shù)據(jù)特征，幫助醫(yī)護人員進行敗血癥的治療，進而設計更安全的化療方案。另外，人工智能還能夠幫助醫(yī)生預測患者患乳腺癌或死于ICU的風險。

這種“特征工程”可能是一項費力且昂貴的過程。但隨著可穿戴傳感器的興起，它變得更具挑戰(zhàn)性，因為研究人員可以更長時間地監(jiān)控患者的生物識別，跟蹤睡眠模式，步態(tài)和語音活動。經(jīng)過一周的監(jiān)測，人工智能設備可以為每個醫(yī)療科目提供數(shù)十億個數(shù)據(jù)樣本。

根據(jù)最新研究發(fā)現(xiàn)，麻省理工學院的研究人員展示了一種具備機器學習的新技術——預測聲帶疾病特征的模型。模型建立在大約100個醫(yī)療科目的數(shù)據(jù)集，每個科目都有大約一周的語音監(jiān)測數(shù)據(jù)和數(shù)十億個樣本。數(shù)據(jù)集的數(shù)據(jù)是從安裝在受試者頸部的小型加速計和傳感器中，捕獲到相應的信號。

在實驗中，預測聲帶疾病特征模型使用從這些數(shù)據(jù)中自動提取到的特征，在通過高精度訓練后，對具有和不具有聲帶結節(jié)的患者進行分類。聲帶疾病是在喉部發(fā)展的病變，通常是由于患者濫用聲音，如大喊大叫。重要的是，該模型在沒有大量手工標記數(shù)據(jù)的情況下完成了預測任務。

這個模型檢測到聲帶結節(jié)的相關活動，進而為醫(yī)生提供診斷和治療疾病的方法。隨著技術的推進，通過新設計的算法，可以更準確地識別并警告人們可能會使聲帶受損的行為。麻省理工學院的研究人員還與美國喉部手術和語音康復中心展開合作，聯(lián)合開發(fā)和分析來自智能穿戴傳感器的數(shù)據(jù)，以便在及時跟蹤受試者的聲音使用情況。當人們談話時，頸部的傳感器開始收集聲音，通過加速度計收集數(shù)據(jù)，最后傳輸?shù)街悄苁謾C上。

因此，科學家在優(yōu)化模型時，遇到的一大挑戰(zhàn)就是如何防止過度擬合?？茖W家通過在模型中輸入大量的陌生聲帶信息，使模型能夠通過深度學習，最終掌握如何捕捉各類聲音，以及的聲音的強度。當他們的模型遍歷主題數(shù)據(jù)時，它被編程為定位發(fā)聲段，其僅包含大約10％的數(shù)據(jù)。對于這些發(fā)聲窗口中的每一個，該模型計算頻譜圖，頻譜圖隨時間變化的頻譜的視覺表示，其通常用于語音處理任務。然后將譜圖存儲為數(shù)千個值的大矩陣。

當模型對大量數(shù)據(jù)進行挖掘時，它會被設置成對各聲音模塊進行定位。對于各個聲音模塊，模型能夠輸出具備時間序列特點的頻譜圖，能夠用于語音處理過程。最后，模型會將頻譜圖以矩陣的形式存儲。

在模型的訓練過程中，它會將聲音特征映射到患者組和對照組兩個組別。一般，患者的聲音模式會比對照組多。首先，科學家們選用未曾出現(xiàn)在模型當中的聲音進行測試。之后，模型會將相似的頻譜圖壓縮為某一特征。最后，模型依此得出規(guī)律，將發(fā)聲區(qū)段不正常的受試者歸為患者組，其他歸為對照組。

在實驗中，該模型與需要手動特征工程的最先進模型一樣精確地執(zhí)行。重要的是，研究人員的模型在訓練和測試中都能準確地進行，表明它從數(shù)據(jù)中學習臨床相關模式，而不是學科特定信息。在實驗中，預測聲帶疾病特征模型執(zhí)行操作時，跟人工操作一樣精確。重點是，該模型在訓練和實驗過程中都能準確地執(zhí)行指令，表明它能夠從數(shù)據(jù)中學習到臨床的相關模式，而不是某一特定信息。

往后，研究人員希望通過監(jiān)測各種治療方法，例如手術和聲帶治療，是如何影響聲音行為的。如果患者的行為隨著時間的推移從異常變?yōu)檎?，那么他們可能正在康復。研究人員還希望在心電圖數(shù)據(jù)上使用類似的技術，用于跟蹤心臟的肌肉功能。