G可解释生物医学( 三 )

文章插图

这时候就要用到梯度调节，这就是神经网络的概念。但是如何通过知识驱动，就是嵌入一个概念：比如我把“狗的耳朵比较大，猫的鼻子比较小”的概念放进去，这个算法就可以学得更好、更快。
所以，如何将知识图谱注入神经网络是很重要的课题。

文章插图

举个例子，用神经网络抠出图片中的人。左边的图为无监督分隔，没有嵌入足够的知识图谱，所以分隔得十分粗糙。而右边的图为半监督分隔，事先学习了天是蓝的、云是白的、人脸是黄的，人的衣服是黑色的知识，图像识别的效果非常好。

文章插图

同样的知识学习还体现在AI识别手写0—9这10个数字的实验中。
尽管每个人的笔迹都不同，写字风格千差万别，但假如我事先编写一组规则：有圆圈就是0、6、8、9，有一竖的就是1、4、7等等，这样AI的识别结果会好很多。

文章插图

另一个方法是融合多模态数据，是把所有数据融合起来决策。
要预测什么菜好吃，我们说闻起来很香，炒起来看着很好吃，味道很甜美，口感很滑，颜色很漂亮，这就是好菜。
但是我要给你一个融合的算法，告诉你这个菜是臭的（臭豆腐），吃起来是很香的，颜色也是很糟糕的，你说是好还是不好？这个决策就很难了。
所以，这里面的融合，要决定哪个因素有多少的比例，大家投票说臭豆腐好不好，来训练这个神经网络。

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。

G可解释 生物医学( 三 )

G可解释生物医学( 三 )