机器学习在医疗领域的创新应用
Gari Clifford是埃默里大学生物医学信息学系主任，同时也是某机构研究奖项获得者，他致力于通过技术手段变革医疗健康领域。
从理论到实践的转变
Clifford最初从事理论物理学研究，但在20世纪90年代中期，他的研究方向开始转向。通过研究神经网络，他找到了测量复杂生物系统的方法。1998年在牛津大学攻读生物医学工程博士学位期间，他深入学习了人工智能技术，不仅掌握了构建神经网络的技能，还学会了正确处理数据的方法。
在牛津期间，Clifford"对解决现实世界问题产生了浓厚兴趣"。他的早期研究聚焦于使用机器学习预测心血管事件和医院重症监护需求。
医疗健康的转型机遇
完成研究生学业后，Clifford开始关注新的领域，特别是神经精神病学和母婴健康。"这些是我能产生最大影响的领域，"Clifford表示，"而且这些技术将在中低收入国家发挥最大作用，这正是我最希望产生影响的地区。"
边缘机器学习的革命性潜力
"边缘机器学习将彻底改变医疗健康领域，"Clifford预测道。与在云端处理数据不同，边缘机器学习依赖智能设备使用深度学习算法在本地实时处理数据。
云端仍然对收集初始数据和训练模型至关重要。要扩大这项工作的规模，需要像某中心这样的大型供应商。只有在云端完成机器学习模型训练后，才能通过边缘传感器实时运行。边缘传感器持续在本地更新模型，数据只需定期推送到云端，以防止模型漂移并在所有传感器间共享本地更新。
"模型比数据小得多，"Clifford解释说，"这不仅减少了所需的能源和带宽，还能保护患者隐私。"
患者环境监测的创新应用
目前，Clifford实验室正在使用边缘机器学习监测患者环境。虽然当今的医疗系统不会忽视患者的社会支持系统，但也不会记录这些信息，Clifford解释道。
对个人支持系统的完整记录可以为护理提供信息。例如，与他人互动的减少、社交圈或措辞的变化以及日常出行减少都可能表明患者状况恶化。这些都可以通过运行边缘技术的智能手机应用轻松测量。
2018年，Clifford因这项工作获得了某机构机器学习研究奖。这笔资金使Clifford团队能够开发原型，并部分资助了两名参与该项目的博士生。他们开发了可在树莓派上运行的音频和蓝牙算法，用于跟踪进出患者医院护理环境的人员。
帮助患者延长居家时间
Clifford团队的一个项目使用配备额外传感器的树莓派设备，监测患有各种神经精神疾病的患者，包括精神分裂症、阿尔茨海默病、轻度认知障碍、帕金森病和产后抑郁症。
策略是在这些患者的家庭环境中部署树莓派设备，监测他们的互动、活动以及人员往来。监测和管理患者环境可以帮助患者在家中生活更长时间，并提高生活质量。
对Clifford而言最重要的是，微型树莓派设备的低成本意味着这种策略具有成本效益。它可以在中低收入国家快速扩展和部署，这些地区的精神和母婴健康问题造成了巨大负担，但大多未得到有效管理。
技术开发中的包容性考量
随着这项技术的发展，将代表性不足的群体纳入开发过程至关重要。人工智能行业往往非常同质化，建立信任需要来自不同文化和背景的人们参与开发。
在与莫尔豪斯医学院的合作中，团队使用某中心云服务构建了一个应用，利用云计算和基础设施资源测量年轻非裔美国人接触影响心血管疾病的不同因素的情况，如运动、健康食品和空气污染。亚特兰大的社区参与领导者促进了数据收集，几名感兴趣的社区成员经过培训加入了开发团队。
在危地马拉，一个与Clifford团队合作预测母婴健康结果的助产士组织已经完全掌握了这项技术。该策略收集低成本超声数据和每日血压图片等输入，通过某中心云服务计算的数据可以帮助预测胎儿健康。
接下来，Clifford正在寻求资金将该算法植入超声设备，以便在本地进行计算。与此同时，助产士们已将这项技术采纳为护理标准，并报告在部署区域去年没有失去任何患者。
"他们已经完全掌握了所有权，不再需要我们了，"Clifford说，"这是我研究工作中最好的结果。"
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）
公众号二维码
公众号二维码
