MIT团队把机器学习引入老年痴呆测试:一支数码笔一分钟搞定

简介:
本文来自AI新媒体量子位(QbitAI)

 时钟绘图测试

好消息,世界各地人民的平均寿命越来越长了。

坏消息,阿尔茨海默病患者会越来越多。根据阿尔茨海默病协会的估计,目前这种病的约有500万患者,但是到2050年,患病数量会增加到大约1350万。

阿尔茨海默病,就是我们通常所说的老年痴呆症,随着人年龄增大、身体机能下降,可能出现一定程度上的认知衰退,进一步发展,就可能患上这种病。

有什么方法可以降低这种疾病的患病率?早诊断早治疗……

麻省理工学院和Lahey医院医学中心的一个合作团队发明了一个工具,利用数码笔和MIT开发的快速数据分析算法,能够更容易地检测到认知损伤,使相关治疗可以更早地开展,并可能改善患者的病情。

阿尔兹海默病有一种经典的诊断工具:时钟绘图测试(CDT)。过去50年,医生为了测试病人认知功能,会让疑似认知受损的患者接受这个由两部分组成的测试。

第一部分,受试者会被要求在空白的纸上画一个钟面,显示一个指定的时间;

第二部分,重复画出显示相同时间的钟面。

这个实验看似特别简单,但是它是通过巧妙的设计来检查认知系统不同方面的功能。上半部分更注重记忆和语言等功能,下半部分更多地关注患者的空间推理和执行功能。

麻省理工学院计算机科学与人工智能实验室(CSAIL)专注于知识系统和人机交互领域的专家Randall Davis教授、Lahey医院医学中心中神经病学领域的神经心理学主任Dana Penney合作改良了CDT测试。

 William Souillard-Mandar(左)
和Randall Davis教授(右)

Davis、Penney和当时的研究生William Souillard Mandar组成了一个团队,使用数字笔来改进认知测试。该数字笔记录带时间轴的笔坐标,使他们能够对画出的图案和绘制的过程同时进行分析。

在一项为期10年的研究中,他们对约4000个受试者进行了新版本的认知测试,然后使用机器学习方法来创建认知预测模型。结果说明,与临床医师常规使用的方法相比,该模型能更准确地检测损伤。

Penney说:“我们会比较这两部分测试结果,就是用受试者作为他自己的对照组。这反过来也提供了一个机会,在认知功能出现明显的错误之前,能够检测出微小的问题。通过进行这种测试能够在发病之前,检测到阿尔茨海默氏症的早期患者,可以为制药公司开发针对早期阶段疾病的药物提供指导和帮助。”

但是通过机器学习方法创建的分类器通常是一个“黑箱”,也就是说,模型往往十分复杂,一般很难理解内部参数的具体意义以及为何产生这样的预测结果。该团队知道,医生或其患者不可能接受一个结构复杂和原理不明的算法模型,所以,他们正在努力将模型分析变得更加容易理解。

Mandar说:“模型分析可以分为两个阶段。一个阶段是要理解个体绘制的内容,例如一组钢笔点可以表示时钟的分针,而临床医生可以通过相关指标,评估患者的认知功能与整体测试结果。第二阶段,努力让我们的模型变得更容易解释,让临床医生可以很容易地理解算法是如何解决问题和做出决策的。”

这种新的认知测试方法不但可以节省时间、提高检测精度,而且易于使用、价格低廉。Davis介绍说:“你越早发现自己患有某些疾病,那么你可以越早接受治疗,并可以改变生活习惯等方式,来帮助治疗。目前有相关药物可以减慢疾病的发展和恶化。所以你越早开始治疗,药物就能发挥更好的作用。”

过去两年,戴维斯和他的团队一直致力于将他们的研究应用于临床治疗中。Davis、Penney和投资人Philip Cooper创立了一个专注于数字认知技术的公司DCT。Souillard Mandar是负责机器学习方法的主管,致力于将模型分析转化为可以商业化的临床工具,同时确保临床医生了解这项技术的分析过程。

DCT公司的产品叫做DCTclock,此产品包括数字笔和能够将测试数据从笔传输到DCT服务器的微型计算机。该公司的认知能力测试可以轻松而快速地进行,就跟血压测量一样,可在一分钟之内获得测试结果。制药公司现在正在使用该产品进行临床测试,DCT希望在2018年之前投入使用,为临床医生提供测试服务。

Davis说,医疗保险公司最近决定将认知测试纳入65岁以上美国人的年度健康评估中,DCTclock产品的开发能够及时帮助进行健康评估。与PET扫描等用于认知测试的传统工具相比,DCTclock能够节省时间,价格也更加低廉,所以这种方法引起了医学界广泛的兴趣。“PET扫描是测量生物组织来诊断病情,而我们是通过分析行为活动,揭示患者的认知能力。”

本文作者:王新民
原文发布时间:2017-03-12
相关文章
|
3月前
|
安全 测试技术
北大李戈团队提出大模型单测生成新方法,显著提升代码测试覆盖率
【10月更文挑战第1天】北京大学李戈教授团队提出了一种名为“统一生成测试”的创新方法,有效提升了大模型如GPT-2和GPT-3在单一测试中的代码生成覆盖率,分别从56%提升至72%和从61%提升至78%。这种方法结合了模糊测试、变异测试和生成对抗网络等多种技术,克服了传统测试方法的局限性,在大模型测试领域实现了重要突破,有助于提高系统的可靠性和安全性。然而,该方法的实现复杂度较高且实际应用效果仍需进一步验证。论文可从此链接下载:【https://drive.weixin.qq.com/s?k=ACAAewd0AA48Z2kXrJ】
87 1
|
11天前
|
数据采集 人工智能 自动驾驶
VSI-Bench:李飞飞谢赛宁团队推出视觉空间智能基准测试集,旨在评估多模态大语言模型在空间认知和理解方面的能力
VSI-Bench是由李飞飞和谢赛宁团队推出的视觉空间智能基准测试集,旨在评估多模态大型语言模型(MLLMs)在空间认知和理解方面的能力。该基准测试集包含超过5000个问题-答案对,覆盖近290个真实室内场景视频,涉及多种环境,能够系统地测试和提高MLLMs在视觉空间智能方面的表现。
54 16
VSI-Bench:李飞飞谢赛宁团队推出视觉空间智能基准测试集,旨在评估多模态大语言模型在空间认知和理解方面的能力
|
24天前
|
机器学习/深度学习 人工智能 自然语言处理
【NeurIPS'24】阿里云 PAI 团队论文被收录为 Spotlight,并完成主题演讲分享
12月10日,NeurIPS 2024在温哥华开幕,阿里云PAI团队论文《PertEval: Unveiling Real Knowledge Capacity of LLMs with Knowledge-Invariant Perturbations》入选Spotlight,PAI团队还进行了“可信AI的技术解读与最佳实践”主题演讲,展示AI工程化平台产品能力。
|
2月前
|
机器学习/深度学习 算法 UED
在数据驱动时代,A/B 测试成为评估机器学习项目不同方案效果的重要方法
在数据驱动时代,A/B 测试成为评估机器学习项目不同方案效果的重要方法。本文介绍 A/B 测试的基本概念、步骤及其在模型评估、算法改进、特征选择和用户体验优化中的应用,同时提供 Python 实现示例,强调其在确保项目性能和用户体验方面的关键作用。
39 6
|
2月前
|
机器学习/深度学习 算法 UED
在数据驱动时代,A/B 测试成为评估机器学习项目效果的重要手段
在数据驱动时代,A/B 测试成为评估机器学习项目效果的重要手段。本文介绍了 A/B 测试的基本概念、步骤及其在模型评估、算法改进、特征选择和用户体验优化中的应用,强调了样本量、随机性和时间因素的重要性,并展示了 Python 在 A/B 测试中的具体应用实例。
31 1
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
【MM2024】阿里云 PAI 团队图像编辑算法论文入选 MM2024
阿里云人工智能平台 PAI 团队发表的图像编辑算法论文在 MM2024 上正式亮相发表。ACM MM(ACM国际多媒体会议)是国际多媒体领域的顶级会议,旨在为研究人员、工程师和行业专家提供一个交流平台,以展示在多媒体领域的最新研究成果、技术进展和应用案例。其主题涵盖了图像处理、视频分析、音频处理、社交媒体和多媒体系统等广泛领域。此次入选标志着阿里云人工智能平台 PAI 在图像编辑算法方面的研究获得了学术界的充分认可。
【MM2024】阿里云 PAI 团队图像编辑算法论文入选 MM2024
|
2月前
|
机器学习/深度学习 数据采集 人工智能
自动化测试的未来:AI与机器学习的融合之路
【10月更文挑战第41天】随着技术的快速发展,软件测试领域正经历一场由人工智能和机器学习驱动的革命。本文将探讨这一趋势如何改变测试流程、提高测试效率以及未来可能带来的挑战和机遇。我们将通过具体案例分析,揭示AI和ML在自动化测试中的应用现状及其潜力。
50 0
|
3月前
|
机器学习/深度学习 人工智能 安全
自动化测试的未来:AI与机器学习的结合
随着技术的发展,软件测试领域正迎来一场革命。自动化测试,一度被认为是提高效率和准确性的黄金标准,如今正在被人工智能(AI)和机器学习(ML)的浪潮所推动。本文将探讨AI和ML如何改变自动化测试的面貌,提供代码示例,并展望这一趋势如何塑造软件测试的未来。我们将从基础概念出发,逐步深入到实际应用,揭示这一技术融合如何为测试工程师带来新的挑战和机遇。
90 3
|
4月前
|
机器学习/深度学习 人工智能 自然语言处理
自动化测试的未来:AI与机器学习的融合
【9月更文挑战第29天】在软件测试领域,自动化测试一直是提高测试效率和质量的关键。随着人工智能(AI)和机器学习(ML)技术的飞速发展,它们正逐步渗透到自动化测试中,预示着一场测试革命的来临。本文将探讨AI和ML如何重塑自动化测试的未来,通过具体案例展示这些技术如何优化测试流程,提高测试覆盖率和准确性,以及它们对测试工程师角色的影响。
103 7
|
2月前
|
机器学习/深度学习 算法 数据挖掘
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构。本文介绍了K-means算法的基本原理,包括初始化、数据点分配与簇中心更新等步骤,以及如何在Python中实现该算法,最后讨论了其优缺点及应用场景。
124 4