麻省理工學院的計算機科學家希望通過自動化通常由手工完成的關(guān)鍵步驟來加速人工智能的使用，從而改善醫(yī)療決策，并且隨著某些數(shù)據(jù)集變得越來越大，這一點變得越來越費力。

預(yù)測分析領(lǐng)域在幫助臨床醫(yī)生診斷和治療患者方面具有越來越大的前景。可以訓練機器學習模型以找到患者數(shù)據(jù)中的模式，以幫助進行敗血癥護理，設(shè)計更安全的化療方案以及預(yù)測患者患ICU或死于乳腺癌的風險，僅舉幾個例子。

通常，訓練數(shù)據(jù)集由許多患病和健康的受試者組成，但每個受試者的數(shù)據(jù)相對較少。然后，專家們必須在數(shù)據(jù)集中找到對于做出預(yù)測非常重要的那些方面或“特征”。

這種“功能工程”可能是一個費力且昂貴的過程。但是隨著可穿戴式傳感器的興起，挑戰(zhàn)變得更加嚴峻，因為研究人員可以更輕松地長期監(jiān)控患者的生物特征，例如跟蹤睡眠方式，步態(tài)和聲音活動。在僅進行了一周的監(jiān)視之后，專家們可以針對每個主題獲得數(shù)十億個數(shù)據(jù)樣本。

在本周的醫(yī)療保健機器學習會議上發(fā)表的一篇論文中，麻省理工學院的研究人員演示了一種可自動學習預(yù)測聲帶疾病特征的模型。這些功能來自大約100個主題的數(shù)據(jù)集，每個主題具有大約一周的語音監(jiān)視數(shù)據(jù)和數(shù)十億個樣本-換句話說，主題數(shù)量很少，每個主題的數(shù)據(jù)量很大。數(shù)據(jù)集包含從安裝在對象脖子上的小加速度傳感器獲取的信號。

在實驗中，該模型使用從這些數(shù)據(jù)中自動提取的特征對具有和沒有聲帶結(jié)節(jié)的患者進行高精度分類。這些是在喉部形成的病變，通常是由于聲音濫用的方式（例如敲出歌曲或大喊大叫）所致。重要的是，該模型無需大量的手工標記數(shù)據(jù)即可完成此任務(wù)。

“收集長時間序列數(shù)據(jù)集變得越來越容易。但是，有些醫(yī)生需要運用他們的知識來標記數(shù)據(jù)集。”第一作者，麻省理工學院計算機科學與人工智能實驗室（CSAIL）的博士生Jose Javier Gonzalez Ortiz說?！拔覀兿Ｍ麨閷＜覄h除該手冊部分，并將所有功能工程轉(zhuǎn)移到機器學習模型中?！?/p>

該模型可適于學習任何疾病或狀況的模式。研究人員說，但是檢測與聲帶結(jié)節(jié)相關(guān)的日常語音使用模式的能力是開發(fā)預(yù)防，診斷和治療該疾病的改進方法的重要步驟。這可能包括設(shè)計新的方法來識別和提醒人們潛在的破壞性聲音行為。

與岡薩雷斯·奧爾蒂斯（Gonzalez Ortiz）一起發(fā)表論文的是約翰·古塔格（John Guttag），他是Dugald C. Jackson計算機科學與電氣工程學教授，也是CSAIL數(shù)據(jù)驅(qū)動推理小組的負責人。馬薩諸塞州總醫(yī)院喉外科和語音康復(fù)中心的Robert Hillman，Jarrad Van Stan和Daryush Mehta;多倫多大學計算機科學與醫(yī)學助理教授Marzyeh Ghassemi。