稀疏建模为尖端医疗应用提供快速、节能且可解释的 AI 解决方案
发布日期：2024-10-28 16:27:19
浏览次数： 1713
来源：AI Tooling
日本 AI 专家 HACARUS Inc. 成功地将其专有的稀疏建模 AI 技术应用于联合项目，包括表型药物发现、医学成像和用于人类和兽医应用的 ECG 监测器。
HACARUS 于 2014 年在日本京都成立，是一家人工智能 (AI) 初创公司，它采用了 2000 年左右在大学开发的稀疏建模 (SM) 技术。该技术的优势在于它能够从少量数据中提取特征，并且结果具有很强的可解释性。HACARUS 认为它是现阶段唯一一家在商业领域使用 SM 的公司。“与其他 AI 技术（包括深度学习 (DL)）相比，稀疏建模具有显著优势，”HACARUS 首席执行官兼创始人 Kenshin Fujiwara 表示。“我们的 SM 技术的核心优势之一是我们可以处理非常小的数据集。 “我们的流程产生了可解释的‘白盒’结果，而不是 DL 那种不透明的‘黑盒’，后者缺乏实际得出结果的透明度，”Fujiwara 解释道。“SM 速度更快，而且非常节能。在一次客户比较中，我们的 SM 模型的训练速度比 DL 模型快五倍，功耗仅为 1%”（图 1）。
图 1 | 基于稀疏建模的 AI 与基于深度学习的 AI 的能耗。测试表明，在相同准确度水平下，稀疏建模仅消耗使用传统深度学习平台所需能耗的 1%。表型药物发现 (PDD) 可以在不了解发病机制的情况下识别新药，由于其具有首创药物和提高临床可预测性的潜力，正受到越来越多的关注。然而，它通常会生成非常庞大和复杂的数据集。DL 最初是由 HACARUS 的一家制药客户考虑的，目的是提高检测命中化合物的效率和速度。然而，虽然深度学习可以缩短图像分析所需的时间，但它也存在很大的局限性。为了分析每种化合物，必须创建一个单独的判别模型，每个化合物可能需要 20 到 40 分钟。它的“黑箱”过程也使得无法确定哪些因素影响了命中化合物的确定。使用 HACARUS 的 SM 系统进行表型筛选意味着可以检测命中化合物，同时识别影响因素。为了减少搜索命中化合物所需的时间，仅使用异常检测/变化检测模型学习对照特征。“这使得分析只需要一个针对几种不同化合物的通用模型，大大减少了处理所需的时间。处理时间从每个化合物最多 40 分钟缩短到不到一分钟，”Fujiwara 说。“为了解决无法确定导致检测到命中化合物的因素的问题，我们在两个对照组之间采用了 Kullback-Leibler (KL) 散度法和稀疏结构学习。KL 方法使我们能够确定哪些特征值发生了变化，而稀疏结构学习则使研究人员能够找出哪些特征改变了它们之间的相关性。通过这些结果，现在可以确定特征值对结果的影响程度，”他说。通过这个项目，该制药公司能够获得与其最初预测相符的结果，并很高兴能够开发新的分析技术。通过与 HACARUS 的持续合作，它希望进一步提高项目期间创建的模型的性能。“HACARUS 采用了一种独特的方法，只需要控制数据即可成功进行分析，”Fujiwara 说。“另一个独特的发现是，我们现在能够通过分析精确地找出影响最终结果的特征值。未来，我们期待利用患者的iPSC（诱导性多能干细胞）筛查包括疾病类型和基因多态性在内的各种状况。该技术有望应用于需要高精度水平的医疗应用。”HACARUS还与多家组织和大学合作，开展利用AI和SM的广泛医疗项目（方框1）。它与大原制药和一家领先的医科大学合作，开发一种AI脑梗塞诊断工具，即使在没有专家的医院也能快速诊断脑梗塞。HACARUS 还与神户大学合作开发肝癌诊断支持工具，并与京都大学合作构建用于早期诊断和预防宫颈癌的高精度 AI 模型。两个使用 SM 的 ECG 项目正在进行中：与德国科技公司 ITK Engineering 合作开发用于检测人体 ECG 信号异常的监测系统；与 DS Pharma Animal Health 合作开发基于连接片的非侵入式动物 ECG 测量和分析工具，该工具可以从站立的动物爪子中捕获重要的心脏数据。其他生命科学项目包括基因组分析，以及协助识别、测量或比较基因组特征（包括 DNA 序列、结构变异、基因表达或基因组规模的调控和功能元素注释）等任务。
方框 1 | 与 Hacarus 的合作旨在利用人工智能和稀疏建模的力量。需要高度专业化的 MRI 图像解释技术来诊断脑梗塞并及时选择正确的治疗方法。许多医院虽然有 MRI 成像设备，但并没有脑梗塞专家。为了解决这一问题，HACARUS 和 Ohara Pharmaceutical Co. Ltd 正在与一家领先的医科大学合作，将专家的知识数字化，并提供 AI 辅助的急性脑梗塞诊断。重要的患者数据和 MRI 数据被输入到模型中。专家知识的数字化将有助于快速诊断，并在没有专家的医院中提供适当的脑梗塞治疗。缺乏具备解释扫描所需知识的专家意味着医疗保健系统越来越无法满足对肝癌诊断日益增长的需求。HACARUS 和神户大学正在进行联合研究，旨在：• 使用 AI 训练和监督学习检测 MRI 图像中的风险区域。• 在风险区域进行 HCC（肝细胞癌）疾病类型分类。德国科技公司 ITK Engineering（博世旗下子公司）和 HACARUS 联合开发了一款个性化患者监测系统的概念验证，该系统将评估心电图信号。它不仅可以近乎实时地评估单个患者心脏心电图的异常情况，还可以立即与预期的正常心电图曲线进行比较。随着发达国家努力实现零净碳排放，深度学习的高耗电特性开始引起许多依赖其进行诊断的医疗机构的担忧。除了数据处理过程中消耗的大量电力外，计算机硬件还需要持续冷却以避免与热量相关的故障。在马萨诸塞大学最近的一项研究中，对几个大型人工智能模型进行训练的生命周期评估显示，该过程的排放量几乎是美国普通汽车一生排放量的五倍，包括汽车制造 1 。Fujiwara 还引用了一项大学研究，该研究称，如果全球所有行业都开始在其运营中纳入深度学习，将需要 100 多个核电站。为 HACARUS 客户进行的 HACARUS SM 系统与传统 DL 技术的比较表明，SM 速度更快，能效更高。两个模型都使用了 1,000 张图像的数据集来创建预测。两种方法都产生了类似的结果，但 SM 系统在配备 Intel Core i5-3470S 处理器和 16GB RAM 的标准 x86 系统上的训练速度快了五倍（图 2）。DL 模型需要基于 Nvidia DEVBOX 的工业级开发平台，该平台具有更强的计算能力和内存。
图 2 | 稀疏建模的基本概念，与深度学习相比。“最终，基于 SM 的方法仅消耗基于 DL 方法 1% 的能量，并实现了相同的准确度，”Fujiwara 说。“与其他模型相比，SM 的关键区别在于它需要更少的数据进行训练，学习速度更快、效率更高。因此，它可以在正常的计算能力下运行，能耗显著降低。”HACARUS 认为 AI 应该高效而简单，因此它采用了一种轻量级的 SM，易于向最终用户解释。其解决方案可以将 AI 带入嵌入式低功耗应用，并且可以轻松地与本地设备或“边缘 AI”匹配和集成。这一优势将 Edge AI 带入了之前由于连接或兼容性限制而从未被利用的领域。一个例子是与 DS Pharma Animal Health 合作的 SM 项目，该项目为兽医诊所开发了一种非侵入式动物心电图测量和分析工具。“我们没有在云端运行深度学习 AI，而是将一些 AI 功能带到了边缘站点。该系统正在分析来自活体动物的所有实时心电图数据，”Fujiwara 说。HACARUS 与三菱电机合作，在细胞分析方面建立了新的 SM 和机器人医疗合作。它将 HACARUS 在 SM 驱动的医学成像分析方面的专业知识与三菱电机先进的工业机器人相结合。“合作的重点是实现细胞分析实验室工作的自动化，”Fujiwara 说。 “无缝集成的解决方案包括三个阶段的设置，首先机器人会仔细准备和运输细胞样本，以便通过由 HACARUS AI 驱动的数字显微镜进行检查。一旦样本被分析、记录和分类，机械臂就会自动运送处理过的细胞样本并移动到下一组样本。”该系统通过提供准确的分析和更少的错误，并显著增加细胞处理量，大大减少了对人力资源的需求。此外，它还满足了 COVID-19 大流行导致的远程工作需求的增加。HACARUS 的稀疏建模是一项尖端技术，使 AI 能够提供快速、可解释的结果。它节能，可以将 AI 带入嵌入式低功耗应用，并可以与本地设备集成。经过 2020 年一年的增长，HACARUS 正准备将其解决方案推向全球受众。该公司大幅增加了员工数量，完成了 B 轮融资（目前已筹集 13 亿日元，约合 1200 万美元），并在东京剑桥创新中心开设了一个新的研发中心。HACARUS 最近获得了多个奖项，包括 CBInsights 颁发的 AI 100：重新定义行业的人工智能初创公司奖。它也是 inVISION 2020 年创新奖认可的仅有的 10 家创新公司之一。
产品：大模型应用平台+智能体定制开发+落地咨询服务
承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业
粤ICP备17114055号
支持私有云部署
