为什么自我监督学习会改变医疗 AI 的游戏规则
无法参加 Transform 2022？立即在我们的点播库中查看所有峰会会议！看这里。
随着研究人员寻求利用大规模未注释数据来开发更好的机器学习模型，自监督学习在过去几年中一直是人工智能 (AI) 的快速发展趋势。
2020 年，Meta 首席 AI 科学家 Yann Lecun 表示，随着监督学习的应用越来越广泛，监督学习（涉及在一组标记数据上训练 AI 模型）的作用将逐渐减弱。
“我们作为人类学习的大部分内容和动物学习的大部分内容都是在自我监督模式下学习的，而不是强化模式，”他在 2020 年国际代表学习会议 (ICLR) 的虚拟会议上说。 2021 Meta 博客文章中，LeCun 解释说，自我监督学习“从数据本身获取监督信号，通常利用数据的底层结构”。正因为如此，它可以使用“跨同时模式（例如，视频和音频）和跨大型数据集的各种监督信号——所有这些都无需依赖标签”。
在医学中越来越多地使用自我监督学习由于该领域有大量非结构化数据可用，包括电子健康记录和医学图像、生物电信号和序列数据集，这些好处导致自我监督学习在医疗保健和医学领域的使用显着增加.以及基因和蛋白质的结构。以前，开发机器学习的医学应用程序需要手动注释数据，通常由医学专家进行。
事件元节拍 2022
MetaBeat 将于 10 月 4 日在加利福尼亚州旧金山汇聚思想领袖，就元界技术将如何改变所有行业的沟通和开展业务的方式提出建议。
在这里注册哈佛医学院生物医学信息学助理教授 Pranav Rajpurkar 说，这是进步的瓶颈。 Rajpurkar 领导着一个研究实验室，专注于深度学习，以有效解释医学图像、设计临床医生-AI 协作以及管理开放参考。
“我们已经看到我们标记数据集的许多令人兴奋的进步，”他告诉 VentureBeat，但是需要“范式转变”才能从执行非常特定的医疗任务的 100 种算法转移到所需的数千种算法，而无需费力和密集的过程。
这就是自我监督学习改变游戏规则的地方，它能够根据输入的任何已观察或未隐藏部分预测输入的任何未观察或隐藏部分。
强调自我监督学习在最近发表于 Nature Biomedical Engineering 的一篇评论文章中，Rajpurkar 与心脏病专家、科学家和作家 Eric Topol 以及研究生 Rayan Krishnan 一起强调了医学和医学中使用的方法和自我监督模型医疗保健，以及自我监督学习在开发利用多模态数据集的模型方面的有前景的应用，以及为训练收集无偏数据的挑战。
Rajpurkar 说，这篇论文旨在“传达支持这种范式转变的机遇和挑战，我们将在未来几年看到人工智能的许多应用，当然包括医学”。
通过自我监督的课程...
无法参加 Transform 2022？立即在我们的点播库中查看所有峰会会议！看这里。
随着研究人员寻求利用大规模未注释数据来开发更好的机器学习模型，自监督学习在过去几年中一直是人工智能 (AI) 的快速发展趋势。
2020 年，Meta 首席 AI 科学家 Yann Lecun 表示，随着监督学习的应用越来越广泛，监督学习（涉及在一组标记数据上训练 AI 模型）的作用将逐渐减弱。
“我们作为人类学习的大部分内容和动物学习的大部分内容都是在自我监督模式下学习的，而不是强化模式，”他在 2020 年国际代表学习会议 (ICLR) 的虚拟会议上说。 2021 Meta 博客文章中，LeCun 解释说，自我监督学习“从数据本身获取监督信号，通常利用数据的底层结构”。正因为如此，它可以使用“跨同时模式（例如，视频和音频）和跨大型数据集的各种监督信号——所有这些都无需依赖标签”。
在医学中越来越多地使用自我监督学习由于该领域有大量非结构化数据可用，包括电子健康记录和医学图像、生物电信号和序列数据集，这些好处导致自我监督学习在医疗保健和医学领域的使用显着增加.以及基因和蛋白质的结构。以前，开发机器学习的医学应用程序需要手动注释数据，通常由医学专家进行。
事件元节拍 2022
MetaBeat 将于 10 月 4 日在加利福尼亚州旧金山汇聚思想领袖，就元界技术将如何改变所有行业的沟通和开展业务的方式提出建议。
在这里注册哈佛医学院生物医学信息学助理教授 Pranav Rajpurkar 说，这是进步的瓶颈。 Rajpurkar 领导着一个研究实验室，专注于深度学习，以有效解释医学图像、设计临床医生-AI 协作以及管理开放参考。
“我们已经看到我们标记数据集的许多令人兴奋的进步，”他告诉 VentureBeat，但是需要“范式转变”才能从执行非常特定的医疗任务的 100 种算法转移到所需的数千种算法，而无需费力和密集的过程。
这就是自我监督学习改变游戏规则的地方，它能够根据输入的任何已观察或未隐藏部分预测输入的任何未观察或隐藏部分。
强调自我监督学习在最近发表于 Nature Biomedical Engineering 的一篇评论文章中，Rajpurkar 与心脏病专家、科学家和作家 Eric Topol 以及研究生 Rayan Krishnan 一起强调了医学和医学中使用的方法和自我监督模型医疗保健，以及自我监督学习在开发利用多模态数据集的模型方面的有前景的应用，以及为训练收集无偏数据的挑战。
Rajpurkar 说，这篇论文旨在“传达支持这种范式转变的机遇和挑战，我们将在未来几年看到人工智能的许多应用，当然包括医学”。
通过自我监督的课程...
What's Your Reaction?
