AI 间谍：Delphi-2M 是最新的 AI 工具，旨在williamhill中文欢迎您人们如何以及何时生病
能够即时、准确地williamhill中文欢迎您一个人未来几年的健康轨迹一直被视为医学的巅峰。
此类信息将对医疗保健系统和整个医疗保健行业产生深远影响 - 将护理从治疗转向预防。
根据a的调查结果最近发表的论文，研究人员承诺这一点。
利用尖端人工智能技术，研究人员构建了Delphi-2M。该工具旨在williamhill中文欢迎您一个人的下一次疾病，以及未来 20 年内可能发生的时间。该模型针对包括癌症、糖尿病和心脏病在内的上千种不同疾病执行此操作。
为了开发 Delphi-2M，欧洲研究团队使用了来自世界各地近 403,000 人的数据英国生物银行作为人工智能模型的输入。
在最终训练的 AI 模型中，Delphi-2M 根据一个人出生时的性别、体重指数、是否吸烟或饮酒以及之前患过疾病的时间线来williamhill中文欢迎您下一种疾病及其发生时间。
能够以 0.7 AUC（曲线下面积）做出这些williamhill中文欢迎您。 AUC 汇总了误报率和漏报率，因此可以用作理论设置中准确性的代理。
这意味着该模型的williamhill中文欢迎您在所有疾病类别中的准确度约为 70%，尽管这些williamhill中文欢迎您的准确性尚未经过现实世界结果的检验。
然后他们将该模型应用于丹麦生物银行数据，看看它是否仍然有效。它能够以类似的理论准确率williamhill中文欢迎您健康结果。
人工智能工具如何williamhill中文欢迎您疾病
本文的目的并不是暗示 Delphi-2M 已准备好供医生或医疗领域使用。相反，它是为了说明该团队提出的人工智能架构的强大功能，以及它在分析医疗数据方面可能带来的好处。
Delphi-2M 使用“变压器网络”进行williamhill中文欢迎您。这与为 ChatGPT 提供支持的技术架构相同。研究人员修改了 GPT2 变压器架构，以使用时间和疾病特征来williamhill中文欢迎您何时以及将会发生什么。
虽然其他健康williamhill中文欢迎您模型过去也使用过 Transformer 网络，但这些模型仅旨在williamhill中文欢迎您一个人患单一疾病的风险。另外，它们主要用于较小规模的医院记录数据。
但是变压器网络特别适合williamhill中文欢迎您一个人患多种疾病的风险。这是因为他们可以轻松调整焦点，并能够从多个不同的数据点计算出许多不同疾病之间的复杂相互作用。
Delphi-2M 也被证明比使用不同架构的其他多疾病williamhill中文欢迎您模型稍微准确一些。
例如，Milton - 由阿斯利康制药公司的研究人员团队开发的另一种人工智能健康williamhill中文欢迎您工具 - 使用了以下组合：标准机器学习技术并将它们应用于相同的英国生物银行数据。与 Delphi-2M 相比，该模型对大多数疾病的williamhill中文欢迎您能力略低，并且需要使用更多数据才能做到这一点。
此外，其他人很难通过添加更多数据层来改进非 Transformer 模型。这意味着这些模型不能像变压器模型那样容易地适应和改进以用于不同的背景和研究。
Delphi-2M模型的特别之处在于，它可以作为开源模型向公众发布，而不会损害患者的隐私。
作者能够创建模仿英国生物银行数据的合成数据，同时删除个人身份信息 - 所有这些都不会导致williamhill中文欢迎您能力显着下降。此外，与典型的 AI Transformer 模型相比，Delphi-2M 训练所需的计算资源更少。
这将使其他研究人员能够从头开始训练模型，并可能根据自己的需要使用其他信息对其进行定制。这对于开放科学的进步非常重要，但在医疗环境中通常很难做到。
医疗记录如何帮助人工智能
无论 Delphi-2M 是否成为旨在williamhill中文欢迎您患者未来健康风险因素的 AI 工具的基础模型，它都表明此类模型正在开发中。
由于其分层架构和开源特性，类似于 Delphi-2M 的未来模型将通过整合更丰富的数据（例如电子健康记录、医学图像、可穿戴技术和位置数据）继续发展。随着时间的推移，这将提高其williamhill中文欢迎您能力和准确性。
虽然预防疾病和提供早期诊断的能力前景广阔，但在使用这种williamhill中文欢迎您工具时，有一些重要的注意事项。
首先，此类工具存在许多与数据相关的问题。正如我们所拥有的之前写过，人工智能工具接收到的数据和训练的质量决定了其williamhill中文欢迎您的成败。
用于创建 Delphi-2M 的英国生物银行数据集没有足够的关于不同种族和民族的数据，无法进行深入的训练和表现分析。
虽然 Delphi-2M 研究人员进行的一些分析表明，添加种族和种族并没有对结果产生太大影响，但许多类别的数据仍然不足，甚至无法进行评估。
如果在现实世界中使用，个人医疗保健数据可能会被使用并分层在 Delphi-2M 等基础模型之上。虽然包含这些个人数据将提高williamhill中文欢迎您准确性，但它也存在风险– 例如，围绕个人数据安全和数据的脱离上下文的使用。
将模型扩展到医疗保健系统与用于设计数据集的系统不同的国家/地区也可能很困难。例如，将 Delphi-2M 应用到美国环境可能会更困难，因为美国的医疗数据分布在多个医院系统和私人诊所。
目前，Delphi-2M 被患者或医生使用还为时过早。虽然 Delphi-2M 根据用于训练它的数据提供了广义williamhill中文欢迎您，但使用这些williamhill中文欢迎您为个体患者提供个性化健康建议还为时过早。
但希望通过持续投资研究和构建 Delphi-2M 式模型，有一天可以将患者的个人健康数据输入模型并获得个性化williamhill中文欢迎您。
本文转载自《对话》。阅读原创文章.
进一步阅读：
希拉·利夫希茨 是管理学教授兼主任人工智能创新网络。她还是哈佛大学创新科学实验室的客座教授。她教授数字化转型课程高级工商管理硕士, 高级工商管理硕士（伦敦） 和全球在线 MBA.
Natalia Levina 是纽约大学 (NYU) 斯特恩商学院信息系统教授兼 Paganelli-Bull 讲座教授。
João Sedoc 是纽约大学 (NYU) 斯特恩商学院技术、运营和统计学助理教授。
详细了解如何将人工智能纳入为期两天的高管教育人工智能领导力计划 在WBS 伦敦碎片大厦.
详细了解工作的未来以及医疗保健和福祉。 通过接收我们的核心见解时事通讯电子邮件 或领英.