常言道，“如果说人生是一场漫长的马拉松，那么康健将是决定跑道长度的关键成分。
”康健是幸福生活和社会发展的基石。
随着智能化时期的到来，人工智能技能在医疗康健领域的运用也日益广泛，成为了掩护和促进人类康健的新工具。
无论是赞助疾病的早期检测创造、病情发展预测，还是在个性化的精准医疗，以及推进医学研究和新药研发，人工智能都展现出了其独特的代价和潜力。

在过去的几年中，微软亚洲研究院持续与医疗机构和高校的专家密切互助，并且引进医疗康健领域的专业人才，希望推动人工智能技能在医疗康健领域的深入运用，促进构建康健的环球社会。

早创造、早治疗：人工智能赞助疾病检测与康复演习

疾病的早期诊断对付提高治疗效果和患者的生活质量至关主要，而康复演习则是许多疾病治疗过程中不可或缺的一环，对付规复患者的各项功能具有主要浸染。
传统的诊断和康复方法每每受限于资源分配、地理位置和专业医护职员的稀缺性，在一定程度上限定了医疗做事的遍及和效率。
人工智能技能则能通过自动化和智能化的方法，赞助医护职员更早地识别疾病迹象，从而及时进行干预和治疗。

语音识别赞助腭裂患儿的语音规复

腭裂和唇裂是口腔和颌面区最常见的先天性畸形，患者常日由于软腭（即腭咽功能不全）未能完备闭合，无法发出正常的声音，从而产生高鼻音。
在与干系医疗机构的互助中，微软亚洲研究院的研究员们理解到，高鼻音的检测是腭裂患者治疗的关键成分。

（图片来源：Operation Smile）

在临床检讨中，高鼻音常日由言语-措辞病理学家做出评估，但是专业的病理学家数量有限，且只分布在个别医院中，这就须要患者进行长期的跨地区诊疗。
漫长的诊疗周期和高昂的本钱，让患者及家属苦不堪言。
因此，一种自动化的高鼻音评估方法将不仅有助于病理学家做出精确判断，也能帮助患者实现远程诊疗，减少花销。

微软亚洲研究院利用迁移学习技能，开拓了一种基于自动语音识别（ASR）模型来改进高鼻音评估的新方法。
该模型能够有效提取声学特色，并且具有良好的泛化能力。
在两个腭裂数据集上的实验结果表明，比较已有方法，这一模型取得了更优的性能，有助于提升病理学家诊断的准确率。

基于高鼻音评估的结果，年夜夫将为患者定制个性化的语音演习方案。
在这一环节，微软亚洲研究院进一步开拓了一个掩码预演习发音评估（MPA）模型，该模型支持端到真个演习，适用于无监督和有监督的学习环境，便于用户远程支配。
通过利用参考文本并结合掩码和预测策略进行预测，MPA 模型可以有效避免发音评估中的错位或误识别问题，为腭裂患者供应更精确的语音校正支持。

目前，微软亚洲研究院正与医疗机构互助，共同评估这一创新语音评估技能的运用可行性，希望这项技能能够帮助年夜夫提高诊疗效率，降落患者的治疗本钱，并让广大偏远地区的腭裂患者受益。

干系论文：

高鼻音检测：Improving Hypernasality Estimation with Automatic Speech Recognition in Cleft Palate Speech. INTERSPEECH 2022.

https://arxiv.org/pdf/2208.05122.pdf

语音评估：End-to-End Word-Level Pronunciation Assessment with MASK Pre-training. INTERSPEECH 2023.

https://arxiv.org/pdf/2306.02682.pdf

语音剖析模型助力阿尔茨海默症筛查

阿尔茨海默症是一种普遍的神经退行性疾病，多见于老年人群，患者会逐渐涌现包括影象减退、措辞障碍、认知功能退化、打算力危害等不可逆的认知损伤。
只管目前阿尔茨海默症尚无有效的治疗方法，但及早创造并及时干预对延缓病程发展十分关键。

（图片来源：pexels.com）

传统的诊断方法如脑部成像、血液检测和面对面的神经心理评估，周期长、本钱高。
有研究表明，阿尔茨海默症的早期阶段实在可以通过剖析患者的口语来进行识别，如流利性失落语，以及在词汇探求和检索方面的困难。

正是基于这一创造，微软亚洲研究院开拓了几种语音和措辞剖析技能，旨在从高等声学和措辞特色中提取与阿尔茨海默症干系的线索，同时根据这些特色还推出了一种新的任务导向方法，将参与者的措辞描述内容与认知任务之间的关系进行建模。

在自发措辞识别（ADReSS）数据集的一个子任务中（“厨房偷吃饼干 Cookie Theft”的图片描述和转录文本实验，如图1所示），这些方法实现了91.4%的准确性。
与传统只专注于语音或语义剖析的模型不同，微软亚洲研究院创新地将语音与语义结合，极大地提升了病症检测的准确率。
在未见过的测试集上，该模型也取得了较高的效率与性能，为阿尔茨海默症的广泛筛查供应了新的可行性。

图1：用于检测阿尔茨海默症描述性任务的 Cookie Theft 图像，由 DementiaBank Pitt Corpus, Becker 等人提出，1994

干系论文：

Leveraging Pretrained Representations with Task-related Keywords for Alzheimer's Disease Detection. ICASSP 2023.

https://arxiv.org/pdf/2303.08019.pdf

利用无监督方法检测自闭症谱系障碍患者的刻板行为

自闭症谱系障碍（ASD）大多起病于婴幼儿期间，其特色每每表现为社交和互换障碍以及刻板和重复性行为。
个中刻板和重复性行为，如不断拍打地面、反复撞击头部或不断拍手等，是自闭症谱系障碍检测的主要线索。
自闭症患者的康复机率与创造和干预的及时性密切干系，但纯挚依赖专业医护职员永劫光跟踪不雅观察儿童行为的效率较低。
因此，一种快速且自动化的刻板行为检测方法将具有主要代价。

（图片来源：unsplash.com）

现有方法大多利用打算机视觉技能，基于自闭症谱系障碍患者的***录像数据，通过监督分类和活动识别技能来检测刻板行为。
然而，刻板行为种类繁多，且***录像数据因涉及隐私问题网络困难，限定了现有监督检测方法的可行性。

微软亚洲研究院与专业医疗机构互助，重新的方向入手办理寻衅——利用无监督***非常识别来检测刻板行为，并推出了一个基于人体姿势的韶光轨迹和动作重复模式的双流深度模型 DS-SBD。
该模型不仅可以在只包含正常行为的未标记***中进行演习，而且还可以在推理过程中检测到未知类型的非常行为，比如识别出演习数据中未曾涌现的转圈行为等。

图2：当涌现刻板行为时（不正常的拍手），算法的预测概率显著升高

广泛的实验表明，DS-SBD 模型的无监督刻板行为检测方法，将分类准确性指标的微均匀（micro-average）AUROC 从60.43%提高到了71.04%，宏均匀（macro-average）AUROC 从56.45%提高到了73.39%，这不仅提升了对刻板行为检测的准确性，还进一步扩展了对更多种类刻板行为的识别能力。
该方法超越了现有的 SOTA 方法，有望成为未来研究的潜在基准。
不过，刻板行为检测只是自闭症诊断中的一环，自闭症谱系障碍的早期识别和干预，还须要更多跨领域互助和社会各界的共同努力。

干系论文：

Unsupervised Video Anomaly Detection for Stereotypical Behaviors in Autism. ICASSP 2023.

https://arxiv.org/pdf/2302.13748.pdf

基于脑电旗子暗记提升新生儿癫痫检测准确率

儿童癫痫是儿童（0～18岁）期间常见的一种病因繁芜且反复产生发火的神经系统综合征。
为了避免影响孩子们的发展发育，新生儿癫痫的早期检测十分主要。

（图片来源：unsplash.com）

癫痫产生发火是由脑部神经元“非常放电”所引起，以是脑电波检讨对付诊断癫痫病有着决定性的浸染。
但由于新生儿大脑发育不完备、脑电数据噪声大且患儿个体差异明显，使得基于脑电波的新生儿癫痫检测成为天下级医学难题。

微软亚洲研究院与多家互助伙伴基于人工智能和脑电旗子暗记（EEG），提出了一个深度学习框架——时空 EEG 网络（STATENet）。
该框架可以对脑旗子暗记进行风雅化处理，灵巧适应新生儿 EEG 通道数量的变革，以应对上述寻衅。
此外，研究员们还提出了一个模型级别的集成方法，通过动态聚合不同时空深度模型的结果，提高了 STATENet 模型在不同新生儿之间的泛化能力。

研究员们在包含了大规模真实天下新生儿 EEG 的数据集上进行了实验，结果表明，STATENet 模型显著提高了检测的准确性，AUPRC（精确率-召回率曲线下的面积）比现有的最前辈的方法提升了超过30%，为年夜夫诊断小儿癫痫供应了新的工具。

不仅如此，微软亚洲研究院还演习了首个跨数据集的脑电根本模型，可以对任何脑电数据进行剖析，实现了“一对多”的脑电理解。
基于该模型，研究员们还开拓了 AI Neurologist 系统，可赞助临床和科研场景下的脑电旗子暗记剖析事情，将年夜夫的判断准确率由原来的75%提高至90%。
目前，干系模型已在 GitHub 上开源，微软亚洲研究院欢迎环球的研究者共同参与，让干系技能在更广泛的医学领域发挥浸染，为临床诊断与治疗带来新的打破。

图3：AI Neurologist 系统

干系论文：

新生儿癫痫检测论文：Protecting the Future: Neonatal Seizure Detection with Spatial-Temporal Modeling. IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2023.

https://arxiv.org/abs/2307.05382

脑电预演习模型论文：Learning Topology-Agnostic EEG Representations with Geometry-Aware Modeling

https://openreview.net/attachment?id=hiOUySN0ub&name=pdf

病程预测与个性化治疗：人工智能助力精准医疗对症下药

精准医疗是未来医疗发展的主要方向，它以个体化差异为根本，为患者供应个性化的治疗方案。
然而，由于疾病的繁芜性与个体差异性，精准医疗的实现仍面临着诸多寻衅。
人工智能在数据处理、模式识别和预测剖析方面的独特能力，让其在预测疾病风险和病程进展方面展现出了巨大的潜力。
这种预测能力对付慢性病的管理尤为主要，可以帮助年夜夫和患者更好地管理疾病，减少并发症的发生。

将图神经网络用于帕金森病程发展预测

帕金森病是一种常见于中老年人的神经系统退行性疾病，其病程进展常日烦懑，有些患者一年也不会有明显变革，乃至会涌现好转，在合理的药物和理疗帮助下，可以保持良好的生理性能。
但帕金森病的症状繁芜多样，包括就寝障碍、呼吸困难、面部肌肉失落调以及步态不稳和震颤等，病程发展预测是帕金森病治疗中的一大难题。

（图片来源：pixabay.com） （图片来源：pixabay.com）

对此，微软亚洲研究院的研究员们认为，有必要剖析患者的多模态数据来提取相似特色，以提高病症发展预测的准确性。
图神经网络（GNNs）就非常适宜连接个体之间的关系——构建一个以患者为节点的图，并连接相似的患者，个中的相似性由患者的边缘特色决定。
然而，选择这些边缘特色来定义患者相似性也具有一定的寻衅，由于其非常依赖于人类专家和先验知识。

针对这些问题，微软亚洲研究院与医疗机构互助，在数据预处理、算法构建、模型设计和可阐明性等方面进行了密切互换，并基于专业医护职员的建议，提出了一种新算法——AdaMedGraph。
该算法可以自动选择主要特色来构建多个患者的相似性图，并与先验知识兼容，将人类专家构建的图纳入终极的集成模型。
由于能够将个体间的信息与个体内的特色统一在一个模型中，AdaMedGraph 最大限度地减轻了图构建方面的包袱。

在帕金森病进展标志物倡议（PPMI）（Marek等，2018年）和帕金森病生物标志物操持（PDBP）两个公开数据集上，AdaMedGraph 在预测24个月帕金森病病情发展方面，与其他基准模型比较，在所有指标上都得到了更高的准确性，为后续的个性化精准治疗供应了切入点。

此外，AdaMedGraph 模型还具有较强的泛化能力，在预测代谢综合征的发生上也表现出色。
在测试数据集上的 AUROC 达到了0.675，进一步证明了将患者内部数据和患者之间的数据都纳入个体疾病发展预测的有效性，为未来的医学研究供应了新的思路和方法。

干系论文：

AdaMedGraph: Adaboosting Graph Neural Networks for Personalized Medicine

https://arxiv.org/abs/2311.14304

加强跨领域互助，开释人工智能代价

微软亚洲研究院的探索不仅限于疾病检测和病程预测。
通过与医学界的广泛互助，微软亚洲研究院也在深入挖掘人工智能在药物研发和医学研究领域的巨大潜力，比如将前沿技能运用于人工视网膜构建、药物成瘾剖析、癌症治疗、人体代谢探究，等等。

人工智能技能的成熟和进步使其在实际运用中的潜力逐渐显现，但要充分开释人工智能在各行各业的代价，跨学科与跨领域的互助变得至关主要。
“得益于与医疗机构和医学研究机构的医学专家的跨界互助，微软亚洲研究院才能顺利开展诸多涉及医疗康健领域的研究项目，持续探索将人工智能技能运用于疾病检测、康复演习和病程预测等医疗领域的关键环节，这是团队共同努力的成果。
我们也欢迎更多对跨领域研究感兴趣的精良人才的加入，共同为守护人类康健和推动医学进步贡献力量。
”微软亚洲研究院副院长邱锂力表示。

欢迎加入微软亚洲研究院：

https://www.msra.cn/zh-cn/jobs

注：本文所述的微软亚洲研究院在医疗康健领域的研究均为科研探索性子，且均在专业医疗和医学研究机构的互助辅导下进行，旨在推动科学进步并为人类未来的医疗康健运用供应理论和技能支持。
所有研究均严格遵守微软负任务的 AI 流程的辅导，并遵照公正、原谅、可靠性与安全性、透明、隐私与保障、卖力的原则。
文中所提及的技能和方法目前均处于研究和开拓阶段，尚未形成商业产品或做事，也不构成任何医疗建议或治疗方案。
我们鼓励读者在面对康健问题时咨询合格的医疗专业人士。