AI驅(qū)動的腦科學研究：數(shù)據(jù)共享、開放科學與數(shù)據(jù)安全的平衡

開放科學與數(shù)據(jù)安全的平衡演講人：王安宇單位名稱：天橋腦科學研究院(TCCI)01AI驅(qū)動的腦科學研究03AI+腦科學的挑戰(zhàn)與展望腦科學研究任重道遠精神和行為生理因素社會因素心理因社會因素WHO報告(2001)精神疾病是一種改變一個人的思想、情緒或行為（或兼而有之）的健康狀況。抑郁癥、精神分裂癥、注意力缺陷多動障礙(ADHD)和自閉癥譜系障礙(ASD)等多發(fā)。全世界約有4.5億人有精神健康問題。缺乏針對精神疾病的生物標記。無法依賴于醫(yī)療實驗室測試和指標判斷。精神疾病通常根據(jù)個人對特定問卷的自我報告進行診斷，這些問卷旨在檢測特定的情緒模式或社交互動。根據(jù)耶魯大學經(jīng)濟學家阿列赫·茨溫斯基的一項新研究，精神疾病每年給美國經(jīng)濟造成2820億美元的損失。美國衛(wèi)生部(NIH)指出，2019年，美國患有MDD（重度抑郁癥）的成年人數(shù)量估計為1980萬，造成的增量社會經(jīng)濟負擔估計為3337億美元。數(shù)+智，在健康醫(yī)療中的應用愈加廣泛精準診療精準診療疾病研究數(shù)字醫(yī)療數(shù)字健康醫(yī)療領(lǐng)域人工智能的應用場景概念代表性方法應用場景監(jiān)督學習從標記數(shù)據(jù)中學習預測類別/臨床指標SVM、隨機森林、稀疏學習、集成學習疾病診斷、預后、治療結(jié)果預測無監(jiān)督學習從未標記的數(shù)據(jù)中學習以揭示結(jié)構(gòu)并識別子組疾病亞型、規(guī)范建模、識別行為和神經(jīng)生物學維度半監(jiān)督學習從標記和未標記的數(shù)據(jù)中學習以執(zhí)行監(jiān)督或無監(jiān)督的任務多視角學習、拉普拉斯正則化、半監(jiān)督聚類多模態(tài)分析、聯(lián)合疾病分型與診斷、不完整數(shù)據(jù)預測深度學習學習層次結(jié)構(gòu)和特征的非線性映射以獲得更高級別的表示，可以是監(jiān)督的，也可以是無監(jiān)督的GAN一大類通用的學習問題強化學習解決時間信用分配問題、最優(yōu)控制、反復試驗學習演員-評論家模型、動態(tài)規(guī)劃在線控制、決策和選擇行為建模不同類型的“神經(jīng)網(wǎng)絡”a深度前饋神經(jīng)網(wǎng)絡(DFNN)：DL模型的基本設(shè)計。DFNN通常包含多個隱藏層。b循環(huán)神經(jīng)網(wǎng)絡(RNN)：處理序列數(shù)據(jù)。對歷史信息進行編碼，每個循環(huán)神經(jīng)元接收前一個神經(jīng)元的輸入元素和狀態(tài)向量，并產(chǎn)生一個隱藏狀態(tài)，饋送到后繼神經(jīng)元。c卷積神經(jīng)網(wǎng)絡(CNN)：在輸入層（例如，輸入神經(jīng)圖像）和輸出層之間，CNN通常包含三種類型的層：卷積層、池化層、全連接層。d自動編碼器：由兩個組件組成：編碼器，它學習逐層將輸入數(shù)據(jù)壓縮為潛在表示；而解碼器（與編碼器相反）學習在輸出層重建數(shù)據(jù)。ML/AI應用于精神病學的飛速發(fā)展AI可應用于精神疾病診療的各個場景治療診斷預后風險評估治療診斷預后風險評估升對疾病的意臨床上有效的疾病類型確定疾病的可能進展分析與估計針對控制疾病的迭代干預癥狀的再現(xiàn)識建立睡眠、活建立睡眠、活并預測顯著的偏差。更新睡眠、活并預測顯著的變化。使用電子健康和語音數(shù)據(jù)來預測最有效的療法和藥物類型。抑郁癥（MDD）示例通過傳感器數(shù)據(jù)、在線行為建模來預測抑郁癥。國際腦計劃：超大型研究項目2013~20232013~2023，總投資10億歐元。顯著的成就包括領(lǐng)先的數(shù)字大腦圖譜、跨尺度的先進大腦模擬平臺、認知模型和個性化醫(yī)療的應用，以及神經(jīng)形態(tài)計算、神經(jīng)啟發(fā)機器人和人工智能方面的顯著進步。2013年發(fā)起，截止2022年，總投資24億美元。旨在解析860億個神經(jīng)細胞及其彼此間形成的數(shù)以萬億計的連接。已確定了小鼠、狨猴以及人類的主要運動皮質(zhì)區(qū)的100多種細胞類型。2018年啟動?？偼度?.65億美元。主要圍繞5個方面開展工作：發(fā)現(xiàn)和干預初期的神經(jīng)疾病、分析從健康狀態(tài)到患病狀態(tài)的大腦圖像、開發(fā)基于AI的腦科學技術(shù)、比較人類和靈長類動物的神經(jīng)環(huán)路、劃分腦結(jié)構(gòu)功能區(qū)并開展同源性研究。2021年9月正式啟動，國家撥款經(jīng)費預算近中國腦計劃以“腦認知功能解析”為核心，以“理解腦、修復腦、模擬腦”為目標，確定了“一體兩翼”的發(fā)展戰(zhàn)略。腦健康/精神健康高質(zhì)量數(shù)據(jù)集對實現(xiàn)精準醫(yī)療至關(guān)重要多模態(tài)數(shù)據(jù)集的興起：影像等生物學數(shù)據(jù)、可穿戴設(shè)備收集的生理數(shù)據(jù)、社交數(shù)據(jù)、行為數(shù)據(jù)。不同的神經(jīng)記錄數(shù)據(jù)技術(shù)電生理記錄光學成像：?雙光子鈣調(diào)蛋白成像功能性近紅外光譜（fNIRS）正電子發(fā)射型計算機斷層顯像化學探針各種神經(jīng)記錄技術(shù)各種神經(jīng)記錄技術(shù)，具備不同的時間與空間分辨率。Biobank50萬樣本數(shù)據(jù)集（英國）物標記、活動監(jiān)測、問卷、生物樣本。ENIGMA5萬被試者數(shù)據(jù)集（國際）OpenNeuro1210份公開數(shù)據(jù)集（美國為主）》》》》推動國際合作和數(shù)據(jù)開放》》推動科學進步》》有利于人類福祉生理指標（肌電圖生理指標（肌電圖EMG、心電圖ECG、皮膚電導率SC和呼吸變化RSP等），視頻、音頻等。MIT-BIH,Aubt,SAVEE等公開數(shù)據(jù)集。面部視頻、眼動數(shù)據(jù)、步態(tài)等行動姿態(tài)。LIRIS-ACCEDE、DEAP、HUMAI等公開數(shù)據(jù)集。通過聲音語調(diào)等信息進行抑郁與控制組的分類預測。Mundt-35，AVEC-2013,AVEC-2014等公開數(shù)據(jù)集。仍存在樣本量小仍存在樣本量?。◣资綆装賲⑴c者使用頻率不高、影響力不夠大等不足。模型和數(shù)據(jù)集的開放，有利于科研合作研究者共享數(shù)據(jù)、共享模型，通過比賽優(yōu)化模型表現(xiàn)。醫(yī)療領(lǐng)域人工智能的挑戰(zhàn)可信度評估可信度評估MI得出的輸出在不同輸入和環(huán)境下的有效性和可靠性的能力。有權(quán)了解和理解數(shù)據(jù)集/輸入的哪些方面可能會影響算法的輸出（臨床決策支持）?？尚哦瓤尚哦瓤山忉屝钥山忉屝钥捎眯酝该鞫瓤山忉屝钥山忉屝钥捎眯酝该鞫纫匀祟惖囊暯抢斫夂驮u估機器、算法或計算過程的內(nèi)部機制的能力。透明與公平性可用性可用性MI系統(tǒng)在多種醫(yī)療環(huán)境中實現(xiàn)特定目標的有效性、效率和患者滿意度的程度?！蹲匀弧PJ數(shù)字醫(yī)學》2020-47。醫(yī)療領(lǐng)域人工智能的挑戰(zhàn)：可信度性?穩(wěn)健性系統(tǒng)數(shù)據(jù)開放系統(tǒng)數(shù)據(jù)?數(shù)據(jù)集評分對數(shù)據(jù)及其適合度/質(zhì)量/相關(guān)性進行“評分”。第一步需要能夠從組成、出處、代表性和完整性方面描述數(shù)據(jù)集。附加系統(tǒng)（可以是人）必須評估MI系統(tǒng)輸出的可信度。?第三方評估??第三方評估?系統(tǒng)輸輸出工作流控?反饋鏈路MI系統(tǒng)的技術(shù)和概念方面的可重復性和穩(wěn)健性（例如，針對對抗性示例）。就像在其他行業(yè)一樣，需要監(jiān)控長期結(jié)果并建立結(jié)構(gòu)化的反饋鏈路?！蹲匀弧PJ數(shù)字醫(yī)學》2020-47醫(yī)療領(lǐng)域人工智能的挑戰(zhàn)：可解釋性系統(tǒng)操作完整性系統(tǒng)內(nèi)部結(jié)構(gòu)可解釋系統(tǒng)操作完整性對數(shù)據(jù)處理的解釋示例包括生成圖像變換、代理系統(tǒng)、遮擋可視化、顯著圖和類激活圖。解釋接口將輸出定量打分并可視化。提高輸入的可見性應用技術(shù)和最佳實踐，表明系統(tǒng)如何確定輸出。解釋生成系統(tǒng)通過網(wǎng)絡解剖、解纏表示或明確訓練網(wǎng)絡來創(chuàng)建解釋生成系統(tǒng)以生成解釋?！蹲匀弧PJ數(shù)字醫(yī)學》2020-47數(shù)據(jù)共享、開放科學與數(shù)據(jù)安全的平衡降低數(shù)