微波EDA网,见证研发工程师的成长!
首页 > 硬件设计 > 硬件工程师文库 > 人工智能对抗艾滋?并非空谈

人工智能对抗艾滋?并非空谈

时间:11-03 来源:互联网 点击:

  艾滋病已造成超过2500万人死亡。然而,过去15年来,全球在应对艾滋病方面取得了巨大成就,截至2015年6月,1580万人得到抗逆转录治疗。

  随着计算机科学和人工智能的发展,许多科学家都在探寻帮助艾滋病患者和预防艾滋病的新方法。那么,人工智能在抗击艾滋病方面有什么应用呢?今天我们就向大家介绍几个研究。

  1.人工智能帮助HIV诊断

  HIV的早期诊断是一项非常重要的工作,能极大降低发病率和死亡率。诊断HIV的方法有很多,但都是由病人向医生描述症状开始——病人来到诊所,向医生描述自己的症状。接着,医生向病人或其他关系紧密的人询问信息,了解其他症状。根据症状,医生会缩小患病几率的范围,并列出一系列有可能引发这些症状的原因。这个过程通常比较复杂和主观,严重依赖于医生的经验。为了解决这个问题,美国三角洲州立大学数学与计算机科学系的AkazueMaureen等人将神经网络与模糊推论系统相结合,组成一个神经模糊系统(neuro-fuzzysystem),生成了一个通过症状来判断病人HIV感染风险的模型。这个系统能够自我学习和自我适应,处理医学诊断中不确定和不精确的数据,克服单个医生分析症状的局限性。

  

  但是,通过症状来诊断HIV只是其中一个方面,最精确的方法是病毒载量检测。病毒载量就是检查血液中的HIV数量。但是,病毒载量检测需要特殊的设备,成本也很高,因此在一些不发达的国家或地区很难进行。于是,还有另一种方法是检测血液中CD4细胞的数量。CD4细胞是细胞免疫系统中的战斗细胞。当 HIV削弱免疫系统时,CD4细胞的数量就会下降。但是CD4细胞的数量每时每刻都可能变化,其他的病毒感染、吸烟和精神压力也会影响它的数量。于是,今年6月,有科学家在《医学成像和卫生信息学杂志》上发表论文,采用神经网络的方法,通过CD4细胞的数量来评估HIV-1病毒载量在抗逆转录病毒药物作用下的变化,效果十分可观。

  

  2.人工智能帮助制定艾滋病疗法

  艾滋病患者通常需要采用鸡尾酒疗法,也就是同时服用多种药物,主要是逆转录酶抑制剂和蛋白酶抑制剂中的2~4种组合在一起,学名叫「高效抗逆转录病毒治疗方法」。这种方法能较大限度地抑制病毒的复制,并能修复部分免疫功能。但是,每种药物的性质不同,使用的规则也不同,为了避免产生抗药性,该如何制定最有效的药物方案呢?

  根据《科学家》杂志报道,早在十几年前,美国就有一家公司开发了一个名为HIVTherapyEdge的软件,将生物信息学与人工智能相结合,能迅速为病人提供药物组合方案,还能在基因序列中搜寻抗药的突变。匹兹堡大学的JohnMellor说,在以前,这个过程通常需要花上医生半小时的时间,还必须坐在一间安静的屋子里,逐个检查病人的用药史、病毒抗药特征、用药剂量等等信息。

  随着人工智能的发展,越来越多的应用不断涌现。例如,南非夸祖鲁纳塔尔大学和美国弗罗里达大学医学院的研究者就将人工神经网络(ANN)和定量构效关系(QSAR)相结合,开发出一种能预测最大推荐用药剂量的方法。他们从 FDA数据库中获取了每种药物的分子量、水溶解性、亲油性、生物转化半衰期、氧化半衰期、生物降解概率等详细数据,并用训练集构建了一个多元线性回归和反向传播神经网络。结果,他们的模型显示出抗逆转录病毒药物的水溶性与最大剂量中度相关,或许有助于更加安全有效的HIV疗法。

  而在抗药性方面,几年前,英国艾滋病毒抗性反应数据库的科学家用1154个临床数据(基因型、基线病毒载量等)训练了一个神经网络,预测的病毒反应与实际反应高度相关(r2=0.53;P《0.00001),但是对陌生诊所的数据的预测度并不高,还需要进一步研究。

  3.人工智能帮助预防艾滋病

  在艾滋病的数据中,有一些数据令人痛心,那就是越来越多的年轻人,尤其是学生感染HIV。这是全世界都面临的一个问题,尤其是那些无家可归的年轻人。据调查,美国每年有2百万年轻人无家可归,其中11%为HIV阳性(是普通人群的10倍)。

如何分析和避免HIV在无家可归的年轻人中的传播?许多机构从无家可归者中选择了一些人进行教育和培训,帮助他们理解如何预防HIV,希望他们将这些信息传播口口相传。但是,这些机构在选择培训对象时并没有考虑社交网络的结构,导致传播效率十分低下。为了解决这个问题,美国南加州大学社工学院的 EricRice等人开发出一个名为 PSINET(POMDPbasedSocialIntervenTIonsinNetworksforEnhancedHIVTesTIng)的算法,基于POMDP(部分可观察马可夫决策过程,ParTIallyObservableMarkovDec

Copyright © 2017-2020 微波EDA网 版权所有

网站地图

Top