Centaur AI将人类专业知识与机器学习相结合，推动医疗创新

TL;DR 摘要

• Centaur AI将AI机器的力量与人类智慧相结合，以最大化两者的优势。
• 两种互补的人工智能方法是：数据驱动和知识驱动。
• Centaur AI是一种混合安排，结合了人类智慧和计算能力，以解决复杂的医疗问题。

随着AI技术的发展进步，医疗行业将受益匪浅。AI在医疗领域的应用已经显示出多种优势，包括提高诊断精度、更个性化的治疗方案以及更高的预测能力。

Centaur AI指的是AI机器力量与人类智慧的结合。这种方法被视为最大化AI和人类医疗专业人员各自优势的一种方式。通过Centaur AI，机器可以协助诊断和治疗计划等任务，而人类医疗专业人员可以提供必要的背景和解释，以做出明智的决策。

优化后端运行的AI方法

有两种不同但互补的AI方法。

第一种AI方法

第一种AI方法被描述为依赖于这样一种信念：只要有足够的数据和计算能力，就可以创建复杂的模型来执行具有挑战性的任务，即使是通常由人类执行的任务。这种方法强调，领域专业知识可能不是必需的，仅凭数据和计算能力就足以解决问题。

这种方法包括训练计算机以克劳德·莫奈的风格创作绘画，或使用数据教机器人烤饼干。自动驾驶汽车的发展也被引用为这种方法的例子，这种方法严重依赖计算能力和大量数据的可用性。

第二种AI方法

第二种AI方法涉及模仿人类使用连接和因果关系等概念进行推理。这种方法强调领域专业知识的关键重要性，并构建能够应用积累的人类知识近似值来解决问题的算法。这些算法，也称为专家系统，通常依赖于基于规则或概率的计算。

支持这种方法的“知识派”认为，专家系统对于在AI中复制人类推理和决策至关重要。这些系统需要对特定领域有深入的了解才能有效，并使用人类知识的近似值来解决问题。

第一种和第二种AI方法的比较

由于基于规则的专家系统的复杂性阻碍了可扩展性，数据驱动AI的发展已经超过了基于知识的AI。基于数据的系统，如用于自动驾驶汽车和大型科技公司进行广告投放、消息传递和推荐的系统，取得了重大进展。在生物学领域，数据驱动的AI也为解决复杂问题做出了重要贡献。

然而，在涉及人类生物学和疾病的复杂性时，领域知识在评估大数据产生的信噪比问题方面可能更为关键。为了解决人体的巨大复杂性，可能需要结合数据驱动和知识驱动的方法。

计算机游戏的需求，即推动计算创新的商业力量，可以归咎于神经网络技术的快速演变。对真实感和实时响应性的要求引发了一场提升技术的竞赛。 

Andrew Ng是最早认识并利用GPU帮助神经网络弥合人脑与计算机之间差距的人之一。通过使用GPU实现的超快矩阵表示和操作，计算机可以创建在处理数据时自动改进的算法。换句话说，GPU帮助计算机学会学习。

什么是深度学习？

深度学习使用比早期网络深得多且复杂得多的神经网络。过去，神经网络通常在输入数据和它们产生的预测之间包含单个隐藏层。然而，今天的深度神经网络可能有数十甚至数百层，每层都有非线性函数。

这些网络的深度使它们能够表示数据之间极其复杂的关系，因为每层都可以检测和输入数据的不同特征。随着层数的增加，容量也随之增加。 

Centaur AI将如何改变医疗行业？ 

Centaur AI系统是一种混合安排，结合了人类智慧和计算能力，提供两者的最佳结合。它在复杂的人类细微差别是重要因素且单纯的计算力量不足以在像游戏这样封闭、完全指定的系统中解决问题的领域特别有用。

Centaur已经建立了由来自140多个国家的医疗专家和学生组成的网络。该网络主要在iOS应用DiagnosUs上运行，这是一个游戏化平台，标注者在此发展技能并相互竞争。该软件的目的评估标注者的表现，并向最准确的标注者提供经济奖励。

值得注意的是，Centaur收集每个实例的多种观点，在更棘手的情况下获取更多意见。之后，平台仔细整合不同的观点，提供比单个专家提供的更准确的分类。该网站每周收集超过一百万条意见。

AI通过数百万个示例进行学习

与人类一样，AI通过示例学习；因此，训练算法需要数十甚至数百万个示例。然而，大型医疗数据集难以整理，几乎不可能从具有相关医疗专业知识和专门培训的来源中找到合适的标签。Centaur平台旨在迅速增长至数百万个标签，并服务于广泛的专门医疗应用。