云安全联盟：AI驱动的脑科学研究数据共享开放科学与数据安全的平衡（28页）.pdf

《云安全联盟：AI驱动的脑科学研究数据共享开放科学与数据安全的平衡（28页）.pdf》由会员分享，可在线阅读，更多相关《云安全联盟：AI驱动的脑科学研究数据共享开放科学与数据安全的平衡（28页）.pdf（28页珍藏版）》请在三个皮匠报告上搜索。

1、AIAI驱动的脑科学研究：数据共享、驱动的脑科学研究：数据共享、开放科学与数据安全的平衡开放科学与数据安全的平衡演讲人演讲人：王安宇王安宇 单位名称：天桥脑科学研究院单位名称：天桥脑科学研究院(TCCI)(TCCI)0101AIAI驱动的脑科学研究驱动的脑科学研究0202脑科学数据集建设脑科学数据集建设0303AI+AI+脑科学的挑战与展望脑科学的挑战与展望0404关于关于TCCITCCI01 01 AIAI驱动的脑科学研究驱动的脑科学研究脑科学研究任重道远脑科学研究任重道远精神健康：精神疾病是一种改变一个人的思想、情绪或行为（或兼而有之）的健康状况。抑郁症、精神分裂症、注意力缺陷多动障碍(A

2、DHD)和自闭症谱系障碍(ASD)等多发。全世界约有 4.5 亿人有精神健康问题。诊疗难度：缺乏针对精神疾病的生物标记。无法依赖于医疗实验室测试和指标判断。精神疾病通常根据个人对特定问卷的自我报告进行诊断，这些问卷旨在检测特定的情绪模式或社交互动。社会影响：根据耶鲁大学经济学家阿列赫茨温斯基的一项新研究，精神疾病每年给美国经济造成 2820 亿美元的损失。美国卫生部(NIH)指出，2019 年，美国患有 MDD（重度抑郁症）的成年人数量估计为 1980 万，造成的增量社会经济负担估计为 3337 亿美元。生理因素心理因素社会因素WHO 报告(2001)精神和行为异常数数+智，在健康医疗中的应用

3、愈加广泛智，在健康医疗中的应用愈加广泛精准诊疗疾病研究数字医疗数字健康ML 类型概念代表性方法应用场景监督学习从标记数据中学习预测类别/临床指标SVM、随机森林、稀疏学习、集成学习疾病诊断、预后、治疗结果预测无监督学习从未标记的数据中学习以揭示结构并识别子组层次聚类、K 均值、PCA、CCA疾病亚型、规范建模、识别行为和神经生物学维度半监督学习从标记和未标记的数据中学习以执行监督或无监督的任务多视角学习、拉普拉斯正则化、半监督聚类多模态分析、联合疾病分型与诊断、不完整数据预测深度学习学习层次结构和特征的非线性映射以获得更高级别的表示，可以是监督的，也可以是无监督的CNN、深度自动编码器、GCN

4、、RNN、LSTM、GAN一大类通用的学习问题强化学习解决时间信用分配问题、最优控制、反复试验学习时间差分学习、Q 学习、演员-评论家模型、动态规划在线控制、决策和选择行为建模医疗领域人工智能的应用场景不同类型的“神经网络”a 深度前馈神经网络(DFNN)：DL 模型的基本设计。DFNN通常包含多个隐藏层。b 循环神经网络(RNN)：处理序列数据。对历史信息进行编码，每个循环神经元接收前一个神经元的输入元素和状态向量，并产生一个隐藏状态，馈送到后继神经元。c 卷积神经网络(CNN)：在输入层（例如，输入神经图像）和输出层之间，CNN通常包含三种类型的层：卷积层、池化层、全连接层。d 自动编码器

5、：由两个组件组成：编码器，它学习逐层将输入数据压缩为潜在表示；而解码器（与编码器相反）学习在输出层重建数据。ML/AI ML/AI 应用于精神病学的飞速发展应用于精神病学的飞速发展过去二十年，人们对将 ML/AI 应用于精神病学的兴趣稳步增长，这反映在 PubMed 出版物的数量上（图1 A）。（B）美国市场心理健康科技资金增长（2017-2021 年；数据来源：https:/）。AI 可应用于精神疾病诊疗的各个场景风险评估诊断预后治疗复发监测症状，提升对疾病的意识临床上有效的疾病类型确定建立睡眠、活动的基线模型，并预测显著的偏差。疾病的可能进展分析与估计针对控制疾病的迭代干预症状的再现基于D

6、SM-5，通过传感器数据、在线行为建模来预测抑郁症。使用电子健康记录（EHR）和语音数据来建模疾病轨迹。预测最有效的疗法和药物类型。更新睡眠、活动的基线模型，并预测显著的变化。抑郁症（MDD）示例 02 02 脑科学数据集建设脑科学数据集建设国际脑计划：超大型研究项目国际脑计划：超大型研究项目欧盟：20132023，总投资10亿欧元。显著的成就包括领先的数字大脑图谱、跨尺度的先进大脑模拟平台、认知模型和个性化医疗的应用，以及神经形态计算、神经启发机器人和人工智能方面的显著进步。美国：2013年发起，截止2022年，总投资24亿美元。旨在解析860亿个神经细胞及其彼此间形成的数以万亿计的连接。已