UC Berkeley研究可解释的AI，分析退伍军人自杀风险

据悉，加州大学伯克利分校的研究人员，已在利用深度学习分析电子健康记录数据，以辅助VA（美国退伍军人事务部，以下简称VA）应对退伍军人的心理问题。

研究人员在一个包含波士顿某医院重症监护室约4万名患者医疗记录信息的数据集中，进行数据训练建模，生成定制的动态自杀风险指数，其目的是识别有自杀风险的患者，从而将这套模型提供给VA。

据VA报告数据显示，自从美国发动伊拉克和阿富汗战争以来，平均每年有8000名士兵自杀。

而VA推出的“百万退伍军人自杀预防示范项目”，旨在解决这一问题。

该项目的早期工作主要集中从多样化和复杂的数据池中寻找规律和模式，以此建立神经网络，然后从数据集中的出院笔记和医生笔记里，计算和分类出自杀风险高的患者。

VA还在联合美国能源部，努力将超级计算、软件开发和网络应用于这个项目当中。与此同时，VA也在收集70万退伍军人的医疗记录和基因组数据集，以及全美2200万退伍军人的EHR数据。

该防范项目将VA的EHR系统与美国能源部的高性能计算、人工智能和数据分析资源相结合，初期的重要任务是自杀预防以及前列腺癌和心血管疾病分析等。

UC Berkeley实验室发言人西尔维·娅克里维利在一份声明中谈到，“美国退伍军人事务部一直在收集约70万名退伍军人的医疗记录和基因组数据，他们需要美国能源部的帮助，来分析这些信息，得出可解释的规律和原因，以改善这些人的医疗保健。”

克里维利团队认为，将医生的临床经验整合到算法模型和技术平台中，将会有效提高深度学习模型的灵敏度/特异度和鲁棒性，而医生团队充分的信任，也会进一步推动工科团队开发出可解释的人工智能模型。