数学在生物医学领域帮助人工智能

人们常说:“数据是新的石油。”的确，在数字时代，数据是驱动数字媒体、高级信息学(人工智能、机器学习等)以及科学研究引擎的燃料。然而，当面对某些高度复杂的问题时，数据驱动的方法可能并不总是最有效的解决方案。在USI计算研究所(信息学学院)，Illia Horenko教授设计了一种强大的统一模型学习策略，该策略基于对传统数学和统计问题的全新和非常有效的解决方案，为医疗保健等领域的重大发展开辟了道路。他的作品发表在PNAS．

在处理人体器官和疾病时，已知和未知的变量和患者特征的数量很容易超过可供分析的可用数据。此外，特别是在生物医学应用在美国，可用数据经常受到异常、异常值、错误测量和错误标记的污染。Horenko教授提出的计算策略背后的思想被称为Entropic Outlier Sparsification (EOS)，是通过利用新型数学驱动学习和预测的潜力，在存在数据异常和异常值时，提高从数据中学习和预测的准确性数学方法．采用这种策略潜力巨大的领域是生物医学和医疗保健。例如，这种方法的巨大潜力在于改善心血管疾病(cvd)的诊断:根据世界卫生组织的数据，心血管疾病约占全球死亡人数的三分之一，每年约有1800万人死亡(仅在瑞士每年就有21000多人死亡)。

例如，当预测患者的死亡率时，EOS可以帮助实现统计上显著的准确性提高心脏衰竭与目前为此目的采用的常见学习方法相比，”Horenko教授说。“这一改进可能意味着对瑞士和世界范围内相当一部分人来说，更及时、更正确的诊断和更充分的临床治疗。”