感謝老爺子又幫我們帶來新知識，不過我稍微更正一下：
1. 心臟手術沒有危機四伏，至少在我這裡動刀，成功率幾乎 100%。
2. 你講的那個像是「TAVI 經皮主動脈瓣膜置放術」，嚴格來說不算「開心手術」。
3. 至於主動脈瓣膜狹窄要怎麼治療的議題，我近期會彙整一下寫一篇分析。
#科技發展總體來說是好的
#但不代表每個面向都是有幫助的
#當然我能體諒科技公司採取比較炫的說法可以募到比較多的融資
復活死亡大腦、在心臟“自動駕駛”……醫療科技正在重新定義死亡
有史以來，人們對於“死亡”的理解和定義在不斷更新。
最早判斷一個人是否死去是大喊患者的名字三聲，或者把鏡子貼到他們鼻子下面，看鏡面是否會生成霧氣。到了19世紀，法國科學院甚至推出了一項“明斷生死，防止活埋最佳方法獎”，集思廣益，來幫助醫療機構確定死亡標準。
今天跟大家分享近期醫療科技取得的一系列進展：機器人引導心臟瓣膜手術、腦波合成語音、AI工具能預測病人死亡時間、豬大腦在“死亡”4小時後復活……
隨著醫療科技的發展，更多不治之症被攻克將是大勢所趨。這些突破一次次刷新人們的認知，讓人疑惑並且期待著——在未來，醫療科技會不會再次推進人類對生命的認識，重新定義死亡？（耐心看，文末有彩蛋哦）
▍機器人引導手術，在跳動的心臟裡“自動駕駛”
心臟是人體循環系統的核心，是脊椎動物最重要的器官之一，為心臟做手術危機四伏。目前，治療心臟瓣膜疾病需要進行導管插入術，要求醫生手動把導管送到心臟瓣膜的漏點。人類醫生在手術中會受到心跳的強烈干擾，稍不小心就會出現差錯。
近期，哈佛醫學院的研究人員用機器人自動完成導管的引導至心臟瓣膜的漏點，完全不用人類醫師的導航。
心臟這樣複雜的環境裡，機器人是如何找路的呢？
科學家說，是蟑螂和老鼠給了他們靈感。當然，也少不了機器學習演算法的助力。一方面，機器人具有視覺處理能力。研究人員設計了一種基於機器學習的圖像分類器，可以區分血液、心室壁組織和生物假體主動脈瓣膜，準確率高達97%；另一方面機器人具有蟑螂觸角一樣的觸覺。研究人員在前端加入了“光須”（optical whisker），機器人可以像蟑螂用觸角、老鼠用鬍鬚探測物體一樣，通過力的大小來計算導管前端與心臟內壁的距離。結合視覺、觸覺兩種感知能力，它可以在心臟內自動遊走，尋找心臟瓣膜洩漏的位置。所以科學家們把它叫做“觸覺視覺自主機器人”。
機器人導管在跳動著的豬心臟裡進行了測試，在完成時間和效果上表現可媲美人類醫生。但研究人員表示，這項技術進入手術室還需要幾年的時間。一旦觸覺視覺自主機器人導管技術成熟、投入使用，可能給心臟外科手術帶來不小的變革。將為醫生省去手動導航的步驟，專注在更加關鍵的手術步驟上，避免疲憊造成的動作變形，保證手術品質。就像飛機的自動駕駛，解放了飛行員那樣。
另外，雖然現在這項研究是用於心臟，但“在人體裡自動駕駛”的做法，還可以有許多其他用處。研究團隊指出，腦血管、氣道、胃腸道、腦室系統等不同部位的病症，都可以用這種方法來做微創手術。
▍腦波合成語音，語言障礙者的福音
只要靜靜坐著，世界就能聽到你的聲音，這樣的畫面你可曾想像過？
是的，不必動手，也不必開口，只要你的腦波流轉，AI就能以每分鐘150個詞的速度幫你說出心聲。
2019年4月24日，Edward Chang團隊在Nature雜誌發表了腦電波合成語音的研究成果。據悉，研究人員設計了一種神經解碼器，採用迴圈神經網路的方式將記錄的皮質神經信號，然後編碼咬合關節運動的表徵，以合成可聽語音。也就是說，不需要任何一塊肌肉參與，機器就能直接讀懂大腦，解碼腦中所想，實現流暢交流。
Edward Chang團隊也放出了一段清晰可理解的語音例子：前半部分是參與實驗的閱讀者讀出的句子，後半部分是通過記錄患者大腦活動，自動產生的句子的。
用外部設備生成輔助語音輸出早已有之。我們之前所熟知的，例如霍金使用的語音合成器，是通過人類眼睛和面部動作來拼寫單詞，在理想情況下，可以説明癱瘓者每分鐘輸出多達8 個單詞。但這個新的裝置每分鐘能生成150 個單詞，接近人類的自然語速。
語音障礙者廣泛存在。由於各類事故、中風或神經退行性疾病（如肌萎縮側索硬化症或肌萎縮側索硬化症）中受傷而導致言語能力喪失，成千上萬的人無法進行正常的交流。這些病患可以使用基於該技術的產品通過大腦皮層活動更有效地向任何人發送文字資訊，必須說明的是，這項技術使用的腦電電極陣列需要通過開顱手術來放置到大腦中，對於飽受疾病、意外之害而失去語言能力的患者來說是福音天降，但更大範圍的臨床應用還有很長的路要走。
▍AI工具預測病人死亡時間
2018年1月，斯坦福大學與互聯網巨擘Google，合力研發出一套革命性的人工智慧系統。該系統透過醫療記錄、年齡、種族、體溫、呼吸率和心跳等資料，設計全新演算法預測病人的死亡時間。
很多病人臨終前希望在家裡度過，但大部分會在醫院中死亡，如果能提前知道病人的死亡時間，醫院和患者家屬就能及時做一些準備，給病人更好的關懷。
斯坦福大學的研究團隊用醫院的健康記錄訓練了一個深度神經網路，資料包含200 萬名患者，這些實際資料可以説明建立一個「死亡預測」模型，結合醫生的評估，就可以在病人臨終前做出更合理的規劃。
斯坦福大學團隊希望系統收集更多資料後，可正式投入使用。當資料規模足夠大時，就可以建立一套全死因死亡率（all-cause mortality）預測系統，而非只局限於某種疾病或某些年齡段。
▍死亡似乎不再神秘，成了可以被計算、被預估的事情。
毫無疑問，人工智慧將在個性化醫療的發展中扮演關鍵角色，這項技術在一定程度上可以幫助醫生進行更精准的判斷。但我們也希望在這個過程中，能夠保證的是病人從AI 技術中受益，而不是面對更多面對死亡臨近感的壓力。
死亡豬大腦復活，“腦死亡”能否宣告生命終結？
4月19日，Nature封面重磅發佈耶魯大學最新研究：豬大腦在死亡4小時後成功“復活”，恢復了腦迴圈和部分細胞功能，並維持了至少6小時。
該系統名為BrainEx，是一套類似透析機一樣的體外人工迴圈程式，研究者將大腦從頭骨上移開放入一個特殊的腔室，然後用導管將實驗溶液泵入大腦。研究人員測試了豬大腦在六小時內的功能。結果發現，神經元和其他腦細胞重新開啟了正常的代謝功能，不斷消耗糖並產生二氧化碳。而且，大腦的免疫系統似乎也在發揮作用。
1950年，腦電圖（EEG）誕生，顛覆了人們對死亡的認知，“腦死亡”被學界認定為判斷死亡的新標準。從那時起，腦死亡即宣告著生命活動的終結。這個觀點在醫學界和法律界也盛行已久。但復活死亡大腦的實驗卻對“腦死亡”的不可逆轉性提出質疑。
目前而言，這項技術雖不能讓人長生不老，但在醫學領域是一項重大突破。該技術並非旨在實現腦移植或大腦功能的長期維持，而是用於提高我們對大腦組成和功能的理解，並為昏迷患者、癌症患者和患有癡呆症的人以及其他神經系統疾病開發潛在的療法。同時這項技術未來有潛力對人類心臟病或中風等疾病導致的腦死亡發揮作用。在世界大多數國家中，當大腦活動停止或心肺停止工作時，可以認為人已經“合法死亡”。
但現在，技術正在攻克越來越多的不治之症。也許到了未來的某一天，心臟停跳與腦死亡也不再是生死的界限。到那時，人類必須重新思考，到底什麼才是不可逆轉的“真正”死亡。
▍One more thing
one more thing，給大家介紹一下創新工場人工智慧工程院醫療AI實驗室和醫療投資團隊，及聯繫方式。
醫療AI實驗室關注“AI + 醫療”領域中多門類大健康資料的積累與標注，並在此基礎上利用AI技術幫助醫生提升診療效率和效果，幫助患者提升健康認知水準，幫助醫療機構提升就診過程中的醫患整體滿意度。
醫療AI實驗室涵蓋醫美整形、醫學影像輔助診斷、病理切片病灶識別、人體骨骼關鍵點檢測、人體行為估計、腫瘤基因圖譜基因拷貝數變異分析等多個領域，涉及電腦視覺、3D建模、AR & VR、自然語言處理等核心技術。
尋求跟醫療AI實驗室合作可聯繫：zhangxiaolu@chuangxin.com
醫療創業公司融資BP投遞通道：healthcare@chuangxin.com
基因演算法編碼 在 Re: [問題] 基因演算法收斂- 看板Programming - 批踢踢實業坊 的推薦與評價
※ 引述《KJFC (KJFC)》之銘言：
: 基因演算法收斂的時候
: 如果收斂在局部最佳解
: 那要怎麼跳脫比較好
: 我有試過調高突變率
: 但是效果不太好
: 在收斂前上下震盪
: 但是又不知道如何判斷是否接近收斂
: 如果在收斂後才震盪
: 有時又會收斂回局部解
: 請問這個問題應該怎麼解決?
首先你要知道，這不是一個可以100%解決的問題，我們做的事頂多是「嘗試」提
升它掉到最佳解的機會，可是這只是機率上的，運氣不好或解的分佈很奇特的話，會
掉到局部解就是會掉下去，沒法完全避免。
回到你的問題，其實你的描述不太精確，你的說法意思是你過程中「曾經」碰到
那個最佳解，但是後來又跳走？既然如此你的評估函式看到它的話應該會把它留下來
才對呀？或者說是因為你的評估函式為了加速或某些特定原因所以並非100%準確，因
此最佳解不一定得到最高分，所以有可能放走？如果是這樣，除了修正評估函式以外
，頂多就是留下更多組讓最佳解留下來的機會更大吧。
如果你的問題其實不是這樣，而是跳來跳去都不會跳到最佳解，一直在局部解跳
，那就是調高突變讓它有機會跳出來跳到最佳解去，然後你可以嘗試使用如模擬退火
（Simulated annealing）的方式慢慢把突變機率降下來，讓它慢慢地不亂跳。但這
只是增加一些可能性而已，如你的描述，可能問題一開始就很容易落入局部解，不管
大跳多少次孔明都挖好洞，你只能像曹操一樣每笑一次就逃一次，這樣的情況也沒什
麼辦法。
以下引用中文wiki，你提到的也正在基因演算法的最大問題之中，而我講的可能
解法在最後一行：
儘管遺傳演算法有許多優點，也有許多專家學者對遺傳演算法進行不斷研究，但目前存
在的問題依然很多，如：
(1)適應度值標定方式多種多樣，沒有一個簡潔、通用的方法，不利於對遺傳演算法的
使用。
(2)遺傳演算法的早熟現象(即很快收斂到局部最優解而不是全局最優解)是迄今為止最
難處理的關鍵問題，但可考慮自適應跟蹤成熟度[1]。
(3)快要接近最優解時在最優解附近左右擺動，收斂較慢。
遺傳演算法通常需要解決以下問題，如確定編碼方案，適應度函數標定，選擇遺傳操作
方式及相關控制參數，停止準則確定等。相應地，為改進簡單遺傳演算法的實際計算性
能，很多學者的改進工作也是分別從參數編碼、初始群體設定、適應度函數標定、遺傳
操作算子、控制參數的選擇以及遺傳演算法的結構等方面提出的。其基本途徑概括起來
主要有下面幾個方面：
(1)改進遺傳演算法的組成成分或使用技術，如選用優化控制參數、適合問題特性的編
碼技術等。
(2)採用混合遺傳演算法(Hybrid Genetic Alogrithm)，比如混用簡單明了的粒子群演
算法[2]。
(3)採用動態自適應技術，在進化過程中調整演算法控制參數和編碼精度，比如使用模
糊自適應法[1]。
(4)採用非標準的遺傳操作算子。
(5)採用並行演算法。
幾種常見的改進遺傳演算法：
(1)分層遺傳演算法(Hierachic Genetic Alogrithm);
(2)CHC演算法;
(3)Messy遺傳演算法;
(4)自適應遺傳演算法(Adaptive Genetic Alogrithm);
(5)基於小生境技術的遺傳演算法(Niched Genetic Alorithm);
(6)並行遺傳演算法(Parallel Genetic Algorithm);
(7)混合遺傳演算法:
①遺傳演算法與最速下降法相結合的混合遺傳演算法；
②遺傳演算法與模擬退火法相結合的混合遺傳演算法。
--
「如果你沒法給我個解釋的話，死一萬次也不能彌補你的過錯！」
「我沒辦法死一萬次賠妳啊。」
「可是你有辦法半死兩萬次，知道嗎，嗯？」
－－蓮．席斯塔
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.36.175.125
※ 文章網址: https://www.ptt.cc/bbs/Programming/M.1414862996.A.35A.html
... <看更多>