麻省理工學院的計算機科學家希望通過自動化通常由手工完成的關鍵步驟來加速人工智能的使用，從而改善醫療決策，并且隨著某些數據集變得越來越大，這一點變得越來越費力。

預測分析領域在幫助臨床醫生診斷和治療患者方面具有越來越大的前景。可以訓練機器學習模型以找到患者數據中的模式，以幫助進行敗血癥護理，設計更安全的化療方案以及預測患者患ICU或死于乳腺癌的風險，僅舉幾個例子。

通常，訓練數據集由許多患病和健康的受試者組成，但每個受試者的數據相對較少。然后，專家們必須在數據集中找到對于做出預測非常重要的那些方面或“特征”。

這種“功能工程”可能是一個費力且昂貴的過程。但是隨著可穿戴式傳感器的興起，挑戰變得更加嚴峻，因為研究人員可以更輕松地長期監控患者的生物特征，例如跟蹤睡眠方式，步態和聲音活動。在僅進行了一周的監視之后，專家們可以針對每個主題獲得數十億個數據樣本。

在本周的醫療保健機器學習會議上發表的一篇論文中，麻省理工學院的研究人員演示了一種可自動學習預測聲帶疾病特征的模型。這些功能來自大約100個主題的數據集，每個主題具有大約一周的語音監視數據和數十億個樣本-換句話說，主題數量很少，每個主題的數據量很大。數據集包含從安裝在對象脖子上的小加速度傳感器獲取的信號。

在實驗中，該模型使用從這些數據中自動提取的特征對具有和沒有聲帶結節的患者進行高精度分類。這些是在喉部形成的病變，通常是由于聲音濫用的方式（例如敲出歌曲或大喊大叫）所致。重要的是，該模型無需大量的手工標記數據即可完成此任務。

“收集長時間序列數據集變得越來越容易。但是，有些醫生需要運用他們的知識來標記數據集。”第一作者，麻省理工學院計算機科學與人工智能實驗室（CSAIL）的博士生Jose Javier Gonzalez Ortiz說。“我們希望為專家刪除該手冊部分，并將所有功能工程轉移到機器學習模型中。”

該模型可適于學習任何疾病或狀況的模式。研究人員說，但是檢測與聲帶結節相關的日常語音使用模式的能力是開發預防，診斷和治療該疾病的改進方法的重要步驟。這可能包括設計新的方法來識別和提醒人們潛在的破壞性聲音行為。

與岡薩雷斯·奧爾蒂斯（Gonzalez Ortiz）一起發表論文的是約翰·古塔格（John Guttag），他是Dugald C. Jackson計算機科學與電氣工程學教授，也是CSAIL數據驅動推理小組的負責人。馬薩諸塞州總醫院喉外科和語音康復中心的Robert Hillman，Jarrad Van Stan和Daryush Mehta;多倫多大學計算機科學與醫學助理教授Marzyeh Ghassemi。