美國高校

首先，本周 MIT（麻省理工學院）特別多科研進展，簡直是 MIT 專場：

史上首次：MIT 首次用 AI 控制動物的大腦活動

上周，《Science》雜誌發表了一篇重磅文章：MIT 的三位科學家首次用大腦視覺神經網絡模型，實現了控制動物大腦的神經元活動。這也是使用人工神經網絡來理解真實神經網絡的一個重大突破。

這三位神經科學家分別是 MIT大腦與認知科學系的負責人、麥戈文腦研究所調查員 James DiCarlo，及研究員 Pouya Bashivan 和 Kohitij Kar。他們利用目前最先進的大腦視覺神經網絡模型，對模擬大腦視覺皮層的計算模型進行了測試，並且設計了一種新方法，這種新方法能夠精確地控制單個神經元和位於網絡中間的神經元群。

（由 MIT 神經科學家創建的計算機視覺模型設計了這些圖像，這些圖像能激發個體神經元中非常高的活動。圖片版權：Pouya Bashivan）

在一項動物研究中，他們利用從計算模型中獲得的信息創建了一些圖像，這些圖像能夠強烈地激活所選定的大腦神經元。研究人員分析了這些圖像在獼猴視覺皮層產生預期效果的有效性。

結果顯示，這些操作對神經元群產生了相當大的選擇性影響。也就是說，利用這些圖像，神經網絡被證明可以再現動物神經反應的整體行為。這些模型與大腦非常相似，可以用來控制動物的大腦狀態。

感興趣的可以點擊原文查看：

https://science.sciencemag.org/content/364/6439/eaav9436

MIT機器學習新模型提高乳腺癌風險預測概率

接下來這條可以說是女性福音啊！

近日，Radiology 上一項最新研究稱，MIT 研究人員開發創建了一個深度學習模型。該模型用來自 6 萬多名 Massachusetts General Hospital 患者的乳房 X 光照片訓練，能夠根據乳房 X 光照片預測患者未來五年內是否可能會得乳腺癌。

以乳腺密度為例，新的深度學習模型與目前臨床上使用乳腺密度作為評估乳腺癌風險標準的Tyrer-Cuzick模型相比，其識別風險的準確率有所提高。Tyrer-Cuzick 模型僅將18% 未來可能患上乳腺癌的患者置於最高風險等級，該模型準確率達到了31%。

（新的深度學習模型可以在×××發病（右圖）前四年，識別出乳腺癌風險（左圖），圖片來自MIT計算機科學和人工智能實驗室（CSAIL））

同時，研究人員還努力確保風險評估模型在評估少數群體結果方面，和白人患者一樣準確（AUC 均為 0.71），而 Tyrer-Cuzick 模式則不同，白人女性和非裔美國女性的 AUC 分別為 0.62 和 0.45。

該論文作者Regina Barzilay博士表示，未來這項研究可以為乳腺X光檢查打下基礎，從而確定患者是否存在其他更大的健康風險，如心血管疾病和其他×××等。

感興趣的可以點擊原文查看：

http://news.mit.edu/2019/using-ai-predict-breast-cancer-and-personalize-care-0507

機器學習繪制更全面的抗生素作用圖，將來有望制成靶向抗生素

眾所周知，大多數的抗生素是通過幹擾關鍵功能（例如DNA復制或細菌細胞壁的構建）來治療人體疾病。然而，這僅僅是抗生素藥物作用圖譜的很小一部分。

在一項關於抗生素作用的新研究中，MIT 研究人員開發了一種新的機器學習方法，用於發現有助於某些抗生素殺死細菌的其他機制。“由於藥物的壓力，對細胞有巨大的能量需求。這些能量需求需要代謝反應，然而，某些代謝的副產物是有毒的，會殺死人體細胞，”麻省理工學院醫學工程與科學研究所（IMES）醫學工程與科學教授James Collins說。

研究人員表示，通過了解這種機制可以幫助研究人員發現可與抗生素一起使用的新藥，以提高整體的藥物作用能力。該論文第一作者 Jason Yang 說 “我們希望從根本上了解，哪些以前未被描述的代謝途徑對我們理解抗生素如何殺死可能是重要的。”

許多其他研究人員使用機器學習模型來分析生物實驗數據，並通過訓練算法以基於實驗數據生成預測。然而，這些模型通常是“黑盒子”——它們無法揭示這些預測是怎麽做的。

為了解決這個問題，MIT 團隊采用了一種新穎的方法，他們稱之為“白盒子”機器學習。他們不是直接將數據輸入機器學習算法，而是先通過一種大規模的計算機模型運行並產生由數據描述的“代謝狀態”陣列。然後，再將這些數據陣列轉換為機器學習算法，從而識別不同狀態之間的聯系以及抗生素治療的結果。

感興趣的可以點擊原文查看：

http://news.mit.edu/2019/how-antibiotics-kill-bacteria-0509

找到神經網絡的“子網絡”，讓神經網絡訓練更快更好

如今，我們生活中幾乎所有基於人工智能的產品都依賴於有自主學習並標記數據能力的“深度神經網絡”。

然而，為了更好地學習，神經網絡通常需要需要大量的數據集進行大型的訓練——這一訓練過程耗時長、需要配備昂貴的GPU，有時還需要定制設計的硬件。這些客觀因素導致深度學習無法被普及。

麻省理工學院計算機科學與人工智能實驗室（CSAIL）研究人員在一篇新論文中表明，大小只有神經網絡十分之一的子網絡，也可以通過訓練並擁有和深度神經網絡一樣的預測能力，甚至有時子網絡需要的學習時間更短。目前，團隊正在研究如何“修剪”整個網絡，以及成功地找到“子網絡”。

麻省理工學院助理教授邁克爾·卡賓說，他團隊的研究結果表明，如果我們能夠確切地確定原始神經網絡的哪個部分與最終預測相關，那麽科學家有朝一日可能會完全跳過這個昂貴的過程。這將有可能節省數小時的工作量，並讓深度學習可以為開發者們所有，而不再是大型科技公司的專利。

感興趣的可以點擊原文查看：

http://news.mit.edu/2019/smarter-training-neural-networks-0506

大公司

說完 MIT 一系列技術前沿進展，下面先來看看美國大公司們這兩周在 AI、自動駕駛、芯片等方面有什麽進展。

英偉達：使用基於AI的實時感知進行交叉路口檢測

上周，英偉達在其官方博客公布了一個基於 AI 的實時感知深度神經網絡 WaitNet，車輛能夠檢測、停下並穿過交叉路口，以精確準確度完成了這項工作。

英偉達表示，這已從內部開發項目轉變為將在未來幾周內發布的軟件，將會作為 NVIDIA DRIVE 軟件9.0版本的一部分。

WaitNet 顧名思義，就是檢測自動駕駛汽車必須停下來等待的條件。這是一個卷入 DNN 的訓練相機圖像數據，用於推斷各種等待情況：例如十字路口、建築區和收費站等，並對它們進行分類。

在英偉達的 DRIVE Hyperion套件中（這是其自動駕駛汽車傳感器和計算平臺），基於WaitNet 的感知，最遠可以檢測到距離150米的大多數交叉路口。這能夠極大增加檢測範圍使汽車在接近交叉路口時更便利地進行制動。

英偉達透露，未來基於 WaitNet 的功能還將包括能夠檢測每個圖像幀、交通信號燈和交通標誌等的多個交叉點。

感興趣的可以點擊官方博客查看：

https://blogs.nvidia.com/blog/2019/05/10/drive-labs-intersection-detection/

IBM 利用深度學習檢測青光眼

青光眼是全世界造成失明的第二大主因，因為青光眼的病程緩慢且大部分都沒有癥狀顯現，40％的人在尚未發現到任何異狀的情況下，就喪失了視力，而現有治療只能減緩病程，無法保留視力。

最近，IBM 研究院和紐約大學合作，利用深度學習技術，借由3D的原始視網膜光學斷層掃描圖片，來偵測青光眼的特征模式，進一步訓練模型來評估患者是否患有青光眼。

從生物學角度來看，視野（visual field）測試能夠畫出病患可看見的視覺空間，用來診斷多種眼睛狀態。青光眼造成的視覺神經損壞，會導致上視野和下視野的特征性視野缺損。這項研究通過AI分析視網膜光學斷層掃描圖片的方法，找出視網膜成像數據中的信息，來協助評估青光眼的狀態。

之前的測試完全依賴病患的反饋，因此存在主觀和滯後的問題。相比傳統的方法，這樣能夠更快速、系統、且非侵入地檢測到視網膜成像信息，協助專家進行診斷。

亞馬遜 MARS 大會上 MIT 教授研發芯片亮相

不久前，亞馬遜 MARS 大會在加州棕櫚泉市舉行。MARS 4個字母分別代表：Machine Learning機器學習、Home Automation家庭自動化、Robotics機器人和 Space Exploration 太空探索， 大會東道主是亞馬遜創始人兼董事長傑夫?貝佐斯。

在本屆大會上，一款名叫 Eyeriss 的人工智能芯片的亮相成為了大會的熱點之一，該款芯片由 MIT 電氣工程和計算機科學系（EECS）副教授 Vivienne Sze 與英偉達研究科學家、麻省理工學院教授 Joel Emer 合作開發。

（圖自 MIT Technology Review，右為Vivienne Sze，版權屬於 TONY LUONG）

這種芯片可使人工智能系統在移動設備上進行本地運行。《麻省理工科技評論》認為這款芯片有望成為 “人工智能未來的關鍵（key to the future of AI）”，且稱它 “不僅極度有效率、且極度靈活”。

該芯片與許多標準處理器一起進行了測試，以了解它如何處理一系列不同的深度學習算法。根據去年網上發表的一篇論文*顯示，該芯片的性能在綜合效率和靈活性上，比現有硬件高出 10 倍、甚至 1000 倍。

它是一個高效能的深度卷積神經網絡（CNN）加速器硬件，能夠讓移動設備執行自然語言處理和面部識別等任務，而無需連接至互聯網。其目的是讓機器學習變得更加便攜。也就是說，在這款芯片的幫助下，智能家具、無人機、智能機器人等物聯網設備，在本地環境就能處理復雜的深度學習任務。

該論文地址為：

https://arxiv.org/abs/1807.07928

北美其它高校

《科學》雜誌：生物打印的“肺”可以呼吸了

3D打印人造組織或器官是一項復雜課題，其中一個難題是如何在組織或器官內部生成為細胞輸送營養的血管。近日，這一難題被萊斯大學生物工程師 Jorden Miller 和華盛頓大學 Kelly Stevens 教授團隊攻克了。

5月3日，《科學》雜誌刊登了這一重磅論文《Multivascular networks and functional intravascular topologies within biocompatible hydrogels》，這是本期雜誌的封面文章。該論文描述，科學家能夠通過一種立體光刻 3D 打印技術生成人造器官中的錯綜交纏的血管網絡，生成用於運輸空氣、淋巴液等物質的管道。

（5月3日的《自然》雜誌封面）

該論文包括了一個視覺上令人驚嘆的原理驗證 —— 一個模仿肺部氣囊的水凝膠模型，其中氣道將氧氣輸送到周圍的血管。文章還報道了科學家將含有肝細胞的生物打印構建體植入小鼠的實驗。

“產生功能性組織替代物的最大障礙之一就是人們無法打印能夠為生物稠密組織提供營養的復雜脈管系統，”主要研究員 Miller 在媒體報道中提到， “而我們打印的人造器官實際上包含獨立的脈管網絡——如肺部的氣道和血管，或肝臟中的膽管和血管。我們是第一個以直接和全面的方式應對多種血運的挑戰的生物打印技術。“

更多消息可以查看官網鏈接：

http://news.rice.edu/2019/05/02/organ-bioprinting-gets-a-breath-of-fresh-air/

讓腫瘤細胞相互交流，或將成為對抗×××的關鍵

南加州大學教授 Paul Newton 與博士 Jeffrey West 近日合作發表一篇論文—— 《細胞相互作用限制腫瘤生長》，為抗癌研究領域帶來了新思考。

該論文發表於美國國家科學院院刊，他們發現，隨著腫瘤細胞開始互相“交流”，整個腫瘤的生長會減慢。這是因為當細胞相互作用時，它們會同步占據體內相似的壁龕，然後耦合的細胞會競爭相同的資源，因此與其他在利用不同資源的細胞群相比，它們生長將變慢。

Newton表示，“我們希望通過靶向細胞之間的相互作用為控制腫瘤生長的新方法奠定基礎。”

Newton和West的論文是基於數學模型和計算機模擬的理論論文，尚未嘗試進行臨床試驗來測試他們的想法。不過，他們將他們的理論與現有數據進行比較，並希望他們的模型可以幫助腫瘤學家理解細胞間相互作用和整體腫瘤生長之間的聯系。這項研究，或許將有助於開發針對性的靶向療法，從而取代傳統的放射療法或化療法。

感興趣的可以點擊原文查看：

https://viterbischool.usc.edu/news/2019/04/is-communication-the-key-to-fighting-cancer/

UCLA ：用深度學習能檢測花粉密度……

春天到了，又到了易敏感、易過敏人群的災難季節……想想飄揚的柳絮，還有各種叫不出名字的花粉……然而，常見的各類過敏源檢測多半是根據一個城市整體情況進行檢測的。

加州大學洛杉磯分校（UCLA）的研究人員最近就給這類易敏人群帶來了福音！該校研究人員開發了一種便攜式人工智能設備，根據該團隊最近論文透露，可以確定花粉和黴菌孢子中五種常見過敏原的水平，準確率為94％。這比傳統的機器學習方法提高了25％。

UCLA 研究人員還表示，他們發明的這款便攜式工具不僅可以節省資金，還能使他們從多個位置用分布式傳感器收集數據，從而創建具有更精細分辨率的實時空氣質量圖，該地圖未來將會考慮在線向公眾提供。而且，由於該設備重量約為1磅，甚至可以被個體過敏或哮喘患者使用，允許他們隨時監測周圍的空氣質量並通過智能手機訪問數據。

不得不說，這是一個有用的工具，如果真的是某個街角或公園屬於敏感源密度高的地方，易敏感人群就最好不要靠近了。

感興趣的可以點擊新聞源查看：

https://blogs.nvidia.com/blog/2019/05/01/deep-learning-allergens-ucla/

更多精彩，敬請關註矽谷洞察官方網站（http://www.svinsight.com）

MIT史上首次用AI控制動物大腦活動！|技術前沿洞察