医疗机器人的伦理风险与治理探析——基于“医−患−机”分析框架

基于“医−患−机”分析框架,医疗机器人的不断发展面临主体资质复杂、责任认定困难等责任伦理风险,医患关系重构、医患信任危机等医患伦理风险,数据质量与数据隐私等数据伦理风险,算法安全与算法偏见等算法伦理风险以及医疗资源分配正义风险。医疗机器人的伦理治理要以医学伦理和机器人伦理准则为依据,建立多元伦理治理体制,推动学术共同体的构建,探索自愿型、调节型与管制型等伦理治理工具的组合运用,加快医疗机器人伦理治理的法治化发展。

     

人工智能辅助的自闭症早期患者的筛查与诊断

自闭症谱系障碍(AutisticSpectrumDisorders,ASD)的症状早在婴幼儿期就会显现,越早发现,越早干预,治疗效果越好。传统自闭症早期筛查与诊断在评估方法、流程上存在局限,无法满足大规模筛查和诊断需求。随着人工智能技术的快速发展,使用智能化方法进行自闭症早期大规模无感筛查与诊断逐渐成为可能。近10年间,国内外对自闭症智能化识别方法的探索在经典任务行为、面部表情和情绪、眼动、脑影像、运动控制和运动模式、多模态6个领域积累了丰富的研究成果。未来研究应围绕构建国内自闭症早期智能医学筛查与诊断体系,开发针对婴幼儿患者的筛查工具,构建融合多模态数据的自闭症婴幼儿智能化识别模型,建立结合脑影像技术的自闭症精细化诊断方法等方面来开展。     

基于开放医疗大数据的人工智能研究

医疗人工智能（artificial intelligence, AI）的发展离不开大数据的汇聚与标注,同时也引发了医疗大数据及其标注标准如何统一的问题。从AI发展对医疗大数据需求出发,指出建立医疗大数据统一标准的重要性与必要性,分析当前医疗AI技术的开发过程缺乏数据统一标准和临床共识,提出“以开放换取共识”的医疗大数据平台方案——素问系统,实现“算法工程师开发技术—临床医生编辑知识—伦理专家监控伦理”的一体化AI生产流程。最后,以素问系统中第一个开源项目——医学知识图谱,作为大数据抽取标准知识的案例,解析了如何以开放换取共识,让AI技术专家与临床专家共同打造可落地的医疗AI技术。

     

国内调节效应的方法学研究

在心理学和其他社科研究领域, 大量实证文章建立调节效应模型, 以分析自变量对因变量的影响是如何随着调节变量的变化而改变。过去10多年, 调节效应分析成了方法学研究的一个热点。从显变量的调节效应、潜变量的调节效应、多层数据的调节效应、基于两层回归模型的单层调节分析、纵向数据的调节效应、调节和中介的整合模型六个主题系统地总结了国内调节效应分析的方法学研究的发展历程。最后对调节效应的未来研究方向做了讨论和拓展。     

认知诊断缺失数据处理方法的比较：零替换、多重插补与极大似然估计法

数据缺失在测验中经常发生, 认知诊断评估也不例外, 数据缺失会导致诊断结果的偏差。首先, 通过模拟研究在多种实验条件下比较了常用的缺失数据处理方法。结果表明：(1)缺失数据导致估计精确性下降, 随着人数与题目数量减少、缺失率增大、题目质量降低, 所有方法的PCCR均下降, Bias绝对值和RMSE均上升。(2)估计题目参数时, EM法表现最好, 其次是MI, FIML和ZR法表现不稳定。(3)估计被试知识状态时, EM和FIML表现最好, MI和ZR表现不稳定。其次, 在PISA2015实证数据中进一步探索了不同方法的表现。综合模拟和实证研究结果, 推荐选用EM或FIML法进行缺失数据处理。     

人工智能辅助下的心理健康新型测评

近年来,人工智能技术的飞速发展及应用催生了\"智能化心理健康测评\"这一领域。智能化心理健康测评能够弥补传统方法的不足,降低漏诊率并提高诊断效率,这对于心理健康问题的普查及预警具有重大意义。目前,智能化心理健康测评处于初步发展阶段,研究者基于在线行为数据、便携式设备数据等开展主要以数据驱动为导向的探索研究,旨在实现更高的预测准确率,但是测评结果的可解释性等指标尚不够理想。未来的智能化心理健康测评需要强调心理学领域知识和经验的深度介入,提高测评的针对性和精细化程度,加强信效度检验,这对于智能化心理健康测评工具的进一步发展和应用至关重要。