{{item.title}}
目前無活動
醫學研究取得重大突破!MIT 的博士生 Intae Moon 和 Dana-Farber 癌症研究所的科學家們通過機器學習開發了一個新模型,這個模型可以偵測出腫瘤癌細胞的來源,尤其是癌細胞已擴散至全身的情況下,依然可以計算出癌細胞基因的發源地。經過大量的數據訓練測試,他們的計算模型可以透過分析基因序列,精確預測腫瘤的起源位置。這一突破有望幫助醫生為這些腫瘤患者選擇更精準的治療,增加了患者得到標靶治療的可能,藉此得到更好的療效和更低的副作用。該研究的潛在應用在於改善癌症患者的治療選擇、幫助醫生做出更好的治療決策,並且實現個人化醫療。這項研究得到了多個慈善基金會的支持,包括 Louis B. Mayer 基金會、Doris Duke 慈善基金會、Phi Beta Psi 姊妹會和 Emerson Collective。研究團隊預計使用更多的醫療數據,例如病理圖像、放射圖像等,讓這個人工智慧模型可以針對腫瘤提供更全方位的醫療建議。 撰寫:葉秀展 (2023 經理人 – 國立陽明交通大學 管理科學系 ) 指導:楊思維 (醫療器材法規專員)
乳癌是女性中最常見的癌症之一,而早期檢查可以顯著提高治療成功的機會。MIT研究團隊開發一種可穿戴的超音波檢查裝置,並可在未來實現對乳房組織的大範圍、即時、方便使用及持續性監測,該裝置已有足夠的對比敏感度、理想的軸向/橫向分辨率與更大的視野。未來研究將集中在引入可定制尺寸的貼片、多感測器陣列的嵌入、更多的臨床實驗、便攜式系統等方面的發展,以實現連續監測,並為醫療從業人員提供快速且客觀的評估,以助於早期乳癌篩查。這項研究由NSF CAREER、3M Non-Tenured Faculty Award、Sagol Weizmann-MIT Bridge Program、MIT Media Lab聯合基金及NIH支持。 撰寫:蔡旻軒 (2022 經理人 – 國立中興大學 機械工程學系) 指導:黃柏勳 (2014 Epoch School 校友)
隨著生成式 AI 的出現,機器學習再次成為大眾討論的熱門話題,不少企業也開始發展相關領域。然而機器學習模型需要大量的資料以練習並優化其算法,因此資料的安全及隱私的維護也受到大眾重視。 MIT 電氣工程及電腦科學的 Srini Devadas 教授以及學生 Hanshen Xiao,共同開發出新型的隱私指標 Probably Approximately Correct (PAC) Privacy,此指標捨棄過往隱私去識別化的定義,重新定義隱私標準為「對於隨機抽樣或生成的敏感數據的任何部分,資料獲取人可以推斷出多少信息」。此外,他們也設計全新的計算假設,及計算出最少噪音之演算法。資料加入噪音雖然可以保護資料安全,但同時也會降低模型的精確度,因此最少的噪音量可以最大化保有模型準確度。 此研究預定於今年 8 月的 International Cryptography Conference 發表,並獲得 DSTA Singapore, Cisco Systems 以及 Capital One 的支持與贊助。 撰寫:簡韵蓁 (2023 經理人 –國立台北大學 會計學系) 指導:陳婕云 (2021 Epoch School 校友)