Die KI, die das Spiel gut spielt, behandelt bereits Patienten und rettet Leben.

Wie kann eine Spiel-KI die Arbeit eines Arztes übernehmen?

Und diese Fähigkeit wird durch die Erfahrung beim Spielen erlernt.

Machen Sie hier einen pathologischen Scan des gesamten Films und Sie können die Läsion finden, ohne alle Hochleistungssichtfelder durchlaufen zu müssen.

Dieser Vorgang ähnelt seiner Meinung nach dem Einloggen in „Minecraft“.

Es sind alle drei Schritte:

• Beobachten Sie zuerst die große Umgebung.
• Sperren Sie den kleinen Bereich.
• Bestimmen Sie schließlich das Ziel.

Und diese Methode ist sehr effizient, 400 % der herkömmlichen Methode.

Es ist würdig, die Spiel-KI zu sein, die den NeurIPS MineRL-Wettbewerb gewonnen hat ...

Also, wie hat es das geschafft?

Wie kann Spiel-KI der Welt helfen?

Bevor wir diese Spiel-KI vorstellen, wollen wir zunächst verstehen, welche Schwierigkeiten bei der Verarbeitung pathologischer Dias bestehen.

Anders als nur ein kurzer Blick, scannt und digitalisiert die klinische Abteilung zunächst die Gewebeschnitte.

Danach wird dem Arzt oft ein hochauflösendes Bild von Zehntausenden mal Zehntausenden Pixeln oder sogar noch höher übergeben, das 0,25 Mikrometer pro Pixel erreichen kann.

Was der Arzt tun muss, ist, mit bloßem Auge die Position riskanter Läsionen in diesem supergroßen Bild voller dichter Zellen und Gewebe zu finden und ein Urteil zu fällen. Man kann sagen, dass er „nach einer Nadel in einem Loch sucht“. Heuhaufen".

In den letzten Jahren hat niemand versucht, Deep-Learning-Methoden zur Lösung dieses Problems einzusetzen, aber die aufgetretenen Herausforderungen sind:

Die erste, obwohl das pathologische Bild (WSI) eine hohe Auflösung von einer Milliarde Pixeln hat in der Größenauflösung, aber oft nur eine Beschriftung auf Bildebene.

Die meisten aktuellen Methoden basieren auf der dichten Abtastung ganzer Schichten unter starker Vergrößerung zur Merkmalsextraktion und der Informationsintegration aller gesammelten Merkmale, um eine vollständige Schichtdiagnose zu erreichen.

Zweitens sind die Läsionsbereiche auf diesen Bildern oft sehr spärlich. Die meisten vorhandenen Methoden basieren auf Lernrahmen mit mehreren Instanzen, die eine dichte Abtastung lokaler Bildfelder bei hohen Vergrößerungen erfordern.

Dies erhöht nicht nur die Berechnungskosten, sondern führt auch zu einer schwachen diagnostischen Korrelation und einer geringen Dateneffizienz. Die Berechnung dauert oft Dutzende von Minuten.

Doch dieses Mal entdeckte das „Juewu“-Team von Tencent einen toten Winkel –

Obwohl Ärzte beim traditionellen Modell mit bloßem Auge sehen müssen, verwenden sie oft zuerst ein Mikroskop, um den Film bei geringer Vergrößerung zu scannen, und Basierend auf Erfahrung haben sie herausgefunden, dass Sie im Zweifelsfall ein Hochleistungsmikroskop verwenden sollten, um dies noch einmal zu überprüfen.

Und wenn diese Art von Operation in die Welt der KI übertragen würde, wäre das dann nicht ein Problem bei der Entscheidungsfindung für den optimalen Weg? Ist das nicht das, was Reinforcement Learning bewirken kann?

Verstärkendes Lernen wird häufig in der Spiel-KI eingesetzt. Spiel-KI ist die Stärke von Juewu KI. Nun, die Vorteile liegen im geschlossenen Kreislauf.

Zuvor hat Juewu AI herausragende Ergebnisse in mehreren Arten von Spielen wie MOBA, RTS und Minecraft erzielt, indem es sich auf optimale Pfadentscheidungsstrategien verlassen hat. Außerdem gewann es die NeurIPS MineRL-Wettbewerbsmeisterschaft auf der Top-KI-Konferenz.

Damals veranstalteten CMU, Microsoft, DeepMind und OpenAI gemeinsam einen Wettbewerb namens MineRL auf der Top-Konferenz NeurIPS, bei dem die teilnehmenden Teams einen KI-„Miner“ trainieren mussten, der in 15 Minuten innerhalb von 4 Tagen Diamanten ausgraben kann.

Juewu AI von Tencent gewann die Meisterschaft mit einem absoluten Vorsprung von 76,97 Punkten und wurde damit erfolgreich zur „schnellsten Mining“-KI in der Geschichte der Challenge.

Der Vorgang, Holz in „Minecraft“ zu finden, ähnelt tatsächlich dem Vorgang, Läsionen in pathologischen Objektträgern zu finden.

In ähnlicher Weise schauen Sie sich um, um globale Informationen zu sammeln (der Pathologe scannt den Film unter einem Mikroskop mit geringer Vergrößerung), sperrt dann die Perspektive (bestätigt mit einem Mikroskop mit hoher Vergrößerung), findet das Holz und führt die Sammelaktion durch (Bestätigung). Läsion) und so weiter.

Auf der Grundlage dieser Spiel-KI haben Tencent-Forscher das neueste Forschungsergebnis „Juewu RLogist“ veröffentlicht, was RL (Reinforcement Learning) + Pathologe (Pathologe) bedeutet.

Wie setzt Juewu RLogist es um?

Entscheidungseffizienz um 400 % verbessert

Genau wie die oben genannten Lösungsideen menschlicher Ärzte verwendet „Juewu RLogist“ eine Methode, die auf tiefgreifendem Verstärkungslernen basiert, um den optimalen Weg zum Ansehen von Filmen zu finden.

Die Vorteile dieser neuen Methode liegen auf der Hand: Sie vermeidet die Verwendung der traditionellen umfassenden Methode zur Analyse lokaler Bildkacheln, sondern entscheidet sich zunächst für die Suche nach Bereichen mit Beobachtungswert und erhält repräsentative Merkmale über mehrere Auflösungsstufen hinweg, um die Fertigstellung der vollständigen Filminterpretation zu beschleunigen.

Durch die Nachahmung der menschlichen Denkweise wird nicht nur die Effizienz beim Ansehen von Filmen verbessert, sondern auch Kosten gespart.

Konkret erreichten die Forscher eine auflösungsübergreifende Informationsfusion durch bedingte Merkmals-Superauflösung.

Dank der Zustandsmodellierung können hochauflösende Features in unbeobachteten Bereichen basierend auf der Paarung von beobachteten Features mit niedriger und hoher Auflösung aktualisiert werden.

Einer der wichtigsten Schritte besteht darin, eine Trainingsumgebung für verstärktes Lernen für den Bereich der pathologischen Bildanalyse zu definieren. Diese Methode verwendet einen diskretisierten Aktionsraum, einen gut gestalteten Bildblock und eine Belohnungsfunktion für den Abschlusszustand, um die Konvergenzleistung des Modells zu verbessern und lokale Optimalität zu vermeiden.

Die entsprechende Trainingspipeline wird als folgender Algorithmus dargestellt:

Aus den Ergebnissen sind die Vorteile von Juewu RLogist sehr offensichtlich. Für Benchmark-Tests wählten die Forscher zwei Klassifizierungsaufgaben für Ganzfilm-Scanbilder aus: „Erkennung von Lymphknotenschnittmetastasen“ und „Lungenkrebsklassifizierung“.

Die Ergebnisse zeigen, dass „Juewu RLogist“ im Vergleich zu typischen Multi-Instanz-Lernalgorithmen eine gute Klassifizierungsleistung erzielen kann, wenn der Beobachtungspfad erheblich verkürzt wird und die durchschnittliche Zeit auf ein Viertel verkürzt wird, was die Entscheidungseffizienz verbessert . Um 400 % verbessert.

Nicht nur das, diese Methode ist auch interpretierbar. Nach der Visualisierung des Entscheidungsprozesses stellten die Forscher fest, dass Juewu RLogist sowohl in der medizinischen Ausbildung als auch in tatsächlichen Szenarien der Zukunft eine gute Rolle spielen kann.

Derzeit wurde das Papier von AAAI 2023 angenommen und der Code ist Open Source.

Es ist erwähnenswert, dass die Forscher auch betonten, dass sie in Zukunft weiterhin in Richtung von Juewu RLogist optimieren werden, einschließlich der Verbesserung der Repräsentationslernfähigkeiten von RLogist durch die Einführung einer stärkeren neuronalen Netzwerkstruktur und der Verwendung von RL-Trainingsmethoden höherer Ordnung Erlernen falscher Beobachtungspfade usw.

Woher kommt „RLogist“?

Wenn es um KI „Juewu“ geht, denke ich, dass viele Menschen damit vertraut sein werden.

Schließlich ist das KI-Gameplay in „Honor of Kings“ die „Juewu Challenge“.

△Die KI der roten Seite hat einen hervorragenden Überblick über die Gesamtsituation und hockt hinter dem Gras, um das Blatt im Kampf zu wenden.

Es gibt auch Spiele der Kategorie „Minecraft“, 3D-FPS usw. Das kann sein sagte, dass ich ein erfahrener Spieler bin.

Das Team dahinter, Tencent AI Lab, ist ebenfalls ein erfahrener Akteur, wenn es darum geht, KI das Spielen von Spielen zu ermöglichen. Seit 2016 hat es KI „Exquisite Art“ und KI „Excellent Enlightenment“ entwickelt und eine „Enlightenment“-Plattform gegründet.

AI „Jueyi“ ist ein Schach- und Kartenspieler.

Die Entwicklung begann im Jahr 2016, angefangen bei Go.

2017 gewann „Jue Yi“ die Meisterschaft auf der UEC World Computer Go Conference und ist nun professioneller Sparringspartner der Nationalmannschaft.

Darüber hinaus kann es auch Schach und Mahjong spielen. Was Mahjong für vier Spieler angeht, ist „Jueyi“ das erste Mahjong der Branche, das im internationalen Vergleich professionelle Standards erreicht, und hat die Meisterschaft im IJCAI Mahjong AI-Wettbewerb gewonnen.

In den Fußstapfen von „Jue Yi“ wurde 2017 mit der Forschung und Entwicklung von „Jue Wu“ begonnen.

Der Schwerpunkt liegt nicht mehr auf einfachen Spielen, sondern auf den strategischen Fragen der Multi-Agent-KI in komplexeren Umgebungen.

Im Jahr 2018 erreichte „Jue Yi“ das Niveau der Amateurspieler von „Honor of Kings“ und im Jahr 2019 das Niveau des professionellen E-Sports.

Das folgende „King Jue Wu“ bringt den Spielern von Honor of Kings auch „Challenge Jue Wu“, „Hero Training Ground“ und andere Spielmethoden und wird so zu einem guten Helfer für die Spieler, um zu trainieren und ihre Punktzahlen zu verbessern.

Darüber hinaus spielte „Juewu“ „Minecraft“ und gewann den NeurIPS MineRL-Wettbewerb und wurde damit erfolgreich zur „schnellsten Mining“-KI in der Geschichte der Herausforderung.

AI

Die „Fußballversion“ Juewu gewann auch die von Google veranstaltete Online-Fußballweltmeisterschaft.

Im Prozess der Entwicklung von Spiel-KI hat Tencent AI Lab zusammen mit Honor of Kings auch eine Plattform „Enlightenment“ entwickelt.

Das heißt, die Plattform, Algorithmen und Szenarien von Tencent werden Studenten und akademischen Kreisen zur Verfügung gestellt, damit sie relevante Spieleforschung betreiben können. Im August 2020 organisierte die Plattform „Enlightenment“ den ersten Enlightenment-College-Wettbewerb und veröffentlichte in diesem Jahr auch die offene Forschungsumgebung Honor of Kings 1v1.

Tatsächlich galt der Gaming-Bereich schon immer als das beste Experimentierfeld für KI.

Aus der Leistung von „Juewu“ in den letzten Jahren ist nicht schwer zu erkennen, dass es bestimmte Fähigkeiten in Aspekten wie dem verstärkenden Lernen angesammelt hat.

Dann ist es auch ein allgemeiner Trend in der Branche, die besten Fähigkeiten nach außen zu migrieren und auf die praktische Anwendungsebene zu bringen.

Dieses Mal können wir wirklich nicht sagen, dass die Spiel-KI „ignorant und inkompetent“ ist.

Papieradresse: http://arxiv.org/abs/2212.01737

Open-Source-Adresse: https://github.com/tencent-ailab/RLogist

Das obige ist der detaillierte Inhalt vonDie KI, die das Spiel gut spielt, behandelt bereits Patienten und rettet Leben.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!