抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
複雑なチャレンジ1における多数の超ヒトの達成にもかかわらず,独立AIは,薬剤発見4の成功率を厳しく制限する,指数的に成長する新しいデータ3から新しい知識を線形的に抽出する長期ボトルネックから,自由生活科学ではない。最新のAI訓練法に触発されて,著者らは,ヒト生理学と病気の全ての通行知識を抽出する基礎モデル6を学習するために,ヒト中心ハイブリッド拡張知能5(HAI)を訓練した。HAIs抽出知識の質を評価するために,著者らは,ヒトデータへのアクセスなしに薬物臨床効果を予測するベンチマークHAIs実世界性能に対する,大規模(PROTOCOLS)チャレンジでの,重要な進行中の臨床試験結果の,公衆,前向き予測をデザインした。HAIは,PROTOCOLS検証において99%の信頼7でベースラインから10.5倍の改善を達成し,ほとんど全てのヒト疾患9,10に対して,7.9%8から90%までの調査新薬の平均臨床成功率を容易に増加させた。検証されたHAIは,指数的に抽出された知識だけでは,薬剤の臨床効果を正確に予測するために十分であり,Eroomsの法則4の全反転効果を確認した。HAIは,また,全年齢関連疾患11に対する予防医学の発見を実質的にスピードアップできるヒト加齢の最初の臨床的に検証されたモデルである。著者らの結果は,破壊的ブレークスルーが,高次元低品質データ空間から最適知識抽出のために最大のHAIを達成する最小チームサイズを必要とし,従って,小チームが12を破壊する以前の発見の最初の前向き証明を確立することを実証した。訓練HAIのグローバル採用は,指数知識抽出による科学的および技術的ブレークスルーを大量生産するための,また,より優れた性能のAI13を訓練するためのデータラベルのより良い設計に,十分にベートな経済的経路を提供する。【JST・京大機械翻訳】