人工智慧的創新應用正在深刻改變口腔保健。 作為數位化創新驅動的正畸龍頭企業，時代天使持續加大對AI的投入，通過自建專業研究團隊，與各大高校深度科研合作，不斷探索“AI+口腔”的前沿技術和發展方向。
近日，時代天使聯合浙江大學等專業機構研究團隊合作，在人工智慧領域頂級國際學術會議NePIPS 2023（Conference on Neural Information Processing Systems）上發表了三項研究**，為機器習、深度習等前沿技術在錯頜畸形診斷中的應用提供了創新的思路和解決方案。
Neurips（神經資訊處理系統會議）是機器習和計算神經科學領域的頂級國際會議之一，匯集了來自學術界和工業界的頂尖研究人員，涵蓋機器習、深度學習和習等多個領域的最新研究成果。 Neurips以其高質量**、受邀演講者和研討會而聞名，對推動相關領域的科技進步產生了重大影響。
時代天使此次入選的三篇論文，主要是針對智慧醫療和數字口腔領域存在的挑戰，提出一種新的演算法模型，在保證資料私隱和安全的前提下，顯著提高智慧型診斷的準確性、可靠性和公平性。 未來，時代天使希望將AI演算法模型、海量大資料、正畸領域知識、醫生專業診斷更深入地結合在一起，幫助牙醫在數位化診療過程中更高效、更精準，為患者和行業創造更大的價值。
FED-Grab：在保障資料私隱的同時，提公升複雜長尾正畸病例的智慧型診斷效能
時代天使聯合浙江大學、新加坡科技設計大學、新加坡A*Star、四川大學等專業研究團隊，在NERIPS 2023大會上發表了題為《Fed-Grab： Federated Long-tailed Learning with Self-Adjustment Gradient Balance》的研究成果**。它為解決聯邦學術習領域的長尾分布問題提供了創新的思路和解決方案。
由於能夠在不共享患者資料的情況下訓練人工智慧模型，聯邦習為在智慧醫療領域實現患者私隱保護和高效智慧型診斷提供了新的解決方案。 然而，在全球資料長尾分布的情況下，如口腔醫學資料覆蓋多類罕見咬合不正病例，以往的聯邦習方法難以在這些複雜的分布條件下實現高效、高質量的輔助診療效果。
fig. 2 framework of fedgrab
為此，研究團隊提出了一種名為FED-Grab的方法，其中包括乙個自調整梯度平衡器（SGB），可以在保護私隱的同時有效地進行客戶端梯度重權重。 平衡器使用直接先驗分析器（DPA）模組先驗地使用全域性長尾學習習，而不會違反私隱原則。 實驗結果表明，Fed-Grab模型在ImageNet-LT、iNaturalist等多個代表性資料集上的效能均達到最優水平，特別是在處理少數幾類資料時，其效能大大超過了目前該領域的最優演算法。
在保護患者私隱的基礎上，Fed-Grab可以提高正畸複雜長尾病例的智慧型診斷效能。 FED-GRAB的實施有望促進遠端醫療服務的創新，促進資料的安全共享，提高醫療服務的效率和質量，並具有開發個性化和準確**解決方案的巨大潛力，以進一步改善醫療保健行業的患者體驗，同時確保資料私隱。
快速模型去偏倚：實現高質量的“去偏倚”效果，提高診療的公平性和準確性
時代天使聯合浙江大學、南洋理工大學、史丹福大學、新加坡A*Star等專業高校的研究團隊，在NERIPS 2023大會上發表了題為“Fast Model Debias with Machine Unlearning”的研究，在深度學習習模型去偏差問題上取得了新進展。
在智慧醫療領域，深度學習習模型的模型去偏差具有重要意義：1）去偏差可以顯著提高模型在不同人群中的準確率;2）去偏見還有助於減少誤診或漏診，從而在處理少數群體的醫療資料時提高醫療保健的整體質量。當患者認識到醫療保健系統正在努力提供公平、公正的護理時，患者對醫療保健系統的信任就會增加。
研究團隊提出了乙個全面的快速模型去偏差框架，即FMD。 FMD 由三個獨立的模組組成：偏差識別、偏差效應評估和偏差消除。 FMD 構建乙個包含事實樣本及其對應的反事實樣本的資料集，並分析模型的屬性變化，以有效識別偏差。 基於影響函式理論，FMD提出了一種新的評估演算法，可以定量評估任何有偏差的訓練樣本對模型的誤導程度**。 最後，FMD引入了一種遺忘習機制來消除偏差相關習模型引數，並進一步設計了一種替代策略，利用反事實的外部資料集來忘記偏差，以避免對訓練資料的硬訪問要求。 與現有工作相比，FMD不需要監督整個模型的再訓練，也不需要額外標註偏差屬性，減少了實際場景中對訓練資料進行大規模競價的需要，只需要更新幾個引數即可實現模型去偏。 實驗表明，口蹄疫可以在各種偏倚指標上以較小的成本提高公平性。
口蹄疫在保護患者私隱（無需訪問訓練資料）的基礎上，成功實現了訓練後的深度習模型的去偏差。 在智慧醫療領域，口蹄疫的應用有望幫助提高診療的公平性和準確性，減少偏倚和誤診，為患者帶來更值得信賴、更有效、更公平的醫療體驗。
培根：解決資料不平衡和開放分布的挑戰，將演算法有效應用於現實場景
時代天使聯合浙江大學、香港科技大學等專業機構的研究團隊，在NERIPs 2023大會上發表了題為“Towards Distribution-Agnostic Generalized Category Discovery”的研究成果，為解決真實視覺世界中資料不平衡和開放分布兩大先天特徵帶來的挑戰提供了新的解決方案。
資料不平衡和開放分布是真實視覺世界的兩個固有特徵。 雖然在解決每個挑戰方面都取得了良好的進展，但為了有效地將演算法應用於現實世界場景，很少有人努力考慮這兩個挑戰。 在本文中，我們正式確定了一項更現實的任務，即與分布無關的廣義範疇發現（DA-GCD）：在長尾開放世界的情況下為封閉集和開放集類生成細粒度。
研究團隊提出了乙個自平衡協作對比框架（BACON），該框架由對比學習習分支和偽標籤分支組成，它們協同工作，提供互動式監督來解決DA-GCD任務。 特別是，對比學的習分支提供了可靠的分布估計，以歸一化偽標籤分支的**，而偽標籤分支則通過自平衡知識轉移和提出的新型對比損失來指導對比科學的習。 實驗表明，BACon在各種資料集上都取得了優異的效能，超越了現有的非平衡半監督習和廣義類別發現的最優基線方法。
該研究解決了真實視覺世界中資料不平衡和開放分布兩大先天特徵帶來的挑戰，為智慧醫療中資料分布不平衡、標籤缺失、開放樣本診斷等實際應用提供了更可靠、更準確的解決方案。
結論：
作為國內長期深耕數位化正畸的正畸龍頭企業，時代天使長期投入臨床口腔醫學、電腦科學、生物力學、材料科學和智慧型製造五大基礎學科的研發，通過數位化創新，幫助醫生穩定、輕鬆、快速、準確診斷可能的風險， 降低傳統咬合不正診治中的各種風險，使牙齒矯正更加可靠。
如今，時代天使已進入全球增長階段，其“AI+牙科”等數位化能力得到了全球醫生的一致好評，並在整個正畸過程中提供了至關重要的幫助，幫助醫生為更多患者提供高效、精準的服務。