谷歌和哈佛大学开发机器学习模型,检测食源性疾病以识别不安全的餐馆

谷歌和哈佛大学开发机器学习模型,检测食源性疾病以识别不安全的餐馆你是否担心自己进入一家简陋的没有优秀食品安全记录的餐馆?谷歌新的AI系统可以帮助你摆脱这样的烦恼,并证实哪些环境有不安全隐患。

由谷歌和哈佛大学TH Chan公共卫生学院的研究人员领导的一项研究描述了一种机器学习模型FINDER(实时食源性疾病检测器),利用搜索和位置数据来识别“潜在的不安全”的餐馆。他们的论文“Machine-learned epidemiology: real-time detection of foodborne illness at scale”发表在npj数字医学杂志上。

“食源性疾病很常见,诊疗费用高昂,美国每年都有数千人在急诊室就诊。这项由谷歌开发的新技术可以帮助餐馆和当地卫生部门在问题变得更加严重之前更快地发现问题,”哈佛大学全球健康中心主任、哈佛大学全球健康学院的Ashish Jha表示。

正如该研究的作者所解释的那样,FINDER从选择共享其位置数据的用户那里获取匿名和聚合日志。它识别指示食物中毒的搜索查询(例如如何减轻胃痛),然后查找执行这些搜索的用户访问的餐馆。最后,对于每个适用的餐厅,它计算了在他们的搜索中停留并随后显示食源性疾病证据的人的比例。

一个挑战是处理搜索词歧义。研究人员指出,谷歌搜索“腹泻”可能与食物中毒有关,但并未传达有关症状细节的信息。他们的解决方案是一个受监督的机器学习分类器,利用其他信号,包括响应查询显示的结果,对这些结果的汇总点击以及打开的网页的内容,识别与疾病相关的搜索准确度为85%。

FINDER在两个城市进行了测试:拉斯维加斯和芝加哥。他们各自的卫生部门提供了FINDER自动识别的餐馆清单,检查员对健康守则的违规行为进行了调查。在拉斯维加斯,共完成了5,038次检查,FINDER提示了61次;在芝加哥的5,880次检查中,FINDER提示了71次。

在AI系统确定的所有餐厅中,52.3%被视为检查时不安全,而基线餐厅则为24.7%。此外,FINDER提示的餐厅在所有风险指定中被评为不安全,并且有更多的重大和重大违规行为。

最后,FINDER在精确度,规模和潜伏期(人们生病和确定爆发之间经过的时间)方面优于基于投诉的检查和例行检查。并且它设法将食源性疾病的位置更好地归因于特定场所而不是客户。

研究人员写道:“以前的研究表明,人们往往会责怪最后一家餐馆,因此很可能会对错误的餐馆提起诉讼。FINDER的方法比个人客户投诉更强大,因为它聚集了来自参观场地的众多人的信息。”

但这个系统目前还并不完美。由于食源性疾病往往具有相对较长的潜伏期,并且会延迟出现症状,因此FINDER仅在经过足够的时间后才达到峰值置信度。在风险较低的场所,FINDER确定餐厅被识别为不安全的可能性高于高风险场所。

但测试表明,与使用Twitter数据挖掘的高级投诉系统相比,测试结果提高了68%,包括芝加哥自己的数据挖掘。

研究人员写道:“我们的结果证明,现在卫生部门可以使用这种工具更快地查明和调查疾病爆发可能发生的地点。”公共卫生部门可以扩大这种模式,以减轻各地食源性疾病的负担,也可以用来协助监测全球各种其他疾病。

论文:www.nature.com/articles/s41746-018-0045-1

本文为ATYUN(www.atyun.com)编译作品,ATYUN专注人工智能
请扫码或微信搜索ATYUN订阅号及时获取最新内容

发表评论