2024年诺贝尔物理学奖的机器学习，在癌症早筛领域也有应用

他们利用物理学工具构建了一些方法，为今天强大的机器学习奠定基础。Hopfield创造了一种可以存储和重构信息的结构。Hinton发明了一种可以独立发现数据属性的方法，这种方法对于现在使用的大型人工神经网络非常重要。

Hinton这次获奖凭借的是他在1985 年提出的 “ 玻尔兹曼机 ”，能够像人一样自主学习。

Hopfield获奖的成果是 1982 年提出了霍普菲尔德网络，让 AI 能够像人类联想记忆那样，存储和重建信息模式。

这种存储和检索方式，利用了材料的物理特性。材料内的原子会因为自旋而产生的特性，使得每个原子都成为了磁铁，大家互相有着不同的引力。

更重要的是，Hopfield将神经网络的动力学，与物理学中的系统 ( 特别是统计力学 ) 进行了比较和融合。这种跨学科方法是革命性的，为后来的研究者们打开了新思路。

玻尔兹曼机通常使用两种不同类型的节点。一组节点被称为“可见节点”，用来输入信息。另一组节点则组成一个隐藏层。隐藏节点的值和它们之间的连接也会对整个网络的能量产生影响。玻尔兹曼机可以通过提供的训练样本进行学习，训练好的玻尔兹曼机能够在先前未见过的信息中识别出熟悉的特征。

Hopfield神经网络，以相当于物理学中自旋系统能量的方式进行描述。Hinton的玻尔兹曼机，则使用了统计物理学中的工具。后来Hinton在这项工作的基础上，帮助启动了当前机器学习的爆炸性发展，也就是我们熟知的深度学习革命了。

玻尔兹曼机属于一种早期的神经网络模型。在癌症早筛领域，机器学习技术，深度学习模型，已经被用来分析大量的生物医学数据，以识别癌症的早期迹象。

随着机器学习在计算生物学领域的出现，从cfDNA甲基化特征构建诊断模型，以检测和定位潜在的肿瘤，克服了常规血浆诊断分辨率不足的问题。利用机器学习相关方法是基于cfDNA进行癌症早期诊断的一条有希望的途径。

今年6月，来自伦敦帝国理工学院和剑桥大学的研究团队训练了一种人工智能模型——EMethylNET，通过观察 DNA 甲基化模式，从非癌组织中识别出 13 种不同类型的癌症（包括乳腺癌、肝癌、肺癌和前列腺癌等），准确率高达 98.2%。

他们训练并评估了四种不同的模型类型：逻辑回归、支持向量机（SVM）、梯度提升决策树（XGBoost）和深度神经网络（DNN）。对于前三种模型类型，创建了二分类和多分类模型。