大数据分析AI和机器学习在医疗行业的应用_ai病理大数据分析

　　传统的商业和技术领域并不是受AI影响的唯一领域。医疗行业领域被认为非常适合AI工具和技术的应用。

　　

 

　　介绍

　　21世纪只有20年的历史了，可以肯定的是，本世纪人类社会最大的变革性技术和推动力之一将是人工智能(AI)。众所周知，人工智能以及相关的服务和平台将改变全球生产力，工作模式和生活方式，并创造巨大的财富。

　　强大的机器学习(ML)工具和技术(例如深层卷积网络，生成对抗网络(GAN)，梯度增强树模型(GBM)，深度强化学习(DRL)等

　　但是，传统的业务和技术领域并不是受AI影响的唯一领域。 医疗行业领域被认为非常适合AI工具和技术的应用。

　　电子病历(EMR)等强制性实践 已经为将大数据工具应用于下一代数据分析的医疗系统做好了准备。AI/ML工具注定会为此流程增加更多的价值。他们有望提高初级/三级患者护理和公共医疗行业系统的自动化和智能决策质量。这可能是AI工具的最大影响，因为它有可能改变全球数十亿人的生活质量。

　　ML在医疗行业中的应用的关键示例

　　AI辅助放射学和病理学

　　

 

　　如今，电子存储的医学成像数据非常丰富，并且可以将此类数据集用于DL算法，以检测和发现模式和异常。机器和算法可以像训练有素的放射线医师一样解释成像数据-识别皮肤病变，肿瘤和脑出血的可疑点。因此，AI/ML工具/平台用于协助放射科医生的用途已准备成指数级扩展。

　　这种方法解决了医疗行业领域的一个关键问题，因为在世界范围内，训练有素的放射科医生正变得越来越难找。在大多数情况下，由于数字医疗数据的泛滥，这些熟练的工人承受着巨大的压力。平均放射科医生，按照这篇文章，需要产生的结果解释为一个图像每隔3-4秒，以满足需求。

　　放射学中的人工智能

　　确定罕见或难以诊断的疾病通常取决于检测所谓的“边缘病例”。由于这种ML系统是建立在包含这些疾病原始图像(以及各种变换)的大型数据集上的，因此对于这种类型的检测，它们通常比人类更可靠。

　　他们有望提高初级/三级患者护理和公共医疗行业系统的自动化和智能决策质量。这可能是AI工具的最大影响，因为它有可能改变全球数十亿人的生活质量。

　　Microsoft的Project InnerEye是一个很好的测试案例，该项目采用ML方法使用3D放射图像对肿瘤进行分割和识别。它可以帮助您进行精确的手术计划，导航以及有效的肿瘤轮廓，以进行放射治疗计划。

　　越来越多地用于早期癌症检测的MRI和其他先进的成像系统都配备了ML算法。下面的文章提供了这方面的全面概述。

　　深度学习，人工智能可提高乳腺癌检测的准确性

　　利用ML技术如何应用​​于执行高级图像分析，例如前列腺分割和融合多个成像数据源(例如超声检查，CT和MRI)。

　　新时代：前列腺癌的人工智能和机器学习

　　ML工具还通过在机器人程序和其他以图像为指导的干预措施中增加癌症定位等信息来扩大外科医生的显示屏，从而增加了巨大的价值。

　　因此，AI/ML工具/平台用于协助放射科医生的用途已准备成指数级扩展。

　　机器学习和数据科学提供可行的见解

　　

 

　　在当今世界，各种医疗机构(公立医院，疗养院，医生诊所，病理实验室等)都将数字化的EB级医疗数据进行了数字化处理。不幸的是，这些数据通常是混乱且没有结构的。与标准交易类型业务数据不同，患者数据并不特别适合简单的统计建模和分析。

　　每小时都需要强大而灵活的支持AI的平台，该平台能够连接到多个患者数据库并分析复杂的数据类型组合(例如血液病理学，基因组学，放射学图像，病史)。此外，这些系统应该能够深入地分析分析并发现隐藏的模式。

　　此外，他们应该能够将发现的结果翻译和可视化为人类无法理解的形式，以便医生和其他医疗行业专业人员能够以高信心和完全透明的方式进行输出。

　　可解释的AI 和分布式ML系统-非常适合这些账单，并有望在不久的将来满足此类系统的要求。

　　物理机器人提供手术帮助

　　

 

　　手术机器人可以为人类外科医生提供独特的帮助，

　　1)增强查看和浏览过程的能力，

　　2)创建精确且微创的切口。

　　3)通过最佳的针迹几何形状和伤口减轻疼痛

　　将AI/ML用于此类数字手术机器人确实有令人兴奋的可能性。

　　1)一个 软件为中心的协作 机器人进行大规模的援助分布式处理

　　2)基于手术历史(由机器和人类共同执行)及其结果(有利与否)的 数据驱动的见解和指导

　　3)AI生成的虚拟现实空间，用于实时指导和指导

　　4)相对简单的程序即可进行远程医疗和远程手术

　　下面的文章简要总结了潜在的应用程序。

　　机器人和人工智能如何造就21世纪的外科医生

　　用于医疗行业运营管理和患者体验的AI

　　在美国，普通公众获得适当医疗行业的成本和困难一直是长期而激烈的辩论主题。

　　人工智能和相关的数据驱动技术具有独特的优势，可以解决某些被认为是根本原因的问题：排队时间长，对账单不合理的恐惧，冗长而又过于复杂的任命流程，无法获得合适的医疗行业专业人员。

　　几十年来，同样的问题困扰着传统企业，而AI/ML技术已经成为解决方案的一部分。这是因为，庞大的数据库和智能搜索算法是AI系统的长处，擅长解决此类模式匹配或优化问题。因此，医院和公共卫生组织在日常操作方面必须利用先进的AI/ML工具和技术。

　　11种医疗行业AI的运营应用程序-Olive

　　令人高兴的是， 对于医疗行业系统而言，这是一个复杂而困难的问题，对数据隐私的关注并不会给这种类型的AI应用带来巨大挑战。通常，操作问题并不涉及与疾病，诊断或医学有关的机密患者数据，但是，与任何其他现代商业企业一样，该问题由与财务，资本，营销或人力资源问题相关的数据组成。

　　

 

　　这种系统的主要目标应该是使AI辅助平台成为目标，以增强最大部分普通人的医疗行业服务体验。传统业务中已经部署的系统的总体目标是最大化利润。用于医疗行业运营管理的功能强大的AI工具必须通过将同理心与产生利润的目标相结合，将自己与传统系统区分开。

　　借助AI/ML技术发现药物

　　

 

　　人工智能和机器学习技术正越来越多地被制药行业的知名人士所采用，以解决成功发现药物这一棘手的难题。一些突出的例子-涉及赛诺菲。这些案例研究涵盖了各种治疗领域-代谢性疾病，癌症治疗，免疫肿瘤学药物。

　　人工智能如何改变药物发现

　　超越传统的长途过程，越来越多地应用AI技术来加速早期候选人选择和机制发现的基本过程。

　　例如，生物技术公司Berg使用其AI平台分析来自患者的大量生物学和结果数据(脂质，代谢物，酶和蛋白质谱)，以突出显示患病细胞与健康细胞之间的关键差异，并确定新的癌症机制。

　　伯格的人工智能：还有另一家生物技术或行业改变公司吗?

　　在这方面另一个突出的例子来自DeepMind的使用其AlphaFold系统与新冠病毒病毒(SARS-CoV-2) 相关的可能的蛋白质结构的出版物。

　　与新冠病毒相关的蛋白质结构的计算预测

　　许多初创公司还通过利用贝叶斯推理，马尔可夫链模型，强化学习和自然科学的最新技术，致力于使用AI系统分析多通道数据(研究论文，专利，临床试验和患者记录)。 语言处理(NLP)。 关键目标是找到要存储在云中并用于药物发现过程的模式并构建高维表示。

　　这是一篇评论文章，显示了使用DL进行药物发现。

　　评论：药物发现中的深度学习

　　用于医疗行业运营管理的功能强大的AI工具必须通过将同理心与产生利润的目标相结合，将自己与传统系统区分开。

　　面向未来—精准医学和预防保健

　　根据美国国家医学图书馆的资料，精密医学是“ 一种新兴的疾病治疗和预防方法，它考虑了每个人在基因，环境和生活方式方面的个体差异。”

　　展望未来，这可能是AI/ML在医疗行业领域应用中影响最大的优势之一。

　　这里的目标非常复杂且要求很高-根据个人的病史，生活方式选择，遗传数据以及不断变化的病理学检查为他们找到精确的治疗选择。自然，我们需要引入最强大的AI技术-深度神经网络，AI驱动的搜索算法/高级强化学习，概率图形模型，半监督学习-应对挑战。

　　除了提供疾病和治疗的预测和建模之外，这种AI系统还可以通过早期筛查或常规的年度身体检查数据来潜在地预测未来患者患特定疾病的可能性。此外，人工智能工具可能能够对为什么和在何种情况下更可能发生疾病进行建模，从而甚至可以在个体开始出现症状之前帮助指导和准备医生进行干预(以个性化方式)。

　　这里的目标非常复杂且要求很高-根据个人的病史，生活方式选择，遗传数据以及不断变化的病理学检查为他们找到精确的治疗选择。

　　人工智能如何推动精密医学

　　用于公共卫生系统的AI

　　不用说，这种强大的技术可以与个体病人护理一起应用于大规模的公共卫生系统。实际上，流行病的数字监控和AI辅助的健康数据分析已经成熟，可以扩展。

　　数字监视可以帮助控制冠状病毒大流行，但也可能威胁到……

　　世界卫生组织(WHO)也说了很多…

　　大数据与人工智能

　　

 

　　在正在进行的新冠病毒危机已经表明，它是多么的重要运行数百个平行试验疫苗开发和治疗的研究项目。使用标准的统计建模技术(针对小型试验进行了优化)，几乎不可能实现从所有这些不同来源获取数据和识别模式(通常会产生高度不确定性的结果)的情况。必须采用AI技术来解决这种行星级问题。

　　新冠病毒临床试验中的潜在治疗选择

　　摘要

　　讨论了在医疗行业领域中AI/ML技术和平台的各种令人兴奋且具有前瞻性的应用。审查了从放射线助理到智能健康操作管理，从个性化医学到公共卫生的数字监视等主题。

　　数据隐私和法律框架带来的已知挑战将继续成为全面实施这些系统的障碍。弄清楚第三方提供商(例如，AI和ML工具，物理设备或平台的所有者)可以合法查看和使用哪种数据可能非常复杂。因此，在应对这些挑战的同时，需要在法律和政策制定方面进行大量的合理化工作。

　　作为技术人员和AI/ML实践者，我们应该为光明的未来而努力，使AI算法的力量使数十亿普通人受益，以改善他们的基本健康状况。

 

摘自：https://www.aaa-cg.com.cn/data/2534.html