医疗领域人工智能发展与医疗数据有何关系？

IBM

医疗保健数据的可用性为医疗领域不断发展的人工智能工具提供了重要支撑。人工智能并非单一技术，而是一个技术集合，其中机器学习等技术在医疗保健领域应用广泛。机器学习通过预先存在的数据来训练模型，当有根据预学习提供的测试数据时，它就能识别测试输入，这也是人工智能常用的一种形式。在医疗保健领域，机器学习用得最多的是精准医疗。精准医疗就是依据病人过往数据，预测何种治疗方案对特定病人有效。这种基于以往经验确定的类型，需用数据集训练模型，这一方法被称为监督学习。

图1呈现了人工智能于医疗保健和制药的部分应用领域，详情如下：1.1 诊疗方案设计。在医疗保健方面，人工智能用于为患者规划治疗方案的情况日益增多。它借助分析以往患者的数据，为患者提供更优质的治疗策略并监测治疗计划。在CT扫描、核磁共振、X射线、超声波等医学影像助力下，人工智能能更迅速、精准地识别疾病迹象，助力患者快速且精确地诊断疾病，更精准地选定治疗手段。IBM的沃森近期因专注精准医疗，尤其是在癌症诊断和治疗上的能力而被媒体聚焦。各类人工智能技术被用于诊断不同疾病，像神经网络、支持向量机、决策树等，其中人工神经网络在糖尿病和心血管疾病（CVD）分类上准确性更高。1.2 电子健康档案。电子健康记录在医疗保健里非常关键，其有助于对过往到当下的数据加以分析，从而有助于改进各类治疗以及疾病用药情况。人工智能可用于解读病历，并为医生提供信息。算法能够借助电子健康报告（EHR），依据过往信息和家族病史预测发病的可能性。人工智能算法通过大量数据来训练，在此期间，算法构建出一套规则，把观测结果与诊断结论联系起来。下次有新患者数据提供给人工智能时，人工智能就能凭借以往数据的经验对患者进行评估，并预测病情或者疾病的相似性。过去十年间，医疗保健领域每天都在大量产生诸如患者信息、研究成果、诊断信息等数据。在分析工具的辅助下，机构能够开展协作并获取有效治疗患者所需的见解。1.3 药物相互作用及其发现。对于同时服用多种药物的患者而言，药物相互作用是一种威胁，服药数量越多风险越大。要解决所有药物相互作用及其引发的副作用很困难，不过借助人工智能，算法可从医学文献中提取药物相互作用与可能的副作用信息。药物研发耗时，往往需要数年和数十亿美元成本，而机器学习技术能大幅缩短药物发现时间。人工智能或许无法助力药物发现的所有环节，但一旦发挥作用，在发现可能形成所需药物的新化合物方面能有所帮助，还能挖掘已测化合物的新用途。1.4 皮肤科学方面。在医疗保健领域的皮肤病学方面，成像占据重要地位。而深度学习多用于图像处理。皮肤科的成像有背景、微观、宏观这三种类型，每种类型下深度学习都取得了长足进步，如卷积神经网络对皮肤病变进行皮肤癌分类时准确率可达94%。1.5有关放射学。放射学领域正在应用人工智能。斯坦福大学发明了一种算法，该算法检测肺炎患者平均F1指标的表现优于参与试验的放射科医生。利用人工智能技术开发的机器人进行X射线和CT扫描更快且更准确。此外，IBM开发了名为医疗筛的算法，其主要目标是构建具备推理、分析能力与临床知识的认知助手。1.6 初级心理保健。聊天机器人利用人工智能技术，通过模仿人类行为开展抑郁和焦虑测试。最新的人工智能技术可用于识别儿童心理状况。技术创新者right eye LLC发明了由人工智能驱动的自闭症实验，借助眼动跟踪技术在早期检测自闭症谱系障碍。初级保健是人工智能领域的关键发展方向之一。当前有部分人工智能技术正在开发，用于为患者提供基本的初级保健，从业人员认为人工智能仅能用于行政和日常任务。