人工智能医疗的承诺是整个行业继续快速增长。在所有的炒作,还有一种希望人工智能技术将使医学产生巨大的影响。有一些惊人的进步的例子,例如,在放射学,在疾病预防和药物发现。然而,也有一些可疑的索赔。缺乏清晰的人工智能是不帮助理解的可能性和潜在的疑虑。这是真的为临床社区和公众。我们如何区分先进的科学和摘录的最新趋势?
为了开始回答这个问题,我们需要定义什么是人工智能,不是。那么,定义是什么我们应该一起工作?最初的仍然是最好的,在谈到医疗保健。1955年,John McCarthy达特茅斯学院组织了一次会议,新罕布什尔州。他的目标是开发创意思考机器,麦卡锡造了一个新词,“人工智能”。词的选择是深思熟虑的;它完全封装的目的新领域,但广泛足以支付他们所讨论的许多不同的方法。会议现在被广泛公认为人工智能的诞生地。在与会者是克劳德·香农,信息理论之父。没有工作就没有互联网。 In digital health, Shannon’s legacy extends across cryptography, data compression, biology, and genetics. The conference worked with the following definition: “For the present purpose, the artificial intelligence problem is taken to be that of making a machine behave in ways that would be called intelligent if a human were so behaving.”
它的辉煌是它的简单性。需要我们远离关于机器人和控制论的想法——仍然很多人的第一反应,AI,促使我们思考问题的任务。如果一台机器可以执行一个任务,要求情报如果一个人做,然后人工智能。如果任务是高层次的国际象棋,这是人工智能。如果任务是安全地驾驶汽车,这是人工智能。如果是建议从病人的表现症状鉴别诊断,人工智能。
这种思维方式使我们AI技术的多样化和复杂的景观。有不同的问题需要考虑,理解语言,图像识别,发现数据中的模式,和改善物流为例。也有不同的技术方法,以知识为基础的,概率,基于逻辑的,和机器学习;它是一个景观,仍然在发展。
释放深度学习的力量
大部分的人工智能在过去的几年里取得重大突破是由于一个方法:深入学习。深度学习的概念是在1980年引进的,但核心技术支撑,几十年后才被发现。这是最近经历了一场革命。深度学习使得无人驾驶汽车、语音识别和智能web服务。它几乎影响了每一个行业,从金融业到国防、和的原因,谷歌DeepMind AlphaZero算法现在可以打败所有的人类去竞争中国游戏,一些专家此前认为的是50多年。深度学习仍在快速增长的领域,人工智能。
如果,这一概念已经有了几十年历史,革命引发了深度学习什么?总之,数学、计算能力和数据。在1980年末的一个主要新技术发现了深度学习的力量,尽管当时限制数据的缺乏和低计算能力。当然,没有需要说更多关于大数据的爆炸,但拼图的最后一块来了,令人惊讶的是,从视频游戏控制台。所需的数学计算机图形学中是相同的数学需要强国深学习算法——矩阵的计算你可能还记得高中代数。图形处理单元的发展,电力Fortnite和马里奥赛车,无意中引发了人工智能革命。
在医学上,深度学习当然是显示其价值,迅速渗透许多领域内的行业。一个主要的重点是医学成像。世界各地的研究小组已经开发出算法帮助检测糖尿病性视网膜病变,肺炎,乳腺癌,甚至年级心血管疾病风险。这些算法只能在医学图像和支持了令人印象深刻的统计数据。放射学将成为第一个医疗行业的工作流程是由人工智能从根本上增强。
有理由问为什么一直关注医疗成像。首先,是很重要的;医学影像是一个关键的一部分,许多诊断途径,当然对于一些严重的,严重的条件。其次,智能图像识别横跨许多不同的行业,许多研究团队在这一领域的工作。第三,深度学习生活和死亡的数据可以训练。看看美国;每100个医疗接受者超过65岁,有超过50个CT扫描,50超声波,每年15核磁共振成像正电子发射计算机断层扫描和10。每年。这是一个大量的测试,其中大多数几乎肯定是不必要的,但它得到的大量数据。如果你工作在一个医疗AI团队使用数据来自美国,然后医学成像几乎肯定是你的一个主要项目。
然而,对于世界上大多数进行成像在这个规模不是一个选项(也不是很可取的)。风险预测和早期检测,它将引入常规医学成像,带着明显的价格标签。它将一组新的公共卫生检查活动,伴随着复杂的患者的安全性和有效性。
AI有一个可行的、可持续的全球影响医疗,我们需要一个不同的方法。我们需要使用电子健康记录的数据。在一些国家已经有全面、复杂的记录可用,但很少有这样的情况。问题往往是分散,数据的质量较差。创建深度学习的数据集数据仓库需要被打破;互操作性和FHIR-based标准是关键。获得高质量、编码、细粒度的数据、先进术语像snom CT是至关重要的。提高数字记录基础设施在医院,诊所,和初级保健,应该是每个国家的医疗人工智能策略的核心组件。
智能手机的崛起,所有权也提出了一个新的机会的详细个人资料收集。这包括数据记录在个人健康记录,以及从可穿戴设备连续数据采集。将这两者与电子健康记录产生了一个引人注目的数据集。症状,标志,测试,药物治疗,诊断,过程、免疫工作联系人,排放,生活方式因素,污染水平,社会稳定,金融安全,和社会剥夺。不需要太多相信这个数据是无价的人口健康和个性化的护理途径。这也是一个数据集深度学习的蓬勃发展。
在这方面进展,关键帧的问题我们想解决;我们想使用深度学习的任务。这是一个关键的临床接触的一部分。AI需要给医生和护士带来真正的好处,好处可以清楚地意识到在日常实践。只有与临床人员合作才能实现复杂算法的简单、干净的工作流程。
作为一个例子,以早期发现的问题在初级护理诊断卵巢癌。这是一个艰巨的任务,但如果错过了诊断,或延迟,它可以产生严重的后果。大多数家庭医生会看到五六个情况下在他们的整个职业生涯。条件提出了与其他症状有许多似是而非的诊断,其中许多更常见。
先进的临床决策支持早期癌症检测的优先级列表对于很多人来说,从总理,慈善机构,病人。深度学习算法,来自综合电子健康记录的数据,可以帮助你。算法具有坚实的预测能力,有效地的众包的经历成千上万的医生。他们的行为智能地在一个复杂的任务。然而,与家庭医生密切合作在这些算法的实现是至关重要的。例如,早期迹象表明,医生忙回顾这些警告的方法——在一天结束的时候,而不是更多的磋商弹出窗口和警报疲劳。
深度学习也发现不同的集群的糖尿病患者健康记录数据,成群的人在疾病进展的不同阶段。更好的是,我们的分析指出了个性化的生化指标对这些病人来说,未来糖尿病并发症的风险降到最低。这只是两个例子;我们可以用这种方法对于许多任务在医学、操作和临床。
当然有很多其他方面需要考虑。道德绝对和治理中发挥核心作用,无论人工智能方法。必须有正确的许可模式,强大的匿名化标准,适当的宣传。建立信任是关键。我们也看到了是多么重要保持清楚当地的流行病学、本地服务条款,和潜在的偏见与性别、种族和社会因素。我们不能忘记核心科学原则和必须提供一个清晰的发展的方向有所帮助。也是必要的跟踪进度从实验室到临床实践,收集证据。
回到我们之前的定义,我们需要专注于任务,AI可以提高医疗行为智能。这不是关于人工智能代替医生和不会在可预见的未来;它是关于帮助。有压力在所有卫生系统,财务和运营。有严重的劳动力短缺和技术问题在世界的许多地方。安东尼奥·迪利瓦的位置是漂亮的总结,写最近在《柳叶刀》上:“机器不会取代医生,但医生使用人工智能将很快取代那些不使用它。”
如果实施得当,人工智能技术可以增加宝贵的医生和病人之间面对面的接触时间。是永远不会受到可用性偏见,确认偏误,或疲劳。我们实施的解决方案需要专注于特定的任务,这将造福那些医疗一线。这是一个不成则败的人工智能的医疗保健。是时候开始交付的承诺。
