您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识

人工智能将给医疗领域带来哪些改变？

健康,数据,英特尔人工智能将给医疗领域带来哪些改变？

发布时间：2016-12-08加入收藏来源：互联网点击：

行业领先的精准医学情报公司Amplion最近发布了Dx: Revenue。这是一套软件情报平台，利用机器学习技术提供与各制药合作方相关的洞察见解。

这套平台覆盖包括临床试验、科学出版物、会议摘要、FDA批准测试、实验室测试以及其他信息的总计3400万个数据源，旨在确保测试服务供应商的能力与制药企业的特定需求相匹配。

Amplion公司CEO Chris Capdevlia表示，“这种能力在癌症领域尤其重要，因为我们正努力将以往千篇一律的匹配方法转化为更具针对性的个性化实施方向，从而根据每一位患者的生物学特征进行治疗。通过这种医疗保健个性化方法，我们不仅能够为患者带来更好的治疗结果，还能够通过降低周期与提高成功率的方式压缩药物开发成本，推动有价值药物的上市速度——这一切都将为患者带来更好的诊疗体验与治愈效果。”

精准医学有望真正改善民众的生活质量，甚至挽救更多生命。而人工智能的应用则能够显著放大这种积极效果。对于众多因目前诊疗费用及医疗保险额度而无法承担高复杂度治疗方法的患者，精准医学与AI技术的结合还能显著降低治疗的成本与享用门槛。诚然，精准医学仍然面临着诸多挑战，但我们相信人工智能的介入将帮助我们不断探索、最终实现这一伟大目标。

回答于 2019-09-11 08:43:50

健康大数据及其人工智能分析

随着科技进步和社会人群对生活质量要求日益增高，人们对医疗行业的要求已经开始从临床转向健康。

众多研究显示，与有显著差别的临床数据不同，传统的实验室数据结果往往不显示清晰稳定的个人健康改变。究其可能原因，首先，健康状态变化虽然在主观感觉和行为表现上已经明显，但由于人体巨大的代偿能力，数据改变并不像疾病时那样大。其次，传统的评估方法对于健康状态的描述既不敏感特异性也不高，而真正重要的信息可能湮没在数据中，传统人工比较几乎不可能识别这样的健康信息。再者，如果数据涨落波动的确很大，干扰因素多或数据容易被污染，在样本量小的情况下容易出现分析结果的随机偏差，影响对健康状态的准确评估。

大数据分析(Big Data Analytics, BDA)为解决这些困扰因素提供了一个有效手段。个人健康大数据来自量化的反复检查结果，有准确性和精度描述，具可验证真实性特征，呈单向增量累积，类型有向量和标量、有参和无参、低维和高维之分，可做四则运算和定量分析。与健康相关的数据量巨大，欧盟的一家普通医院每年生成的数据量在10^13-10^15字节范围[45]，在美国的健康保险业，十多年前数据量已经达到10^18[46]。这种量级的健康数据已经无法进行人工分析，甚至对于个人计算机也构成挑战[47]，需要借助云储存和云计算方法。如果健康数据来源成为个人日常生活的一部分（被称为体检生活an examined life）[48]，例如进行个人心脏健康管理，产生的数据量每天大约为10^7-10^9字节，其年数据生成量为10^10-10^12字节左右，对于一个万人社区来说，数据增量已经超过一家医院。

已有健康大数据中，许多重要的健康信息目前并没有被分析挖掘出来，这与缺乏有效的认识和算法有关。大数据分析最困难之处，在于如何根据生物医学理论模型来建立数据分析的预期目标，并选择有效的分析技术以实现其应用价值[49]。例如，虚拟生理人(virtual physiological human, VPH)使用生理数据代入，以期再现个人健康状态的变化过程[50]。从数据的归属来看，健康大数据可分个人健康大数据和群体健康大数据，前者来自个人健康数据的不断获取和积累，后者为个人健康大数据的汇总。群体健康大数据不仅能够反映区域内群体的健康变化趋势，还能够成为个人健康状态评估的基线，而个人健康大数据则是个人健康状态评估的依据。健康大数据往往是以多参数（高维度）形式出现，以心电ECG数据为例，不仅有P波、QRS波、T波的幅值参数和时间关系参数以及导联参数，还含有时域参数、频域参数、非线性域参数等信息，每个维度均映射出独特的心脏功能信息以及健康储备信息。即使是单调的血糖数据，一旦进入动态监测并且与高维度的饮食和运动数据耦合，其定量分析也无法手工实现，只能借助于人工智能(Artificial Intelligence, AI)和机器学习(Machine Learning, ML)等计算机算法来实现自动分析和评估[51]。可以确认的是，应用大数据分析手段，不仅能够揭示并发症进程的病理机制及其诱发病因的相互作用关系、基因组学和药物敏感性、24/7全天候监护的价值，也改善公共预防和健康管理体系的精准性[52]。

实现AI分析的前提是根据生理学的数据映射特征来建立聚类模型(clustering model)和预测模型(prediction model)，这在高维度数据结构中尤其困难。在理论上，AI可以应用于临床医学和健康医学的每一个领域，但目前似乎以图像分析最为成功，包括在病理组织学读片[53]和医学影像分析[54-56]。AI和ML正在快速渗透到健康领域的各个角落，研究论文不计其数，近十年内会在大健康领域形成普遍应用的势态，并引发新的医学概念和理论。一项多维度（包括心血管、代谢、免疫、肾脏、肝脏、牙龈、肺）的健康大数据分析结果可描述健康状态的生物年龄(Biological Age)，以区别于以出生计算的日历年龄（Chronological Age）[57]，有可能成为未来对亚健康的定量描述。人群的生物年龄呈正态分布，一些人为逆龄态，而另一些人则表现为老龄态。生物年龄为逆龄管理(anti-aging management)提供了一种有效的客观测量依据。

健康管理应包括这几个方面：健康体检和健康定量评估、健康风险管理计划制定、健康生活方式的知识宣传、个人健康数据的动态采集、健康趋势定量分析、健康行为指导、疾病风险预警与快速干预。我们的研究发现，随身监测设备累积的个人健康数据，可用于健康储备指数的动态分析，不仅能够定量评估个人的健康状态和变化趋势、计算其健康年龄，还能指导逆龄健康管理，并用于评估其有效性。这个健康年龄概念与生物年龄概念近似[57]，但评估方法简单无创还可以每天动态跟踪，可以敏感监测日常睡眠、运动、创伤和疾病等因素对健康状态的影响，甚至可以检测消耗性疾病的发生。

只有精准定量评估健康状态和指导健康行为，健康管理才会有好的成本效益。精准定量的健康管理的最大价值在于：通过低成本的智能化健康教育和健康处方，让广大社会人群获取可视化的健康评估和指导，不仅能规范日常生活的健康行为，还能及早预警恶性疾病风险，避免重大灾难降临。建立起客观定量的健康医学，用数据来评价健康管理机构的实际效果，能有效地规范整个大健康产业，并且提高社会整体健康水平、降低医疗支出、缓解医疗机构压力，也将是医学教育发展的未来方向。

 3/4   首页 上一页 1 2 3 4 下一页 尾页