研究公司Gartner预计，到2022年，全球AI经济将从去年的约1.2万亿美元增至约3.9万亿美元，而麦肯锡预计，到2030年，全球经济活动将增至约13万亿美元。当然，这种转变是由强大的机器学习 （ML） 工具和技术推动的，例如深度强化学习 （DRL）、生成对抗网络 （GAN）、梯度增强树模型 （GBM） 等。
与商业业务和技术一起，医疗保健是一个被认为最适合受到AI工具和技术深刻影响的领域。电子医疗记录 （EMR） 等强制性做法已经为医疗保健行业提供了应用大数据工具进行高级分析的基础。AI 和 ML 承诺进一步注入价值，提高患者护理和公共卫生系统中的自动化程度和智能决策质量，从而改变全球数十亿人的生活。
您可能还喜欢：
AI 驱动的计算机视觉如何改变医疗保健
医疗保健中的机器学习应用
在本节中，我们将举出一些关键示例，说明 AI/ML 技术在医疗保健环境中的现代应用。其中一些是特定于要解决的问题，另一些则更一般。
乳腺癌和其他形式的癌症诊断
您是否知道美国每年有近 200 万新癌症病例被诊断出来，并且有 50 多万人死于癌症？乳腺癌被列为这些病例的最大贡献者。深度学习（DL）和其他分类和图像处理技术正被用于对抗乳腺癌（和其他形式的癌症）。
MRI和其他先进的医疗成像系统正在配备ML算法，它们正日益成为癌症检测的第一线。面对来自这些成像系统和基于ML的系统的大量数字化数据，放射科医生的数量和质量往往不足，这是帮助他们决策过程的完美选择。
下文一篇文章全面概述了这方面的各种努力。
深度学习和AI正在提高乳腺癌检测的准确性
ML技术也被用于其他形式的癌症检测com/新闻/深度学习-提高乳腺癌检测的准确性”rel=”nofollow”目标=”_blank”=乳腺癌检测的准确性。例如，《自然》杂志最近的一篇文章描述了如何应用ML执行低级图像分析任务，如前列腺分割和不同模式的融合（例如MRI、CT和超声像）。
ML 工具还通过增加外科医生的显示，如机器人手术过程中的癌症定位和其他图像引导干预信息，从而增加了显著价值。
AI 和机器学习协助放射学和病理学
AI/ML技术在帮助放射学家方面的应用在未来只会呈指数级增长。在世界各地，特别是在美国，由于数字医疗数据的泛滥，训练有素的放射学家承受着巨大的压力。《自然》的一篇文章估计，一般放射科医生需要在每天8小时的工作中每3⁄4秒解释一张图像，以满足工作量需求。
成像数据是丰富的这些天和DL算法可以馈送与医疗图像不断扩大的数据集，以找到模式和解释结果作为训练有素的放射科医生会。该算法可以训练来排序定期和异常的结果，识别皮肤上的可疑点，病变，肿瘤和脑出血，例如。
这些类型的 ML 方法在识别罕见或难以诊断的疾病方面特别有用，因为它们构建在包含这些疾病图像的大型数据集上，在检测”边缘病例”时，它们通常比人类更可靠（如果训练得当）。
例如，Microsoft 的”内眼项目”使用机器学习来区分肿瘤和健康解剖结构，使用 3D 放射图像帮助医学专家进行放射治疗和手术规划。用他们自己的话说，它可以在以下方面提供帮助：
- 提取用于定量放射学的靶向放射学测量，
- 用于放射治疗规划的有效轮廓，
- 精确的手术规划和导航。
机器学习和数据科学，提供可操作的医疗见解
在所有公立和私立医疗机构（医院、医生诊所、病理中心等）中，越来越多的医疗数据正在数字化。然而，就其本质而言，这类数据是混乱和非结构化的。与其他类型的业务数据不同，传统统计方法可用于快速洞察，患者数据并不特别适合简单的建模和分析工具。
我们需要高度可靠和强大的平台，可以连接到众多患者数据库，并分析放射学图像、血液测试、EG、基因组学、患者病史等的混合物。此外，他们应该能够提炼出他们的分析和隐藏的模式，他们发现，人类可理解的形式，使医生和其他医疗保健专业人员可以工作，他们的输出，开出负担得起的和负责任的病人护理制度。
例如，总部位于旧金山的初创公司 Enlitic的使命是将智能与同理心混合在一起，并利用 AI 的力量精确生成此类见解，如上文所述”
用于医疗保健运营管理和患者体验的 AI
获得适当医疗保健的成本和困难一直是美国长期激烈辩论的主题。美国人平均每年看医生的次数只略高于4次，这比其他发达国家要少得多（例如日本是13次）。
避免医疗保健系统的紧迫问题是什么？排长队，害怕得到不合理的账单，令人沮丧的任命过程，没有与合适的专业人士配对。
AI 和相关数据驱动技术能够针对这些问题进行独特的准备，使医疗保健系统中的运营问题合理化。有时，问题在于最佳的员工分配，有时，它是在病人和专业人员之间找到适当的匹配。几十年来，传统企业一直面临这样的问题，人工智能和ML技术已经进入解决方案堆栈，因为这种模式匹配或优化问题最好使用庞大的数据库和智能搜索来解决算法，这是AI工具的强度。
正如本文所述，患者参与和依从性长期以来一直被视为医疗保健的”最后一英里”问题，即无效结果与良好健康相关结果之间的最后障碍。患者积极参与自身福祉的越多，结果越好 – 资源利用率、财务结果和利益相关者体验。大数据和 AI 的独特而强大的组合越来越多地解决这些问题。
因此，医院和公共卫生组织必须利用类似的解决方案来解决其日常运营问题。最吸引人的是，对于这些特定问题，数据隐私（对于医疗保健系统来说是一个复杂而困难的问题）的关注是最不棘手的问题。这是因为，运营问题通常不涉及与疾病、诊断或医学相关的机密患者数据，而是与大型组织的财务、资本基础设施、营销或人力资源问题相关，这与任何其他组织一样现代商业企业。
这里的关键是开发和使用合适的AI辅助平台，其主要任务是提高最普通人群的医疗保健服务体验。如上所述，许多部门的传统企业已开始大规模部署此类工具，以提高其运营效率。但最常见的情况是，此类平台的首要目标是使企业的利润最大化。为医疗保健组织采用类似强大的 AI 工具的显著特点是仔细将移情的各个方面与创造利润的目标混合在一起。
医疗保健领域的物理机器人和机器人过程自动化
手术机器人为人类外科医生提供了一种独特的”超能力”，提高了他们观察和导航的能力，创造了精确和微创的切口，精确和最小的疼痛缝合伤口，等等，这已不是什么秘密。这种机器人的使用最初于2000年在美国获得批准，自那时以来，它们的数量和范围一直在增长，用于各种程序，如骨科、泌尿科、妇科、神经科、胸科、耳鼻喉科、减肥、直肠和结肠，甚至多个神学。
AI 和 ML 用于外科机器人助理的可能性是什么？机器人商业评论最近的一篇文章探讨了外科机器人助理的以下主题：
- 外科机器人团队之间的分布式数据处理和以软件为中心的协作
- AI 生成的虚拟现实空间（基于数千个历史图像和 3D 数据流构建），可实时指导和指导外科医生
- 基于以往手术史的数据驱动的见解和建议（不仅由机器执行，而且由人类执行）
- 增加与远程医疗和远程手术融合的可能性，实现相对简单的手术
人工智能和机器学习技术辅助的药物发现
美国制药公司平均每次成功研发和市场，花费超过25亿美元。毫无疑问，这种严格的价格标签会影响普通民众的医疗保健总成本。
AI 和 ML 技术越来越多地被制药行业的巨头们选中，以解决这一极其困难的问题。AI 和 ML 非常有效地在行业中寻找新的制药机会，例如：
- 赛纳菲已经签署了一项协议，使用英国初创企业Excientia的AI平台来寻找代谢疾病疗法，
- 基因泰克正在利用来自马萨诸塞州剑桥市GNS医疗保健公司的AI系统，帮助推动其寻找与癌症相关的治疗方法，
- 辉瑞正在利用IBM Watson平台及其大量分析和ML引擎，为寻找免疫肿瘤药物提供动力。
除了药物发现的长期链外，早期候选者选择甚至机制发现的基本过程被认为特别适合AI技术。例如，生物技术公司Berg的研究人员正在研究一种模型，利用对1000多个癌症和健康人体细胞样本的测试，并跟踪其脂质、代谢物、酶和蛋白质特征的数据，以识别以前未知的癌症机制。该小组利用其AI平台生成和分析来自患者的大量生物和结果数据，以突出患病细胞和健康细胞之间的主要差异。
越来越多的初创公司将来自研究论文、专利、临床试验和患者记录等来源的数据输入 AI 系统。此类系统利用贝叶斯推理、马尔科夫链模型、强化学习和自然语言处理 （NLP） 中的最新技术，帮助智能分析数据，以查找模式和构建高维表示，以存储在云中，并在药物发现过程中使用。
精准医学与预防保健：人工智能和机器学习的终极前沿
高通量、数据密集型生物医学研究测定的发展和大规模统计建模的应用，已经揭示了导致疾病的病理生理学因素和过程的巨大异质性，阐明了有必要根据个别患者拥有的细微且往往独特的特征定制或个性化药物方案这一事实。
根据美国国家医学图书馆，精密医学是”一种新兴的疾病治疗和预防方法，它考虑到每个人的基因、环境和生活方式的个体变异性。这是 AI 和 ML 在医疗保健中的应用的最大预期收益之一。
如果没有高级 AI 和 ML 工具（如深度神经网络、AI 驱动的搜索算法或概率图模型）的帮助，根据个人病史、生活方式选择为个人找到精确治疗方案的前景，基因数据库，和动态变化的病理测试，似乎不可行。
而且，根据《福布斯》最近的一篇文章，这种AI驱动的系统的额外优势是不仅能够预测和模拟结果，而且能够预测未来患者在进行早期筛查或例行年度体检数据时患病的可能性。
我们刚刚开始意识到 Ai 和 ML 在医疗保健领域的潜力
在本文中，我们讨论了基于这些算法的强大 AI/ML 技术和平台在医疗保健领域的各种令人兴奋的应用。我们还讨论了从病理助理到手术管理到个性化医学和药物发现等主题。
当然，数据隐私和法律框架也面临已知挑战。健康和患者相关数据是一些最严密保护的秘密，要找出私人第三方工具提供商（在本例中是 AI 和 ML 工具或平台的所有者）可以合法使用的内容，是极其复杂的。
因此，需要进行大规模的平行努力，使法律和决策合理化，将AI技术的进步充分引入医疗领域。作为技术专家和人工智能/ML 爱好者，我们只能希望有这样一个光明的未来，这些智能算法的力量使数百万普通民众受益，提高他们的幸福感。