人工智能应用领域-AI医疗健康（有案例）.docx

PAGE PAGE 2 人工智能应用领域-AI医疗健康（有案例） 目录 TOC \o 1-3 \h \z \u 一、 医学影像分析 2 二、 健康管理 2 三、 医疗数据管理 3 四、 症状分析及咨询 3 五、 手术辅助 4 六、 脑机接口 4 七、 医疗流程 4 八、 药物挖掘 5 九、 可穿戴设备 5 十、 智能医疗设备 5 十一、 精准医学 6 十二、 基础医疗科研 6 十三、 病患管理 6 十四、 心理健康 7 十五、 人体智能增强 7 十六、 药物配送 7 十七、 助残工具 8 十八、 养老护理 8  医学影像分析 【代表案例】 病理图像训练深度学习算法 GoogLeNet系统等深度学习方法对肿瘤概率预测热点图的制作很有帮助，但其结果常有噪音。研究者将算法额外定制化，模仿病理学家的方式完成神经网络的训练，希望能训练一个相当于或超越病理学家表现的模型，算法经过优化可来确定是扩散到淋巴结的乳腺癌还是扩展到临近乳房的乳腺癌。 该算法产生的预测热点图有很大改进，算法的FROC得分达到了89%，大大超过了病理学家在无时间限制时进行诊断的得分(73%)；同时即使是在不同医院使用不同扫描仪得到的图片上模型也能较好泛化。 该尝试将图像训练深度学习算法应用到数字化病理学中，通过创造自动检测算法来自然地补充病理学家工作流 Gigapixel Pathology Images。 【技术应用】 1.像大部分标准一样，FROC定位得分并不完美。每个切片有一些预定义的平均假正例的情况下，FROC得分被定义为敏感性( sensitivity)。病理学家做出假正例的情况相当罕见(把正常细胞误诊为肿瘤)。例如，上面提到的73%的得分对应73%的敏感性，以及0个假正例。与之对比，算法的敏感性在更多假正例的情况下会上升。每个切片有8个假正例的情况下，算法的敏感性达到92%； 2.算法在之前训练过的任务中表现良好，不过，尚缺乏人类病理学家的知识广度和经验，比如，识别其他不正常情况的能力，而之前没有详细训练过该模型对这些情况进行分类，比如，发炎过程、自身免疫疾病以及其他类型的癌症； 3.为了确保最佳临床效果，还需要将这些算法吸收到病理学家的工作流程中去，完善这一流程。未来愿景是，诸如这些算法能提高病理学家的工作效率和诊断的一致性。比如，通过检查排在前面的预测肿瘤区域(包括每个切片有8个假正例的区域)，病理学家可以降低假率的未检出率(也就是没有被监测到的肿瘤)。另一个例子这些算法能够让病理学家简单而准确地测量肿瘤大小，这一因素与预后( prognosis)有关。 健康管理 【代表案例】 睡眠分析及自动评分软件 现有的多导睡眠图需要人工进行评估，耗时耗力。EnsoData软件使用了美国睡眠医学会评分标准以及先进的算法，分析每毫秒的生理学信号。与多导睡眠监测系统进行接口并智能自动化，从而为多导睡眠图自动评分，分析睡眠质量和辅助诊断睡眠或呼吸相关睡眠障碍，生成睡眠数据报告，提升医生的诊断效率。 医疗数据管理 【代表案例】 医疗数据管理的人工智能技术平台 IBM Watson利用常见数据模型进行护理大数据和健康数据管理功能，通过基于云认知平台可发现隐藏的模式和联系，建立健康数据管理平台，使个性化护理节约成本且效果更佳。并通过与癌症中心的合作，获得大量临床知识、分子与基因数据、病例历史信息等数据并结合文献证据，通过机器学习算法，分析病人的纵向病历，并动态跟踪病人的数据，帮助快速筛选出符合条件和相应标准的临床试验的患者。而药物开发者同样需要选取有效的药物靶点和现有药物的新适应症。 【技术应用】 机器学习、自然语言处理。 症状分析及咨询 【代表案例1】 人工智能问诊及医疗服务APP Babylon Health使用人工智能获取医疗专家的知识，利用自然语言处理技术辅助临床诊断，包括患者分类、症状检查等。 通过聊天机器人与用户的交流，评估其状况，并为其提供医疗建议。同时也可以借助该APP预约医生进行远程诊疗，APP还包含健康追踪以及药品配送等服务。 【技术应用】 问答系统、自然语言处理。 【代表案例2】 个性化随访程序和咨询服务 Mindshare开发了一种革命性的，为后续程序和治疗的有效性提供了个性化的诊断和指导。大幅提升病人护理的质量并减少医疗机构的财务责任。 循证临床决策支持技术，根据大量人群形象和患者信息，将患者的医治风险分层，结合图像识别算法与医患信息来构建智能算法。结合由深度学习得到的信息，减少误诊误报，提升护理质量。同时评估临床价值，协助医生作出临床判断，同时利于控制医疗机构的财务责任。 医疗保健正在迅速转变为价值付费的范式。越来越多的综合交付网络(I