<td id="wfluq"><mark id="wfluq"></mark></td>

<nobr id="wfluq"><rt id="wfluq"></rt></nobr>
<th id="wfluq"><s id="wfluq"><meter id="wfluq"></meter></s></th>

HOME / TIME
廣東深圳專業醫用產品設備外觀工業產品設計醫療人工智能
-醫療人工智能
2019/03/05
人工智能迅速發展,對我們生活的各個方面帶來改變。
近年來,醫療人工智能吸引了無數關注的目光,也引來種種疑問。
醫療人工智能是怎樣做出診斷的?它有哪些優缺點?醫療人工智能發展中遇到了哪些問題和障礙?人工智能會取代醫生嗎?
  2017年5月,中國烏鎮圍棋峰會召開,一位特殊的“棋手”吸引了全世界的目光,它就是人工智能棋手――“阿爾法圍棋”(AlphaGo)。
這個昵稱為“阿爾法狗”的人工智能系統與世界排名第一的圍棋手柯潔進行了3場比賽,最終大獲全勝。
這可以說是人工智能發展史上里程碑式的事件。

  也許你并不了解“阿爾法狗”,但你一定聽說過甚至體驗過自動駕駛汽車、智能面部識別系統或智能手機聊天機器人。
越來越多的人工智能已經悄然走進我們的日常生活。
而就在不久前,人工智能在醫療領域也開始嶄露頭角。

  英國國家醫療服務系統(NHS)正在試用一種人工智能輔助診斷系統,測試其是否比現有的電話連線咨詢更有效。
在歐洲其他國家和美國,很多公共健康從業者都對人工智能抱有極高的期望。
那么醫療人工智能到底是前景光明,還是只是炒作的泡沫呢?你能放心讓機器人和電腦程序為你治療嗎? 會學習的機器
  2015年,著名計算機科學家塞巴斯蒂安?特龍帶領他的團隊開始研究一項新課題――用機器識別皮膚癌。
皮膚癌的早期診斷非常重要,有經驗的皮膚科醫生通過檢查患者皮膚上的痣、斑點和腫塊,就能初步確定腫瘤的位置和類型,再對可疑位置進行病理切片分析以確診。
但是,檢查周身皮膚對醫生和患者都不是件輕松的事情。
特龍希望能開發出一套智能識別系統來完成初診,以減輕醫患雙方的負擔。

  計算機輔助診斷早已普及。
以心電圖為例,心臟或血管的不同癥狀會顯示出不同的特征波形,而計算機系統能基于一定的規則識別這些波形,并在檢查報告中標識出其對應的癥狀。
這種廣東深圳專業醫用產品器械工業產品設計深圳老支書的春天識別系統比較簡單,其依據的規則也比較古板,工作起來照本宣科,不能識別很多復雜的情況。

  但特龍的新系統與上一代的輔助診斷系統有著根本性的不同,這個系統采用了基于神經網絡算法策略的深度學習算法。
上一代人工智能主要根據程序中設定的各種規則對數據進行識別,而深度學習算法讓人工智能脫離這種規則,進行自主學習。

  深度學習算法比以前的機器學習算法更接近人類學習思考的模式。
舉個例子,如果要讓人工智能識別什么是蘋果,要如何設計程序呢?如果使用以前常用的機器算法,軟件工程師必須在程序中輸入蘋果的各種特征,如顏色、形狀、氣味等等。
這類人工智能通過這些特征“學習”到“什么是蘋果”,但人類的學習過程并非如此。
一個孩子在第一次接觸蘋果時,父母會告訴他這是蘋果,但不可能詳細敘述蘋果的所有特點。
當他后來看見橘子時,可能以為那也是蘋果,但他很快會得到糾正。
當他見過了很多蘋果和其他水果之后,就會知道什么是蘋果,而且不會把它和橘子弄混。
而深度學習算法的模式與此類似,人工智能會從蘋果和其他水果相關數據集中提取信息,最終“學會”的不是“什么是蘋果”,而是“怎樣識別一個蘋果”。

  深度學習算法使新型人工智能診斷系統能分析更復雜的病癥。
特龍的研究團隊收集了大量關于皮膚損傷的圖像,其內容包括痤瘡、皮疹、過敏反應和昆蟲叮咬造成的紅腫,當然還有各種皮膚癌。
研究人員使用廣東深圳專業醫療設備器材外觀工業產品設計醫療器械:從市值對比看機會超過10萬張圖片對人工智能進行了訓練。
然后研究人員用這個人工智能測試了1.4萬張新圖像,結果發現,在對黑色素瘤的診斷上,這個系統的表現不亞于專業醫師。

  更值得期待的是,研究團隊正將這個人工智能系統開發為一款手機應用軟件。
軟件的用戶只需給自己拍一張照片,就可以及時分析皮膚的問題。
“黑匣子”里是什么?
  人工智能在醫療領域的成功案例不止這一例。
科學家們還開發出了能通過計算機斷層成像(CT)和核磁共振成像(MRI)的圖像診斷癌癥的人工智能系統,以及能準確診斷糖尿病視網膜病變的系統。

  盡管有了這么多成功的例子,很多人還是對醫療人工智能心懷疑慮。
人工智能“醫生”能否比訓練有素的醫生“看到”更多癥結所在?這并不是一個容易回答的問題。
由于深度學習算法的設計不同,一些人工智能會顯示其運行規則,因此研究人員能了解它們的“思維”模式;但也有一些人工智能像人腦一樣深不可測,即使是其設計者也不清楚它具體是如何做出診斷的。
特龍團隊研發的皮膚癌診斷系統就采用了這種設計。
這類算法被稱為“黑匣子”,誰也不知道里面藏著什么。

  這種未知性顯然讓人們對人工智能多了幾分不信任,而這種懷疑絕不是毫無理由的。
美國一位醫學信息專家在試用自己新開發的一個人工智能系統時,就發現了其中問題。
這一系統的設計初衷,是從諸多電子病歷中識別出結腸癌病例。
系統似乎運行良好,唯一的問題是,它很快掌握了癌癥患者與其就診的醫療機構的關系。
但按照其最初的設計,它本應該學會識別癌癥與健康指標之間的聯系,而不是這些病歷上寫得清清楚楚的信息。
這就是使用“黑匣子”系統的風險――廣東深圳專業醫用電子產品結構工業產品設計工業設計專業教學模式探討設計者也不能?_定它到底從數據中學習到了什么。

  盡管承認“黑匣子”系統確實存在這種缺陷,特龍對這種系統還是持謹慎樂觀的態度。
他認為,我們不能僅僅因為不了解“黑匣子”里的判定規則,就對它一棒子打死。
當醫生做出初步診斷時,我們不會問他們是依據什么規則做出了這種判斷。
特龍說:“我們不能僅僅因為無法確切地了解這些診斷規則,就不相信這些規則。
” 寶貴的數據與數據垃圾
  無論具體設計如何,深度學習型人工智能必須要經過大量的數據的訓練才能發揮應有的作用。
深度學習算法的基本理念在20世紀40年代已見雛形,但由于當時電子數據缺乏和計算機運算能力不足,直到最近十幾年,深度學習算法才在人工智能領域大放光彩。
得益于近年來電子記錄在醫藥行業的普及,科學家們很容易獲取足夠多的數據。
但隨之而來的問題是,怎樣利用這些數據呢?海量的臨床記錄中包含了大量與主題無關的、無效的甚至是錯誤的數據,這些數據足以使任何算法發生偏差。
這意味著人工智能設計團隊90%以上的工作量都只是前期數據處理,大大延遲了研發流程。
  前期的數據處理還包括對數據進行分類。
在皮膚癌診斷系統的開發中,多位權威皮膚病家對數據庫中的圖像進行了注釋,并按照疾病類型將對應的圖像分類。
研究人員還會對圖像進行修正,避免照片拍攝光線和角度對人工智能系統的判斷造成影響。
研究團隊還細致地清除了一些圖片上的可能會誤導人工智能的冗余信息,例如,有的醫生為方便查看,在圖片中腫瘤的位置標上了黃色的記號。
研究人員必須在前期工作中去掉這些記號,否則系統會“認為”:腫瘤都是黃色的。

  在前期處理之后廣東深圳專業醫用儀器器械外觀工業產品設計自動化鉆機研發理論,研發人員還需要在人工智能運行過程中不斷糾錯。
因為新興的或不斷發展的疾病也可能引起算法的偏差,這是開發人員必須注意的。
以目前已投入使用的一款應用軟件ADA為例,為了避免廣東深圳專業醫用電子產品外殼工業產品設計水下便攜式時間統一系統設備設計及實現結果偏差,開發團隊同時運用了機器自主學習和人為監督機器學習的算法,并通過多種反饋系統進行微調。
在人為干預中,專業醫生的意見必不可少。

  目前,深度學習型的診斷工具還沒有被用于醫院,但是業內人士認為它將在五年之內得以普及。
屆時,人工智能的功能也許將不止于診斷了。
比診斷更復雜的工作是管理疾病、追蹤進展并提出治療方案。
未來新的算法會更精細,有望幫助醫生更好地了解慢性疾病的發展。
法律與倫理爭議
  目前人工智能診斷系統的發展面臨一個大障礙,那就是數據的獲取。
隨著電子病歷的普及,相關法律也接連出臺,限制了這些數據的應用。
如何在不侵犯患者隱私的前提下獲取大量數據?這是讓電腦科學家們大感頭痛的問題。

  2015年,英國國家醫療服務系統(NHS)所屬的皇家自由信托公司與谷歌公司旗下的人工智能開發公司簽訂了一份合作協議。
根據協議,皇家自由信托向谷歌提供了160萬名患者的醫療數據,用于開發一個檢測腎病的人工智能系統。
這一協議在2016年被媒體曝光,引發了廣泛的爭議。
2017年7月,英國信息專員辦公室(ICO)經調查后裁定,皇家自由信托和谷歌的數據共享協議“未能遵守數據保護法”。
因為根據英國法律,除非患者明確同意,否則他們的數據只能用于“直接醫護”的目的,而開發新的診療系統并不屬于直接醫護的范圍。

  如果不能獲取大量數據,人工智能將難以發展。
很多電腦科學家認為,現行法規已不適應當前科技發展的趨勢。
但想要改變法律絕非易事,尤其是在信息安全和隱私保護的領域,還有大量的技術問題和倫理問題尚待解決。

  有信息專家提出,只有同意分享自己的健康數據的人,才能被允許享受相關研究成果帶來的好處。
但是這種區別對待的策略的可行性尚待討論。

  除了隱私問題,醫療事故責任也是一個不容忽視的問題。
如果只是作為一種輔助診斷工具,人工智能不需要負任何責任。
但如果是獨立工作的人工智能呢?雖然現在人工智能還沒達到這種水平,但計算機科學的發展日新月異。
也許不久后,人工智能初診機器就能變得像自動販賣機一樣常見。

  我們必須明白,如果獨立工廣東深圳專業醫用設備外觀工業產品設計快速挺進醫療行業創造醫療新體驗作的醫療人工智能得以普及,人工智能工具的制造商就必須為其醫療行為負責。
根據現行法律,對于由醫療器械的設計或制造缺陷造成的醫療事故,制造商必須承擔賠償的責任。
但機器學習的特殊性可能會使問題復雜化。
“黑匣子”系統的學習過程是無法完全人為控制的,如果人工智能做出了錯誤診斷,是應該歸因于有缺陷的算法,還是歸咎于系統自身“學藝不精”呢?人工智能的制造商是否應該對此負全責?這些廣東深圳專業斐珞爾美容器產品設計公司淺談工業設計中的方式設計都是值得探討的問題。
對手還是助手
  比起現有醫療系統,醫療人工智能的優勢十分明顯:準確、高效、運行成本低,而且很容易通過互聯網進行遠程診療。
有研究顯示,當患者通過電腦咨詢醫生時,比面對面時更容易敞開心扉。
那么,這是否意味著人工智能可以取代醫生呢?
  至少在目前看來還沒有這種可能。
包括特龍在內的許多電腦科學家和醫學專家都認為,人工智能將成為醫生的“助手”而非“對手”。
特龍認為,人工智能和手?C一樣,都是一種輔助工具。
正如手機使人能遠隔千里進行對話,但不能替代語言本身;人工智能使人的思維能力強大百倍,但不能代替人的頭腦。
隨著醫療人工智能的成熟,它將替代人類完成皮膚科、放射科和病理科中的很多工作――主要是重復審查圖像的工作,這使醫生的工作負擔大為減輕。

  醫療人工智能也可能改變社區醫生或全科醫生的工作方式。
在人工智能的幫助下,他們能進行專業的醫學影像分析和簡單的手術,為患者提供更多更專業的服務。
這也意味著,同時患有多種疾病的病人可以在自家附近接受全面的醫療服務,而不用在大醫院各個科室之間輾轉。

  人工智能的發展甚至可能重塑培養醫生的方式。
有專家認為,以后的醫學教育或將減少死記硬背的知識點,更專注于培養解決問題的能力和批判性思維。
此外,數據科學也將成為醫學生的必修課程。
微信
粵ICP備16001253號-1
国产精品成久久久久三级_国产av无码片毛片一级_国产a级免费无码播放_日韩不卡高清无码人妻
<td id="wfluq"><mark id="wfluq"></mark></td>

<nobr id="wfluq"><rt id="wfluq"></rt></nobr>
<th id="wfluq"><s id="wfluq"><meter id="wfluq"></meter></s></th>