人工智慧套用於醫療領域的前景可觀。
編者按：隨著科技的進步，醫療保健領域也隨著人工智慧的套用逐漸邁向了自動化和數據化。那麽傳統醫療對於人工智慧的加入進行了怎樣的調整呢？Charles Koontz 是 GE Healthcare 公司的首席數據官，他透過分析醫生、數據和疾病之間的關系給出了自己的看法。
醫療的安全
多虧了人工智慧，醫療保健才能進入大數據時代。回想一下你日常生活中那些效率低下的事情吧：冗長的隊伍、堵塞的交通、用「蝸牛信件」來郵寄你的賬單和信件，這些低效率的事情著實讓人很煩躁，但是這些通常不涉及生死。醫療保健則不一樣，它對於生產力的需求是不一樣的，醫療自動化的潛力也不一樣。事實上，醫療保健所需的東西更多，面也更廣。
數據：驅動力
醫療保健數據量大的讓人難以相信。隨著病人病歷等傳統形式的資訊電子化，一些新的數據也開始逐漸走向數位化——比如人體4D影像和高分辨率基因組影像。美國科學公共圖書館在其發行的期刊上發表了一項研究。研究預測在未來的醫療研究中，僅基因組研究方面產生的數據量將會等於天文科學、YouTube和Twitter在2025年產生的數據總和。
那麽，我們如何有效的了解所有的這些資訊呢？機器學習和深度學習可以幫上忙。機器學習是實作人工智慧的方法。而深度學習是機器學習的下屬概念，它可以幫助「訓練」人工神經網路。隨著時間的推移，從而使得人工智慧可以提供正確性接近百分之百的答案。並且使人工智慧可以處理、分析、辨識資訊的模式來提高處理品質、處理速度以及後續維護的效果。
人工智慧已經產生了不小的影響
舉個例子，史丹佛大學的研究人員開發了一種可以從肺癌組織的病理影像中辨識出數千個目標特征的演算法。隨後，透過機器學習讓電腦軟體程式來評估樣本。之後，電腦就可以以完全自動化的方法透過滑膜病理學準確地對癌癥患者的未來情況進行預測。研究人員表明這個辦法「可以為許多患者的未來情況提供快速且客觀的預測」。
最近，GE Healthcare也宣布與UC San Francisco（UCSF）進行合作，二者準備開發一個深度演算法庫，幫助加速鑒別和診斷，改善臨床工作流程，進而縮短治療時間並最佳化患者情況預測過程。一旦這些演算法作為GE Health Cloud和智慧GE影像機上的應用程式部署在全球範圍下，那麽全球的臨床醫生就將可以透過虛擬技術以及自身的相關專業知識和工作來建立新的演算法。當然，放射學只是套用機器學習和深度學習對其進行改進的眾多領域之一。其他的領域還有，例如個人化醫學和藥物研制透過虛擬護理助手進行遠端監測以及逐漸替代手動輸入電子健康記錄（EHR）的自然語音語言辨識軟體等等。
仍然存在的問題
但是，盡管有了所有的承諾，我們仍然不能忽視機器學習和深度學習給人們帶來的懷疑和恐懼。醫療保健是一個高度復雜、需要監管且涉及私人資訊的領域。而且，由於其結合了科學、機械和患者的個人資訊的獨特性數據，這個行業需要的創新不僅僅是新鮮的小工具或者免洗的應用程式，這些都未觸及創新的本質。
機器學習和深度學習是可以真正的、可操作的用於支持創新的方式。隨著人口老齡化的加快，消費者參與度不斷提高，價值型醫療服務的需求量也在增加，再加上世界範圍內專業的醫療保健人員的短缺，機器學習和深度學習有著難以估量的潛力來滿足患者最大程度的需求以及彌補醫療機構的短缺。
我們自身也好，朋友家人也好，最終都將成為病人。而機器學習和深度學習將會從各個方面改善我們診療過程，比如對EHR、實驗室測試、基因組以及成像的數據進行實分時析和利用。這樣就可以實作對病人提供最高品質和最有效的護理。
研究中的技術代表了現階段正在進行的研究和努力。這些技術不是產品且可能永遠不會作為產品銷售。尚未透過美國食品藥品管理局或任何全球監管機構批準用於商業。
轉譯來自：蟲洞翻翻 譯者ID：南驤
