微信扫一扫，关注公众号
科技行者
算力行者
见证连接与计算的「力量」
谷歌、盖茨基金会正尝试用AI对抗每年夺走60-80万生命的疾病 | 详解AI在医学的七大应用场景（附报告下载）
CNET科技行者 9月14日 北京消息： 必然会有一波搞研究的人尝试用AI解决。
1920年，国立医学图书馆的海报中一只巨型蚊子站在人体之上，其寓意旨在呼吁人们远离蚊子。
来对抗这一疾病。
对疟疾传染源进行精确定位。
谷歌地球引擎技术（Google Earth Engine）对疟疾传染源进行精确定位
解释了谷歌地球引擎技术帮助人们对抗这种疾病的原理：
“在斯威士兰和津巴布韦，只要有人被确诊得了疟疾，工作人员就会前往感染发生的村子，精确采集感染地点的GPS定位数据。不过只看这些定位点，你还无法准确判定该地区的疟疾风险。你还需要通过卫星图像结合当地的降水、气温、坡度、海拔等环境因素，因为这些因素都会影响到蚊虫的繁殖和寄生虫的发育。”
疟疾风险地图”，谷歌地球引擎还使这些辅助性（但又十分重要）的数据变得更易于采集。
不仅是谷歌，另一科技巨头微软公司创始人比尔·盖茨，由他创办的“盖茨基金会”，同时也投注了大笔资金，用于研发的技术则可以帮助判断出病人是否感染了疟疾，感染的是疟疾中的哪一种类，以及可能是从哪些渠道感染的。相比传统方式下需要大量看样本，做分析，该技术让医生的效率大为提升。
AI在医疗行业7个开创性的应用领域
事实上，计算机与医疗的结合为未来医疗开启了新大门。医疗健康行业是一座“数据金矿”，高质量的医疗数据会成为人工智能引擎的宝贵助力。
当然，AI在医疗的应用远不止对抗疟疾，其实它还有一些典型场景。这里，我们总结了AI在医疗行业7个开创性的应用领域。
1、疾病诊断
疾病的识别诊断一直是医学研究的前沿。根据美国药物研究与制造商发布的2015年报告，有800多种药物和疫苗用于治疗癌症。
奈特（Knight）研究所研究员杰夫·特纳（Jeff Tyner）在接受彭博科技（Bloomberg）采访时表示，虽然这令人兴奋，但还是不容易找到行之有效的方法来处理所有数据结果。
Tyner表示：“生物学家与计算机专家合作非常重要。”
毫不奇怪，一些大公司已经开始这方面的研究布局，特别是在像癌症识别和治疗这样的重要领域。
2011年10月，IBM沃森健康公司（Watson Health）宣布与沃森基因组学公司（IBM Watson Genomics）合作，该计划旨在通过集成认知计算和基因组肿瘤测序，推动精密医学领域发展。
目前正在进行的研究项目包括静脉内肿瘤治疗的剂量试验和前列腺癌检测和后续管理。
其他主要的例子包括谷歌的DeepMind Health，去年宣布与英国的多家合作伙伴关系，包括伦敦的Moorfields眼科医院，他们正在开发技术来解决老化眼睛黄斑变性的问题。
在脑部疾病如抑郁症等领域，牛津的“抑郁症预防及应对”（PReDicT）项目正在使用预测分析来帮助诊断并提供治疗，他们的总体目标是研发一组情绪测试问卷调查用于临床。
2、个性化医学
个性化医学或基于个人健康数据的预测分析也是当前一个热点研究领域。
该领域目前大多采用监督学习（Supervised Learning），这让医生们可以从更有限的诊断集中进行选择，或者基于症状和遗传信息来估计患者风险。
IBM沃森研究中心肿瘤学部门和斯隆凯特林纪念医院目前在该领域处于领先地位。他们致力于使用患者医疗信息和诊疗历史来选择最优治疗方案：
在接下来的十年中，我们将会看到微生物传感设备以及具有更复杂的健康测量和远程监控功能的移动APP的广泛使用，这将带来可用于帮助促进研发和治疗功效的大量数据。
这种个性化治疗有益于帮助提高健康，并最终降低总体医疗成本。
在初步（早期）药物设计中使用机器学习具有巨大潜力，从药物化合物的初步筛选到基于个体因素的药物有效性预测，以及一系列新技术，如下一代测序等。
精准药物医学是这一领域的前沿。这涉及确定“多因素”疾病的机制，或者寻找替代治疗等等。
很多这方面研究涉及无监督的学习，目前很大程度上我们仍然局限于识别数据模式（而非预测）。
图示：
A：监督和无监督学习问题的矩阵表示
B：决策树将特征映射到结果
C：神经网络基于特征的变换来预测结果
D：最近邻算法 - 基于最相似训练样本值的分类器
该领域的主要开拓者包括MIT临床机器学习小组。 其精密医学研究侧重于开发算法，以更好地了解疾病过程并设计有效治疗2型糖尿病等疾病。
微软的汉诺威项目正在多个计划中使用ML技术，其中包括与奈特癌症研究所合作开发用于癌症精准治疗的AI技术，目前着眼于开发治疗个性化急性骨髓性白血病（AML）的药物组合。
英国皇家学会还指出，药物研究中运用ML已经成熟。 来自实验或制造过程的数据有可能帮助制药厂商减少生产药物所需的时间，从而降低成本并提高重复率。
4、临床试验研究
机器学习可以用来指导临床试验研究。应用高级预测分析，我们可以利用比目前更广泛的数据，例如社会媒体和医生门诊记录，以及在针对特定人群时的遗传信息来确定临床试验候选人; 这一切将使得临床实验更小，更快，更便宜。
ML还可用于远程监控，例如，监测患者体征以发现任何人身伤害或死亡的迹象。
据麦肯锡称，ML可以帮助提高临床试验效率，包括找到最佳样本大小; 适应患者个体差异; 以及使用电子医疗记录来减少数据错误（例如重复输入）。
5、放射学和放射治疗
在2016年10月的“统计新闻”采访中，哈佛医学院助理教授Ziad Obermeyer博士说：“20年后，放射科医生将不复存在。他们可能看起来更像是人和机器的混合体：应用ML算法每分钟他们可以读取数千个病例。
“ 目前，Google的DeepMind Health正在与伦敦大学学院（UCLH）合作开发能够检测健康和癌组织差异的ML算法帮助改善放射治疗。
图片来源：Google DeepMind健康 - 放射治疗计划
DeepMind和UCLH正在努力应用ML，以加快癌组织分割过程（确保没有健康的结构受损）并提高放射治疗的准确性。
6、智能电子健康记录
使用支持向量机（SVM）进行文本分类（例如通过电子邮件来对患者查询进行排序）以及光学字符识别（或OCR，将草图手写转换为数字化字符）都是成熟的ML应用。
这将有助于推动电子健康的收集和数字化。 这方面的工作包括MATLAB的ML手写识别技术和Google用于OCR的Cloud Vision API。
MIT临床机器学习小组正在推动下一代智能电子健康记录的发展，他们使用内置的ML算法来帮助诊断，临床决策和提供个性化治疗建议。 MIT在其网站上写道:“我们需要强大，安全及可解释的ML算法。它可以从小规模的标注训练集中学习，并支持自然语言交互，从而可推广至大量医疗机构。
7、疫情爆发预测
根据从卫星收集的数据，网络上的历史信息，实时社交媒体更新等等，ML和AI技术也被应用于监测并预测世界各地的疫情爆发。
目前已有基于支持向量机（SVM）和人工神经网络（ANN）的模型来预测疟疾疫情。采用的数据包括温度，月平均降雨量，阳性病例总数等等。
疫情预测在第三世界国家尤其迫切。这些国家往往缺乏医疗基础设施，教育途径和及时治疗机会。 ProMED是一个基于互联网的邮件系统以用于监测新出现的疾病并实时提供疫情报告：
图片来源：Going International
图片来源：CDC - HealthMap报告用于跟踪和预测登革热病毒（dengue virus）爆发
有待克服的障碍
在将ML技术应用于制药和医疗的这场竞赛中，还有如下待解决的挑战：
- 数据整合是目前最为紧迫的问题之一。医疗数据仍然是敏感的个人隐私。一向以来我们认为大多数公众会担心医疗数据中的隐私问题。有趣的是，2016年3月份的Wellcome基金会对英国公众的调查发现，只有17％的受访者明确表示不同意将他们的匿名数据提供给第三方进行研究。
- 为满足严格的药物开发规定我们需要算法更透明;人们需要能够透过“黑盒”来理解算法结论背后的推理过程。
- 招聘数据科学人才，建立健全的数据科学流程。
- 打破“数据孤岛”并真正建立以数据为中心的观点。横跨部门领域至关重要，我们需要以积极推动行业的心态，看到大数据机器学习这一趋势的长期价值。
- 作为实现这一切的第一步，我们需要对目前数据库中分散凌乱的电子记录进行整合。
-END-
就结束了吗？
国内也有机构专注AI医疗深度研究报告。
。
AI医疗报告，下载报告。
<来源 ：Techemergence;编译：科技行者>
0赞好文章，需要你的鼓励
至顶头条
科技行者
码客人生
奇客Solidot
奇客情报站
奇客故事
推荐文章
2025-04-23 17:39奖励设计：让AI学会智能使用工具的关键
想象一下，你有一个非常聪明的朋友，他知道很多知识，但每当需要使用计算器、搜索引擎或查询最新天气时，却变得像个笨手笨脚的孩子。这正是当前大语言模型（简称LLMs，如ChatGPT这类AI系统）面临的尴尬处境。
2025-04-23 17:34ToolRL：奖励设计是工具学习所需的全部
想象一下，你拥有一个聪明的助手，它知道很多知识，但在面对需要使用计算器、搜索引擎或查询最新信息时却显得笨手笨脚。这正是当前大语言模型（LLMs）面临的困境。虽然这些模型已经通过监督微调（SFT）学会了使用工具的基本能力，但它们常常在面对复杂或不熟悉的场景时表现不佳。
2025-04-23 14:08X-Teaming：使用自适应多智能体进行多轮越狱攻击和防御
想象你正在和一个智能助手聊天。如果你直接要求它提供有害信息，它很可能会礼貌拒绝。但如果你通过一系列看似无害的对话，逐步引导它走向你的真实目标呢？这就是当前AI安全领域面临的一个严峻挑战——多轮对话中的安全漏洞。
2025-04-22 16:43"思考操纵"：用外部思考让大型推理模型更高效
想象你在使用一个非常聪明的AI助手完成一项复杂任务，比如解决一道数学难题。你可能注意到这个助手会花很长时间"思考"，一步一步写下大量推理过程，最后才给出答案。虽然这种详细的思考过程确实帮助AI做出了更准确的判断，但同时也带来了一个明显的问题：它太"啰嗦"了，消耗了大量的计算资源和时间。
奖励设计：让AI学会智能使用工具的关键
ToolRL：奖励设计是工具学习所需的全部
X-Teaming：使用自适应多智能体进行多轮越狱攻击和防御
"思考操纵"：用外部思考让大型推理模型更高效
