AI+医疗：为救药，医生主动出战。相关的流行语已经很熟悉了，但并不是每个人都知道它们可能带来的后果。大多数人，尤其是千禧一代，似乎对人工智能技术非常乐观，认为它总体上令人兴奋。深度学习是机器学习的一个分支，是比较综合的技术组合。深度学习定义了人工神经网络在模仿学习中的范围。更确切地说，深度学习因此也被称为深度结构化学习或可微分编程，它可以采用监督、半监督或无监督的任何学习方法。深度神经网络、深度信念网络、递归神经网络和卷积神经网络主要应用于语音识别、自然语言处理、计算机视觉、音频识别、社交网络过滤、机器翻译、生物信息学、药物设计、医学图像分析等领域作为材料测试和棋盘游戏程序。深度学习技术的每一部分都可以产生媲美人类专业水平的成果，甚至超越人类。总的来说，机器学习的概念是这样的：这种精密的设计应该能够借助经验来学习和适应环境，“聪明地”执行任务。人工智能可以通过向机器学习、深度学习或其他系统学习来解决实质性问题。在计算机科学领域，人工智能也称机器智能，无非是机器的演示能力，是人和动物典型的智力特征。人工智能和机器学习的用途借助人工智能，人们可以完成各种各样的任务。利用人工智能，人们可以通过语音提问，得到很多小众问题的答案，甚至计算机可以找到人脑永远想不到的数据；人工智能利用深度学习对数据进行归纳，为进一步探索信息提供解决方案。同样，人工智能会将提取的信息进一步分享到其他人之前提出的相同问题中，人们可以在屏幕上或直接通过对话获得答案。人工智能和深度神经学习的效用，尤其是在改善人类生活质量方面的效用，似乎具有潜在的合法性和前景。然而，现实生活中的信息是多种多样的。事实上，这些技术可以即时确定医学治疗的有效性、零售业的快速库存建议以及无法检测的金融欺诈预防。计算机可以有效地识别必要的信息，分析所有因素之间的关系并形成答案，然后自动传输给用户。这为后续查询提供了选项，甚至可以在无需人工干预的情况下更好地执行额外的预设任务。每一种人工智能、机器学习和深度学习技术都依赖于一组明确的指令或算法，这些指令或算法可以由计算机执行，而这些指令或算法通常不会被公开。但随之而来的是，人工智能的效用参差不齐，因为该技术的风险和收益取决于其特定算法。人工智能实现了真正的人机交互，以不断提高的精度真正放大了人类的潜能。随着时间的推移，使用各种机器学习技术的智能机器能够理解各种请求，无论是好的还是坏的。人工智能不考虑道德后果，它只负责连接数据点并得出结论，然后学会推理、观察和计划。从亚马逊的Alexa到苹果的Siri的所有进步，都让人工智能更接近其创造智能机器的初衷，人工智能在日常生活中得到广泛应用。从我们最喜欢的零售网站上的推荐到社交媒体上自动生成的照片标签，许多常见的网络设施都由人工智能提供支持。然而，随着人工智能技术的进步，越来越多的隐私被公开，人身自由变得越来越渺小。医疗领域的人工智能人工智能正在成为医疗领域的一股变革力量，如预期般颠覆着医疗领域的方方面面。人工智能有望通过接口整合人机思维，在不使用键盘、鼠标和显示器的情况下，建立技术与人脑之间的直接联系。目前是一个比较前沿的研究课题，在病人护理方面有大量的应用。例如，神经系统疾病和神经系统创伤会损害该技术可以补偿的某些生理功能。人工智能还可以为无法说话的患者说话，为瘫痪患者移动手臂。用于放射读出的下一代AI通过MRI机器、CT扫描仪和X射线拍摄的放射图像，人们可以无创地看到人体解剖学的内部运作。虽然一些诊断程序仍然依赖于直接组织取样或组织活检，存在感染和出血的风险，但人工智能将使下一代放射机器能够在选定的病例中完全免除诊断活检。人工智能通过推进“放射组学”的创新领域，使“虚拟活检”成为可能。人工智能将大大改善农村等服务欠缺地区的医疗服务。缺乏合格的医生，包括放射技师和放射科医师，可能会阻碍全球发展中国家的紧急医疗服务。人工智能可以通过承担一些通常分配给人类的职责来缓解合格临床人员的严重短缺。人工智能算法使电子健康记录(EHR)更加高效电子健康记录在医疗保健行业向经济和临床健康的文档和健康信息技术(HITECH)的转变中发挥着越来越积极的作用。然而，健康记录向数字化的转变存在许多问题，从认知超载、连续记录到医生倦怠。经济和临床健康健康信息技术行业现在正在使用人工智能和深度学习，通过自动化一些占用医生大部分时间的正式规则来创建更多自发界面。机器学习和人工智能可能会进一步支持常规的收件箱请求，例如药物补充和结果通知。此外，它还协助完成需要临床医生优先处理的任务。医疗设备成为自主机器人智能医疗设备正在丰富用户场景，从肠道内的实时视频到检测面部表情以诊断早期自闭症。在医疗保健环境中，智能机器在从重症监护病房到家庭护理的各种环境中监测患者方面发挥着重要作用。通过人工智能，医生将有更大的能力识别病理恶化，如脓毒症，如果它们是紧急的，或者在并发症发生之前检测到它们的发展，从而显着提高临床表现并可能降低院内感染的成本。人工智能避免抗生素耐药性风险抗生素耐药性对人类来说是一个越来越大的危险，因为过度使用这些基本药物会促进某些细菌菌株的进化，这些菌株对未来的治疗没有反应。精准分析病理图像如今，病理标本为医生提供了超过70%的诊断数据来源，涉及整个医疗服务领域。在电子健康记录系统中，几乎所有提取的数据都是可用的。因此，数据越准确，就能越早得到正确的诊断，数字病理、数据和人工智能可以提供更好的医疗服务。深度学习算法和人工智能分析技术可以在大型数字图像上精确到分钟的精度，使医生能够查明肉眼看不见的细微之处。人工智能可以通过在临床医生研究数据之前识别病理准备中感兴趣的特征来进一步提高生产力。免疫疗法和基于基因组的癌症治疗无价之宝——深度学习和人工智能免疫疗法是癌症治疗领域最令人惊叹的成就之一，它指导和利用人体自身的免疫反应来攻击恶性肿瘤。深度学习算法及其人工智能促进高精度数据集的合成，根据个体癌症独特的遗传结构方向做出精准的靶向治疗决策。改造电子健康记录，人工智能增强患者风险分层患者病历是个人数据的宝库，但准确、及时和一致地提取和分析如此丰富的信息一直是医生和数据分析师面临的持续挑战。数据质量和真实性以及数据集混合等问题会使任务复杂化。此外，结构不良和记录不完整的输入使得理解如何进行有意义的风险分层、预测分析和对临床决策的支持变得极其困难。电子健康记录分析产生了许多蓬勃发展的风险评分和分层工具。然而，其中，研究人员应用深度学习方法对看似无关的数据集之间的独特关联进行分类。智能机器改进了监测健康的可穿戴设备随着可穿戴设备的普及，从消费者那里收集重要健康数据并通过智能手机传输这些数据的传感器的实用性变得越来越不可避免。例如，使用计步器，人们可以持续跟踪他们的心跳。通过这项技术，未来将产生越来越多的健康相关数据。医疗信息的收集和分析，辅以通过应用程序和其他家庭监控设备从患者那里获得的数据，可以为个人和人类福祉提供独特的视角。人工智能可以发挥重要作用，从海量无穷无尽的数据宝库中提取可操作且有用的信息。移动自拍作为未来的临床检查工具专家认为，智能手机和其他使用便携式设备的客户拍摄的图像将成为临床质量成像的重要补充，尤其是在服务欠缺的地区或发展中国家。手机摄像头的质量逐年提高，生成可操作的图像，并使用人工智能算法进行分析，这在现代皮肤病学和眼科学中广为人知。英国研究人员甚至开发了一种方法，通过分析婴儿在子宫内的面部图像来识别发育异常。人工智能正在改变医生的诊断方式随着医疗保健行业从收费报销制向绩效补偿模式转变，医疗保健行业也正在从治疗已有疾病的“反应性护理”转变为“主动护理”在症状出现之前解决问题。人工智能将为这场诊断革命奠定基础，促进预测分析和临床判断引导仪器的开发。这些仪器会在医生意识到需要解决问题之前提醒他们。深度学习有何用处深度学习在实际应用中具有宝贵的潜力。传统的机器学习描述的训练方法是在用于训练程序的图片上标注图片中事物的名称。传统的机器学习方案通常使用照片并将它们与图像中包含的“标记”相匹配，后来的机器学习技术被称为“监督学习”。还记得您在Facebook上标记自己的照片或朋友的照片吗？这就是机器学习如何识别面孔，从其他人身上识别出来，并将它们与互联网上的其他识别因素进行匹配，以供未来研究之用。身份验证和识别。与机器学习中使用的其他训练技术相比，监督学习速度很快，并且需要相对较少的计算能力。然而，对于现实世界的应用，它有一个明显的缺点，那就是每天从社交媒体、硬件和软件服务合同、软件许可和网站咨询包中收集的大量信息。机器学习辅助数据挖掘或个人信息收集对于具有各种议程的大小企业都很重要。问题是这些数据都没有标记，不能用于指导依赖监督学习的机器学习程序。因为它仍然需要人来标记或标记数据，这不仅耗时而且成本高。深度学习网络避免了传统机器学习的缺点，因为它们使用“无监督学习”。深度学习不使用任何数据标签或标签。即使图片没有名字“Tag”，深度神经网络仍然可以学习识别人。能够从未标记或无组织的数据中学习对于那些对现实世界的应用感兴趣的人来说是一个巨大的优势，而深度学习为那些想要使用它的人打开了非结构化数据的巨大宝库。人工智能和深度学习为您打造个性化医疗服务。21世纪，医生和医疗卫生部门仍然希望坚持希波克拉底的个性化医疗，用更先进的技术来保持高质量的医疗服务。同时，医学界不再理性，迅速将神圣的临床判断推向基于协议的算法患者护理。以前的人口健康模型是造成这种情况的罪魁祸首之一。但是，如果以透明和负责的方式获得人工智能，可以为个性化医疗保健系统奠定基础。深度学习技术可以学习患者从出生开始的所有信息，并以去中心化的方式（使用区块链技术）保存，不会将个人信息泄露给他人。作为数据的唯一所有者，患者、医生或其他用户收集和持有的数据将能够使用无监督的深度学习技术来帮助人们获得他们想要和需要的个性化护理。大数据的集中处理只会让其他行业受益，并加剧有缺陷的人口健康模式的污染。人工智能允许医生根据患者的需要定制治疗方案。人口健康原则无法满足患者的个体需求。基于人们的期望和需求，深度学习将了解个人需求，为医生和患者提供优秀的建议。人工智能也有缺点。过去，现代社会在处理公共数字信息方面非常自由，但现在和未来人们都将不得不为这种幼稚的态度付出代价。人们最终将了解它所暴露的价值以及它如何被滥用或用来对付他们。最重要的是，人们最终会意识到他们的数据不仅仅是对付他们的秘密武器，即使社交媒体巨头和科技大亨公开保证，它也是可以装进口袋的数字货币，个人数据在全球范围内被间接武器化和洗过的。尽管如此，我们所有人认识到这些问题还为时不晚。Facebook用户对与他人共享数据越来越谨慎，但在无人监督的深度学习中，谨慎无济于事，除非人们完全停用Facebook。同样，患者往往更信任他们的医生，而不太可能信任像Facebook这样的大公司。这些公司可能通过将数据输入大型研究项目来帮助缓解人们的不适，但如果数据集中存储并且科技巨头是“大数据”的唯一持有者，那有什么好处呢？自动化——导致失业尽管人工智能取代人类工作的问题引起了很大的争议，但这并不是最值得关注的问题。人工智能将取代许多行业的特定工作，而不仅仅是那些预期和重复的工作。然而，毫无疑问，变化已经开始。侵犯用户隐私不当使用人工智能威胁各种数字安全的可能性是一个迫在眉睫的问题。培训机器黑客或社会工程的受害者是一个非常令人担忧的问题。此外，那些从事非国家行为、在市场上将无人机武器化、实施消除隐私的监视以及收集、压制、自动化和瞄准虚假信息活动的人是我们不想看到的。Deepfakes（换脸软件）也使用了深度学习。同样，由声音和图像组成的音频和视频，Deepfakes也引起了轰动。使用可能涉及自然语言处理的机器学习和深度学习，可以篡改任何个别政客的音频片段，使其看起来像是在表达种族主义观点，而实际上他们并没有。不良数据导致社会经济不平等和算法偏差社会经济差距的持续扩大值得深思。利用人工智能驱动的工作来诱发人类失业成为一个重要问题。与教育一起，工作长期以来一直是社会流动性的驱动力。然而，当涉及到某种工作时，现实表明，那些发现自己被排斥在外的人比那些身居高级职位但收入更高的人更不可能获得或寻求再培训。所有形式的人工智能偏见都是不好的，数据和算法中的偏见也是如此。数据和算法中的偏差会“放大”人工智能偏差。我们要时刻记住：人工智能是人类的产物，人类天生就受到影响。人工智能研究人员只是在社会经济发达地区长大的某些种族的人。科学家首先是健康的人，来自相对同质的人群。因此，这些人很难有效地将社会的多样性与他们的关切联系起来。从数据挖掘到深度学习，再到人工智能，所有的偏见都源于社会和经济方面的考虑。技术是人类设计的衍生物。武器自动化人工智能可能比炸弹更危险。如果哪个军事大国研制出人工智能武器，我们几乎可以预见一场全球军备竞赛。这项技术的发展是显而易见的，自主武器将成为未来的枪支。与核武器不同，人工智能的原材料便宜且容易获得。它们将无处不在，而且便宜到足以被所有主要军事霸主大规模生产。智能机器人武器出现在黑市上并落入希望更好地控制群众的激进分子、独裁者、希望清洗种族的暴君等手中只是时间问题。人工智能军备战争对人类不利。美国军方提出的2020年预算为7180亿美元，其中将近10亿美元用于支持后勤、情报分析和武器装备的人工智能和机器学习。人工智能和大数据帮助企业剥夺用户。今天，利用人工智能，垄断公司正在阅读人们的思想并在不违法的情况下获取他们的个人信息。人们确实被这些行业所剥夺。人工智能行业正在取代医生高科技行业普遍认为，机器终将取代医生。虽然这可能真的会发生，但这远非明智之举。机器学习和人工智能的滥用不仅让医生不堪重负，还会影响患者护理质量。建立一种使用预先编写的算法通过商业智能或机器学习从不同来源收集数据的技术的趋势越来越可怕。从商业的角度来看，它将与本世纪的淘金热一样有价值；从质量和利用率的角度来看，它与患者护理直接相关。机器学习和人工智能丑陋的健康信息已经成为每个行业的印钞机。健康信息已经建立了一个万亿美元的市场。软件公司告诉市民，数据已加密，其他人无法查看，甚至他们的员工也无法查看。但人工智能让他们能够以任何他们喜欢的方式使用公共数据。随着深度学习技术的进步，网络自由和网络中立的概念越来越落伍。人工授精与基因鉴定目前，人工智能和大数据在人工授精、捐卵、基因鉴定等方面的应用各有优缺点。后者涉及技术、文化和伦理的应用。当每个人都在使用它们时，它们对社会规范稳定的负面影响是巨大的。我们已经进入了一个难以保持匿名、尊重个人隐私和防止重大社会、心理、道德和法律纠纷的空间。除非人工智能和深度学习算法有根本的解决方案，否则家长匿名的时代很快就会结束。在精子库被迫打破与捐赠者的保密协议规则之间，不断扩大的基因检测市场和利润丰厚的企业经济利益，为捐赠者保密和保护下一代的身份必将是一项长期的任务。为什么算法很重要同情心、情感、同理心都是治疗过程和医疗保健的重要组成部分。但即使计算机学会了同理心，也永远无法匹配人类的真实情感，这也是人工智能永远无法取代医生的原因。尽管如此，医生不应该沉浸在周围发生的变化中这一事实并没有隐藏。智能时代已经到来，并可能继续发展。医生可以选择对技术进步视而不见，尤其是在深度学习算法方面，也可以选择精通自己的领域。如果他们选择视而不见，他们将失业，将对患者的神圣职责推给对患者护理知之甚少或一无所知的行业和人员。医生必须改革他们行医的方式。他们必须使用经过医学界验证和测试的最先进工具，协调并引导他们的患者护理方法走上正确的道路。人工智能算法要透明，架构师也要负责任。医生和医疗界必须确保医疗质量，算法透明度也至关重要。这对于人工智能和机器学习来说是必要的，信任技术与信任它的设计者是完全不同的。必须建立问责制，人工智能的任何罪责都必须从实施适当的透明度举措开始。最重要的是，如果医生自己不承担责任，他们必须要求这种透明度并强制问责。这是医学界所期待的变革缩影。法律行业，尤其??是律师，面临着与医生类似的挑战，但他们似乎有效地保留了对人工智能算法的所有权。法律界一致认为，承认“非律师”拥有或投资律师事务所所带来的经济利益冲突威胁到法律制度。从技术上讲，此类规则的反对者特别关注其技术的验证方法，验证和监管不当会使非律师更容易从事某些合法活动。医生必须知道的人工智能医疗技术的快速发展是医生对其脱节的主要原因，反之亦然，利用深度学习获取患者信息的战争已经打响。如前所述，大数据挖掘非常重要，可以为未来取代人类的机器人医疗和人工智能提供所需的海量信息基础。算法应为战术医疗服务提供应有的保障，不应以企业追求经济利益为中心。医生是唯一可以确保深度学习算法适应个人情况的人，并设计为医生服务而不是自己行动的算法。如果医生不能意识到人工智能和深度学习的医疗和法律风险，后果将不堪设想。因此，有用的人工智能必须根据上下文、时间、地点和个人来精确确定医疗标准的具体参考点。在患者的帮助下，医生应该重新定义所有病例，并通过制定个体化方案，在法律、伦理、方法等方面拥有推翻判断的力量。未能在医疗标准范围内解决患者的担忧可能会使主治医生在出现问题时承担法律责任。不幸的是，医学界有自我创造的习惯。医生的习惯做法塑造了与这些个人习惯一致的文化和就业实践。但常规需要打破，如果不扭转这种局面，医生将进一步脱离当代世界。医生必须拥抱人工智能、深度学习技术，就像他们在前几个世纪拥抱听诊器和X光一样。医生必须了解其好处和风险，才能适应良好的医疗实践，保持独立性，确保患者安全，促进现代医疗个性化的发展。
