Technologie-Peripheriegeräte
KI
KI im Gesundheitswesen: Drei Trends, die Sie im Auge behalten sollten
KI im Gesundheitswesen: Drei Trends, die Sie im Auge behalten sollten
Angesichts der COVID-19-Pandemie, der Krise der psychischen Gesundheit, steigender Gesundheitskosten und einer alternden Bevölkerung bemühen sich Branchenführer darum, Anwendungen der künstlichen Intelligenz (KI) für das Gesundheitswesen zu entwickeln. Ein Zeichen vom Risikokapitalmarkt ist, dass mehr als 40 Startups 20 Millionen US-Dollar oder mehr gesammelt haben, um Lösungen für künstliche Intelligenz für die Industrie zu entwickeln. Aber wie wird KI tatsächlich im Gesundheitswesen eingesetzt?
Bei der Gesundheits-KI-Umfrage 2022 wurden mehr als 300 Befragte aus der ganzen Welt befragt, um die Herausforderungen, die KI im Gesundheitswesen, Erfolge und Anwendungsfälle definieren, besser zu verstehen. Dies ist das zweite Mal, dass die Umfrage durchgeführt wird, und die Ergebnisse ändern sich nicht wesentlich, weisen jedoch auf einige interessante Trends hin, die Gutes für die Entwicklung der medizinischen KI in den kommenden Jahren verheißen. Während einige Aspekte dieser Entwicklung positiv sind (die Demokratisierung der KI), sind andere Aspekte weniger aufregend (das Vorhandensein einer größeren Angriffsfläche).
Hier sind drei Trends, die Unternehmen verstehen müssen:
1. Benutzerfreundlichkeit und Demokratisierung künstlicher Intelligenz mithilfe von No-Code-Tools
Gartner schätzt, dass bis 2025 70 % der von Unternehmen entwickelten neuen Anwendungen Code-Tools verwenden werden oder Low-Code-Technologie (weniger als 25 % im Jahr 2020). Während Low-Code die Arbeitsbelastung von Programmierern vereinfacht, werden No-Code-Lösungen, die keinen datenwissenschaftlichen Eingriff erfordern, den größten Einfluss auf Unternehmen und andere Sektoren haben.
Deshalb ist es spannend zu sehen, dass sich der Einsatz von KI deutlich von Fachtiteln hin zu Fachexperten verlagert.
Für die Gesundheitsbranche bedeutet dies, dass mehr als die Hälfte (61 %) der Befragten der AI-Healthcare-Umfrage Kliniker als Zielgruppe identifizierten, gefolgt von Kostenträgern im Gesundheitswesen (45 %) und IT-Unternehmen im Gesundheitswesen (38 %). In Verbindung mit der erheblichen Entwicklung und Investition in KI-Anwendungen für das Gesundheitswesen und der Verfügbarkeit von Open-Source-Technologie sind dies gute Vorzeichen für eine breitere Akzeptanz in der Industrie.
Für das Gesundheitswesen bedeutet dies, dass mehr als die Hälfte (61 %) der Befragten der Umfrage „KI im Gesundheitswesen“ Ärzte als ihre Zielnutzer identifizierten, gefolgt von Kostenträgern im Gesundheitswesen (45 %) und IT-Unternehmen im Gesundheitswesen (38 %). In Kombination mit der erheblichen Entwicklung und Investition in gesundheitsspezifische KI-Anwendungen und der Verfügbarkeit von Open-Source-Technologie deutet dies auf eine breitere Akzeptanz in der Branche hin.
Das ist enorm: Die Bereitstellung von Code in den Händen von Mitarbeitern im Gesundheitswesen, wie bei gängigen Bürotools wie Excel oder Photoshop, wird die KI verbessern. Dadurch wird die Technologie nicht nur leichter zugänglich, sondern auch die Ergebnisse werden genauer und zuverlässiger, da jetzt medizinische Fachkräfte und nicht Software-Experten das Sagen haben. Diese Veränderungen geschahen nicht über Nacht, aber die Zunahme der Fachexperten als Hauptnutzer von KI ist ein großer Schritt.
2. Tools werden immer ausgefeilter und Texte werden nützlicher.
Weitere ermutigende Erkenntnisse betreffen Fortschritte bei KI-Tools und den Wunsch der Benutzer, tiefer in bestimmte Modelle einzutauchen. Auf die Frage, welche Technologien sie bis Ende 2022 einzuführen planen, nannten die Technologieführer in der Umfrage Datenintegration (46 %), BI (44 %), NLP (43 %) und Datenannotation (38 %). Text ist heute der Datentyp, der am häufigsten in KI-Anwendungen verwendet wird, und die Betonung der Verarbeitung natürlicher Sprache (NLP) und der Datenannotation deutet darauf hin, dass ausgefeiltere KI-Techniken auf dem Vormarsch sind.
Diese Tools unterstützen wichtige Aktivitäten wie die Unterstützung klinischer Entscheidungen, die Entdeckung von Arzneimitteln und die Bewertung der Gesundheitspolitik. Zwei Jahre nach Beginn der Pandemie wird deutlich, wie wichtig Fortschritte in diesen Bereichen sind, wenn wir neue Impfstoffe entwickeln und herausfinden, wie wir die Bedürfnisse des Gesundheitssystems nach Großereignissen besser unterstützen können. Anhand dieser Beispiele wird auch deutlich, dass sich der Einsatz von KI in der Medizinbranche stark von anderen Branchen unterscheidet und einen anderen Ansatz erfordert.
Es ist also keine Überraschung, dass sowohl Technologieführer als auch Befragte aus etablierten Organisationen die Verfügbarkeit von gesundheitsspezifischen Modellen und Algorithmen als wichtigste Anforderung bei der Bewertung lokal installierter Softwarebibliotheken oder SaaS-Lösungen nennen. Gemessen an der Risikokapitallandschaft, den vorhandenen Informationen auf dem Markt und der Nachfrage von KI-Nutzern werden gesundheitsspezifische Modelle in den kommenden Jahren nur noch wachsen.
3. Sicherheitsbedenken nehmen zu
Mit all den Fortschritten, die künstliche Intelligenz im vergangenen Jahr gemacht hat, hat sie auch eine Reihe neuer Angriffsvektoren eröffnet. Als die Befragten gefragt wurden, welche Arten von Software sie zum Erstellen ihrer KI-Anwendungen verwenden, waren lokal installierte kommerzielle Software (37 %) und Open-Source-Software (35 %) die beliebtesten Optionen. Am auffälligsten ist, dass die Nutzung von Cloud-Diensten im Vergleich zur letztjährigen Umfrage um
12 % (30 %) zurückging, was höchstwahrscheinlich auf Datenschutzbedenken bei der Datenfreigabe zurückzuführen ist.
Darüber hinaus verlässt sich die Mehrheit der Befragten (53 %) bei der Validierung von Modellen auf ihre eigenen Daten und nicht auf Kennzahlen von Drittanbietern oder Softwareanbietern. Befragte aus etablierten Organisationen (68 %) bevorzugen eindeutig die Verwendung interner Bewertungen und die eigene Anpassung von Modellen. Darüber hinaus gibt es strenge Kontrollen und Verfahren hinsichtlich der Verarbeitung medizinischer Daten, und es ist klar, dass KI-Anwender den Betrieb nach Möglichkeit im eigenen Haus behalten möchten.
Aber unabhängig von den Softwarepräferenzen oder der Art und Weise, wie Benutzer Modelle validieren, können eskalierende Sicherheitsbedrohungen im Gesundheitswesen erhebliche Auswirkungen haben. Während andere kritische Infrastrukturdienste vor Herausforderungen stehen, gehen die Folgen eines Verstoßes im Gesundheitswesen über Reputations- und Finanzschäden hinaus. Datenverlust oder Manipulationen an Krankenhausgeräten können über Leben und Tod entscheiden.
Künstliche Intelligenz steht vor einem noch größeren Wachstum, da Entwickler und Investoren daran arbeiten, die Technologie in die Hände alltäglicher Benutzer zu bringen. Doch mit der zunehmenden Verfügbarkeit von KI und der Verbesserung von Modellen und Werkzeugen werden Sicherheit, Zuverlässigkeit und Ethik zu wichtigen Schwerpunkten. Es wird interessant sein zu sehen, wie sich die KI in diesen Gesundheitsbereichen in diesem Jahr entwickelt und was dies für die Zukunft der Branche bedeutet.
Das obige ist der detaillierte Inhalt vonKI im Gesundheitswesen: Drei Trends, die Sie im Auge behalten sollten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
Heiße KI -Werkzeuge
Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos
AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.
Undress AI Tool
Ausziehbilder kostenlos
Clothoff.io
KI-Kleiderentferner
AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.
Heißer Artikel
Heiße Werkzeuge
Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor
SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen
Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung
Dreamweaver CS6
Visuelle Webentwicklungstools
SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)
Heiße Themen
1359
52
Bytedance Cutting führt SVIP-Supermitgliedschaft ein: 499 Yuan für ein fortlaufendes Jahresabonnement, das eine Vielzahl von KI-Funktionen bietet
Jun 28, 2024 am 03:51 AM
Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen
Kontexterweiterter KI-Codierungsassistent mit Rag und Sem-Rag
Jun 10, 2024 am 11:08 AM
Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird
Sieben coole technische Interviewfragen für GenAI und LLM
Jun 07, 2024 am 10:06 AM
Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren
Kann LLM durch Feinabstimmung wirklich neue Dinge lernen: Die Einführung neuen Wissens kann dazu führen, dass das Modell mehr Halluzinationen hervorruft
Jun 11, 2024 pm 03:57 PM
Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert
Um ein neues wissenschaftliches und komplexes Frage-Antwort-Benchmark- und Bewertungssystem für große Modelle bereitzustellen, haben UNSW, Argonne, die University of Chicago und andere Institutionen gemeinsam das SciQAG-Framework eingeführt
Jul 25, 2024 am 06:42 AM
Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten
Fünf Schulen des maschinellen Lernens, die Sie nicht kennen
Jun 05, 2024 pm 08:51 PM
Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist
SOTA Performance, eine multimodale KI-Methode zur Vorhersage der Protein-Ligand-Affinität in Xiamen, kombiniert erstmals molekulare Oberflächeninformationen
Jul 17, 2024 pm 06:37 PM
Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S
AlphaFold 3 wird auf den Markt gebracht und sagt die Wechselwirkungen und Strukturen von Proteinen und allen Lebensmolekülen umfassend und mit weitaus größerer Genauigkeit als je zuvor voraus
Jul 16, 2024 am 12:08 AM
Herausgeber | Rettichhaut Seit der Veröffentlichung des leistungsstarken AlphaFold2 im Jahr 2021 verwenden Wissenschaftler Modelle zur Proteinstrukturvorhersage, um verschiedene Proteinstrukturen innerhalb von Zellen zu kartieren, Medikamente zu entdecken und eine „kosmische Karte“ jeder bekannten Proteininteraktion zu zeichnen. Gerade hat Google DeepMind das AlphaFold3-Modell veröffentlicht, das gemeinsame Strukturvorhersagen für Komplexe wie Proteine, Nukleinsäuren, kleine Moleküle, Ionen und modifizierte Reste durchführen kann. Die Genauigkeit von AlphaFold3 wurde im Vergleich zu vielen dedizierten Tools in der Vergangenheit (Protein-Ligand-Interaktion, Protein-Nukleinsäure-Interaktion, Antikörper-Antigen-Vorhersage) deutlich verbessert. Dies zeigt, dass dies innerhalb eines einzigen einheitlichen Deep-Learning-Frameworks möglich ist
