


Entwicklung der künstlichen Intelligenz im Gesundheitswesen im Jahr 2022
Für die KI-Umfrage im Gesundheitswesen 2022 wurden mehr als 300 Teilnehmer aus der ganzen Welt befragt, um die Herausforderungen, Erfolge und Anwendungsfälle, die KI im Gesundheitswesen ausmachen, besser zu verstehen. Die Ergebnisse änderten sich im zweiten Jahr der Umfrage nicht wesentlich, es gab jedoch einige interessante Trends, die die Entwicklungen in den kommenden Jahren vorwegnahmen. Während einige Aspekte dieser Entwicklung positiv sind (Demokratisierung der KI), bergen andere Aspekte Risiken (größere Angriffsfläche). Hier sind drei Trends, die Unternehmen beachten müssen.
1. Benutzerfreundlichkeit und Demokratisierung künstlicher Intelligenz durch No-Code-Tools
Laut dem Forschungsunternehmen Gartner werden bis 2025 70 % der von Unternehmen entwickelten Anwendungen No-Code- oder Low-Code-Technologie verwenden (2020 weniger als 25 %). pro Jahr). Während Low-Code die Arbeitsbelastung von Programmierern vereinfachen kann, werden No-Code-Lösungen, die keinen datenwissenschaftlichen Eingriff erfordern, einen größeren Einfluss auf Unternehmen und darüber hinaus haben.
Für die Gesundheitsbranche bedeutet dies, dass mehr als die Hälfte (61 %) der Befragten der KI-Umfrage im Gesundheitswesen Kliniker als ihre Zielnutzer identifizierten, gefolgt von Kostenträgern im Gesundheitswesen (45 %) und IT-Unternehmen im Gesundheitswesen (38 %). In Kombination mit erheblichen Entwicklungen und Investitionen in gesundheitsspezifische KI-Anwendungen und der Verfügbarkeit von Open-Source-Technologie lässt dies darauf schließen, dass es zu einer breiteren Akzeptanz in der Branche kommen wird.
Das ist wichtig, denn Code in die Hände von Mitarbeitern im Gesundheitswesen zu geben, so wie gängige Bürotools wie Excel oder Photoshop die künstliche Intelligenz verbessern. Sie macht die Technologie nicht nur benutzerfreundlicher, sondern ermöglicht auch genauere und zuverlässigere Ergebnisse, da nun medizinische Fachkräfte statt Software-Fachleuten die Verantwortung übernehmen. Diese Änderungen werden nicht über Nacht erfolgen, aber die Zunahme der Fachexperten als Hauptnutzer von KI ist ein großer Fortschritt.
2. Tools werden immer ausgefeilter und Texte immer nützlicher
Zu den weiteren ermutigenden Erkenntnissen gehören Fortschritte bei KI-Tools und der Wunsch der Benutzer, tiefer in bestimmte Modelle einzutauchen. Auf die Frage, welche Technologien sie bis Ende 2022 einführen wollen, nannten die Technologieführer in der Umfrage Datenintegration (46 %), Business Intelligence (44 %), Verarbeitung natürlicher Sprache (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. Nach zwei Jahren der Pandemie sind wichtige Fortschritte in diesen Bereichen offensichtlich, da Forschungseinrichtungen an der Entwicklung neuer Impfstoffe arbeiten und den Bedarf für eine bessere Unterstützung der Gesundheitssysteme nach Großereignissen ermitteln. Anhand dieser Beispiele wird deutlich, dass sich der Einsatz von KI im Gesundheitswesen stark von anderen Branchen unterscheidet und einen anderen Ansatz erfordert.
Es ist also keine Überraschung, dass sowohl Technologieführer als auch Befragte die Verfügbarkeit von gesundheitsspezifischen Modellen und Algorithmen als wichtigste Voraussetzung bei der Bewertung lokal installierter Softwarebibliotheken oder SaaS-Lösungen nannten. Gesundheitsspezifische Modelle werden in den kommenden Jahren wachsen, gemessen an der Risikokapitallandschaft und der Nachfrage von KI-Nutzern.
3. Erhöhte Sicherheitsbedenken
Mit all den Fortschritten, die im letzten Jahr in der künstlichen Intelligenz erzielt wurden, 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. Vor allem die Nutzung von Cloud-Computing-Diensten ging im Vergleich zur letztjährigen Umfrage um 12 % (30 %) zurück, was höchstwahrscheinlich auf Datenschutzbedenken bei der Datenweitergabe zurückzuführen ist.
Darüber hinaus verlässt sich die Mehrheit der Befragten (53 %) bei der Validierung von Modellen auf ihre eigenen Daten und nicht auf Metriken von Drittanbietern oder Softwareanbietern. 68 % der Befragten äußerten eine klare Präferenz für den Einsatz interner Beurteilungen und Selbstoptimierungsmodelle. Ebenso ist es angesichts der strengen Kontrollen und Verfahren rund um die Verarbeitung von Gesundheitsdaten klar, dass KI-Anwender ihre Abläufe möglichst intern belassen wollen.
Aber unabhängig von den Softwarepräferenzen oder der Art und Weise, wie Benutzer Modelle validieren, können eskalierende Sicherheitsbedrohungen im Gesundheitswesen erhebliche Auswirkungen haben. Während auch andere kritische Infrastrukturdienste vor Herausforderungen stehen, gehen die Folgen einer Datenschutzverletzung 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 der Benutzer zu legen. Mit der zunehmenden Verfügbarkeit von KI und der Verbesserung von Modellen und Werkzeugen werden Sicherheit und Ethik zu wichtigen Bereichen, die Anlass zur Sorge geben. Es wird wichtig sein zu verstehen, wie sich die künstliche Intelligenz im Gesundheitswesen in diesem Jahr entwickelt und was dies für die Zukunft der Branche bedeutet.
Das obige ist der detaillierte Inhalt vonEntwicklung der künstlichen Intelligenz im Gesundheitswesen im Jahr 2022. 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

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

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

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

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

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

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

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

In der Welt der Front-End-Entwicklung ist VSCode mit seinen leistungsstarken Funktionen und seinem umfangreichen Plug-in-Ökosystem für unzählige Entwickler zum Werkzeug der Wahl geworden. In den letzten Jahren sind mit der rasanten Entwicklung der Technologie der künstlichen Intelligenz KI-Code-Assistenten auf VSCode entstanden, die die Codierungseffizienz der Entwickler erheblich verbessert haben. KI-Code-Assistenten auf VSCode sind wie Pilze nach einem Regen aus dem Boden geschossen und haben die Codierungseffizienz der Entwickler erheblich verbessert. Es nutzt Technologie der künstlichen Intelligenz, um Code intelligent zu analysieren und eine präzise Code-Vervollständigung, automatische Fehlerkorrektur, Grammatikprüfung und andere Funktionen bereitzustellen, wodurch Entwicklerfehler und mühsame manuelle Arbeit während des Codierungsprozesses erheblich reduziert werden. Heute werde ich 12 KI-Code-Assistenten für die Frontend-Entwicklung von VSCode empfehlen, die Sie bei Ihrer Programmierreise unterstützen.
