Inhaltsverzeichnis
1. Verwenden Sie No-Code-Tools, um die Nutzung und Verbreitung von KI zu vereinfachen.
2. Tools werden immer komplexer und Texte werden immer nützlicher
3. Sicherheitsprobleme rücken immer mehr in den Vordergrund
Heim Technologie-Peripheriegeräte KI Die zukünftige Entwicklung der medizinischen KI: drei wichtige Trends, die es zu beachten gilt

Die zukünftige Entwicklung der medizinischen KI: drei wichtige Trends, die es zu beachten gilt

Apr 28, 2023 pm 05:49 PM
人工智能 医疗 医疗ai

Die zukünftige Entwicklung der medizinischen KI: drei wichtige Trends, die es zu beachten gilt

Wenn die COVID-19-Epidemie wütet, die psychische Gesundheit der Menschen in einer Krise steckt, die medizinischen Kosten steigen und verschiedene Trends mit der alternden Bevölkerung verflochten sind, haben Branchenführer zum einen das Tempo bei der Entwicklung medizinspezifischer KI-Anwendungen beschleunigt davon kommt aus dem Risikokapitalmarkt Das Signal zeigt: Mehr als 40 Startups haben große Geldbeträge (mehr als 20 Millionen US-Dollar) eingesammelt, um medizinische KI-Lösungen zu entwickeln, aber wie wird KI in der Medizinbranche eingesetzt?

In einem aktuellen Bericht mit dem Titel „Healthcare AI Survey 2022“ wurden mehr als 300 Befragte aus der ganzen Welt befragt, um die Herausforderungen, Erfolge und Einsatzszenarien medizinischer KI zu verstehen und zu definieren. Dies ist das zweite Jahr seit Beginn der Umfrage, und obwohl es keine wesentlichen Änderungen in Bezug auf die Ergebnisse gibt, zeichnen sich einige interessante Trends ab, die darauf hindeuten, wie sich die Dinge in den kommenden Jahren ändern könnten. Während einige Aspekte dieser Entwicklung positiv sind (z. B. die Verbreitung künstlicher Intelligenz), sind andere weniger aufregend (z. B. eine größere Angriffsfläche). Werfen wir einen Blick auf drei davon, die Unternehmen verstehen müssen.

1. Verwenden Sie No-Code-Tools, um die Nutzung und Verbreitung von KI zu vereinfachen.

Nach Schätzungen von Gartner werden bis 2025 70 % der von Unternehmen entwickelten neuen Anwendungen No-Code- oder Low-Code-Technologie verwenden, was mehr ist als im Jahr 2020 weniger als 25 %. Low-Code vereinfacht die Arbeitsbelastung von Programmierern, und No-Code-Lösungen, die keinen datenwissenschaftlichen Eingriff erfordern, werden den größten Einfluss auf Unternehmen und andere Bereiche haben, was erklärt, warum sich der Einsatz der Technologie der künstlichen Intelligenz von technischen Fachkräften in Bereiche verlagert, in denen Experten tätig sind spannend.

Für die Medizinbranche bedeutet dies, dass mehr als die Hälfte (61 %) der Befragten Kliniker als ihre Zielgruppe betrachten, gefolgt von Kostenträgern medizinischer Leistungen (45 %) und medizinischen IT-Unternehmen (38 %), gepaart mit Rapid Die Entwicklung medizinischer KI-Anwendungen, erhebliche Investitionen und die allgemeine Verfügbarkeit von Open-Source-Technologie zeigen, dass medizinische KI immer häufiger eingesetzt wird.

Das ist wichtig: Die Bereitstellung von Code in den Händen des medizinischen Personals, so einfach wie die Verwendung gängiger Bürotools wie Excel oder Photoshop, wird Veränderungen in der KI mit sich bringen und sie verbessern. Medizinische KI ist nicht nur einfacher zu verwenden, sondern kann auch genauere und zuverlässigere Ergebnisse erzielen, da sie jetzt von medizinischen Fachkräften (statt von Software-Fachleuten) verwendet und gesteuert wird. Natürlich werden diese Veränderungen nicht über Nacht eintreten, aber für KI ist die zunehmende Nutzung durch Fachexperten ein bedeutender Fortschritt.

2. Tools werden immer komplexer und Texte werden immer nützlicher

Es gibt weitere ermutigende Erkenntnisse aus dieser Umfrage, wie die kontinuierliche Weiterentwicklung von KI-Tools und den Wunsch der Benutzer, in- eingehende Recherche zu bestimmten Modellen. Als die Befragten gefragt wurden, welche Technologien sie bis Ende 2022 einzuführen planen, nannten viele Technologieführer Datenintegration (46 %), Business Intelligence (44 %), Verarbeitung natürlicher Sprache (43 %) und Datenannotation (38 %). Text ist derzeit der Datentyp, der am häufigsten von KI-Anwendungen verwendet wird. Gleichzeitig deutet der Schwerpunkt der Befragten auf die Verarbeitung natürlicher Sprache (NLP) und die Datenannotation darauf hin, dass komplexere KI-Technologien auf dem Vormarsch sind.

Diese Tools bieten Unterstützung für viele wichtige Anwendungsszenarien, wie z. B. die Unterstützung der klinischen Entscheidungsfindung, der Arzneimittelentwicklung und der Bewertung medizinischer Strategien usw. Gerade nach diesen zwei Jahren der COVID-19-Pandemie, in denen wir neue Impfstoffe entwickeln und lernen, wie wir die Bedürfnisse des medizinischen Systems nach einem Großereignis besser unterstützen können, ist es so wichtig, in diesen technischen Bereichen Fortschritte zu machen. Anhand dieser Beispiele wird deutlich, dass sich der Einsatz von KI im Gesundheitswesen stark von anderen Branchen unterscheidet und daher einen anderen Ansatz erfordert.

Es ist also keine Überraschung, dass Technologieführer und Befragte aus etablierten Organisationen die Verfügbarkeit von gesundheitsspezifischen Modellen und Algorithmen als wichtigste Voraussetzung nennen, wenn sie beurteilen, ob eine Softwarebibliothek vor Ort installiert oder eine SaaS-Lösung eingeführt werden soll. Gemessen an verschiedenen Aspekten wie der Risikokapitallandschaft, den vorhandenen Softwarebibliotheken auf dem Markt und den Bedürfnissen der Nutzer künstlicher Intelligenz wird der medizinspezifische Bereich in den nächsten Jahren nur noch weiter wachsen.

3. Sicherheitsprobleme rücken immer mehr in den Vordergrund

Im vergangenen Jahr hat die KI viele Fortschritte gemacht und auch eine Reihe neuer Angriffsvektoren eingeführt. Als die Befragten gefragt wurden, welche Arten von Software sie zur Entwicklung von KI-Anwendungen verwenden, waren lokal installierte kommerzielle Software (37 %) und Open-Source-Software (35 %) die beliebtesten Optionen. Vor allem die Nutzung von Cloud-Diensten ist im Vergleich zu den Umfrageergebnissen des letzten Jahres um 12 % (30 %) zurückgegangen, was höchstwahrscheinlich auf Datenschutzprobleme zurückzuführen ist, die durch die gemeinsame Nutzung von Daten verursacht werden.

Darüber hinaus entscheidet sich die Mehrheit der Befragten (53 %) dafür, sich zur Validierung des Modells auf ihre eigenen Daten zu verlassen, anstatt Indikatoren von Drittanbietern oder Softwareanbietern zu verwenden. Befragte aus etablierten Organisationen (68 %) gaben an, dass sie lieber ein Modell der internen Bewertung und Selbstanpassung verwenden würden. Und da es strenge Kontrollen und verschiedene Verfahren rund um die Verarbeitung medizinischer Daten gibt, erklärt dies auch, warum KI-Benutzer diese Probleme so weit wie möglich innerhalb der Organisation lösen möchten.

Aber unabhängig von den Softwarepräferenzen oder der Art und Weise, wie Benutzer Modelle validieren, können zunehmende Bedrohungen der medizinischen Sicherheit erhebliche Auswirkungen haben. Obwohl auch andere kritische Infrastrukturdienste vor verschiedenen Herausforderungen stehen, sind die Folgen medizinischer Verstöße nicht mehr nur Reputations- und finanzielle Verluste. Datenverluste oder Angriffe auf Krankenhausausrüstung können über Leben und Tod entscheiden.

Während Entwickler und Investoren danach streben, KI-Technologie in die Hände alltäglicher Benutzer zu bringen, ist KI auf dem besten Weg, ein noch deutlicheres Wachstum zu erzielen. Aber mit der zunehmenden Verbreitung von KI und der weiteren Verbesserung von Modellen und Werkzeugen werden Sicherheit und Ethik zu einem zentralen Schwerpunktthema. Es lohnt sich, darauf zu blicken, wie sich die KI-Technologie in der Medizinbranche in diesem Jahr entwickeln wird und was sie für die Zukunft der Branche bedeutet.

Das obige ist der detaillierte Inhalt vonDie zukünftige Entwicklung der medizinischen KI: drei wichtige Trends, die es zu beachten gilt. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

Video Face Swap

Video Face Swap

Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Bytedance Cutting führt SVIP-Supermitgliedschaft ein: 499 Yuan für ein fortlaufendes Jahresabonnement, das eine Vielzahl von KI-Funktionen bietet 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 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 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 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

Fünf Schulen des maschinellen Lernens, die Sie nicht kennen 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

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 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

SK Hynix wird am 6. August neue KI-bezogene Produkte vorstellen: 12-Layer-HBM3E, 321-High-NAND usw. SK Hynix wird am 6. August neue KI-bezogene Produkte vorstellen: 12-Layer-HBM3E, 321-High-NAND usw. Aug 01, 2024 pm 09:40 PM

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht

SOTA Performance, eine multimodale KI-Methode zur Vorhersage der Protein-Ligand-Affinität in Xiamen, kombiniert erstmals molekulare Oberflächeninformationen 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

See all articles