AI Penjagaan Kesihatan: Tiga trend untuk ditonton
Di antara pandemik COVID-19, krisis kesihatan mental, peningkatan kos penjagaan kesihatan dan populasi yang semakin tua, pemimpin industri bergegas untuk membangunkan kecerdasan buatan (AI) untuk aplikasi penjagaan kesihatan. Satu tanda daripada pasaran modal teroka ialah lebih daripada 40 syarikat permulaan telah mengumpulkan $20 juta atau lebih untuk membina penyelesaian kecerdasan buatan untuk industri. Tetapi bagaimana sebenarnya AI digunakan dalam penjagaan kesihatan
Tinjauan AI Penjagaan Kesihatan 2022 meninjau lebih daripada 300 responden dari seluruh dunia untuk lebih memahami perkara yang mentakrifkan Cabaran, pencapaian dan kes penggunaan AI. Ini adalah kali kedua tinjauan itu dijalankan, dan hasilnya tidak berubah dengan ketara, tetapi ia menunjukkan beberapa trend menarik yang memberi petanda baik untuk bagaimana AI perubatan akan berkembang pada tahun-tahun akan datang. Walaupun beberapa aspek evolusi ini adalah positif (pendemokrasian AI), aspek lain kurang menarik (kewujudan permukaan serangan yang lebih besar).
Berikut ialah tiga arah aliran yang perlu diketahui oleh perusahaan:
1 Kemudahan penggunaan dan pendemokrasian kecerdasan buatan menggunakan alat tanpa kod
Gartner menganggarkan bahawa menjelang 2025 , 70% daripada aplikasi baharu yang dibangunkan oleh perusahaan akan menggunakan teknologi tanpa kod atau kod rendah (kurang daripada 25% pada 2020). Walaupun kod rendah memudahkan beban kerja pengaturcara, penyelesaian tanpa kod yang tidak memerlukan campur tangan sains data akan memberi impak terbesar kepada perusahaan dan sektor lain.
Itulah sebabnya menarik untuk melihat perubahan yang jelas dalam penggunaan AI daripada tajuk teknikal kepada pakar domain sendiri.
Bagi industri penjagaan kesihatan, ini bermakna lebih separuh (61%) responden kepada kaji selidik AI Healthcare mengenal pasti doktor sebagai pengguna sasarannya, diikuti oleh pembayar penjagaan kesihatan (45%) dan syarikat IT penjagaan kesihatan ( 38%). Ditambah dengan pembangunan dan pelaburan yang ketara dalam aplikasi AI untuk penjagaan kesihatan dan ketersediaan teknologi sumber terbuka, ini memberi petanda baik untuk penggunaan industri yang lebih luas.
Untuk penjagaan kesihatan, ini bermakna lebih separuh (61%) responden tinjauan AI dalam Penjagaan Kesihatan mengenal pasti doktor sebagai pengguna sasaran mereka, diikuti oleh pembayar penjagaan kesihatan (45%) dan syarikat IT penjagaan kesihatan (38%). Ini, digabungkan dengan pembangunan dan pelaburan yang ketara dalam aplikasi AI khusus penjagaan kesihatan dan ketersediaan teknologi sumber terbuka, menunjukkan penggunaan industri yang lebih luas.
Ini sangat besar: Meletakkan kod di tangan pekerja penjagaan kesihatan, seperti alatan pejabat biasa seperti Excel atau Photoshop, akan meningkatkan AI. Selain menjadikan teknologi lebih mudah diakses, ia juga menjadikan keputusan lebih tepat dan boleh dipercayai kerana profesional perubatan, bukan profesional perisian, kini berada di tempat duduk pemandu. Perubahan ini tidak berlaku dalam sekelip mata, tetapi peningkatan dalam pakar domain sebagai pengguna utama AI adalah satu langkah besar.
2. Alat semakin canggih dan teks menjadi lebih berguna
Penemuan lain yang menggalakkan melibatkan kemajuan dalam alatan AI dan keinginan pengguna untuk mendalami model tertentu. Apabila ditanya apakah teknologi yang mereka rancang untuk pakai menjelang akhir tahun 2022, peneraju teknologi dalam tinjauan itu menyebut penyepaduan data (46%), BI (44%), NLP (43%) dan anotasi data (38%). Teks kini merupakan jenis data yang paling mungkin digunakan dalam aplikasi AI, dan penekanan pada pemprosesan bahasa semula jadi (NLP) dan anotasi data menunjukkan bahawa teknik AI yang lebih canggih semakin meningkat.
Alat ini menyokong aktiviti penting seperti sokongan keputusan klinikal, penemuan ubat dan penilaian dasar penjagaan kesihatan. Dua tahun selepas pandemik, jelas betapa pentingnya kemajuan dalam bidang ini semasa kami membangunkan vaksin baharu dan menemui cara untuk menyokong keperluan sistem penjagaan kesihatan dengan lebih baik selepas peristiwa berskala besar. Melalui contoh-contoh ini, jelas juga bahawa penggunaan AI dalam industri perubatan adalah sangat berbeza daripada industri lain dan memerlukan pendekatan yang berbeza.
Oleh itu, tidak hairanlah jika kedua-dua pemimpin teknologi dan responden daripada organisasi matang menyebut ketersediaan model dan algoritma khusus penjagaan kesihatan sebagai keperluan paling penting semasa menilai perpustakaan perisian yang dipasang di premis atau penyelesaian SaaS. Berdasarkan landskap modal teroka, maklumat sedia ada dalam pasaran, dan permintaan daripada pengguna AI, model khusus penjagaan kesihatan hanya akan berkembang pada tahun-tahun akan datang.
3. Kebimbangan keselamatan semakin meningkat
Dengan semua kemajuan kecerdasan buatan yang dicapai sepanjang tahun lalu, ia juga telah membuka rangkaian vektor serangan baharu. Apabila ditanya jenis perisian yang digunakan responden untuk membina aplikasi AI mereka, pilihan yang paling popular ialah perisian komersial yang dipasang secara tempatan (37%) dan perisian sumber terbuka (35%). Paling ketara, penggunaan perkhidmatan awan menurun sebanyak
12% (30%) berbanding tinjauan tahun lepas, kemungkinan besar disebabkan kebimbangan privasi terhadap perkongsian data.
Selain itu, majoriti responden (53%) memilih untuk bergantung pada data mereka sendiri untuk mengesahkan model, dan bukannya metrik vendor pihak ketiga atau perisian. Responden daripada organisasi matang (68%) mempunyai keutamaan yang jelas untuk menggunakan penilaian dalaman dan menyesuaikan model sendiri. Selain itu, terdapat kawalan dan prosedur yang ketat mengenai pemprosesan data perubatan, dan jelas bahawa pengguna AI akan mahu mengekalkan operasi dalaman jika boleh.
Tetapi tanpa mengira pilihan perisian atau cara pengguna mengesahkan model, ancaman keselamatan penjagaan kesihatan yang semakin meningkat boleh memberi kesan yang ketara. Walaupun perkhidmatan infrastruktur kritikal yang lain menghadapi cabaran, akibat daripada pelanggaran penjagaan kesihatan melangkaui kerosakan reputasi dan kewangan. Kehilangan data atau gangguan pada peralatan hospital boleh menjadi perbezaan antara hidup dan mati.
Kecerdasan buatan bersedia untuk pertumbuhan yang lebih ketara kerana pembangun dan pelabur berusaha untuk meletakkan teknologi itu ke tangan pengguna harian. Tetapi apabila AI semakin tersedia secara meluas, dan apabila model serta alatan bertambah baik, keselamatan, kebolehpercayaan dan etika akan menjadi bidang tumpuan yang penting. Menarik untuk melihat bagaimana AI dalam bidang penjagaan kesihatan ini berkembang tahun ini dan apakah maknanya untuk masa depan industri.
Atas ialah kandungan terperinci AI Penjagaan Kesihatan: Tiga trend untuk ditonton. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |. Kulit Lobak Sejak pengeluaran AlphaFold2 yang berkuasa pada tahun 2021, saintis telah menggunakan model ramalan struktur protein untuk memetakan pelbagai struktur protein dalam sel, menemui ubat dan melukis "peta kosmik" setiap interaksi protein yang diketahui. Baru-baru ini, Google DeepMind mengeluarkan model AlphaFold3, yang boleh melakukan ramalan struktur bersama untuk kompleks termasuk protein, asid nukleik, molekul kecil, ion dan sisa yang diubah suai. Ketepatan AlphaFold3 telah dipertingkatkan dengan ketara berbanding dengan banyak alat khusus pada masa lalu (interaksi protein-ligan, interaksi asid protein-nukleik, ramalan antibodi-antigen). Ini menunjukkan bahawa dalam satu rangka kerja pembelajaran mendalam yang bersatu, adalah mungkin untuk dicapai

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S
