


Baidu memperoleh GBI Health, ke manakah perginya 'AI + perubatan' yang popular?
Dalam tempoh ini, industri perubatan menjadi topik hangat. Pertama, populariti ChatGPT merebak daripada "medan carian" kepada "medan perubatan", mencetuskan topik hangat seperti "Boleh ChatGPT menumbangkan AI perubatan" dan "Berapa lama masa yang diperlukan untuk ChatGPT digunakan untuk perundingan perubatan"; Baidu memperoleh perkhidmatan perubatan sehenti terkemuka dunia GBI, penyedia data maklumat, membuka era baharu "cerapan rangkaian penuh pintar data besar AI + perubatan". Selepas penggabungan selesai, Baidu berkemungkinan besar untuk menggabungkan Wen Xinyiyan dengan GBI, yang mempunyai data perubatan dan peranti besar-besaran Langkah ini juga akan membawa pengaruh yang sepadan dengan Baidu dalam bidang perkhidmatan penyelesaian perniagaan perubatan. Apakah senario aplikasi teras "AI + penjagaan perubatan" yang telah mencetuskan perbincangan hangat? Apakah prospek pembangunan? Mencari jawapan kepada soalan itu bermula dengan pembangunan pasaran perubatan AI+.
"AI + penjagaan perubatan" terbakar
Baidu memperoleh GBI dan menggabungkan Wen Xinyiyan dengan GBI, mencetuskan gelombang "AI + penjagaan perubatan". Ini menunjukkan bahawa penyertaan kecerdasan buatan dalam semua aspek industri perubatan semakin mendalam. Menurut data tinjauan daripada syarikat penyelidikan pasaran ReportLinker, pasaran AI penjagaan kesihatan global akan berkembang daripada AS$14.6 bilion pada 2023 kepada AS$102.7 bilion pada 2028, dengan kadar pertumbuhan tahunan kompaun sebanyak 47.6%. Pada masa yang sama, bantuan AI kepada kakitangan perubatan sedang diiktiraf. Dalam tinjauan "Kertas Putih Doktor Masa Depan", 80% daripada kakitangan perubatan yang ditinjau di seluruh dunia berkata bahawa data besar akan disepadukan secara mendalam ke dalam kerja dan proses diagnosis dan rawatan, membantu doktor merumuskan pelan diagnosis dan rawatan yang lebih tepat serta menambah baik keputusan- membuat kecekapan.
Integrasi mendalam AI dan industri perubatan mula-mula bermula pada pertengahan hingga akhir abad ke-20. Kecerdasan buatan mula membantu doktor mendapatkan maklumat perubatan yang berwibawa, dengan itu merealisasikan asas pengetahuan diagnosis dan rawatan klinikal untuk diagnosis tambahan. Pada awal abad ke-21, manusia mula meneroka secara beransur-ansur hubungan antara teknologi kecerdasan buatan dan robot pintar, akhirnya membenarkan robot pembedahan diaplikasikan dalam bidang penjagaan perubatan tambahan. Pada awal abad ke-21 juga, Amerika Syarikat juga mula cuba menandatangani bil yang berkaitan untuk menggalakkan sokongan kewangan tambahan untuk hospital yang menggunakan rekod perubatan elektronik. Sehingga 2014, pembangunan teknologi kecerdasan buatan secara beransur-ansur memasuki bidang segmentasi menegak, dan syarikat kecerdasan buatan mula menyasarkan kesan AI+.
Dalam beberapa tahun kebelakangan ini, hasil daripada peningkatan ketepatan pengecaman imej bagi kecerdasan buatan dalam bidang perubatan, pengimejan AI+ telah menjadi popular dan dianggap sebagai salah satu bidang di mana kecerdasan buatan berkemungkinan besar dilaksanakan. Pada masa yang sama, asas pengetahuan diagnosis dan rawatan klinikal yang telah diusahakan manusia selama bertahun-tahun telah membolehkan satu siri produk termasuk sistem sokongan keputusan tambahan klinikal dipromosikan dan secara beransur-ansur matang. Bukan itu sahaja, AI juga telah mula menembusi sistem pengurusan rekod perubatan digital pesakit Sambil menyelesaikan masalah kawalan kualiti rekod perubatan yang kompleks, ia juga secara beransur-ansur membina pelan tindakan untuk rekod perubatan pintar.
Kini, terima kasih kepada sokongan padu dasar industri perubatan AI+ di seluruh negara, dan subbahagian yang berkaitan secara beransur-ansur menunjukkan model keuntungan yang jelas, pasaran akhirnya telah memulakan tempoh pertumbuhan yang pesat. Mengambil peranti perubatan AI+ sebagai contoh, dari perspektif global, saiz pasaran peranti perubatan AI+ telah berkembang daripada AS$86.5 juta pada 2016 kepada AS$506 juta pada 2021, dengan kadar pertumbuhan kompaun sebanyak 42.4%, dan dijangka berkembang kepada AS$3.496 bilion pada 2024. Kadar pertumbuhan kompaun dalam tempoh tiga tahun akan datang ialah 118.5%. AI+perubatan menunjukkan potensi yang tidak berkesudahan.
Ke manakah hala tuju “AI + penjagaan perubatan”?
Dengan penggabungan dan pengambilalihan ChatGPT dan Baidu, pasaran perubatan AI+ telah menjadi topik hangat, dan penjagaan perubatan AI+ juga menembusi lebih banyak senario perkhidmatan perubatan yang berbeza, termasuk diagnosis berbantu AI+, pengimejan perubatan AI+, AI+ penyelidikan dan pembangunan dadah baharu, pengurusan Kesihatan AI+ dan bidang-bidang lain secara beransur-ansur menjadi subbahagian yang popular Namun, masalah yang dihadapi dalam bidang masing-masing juga merupakan penggerak untuk kemajuan berterusan penjagaan perubatan AI+.
Dengan peningkatan keupayaan pengecaman imej AI, pengimejan perubatan secara beransur-ansur menjadi salah satu bidang di mana AI terlibat secara mendalam. Apabila permintaan pasaran klinikal meningkat, potensi pasaran pengimejan perubatan AI+ telah diserlahkan Tencent, iFlytek dan Teknologi Infer telah menggunakan pengimejan perubatan AI+. Walau bagaimanapun, syarikat pengimejan perubatan AI+ menghadapi masalah seperti kos yang tinggi untuk mendapatkan data berkualiti tinggi. Keutamaan utama adalah untuk memecahkan halangan antara imej berkualiti tinggi di hospital utama dan mewujudkan mekanisme perkongsian serantau.
Diagnosis berbantukan AI+ boleh menyokong keputusan diagnosis dan rawatan klinikal doktor dengan berkesan. Pada masa ini, senario perubatan tambahan meliputi robot bimbingan perubatan, rekod perubatan elektronik, pembantu maya, dsb. Walau bagaimanapun, senario perubatan tambahan mempunyai halangan yang sangat tinggi untuk syarikat maklumat, dan pangkalan pengetahuan banyak syarikat tidak dapat memenuhi keperluan klinikal doktor. Penyelesaiannya terletak pada keterbukaan dan pengemaskinian masa nyata pangkalan data.
Menggunakan keupayaan algoritma untuk membantu dalam penyelidikan dan pembangunan ubat baharu juga merupakan salah satu senario aplikasi yang penting. Pada masa ini, walaupun banyak syarikat kecerdasan buatan telah memasuki bidang penyelidikan dan pembangunan ubat baharu, mereka secara amnya menghadapi masalah seperti kitaran penyelidikan dan pembangunan dadah yang panjang, kos penyelidikan dan pembangunan yang tinggi, serta kadar kejayaan penyelidikan dan pembangunan yang rendah. Dengan kelebihan algoritma kecerdasan buatan, sebatian calon ubat boleh disaring secara maya, dengan itu secara beransur-ansur mengurangkan kos membangunkan ubat baharu.
Senario aplikasi pengurusan kesihatan AI+ memfokuskan pada pengenalpastian risiko, jururawat maya, penjagaan perubatan mudah alih, peranti boleh pakai, dsb. Walau bagaimanapun, pada masa ini, masalah biasa adalah terutamanya kesedaran orang ramai yang rendah tentang konsepnya, kekurangan profesionalisme yang sepadan dalam kalangan mereka yang terlibat dalam pengurusan kesihatan, dan korelasi data yang lemah berkaitan peranti pintar pesakit. Keutamaan utama ialah AI boleh membantu pengurus kesihatan membina platform dan menggunakan peta pengetahuan yang lengkap untuk menyediakan pesakit dengan pelan pengurusan kesihatan yang optimum.
Selain itu, pendidikan perubatan, pentadbiran hospital, penyelidikan klinikal, dll. juga merupakan bidang utama untuk meneroka dan menggunakan penyelesaian kecerdasan buatan untuk memperkasakan kakitangan perubatan. Antaranya, penyepaduan AI dan proses pengurusan kerja boleh membantu kakitangan perubatan klinikal dibebaskan daripada urusan pentadbiran harian yang remeh, membolehkan mereka memberi tumpuan kepada diagnosis dan rawatan pesakit dengan lebih cekap. Aplikasi gabungan pendidikan perubatan dan AI mengambil kira realiti sistem perubatan, membolehkan kakitangan perubatan klinikal menjadi lebih empati kepada pesakit, dan membantu kakitangan perubatan klinikal mempelajari kemahiran profesional dengan lebih berkesan dan menyesuaikan diri dengan lebih tenang kepada perubahan dinamik dalam persekitaran perubatan .
Berganding bahu dengan GBI, reka letak Baidu
Topik kembali kepada pemerolehan Baidu terhadap GBI Health. Secara kebetulan, pengambilalihan GBI Health oleh Baidu berlaku selepas pengumuman rasmi Wen Xinyiyan Kami pada masa ini tidak pasti penyertaan Wenxinyiyan dalam GBI Health, tetapi yang pasti Baidu pasti akan menyuntik keupayaan kecerdasan buatan ke dalam Bantuan pembangunan GBI industri perubatan. Menurut spekulasi industri, GBI Health, yang mempunyai data perubatan dan peranti yang besar, dijangka akan digabungkan dengan Wen Xin Yiyan untuk menjadi badan pemikir profesional perubatan dengan data yang lebih komprehensif dan interaksi yang lebih bijak. Pada masa hadapan, apabila GBI Health disepadukan secara mendalam dengan perniagaan teras seperti Baidu Health dan Lingyi Zhihui serta teknologi AI teras Baidu, Baidu mungkin mencipta model aplikasi kecerdasan buatan untuk industri perubatan.
Dalam bidang perubatan, apakah kewujudan GBI Health? Menurut data, GBI Health telah ditubuhkan di Shanghai pada tahun 2002 dan merupakan penyedia data maklumat perubatan pertama di China Ia sentiasa komited untuk didorong oleh data dan teknologi untuk menyediakan syarikat farmaseutikal, peranti dan penyedia perkhidmatan berkaitan industri dengan holografik. maklumat sepanjang kitaran hayat farmaseutikal dan peranti global Cerapan bernilai tinggi seperti data, maklumat industri dan berita global membantu syarikat menerajui pasaran dalam reka letak strategik, keputusan produk dan cerapan pasaran.
GBI Health pada masa ini mempunyai tiga pangkalan data termasuk pangkalan data ubat global SOURCE, pangkalan data penyelidik METRIX dan pangkalan data peranti perubatan DEVINT, yang dijalankan melalui kitaran hayat pembangunan ubat dan peranti. Dilaporkan bahawa GBI telah bekerja dalam bidang perisikan maklumat perubatan selama lebih daripada 20 tahun, dan pangkalan pelanggannya meliputi syarikat farmaseutikal multinasional seperti Eli Lilly, Sanofi, dan Pfizer, syarikat farmaseutikal inovatif seperti Innovent Biologics, Fosun Pharma, CStone Pharmaceuticals, dan WuXi AppTec, dsb. perusahaan CRO.
GBI dan Baidu telah bergabung tenaga untuk membawa banyak kemungkinan kepada industri. Di satu pihak, GBI akan menyepadukan secara mendalam dengan data, teknologi dan sumber Baidu HCG yang berkuasa untuk melancarkan segmen perkhidmatan risikan perniagaan baharu bagi menyediakan bantuan membuat keputusan perniagaan gelung tertutup sepenuhnya yang meliputi keseluruhan industri perubatan dan kesihatan. Sebaliknya, NLP Perubatan Baidu dan teknologi pengurusan data besar, yang telah digilap dan digunakan dengan teliti dalam bidang perubatan, akan menambah baik keseluruhan pautan GBI daripada pemerolehan data, pengurusan data kepada carian data yang tepat dan kecekapan pemadanan, memperkasakan pelanggan peranti perubatan ' penyelidikan dan pembangunan, ujian klinikal, dan pendaftaran , akses, jualan, pelaburan dan transaksi pembiayaan, dsb., untuk membantu perusahaan dalam susun atur komersial mereka.
Ditulis pada penghujung
ChatGPT sekali lagi menjadikan kecerdasan buatan popular. Data IDC menunjukkan bahawa jumlah nilai pasaran aplikasi kecerdasan buatan dijangka mencecah AS$127 bilion pada 2025, yang mana industri perubatan akan menyumbang hampir 20% daripada jumlah pasaran aplikasi. Penjagaan perubatan AI+ pada asasnya boleh bergantung pada algoritmanya yang cemerlang dan analisis data besar untuk terus menembusi lapisan sumber data dan lapisan aplikasi teknikal platform perkhidmatan yang berkaitan, menembusi halangan data setiap pelabuhan perkhidmatan, mengurangkan kos perubatan keseluruhan, dan merealisasikan aplikasi pengimejan perubatan dan perkhidmatan tambahan Pelaksanaan sempurna senario aplikasi teras seperti diagnosis dan rawatan, pengurusan kesihatan, penyelidikan dan pembangunan ubat baharu, ramalan penyakit, pembantu maya, pengurusan proses dan platform penyelidikan akhirnya akan meningkatkan tahap perubatan domestik keseluruhan. .
Pemerolehan GBI Health, penyedia penyelesaian perniagaan perubatan, oleh Baidu sekali lagi mencerminkan bahawa "AI + penjagaan perubatan" adalah kunci kepada pembangunan industri perubatan. Dengan perkembangan pesat industri farmaseutikal China, data maklumat perubatan yang besar terus terkumpul, dan pangkalan data kemajuan penyelidikan saintifik akan membawa nilai komersil yang besar kepada syarikat kehidupan dan kesihatan serta menggalakkan perkembangan pesat industri perubatan AI. Untuk membangunkan industri perubatan AI+, ia bergantung kepada kekuatan syarikat utama.
Atas ialah kandungan terperinci Baidu memperoleh GBI Health, ke manakah perginya 'AI + perubatan' yang popular?. 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

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

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

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 |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

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas

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
