Trend Kecerdasan Buatan dalam Penjagaan Kesihatan pada 2023
Andrew Brosnan, penganalisis utama di firma penyelidikan Omdia, meramalkan bahawa walaupun industri penjagaan kesihatan pada mulanya lambat untuk menerima kecerdasan buatan, syarikat penjagaan kesihatan dan farmaseutikal akan meningkatkannya dengan pesat dalam beberapa tahun akan datang. Penggunaan kecerdasan buatan, analisis imej perubatan dan penemuan dadah akan menjadi kes penggunaan yang paling popular.
Perbelanjaan penjagaan kesihatan untuk perisian AI dijangka meningkat 40% pada 2023, daripada $4.4 bilion pada 2022 kepada hampir $6.2 bilion pada tahun baharu, menurut ramalan Omdia.
"Penjagaan kesihatan akan berkembang lebih pantas daripada kebanyakan industri lain, dan mengikut ramalan kami, kami menjangkakan penjagaan kesihatan berada di kedudukan kedua di belakang pengguna dalam perbelanjaan AI pada 2027," kata Omdia Artificial Intelligence dan Brosnan dari amalan Automasi Pintar.
Penerimaan AI Penjagaan Kesihatan akan mengejar industri lain
Syarikat penjagaan kesihatan secara historis konservatif dalam menerima pakai teknologi baharu kerana risiko terhadap penjagaan pesakit dan isu privasi, keselamatan dan kawal selia, kata Brosnan Sangat tinggi.
Penjagaan kesihatan ketinggalan di belakang industri lain dalam penggunaan AI. Menurut tinjauan OM Dia 2022, manakala 25% daripada semua industri telah mengembangkan penggunaan AI merentas berbilang unit atau fungsi perniagaan, hanya 19% telah melakukannya dalam penjagaan kesihatan.
Tetapi itu berubah dengan pantas. Kecerdasan buatan telah terbukti berkesan dalam penjagaan kesihatan, yang telah memacu pertumbuhan dalam penggunaan, katanya. Sebagai contoh, kecerdasan buatan telah digunakan semasa wabak untuk membantu penyedia penjagaan kesihatan dengan diagnosis COVID-19, prognosis pesakit dan untuk membantu penyelidik memahami perubahan dalam protein spike.
"Penggunaan AI semasa pandemik dan dalam projek bukti konsep telah meningkatkan keyakinan terhadap nilai yang boleh diberikan AI dalam penjagaan kesihatan," kata Brosnan.
Malah, 96% organisasi penjagaan kesihatan yang ditinjau oleh Omdia pada 2022 berkata mereka yakin atau sangat yakin bahawa kecerdasan buatan akan membawa kepada hasil yang positif, dengan 67% responden mengatakan bahawa kecerdasan buatan akan meningkatkan Keupayaan untuk menghargai telah meningkat sepanjang tahun lalu.
Ini akan diterjemahkan kepada pelaburan yang besar dalam kecerdasan buatan. Perbelanjaan untuk perisian AI akan berkembang pada kadar pertumbuhan tahunan kompaun (CAGR) sebanyak 29% dan mencapai perbelanjaan $13.8 bilion pada 2027, terikat untuk sektor yang paling pesat berkembang, menurut Omdia.
Lima Kes Penggunaan IT Penjagaan Kesihatan Terbaik
Analisis imej perubatan ialah kes penggunaan kecerdasan buatan yang paling popular. Dengan pertumbuhan tahunan sebanyak 26%, ia akan mengekalkan bahagian perbelanjaan terbesar, mencapai $2.6 bilion dalam perbelanjaan perisian AI pada 2027.
Sementara itu, ramalan Omdia menunjukkan bahawa penemuan dadah akan menjadi kes penggunaan yang paling pesat berkembang menjelang 2027, dengan perbelanjaan AI mencecah $2 bilion dan CAGR sebanyak 33%.
Kes penggunaan utama lain ialah pembantu maya seperti chatbot dalam talian dan pemprosesan dokumen pintar, yang kedua-duanya mempunyai CAGR sebanyak 27%. Perbelanjaan AI untuk pembantu maya dijangka mencecah hampir $1.7 bilion pada 2027, manakala pemprosesan dokumen pintar (seperti pemprosesan tuntutan) dijangka mencecah $1 bilion.
Nasihat perubatan – melalui alat seperti sokongan keputusan klinikal – melengkapkan lima kes penggunaan teratas dengan CAGR sebanyak 28% dan $900 juta dalam perbelanjaan AI pada 2027.
Merevolusikan penemuan ubat
Brosnan berkata bahawa kecerdasan buatan mempunyai potensi untuk mempercepatkan penemuan dan proses pembangunan ubat dan mengurangkan kosnya Pada tahun 2023, industri farmaseutikal akan terus memajukan penemuan ubat kecerdasan buatan.
Proses penemuan dan pembangunan ubat tradisional pada masa ini mengambil masa kira-kira $1 bilion dan 10 tahun untuk membawa ubat baharu ke pasaran. Beliau berkata ini melibatkan mensintesis lebih daripada 5,000 molekul untuk memajukan calon ke dalam ujian klinikal.
Tetapi dengan kecerdasan buatan, pembuat ubat boleh mengurangkan bilangan molekul yang mereka perlu buat secara fizikal dengan melakukan pengeluaran "pada komputer," bermakna mereka boleh melakukannya secara maya, katanya.
Brosnan berkata ini mengurangkan bilangan molekul yang perlu mereka sintesis secara fizikal kepada 250, yang menjimatkan wang dan memendekkan masa untuk memasarkan. Saluran paip calon ubat pertama AI sangat kukuh, dengan 18 calon ubat memasuki ujian klinikal pada 2022. Pada tahun 2020, jumlah itu adalah sifar.
"Penemuan dadah peringkat awal mengambil masa berbulan-bulan malah bertahun-tahun," katanya.
Teknologi baru muncul boleh melatih model AI penjagaan kesihatan dengan lebih baik
Pembelajaran bersekutu, atau pembelajaran berkumpulan, ialah teknologi baru muncul yang akan membolehkan penyedia penjagaan kesihatan menggunakannya dengan selamat bersama pesakit, kata Brosnan data untuk melatih AI dengan lebih baik model dan akan mendapat daya tarikan yang lebih besar pada tahun 2023.
Untuk mengurangkan berat sebelah, adalah penting untuk melatih model AI terhadap set data yang besar. Tetapi untuk melakukan itu, banyak organisasi penjagaan kesihatan ingin berkongsi data supaya mereka boleh membina set data yang lebih komprehensif untuk melatih model AI.
Secara tradisinya, mereka perlu memindahkan data ke repositori pusat. Walau bagaimanapun, dengan pembelajaran bersekutu atau berkumpulan, data tidak perlu bergerak. Sebaliknya, katanya, model AI pergi ke setiap kemudahan penjagaan kesihatan individu dan dilatih mengenai data. Dengan cara ini, penyedia penjagaan kesihatan boleh mengekalkan keselamatan dan tadbir urus data mereka.
"Dengan pembelajaran bersekutu atau swarm, data tidak perlu meninggalkan institusi sumber, tetapi model AI bergerak ke data," kata Brosnan. Pembelajaran bersekutu menggunakan orkestra berpusat, manakala pembelajaran swarm lebih teragih dan tidak menggunakan orkestra berpusat.
Teknologi ini sedang menjalani pembuktian konsep. Pada 2021, syarikat farmaseutikal utama Sanofi melabur $180 juta dalam sebuah syarikat pembelajaran bersekutu yang memfokuskan penjagaan kesihatan.
"Ini adalah teknologi baru muncul dan kita akan melihat peningkatannya pada 2023 dan 2024," katanya.
Atas ialah kandungan terperinci Trend Kecerdasan Buatan dalam Penjagaan Kesihatan pada 2023. 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

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

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

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
