医疗AI的未来发展:值得关注的三大趋势
当新冠疫情肆虐、人们心理健康出现危机、医疗成本上升、人口老龄化各种趋势交织出现的时候,行业领导者们加快了开发医疗专用AI应用的步伐,其中一个来自风投市场的信号显示:超过40家初创公司筹集了大量资金(超过2000万美金)用于打造医疗AI解决方案,但是到底AI是如何用于医疗行业中的呢?
最近一份题为《2022年医疗AI调查》的报告,对全球300多名受访者进行了调查,以了解和定义医疗AI带来的挑战、取得的成就以及使用场景。这是该调查启动后的第二年,虽然从结果来看没有显着的变化,但确实出现了一些有趣的趋势,预示着未来几年可能会发生怎样的变化。虽然这种演变的某些方面是积极的(例如人工智能的普及),但还有一些方面却不那么令人感到兴奋(例如攻击面加大),下面就让我们来看看下面这三个企业需要了解的趋势。
1. 使用无代码工具实现AI的易用和普及
根据Gartner估计,到2025年,企业开发的新应用中有70%将使用无代码或者低代码技术,这一数据高于2020年的不到25%。低代码能够简化程序员的工作量,而无需数据科学干预的无代码解决方案将给企业及其他领域带来的影响最大,这也说明了为什么人工智能技术的使用范围从技术专业人员转移到领域专家是令人感到兴奋的。
这对医疗行业来说,意味着将有超过半数(61%)的受访者把临床医生作为他们的目标用户,其次是医疗服务支付方(45%)和医疗IT企业(38%),再加上医疗AI应用的快速发展、获得大量投资、开源技术的普及可用性,说明了医疗AI正在被更广泛地采用。
这一点很重要:把代码交到医护人员手中,就像使用Excel或Photoshop等常用办公工具一样便捷,将给AI带来改变,使其变得更好。医疗AI除了更易于使用之外,还可以实现更准确、更可靠的结果,因为现在医疗AI是由医疗专业人员(而不是软件专业人员)使用和掌管的。当然,这些变化不会在一夜之间发生,但对AI来说,被领域专家越来越多地使用,就是向前迈出了重大一步。
2. 工具越来越复杂,文本越来越实用
此次调查还有其他一些令人鼓舞的发现,例如AI工具不断发展进步,以及用户希望对特定模型进行深入的研究。当受访者被问及他们计划在2022年底之前采用哪些技术时,有很多技术负责人提到了数据集成(46%)、商业智能(44%)、自然语言处理(43%)和数据注释(38%)。目前文本是AI应用最有可能使用的数据类型,同时,受访者对自然语言处理(NLP)和数据注释的重视,表明更复杂的AI技术正在兴起。
这些工具为很多重要的使用场景提供支持,例如支持临床决策、药物发现和医疗策略评估等等。特别是经过了这两年新冠疫情大流行之后,我们开发了新的疫苗,知道了如何在发生大规模事件之后更好地支持医疗系统的需求,因此在这些技术领域取得进展就显得如此重要。通过这些例子,我们很明确地了解到,AI在医疗行业的用途与其他行业有很大的不同,因此也需要一种不同的方法。
因此,成熟组织的技术领导者和受访者,都把医疗特定模型和算法的可用性作为评估是在本地安装软件库还是采用SaaS解决方案的一个最重要要求,也就不足为怪了。从风投格局、市场现有软件库、人工智能用户的需求等多个方面来看,未来几年内医疗特定只会不断增长。
3. 安全问题日益突显
过去一年中AI取得了诸多进展,同时也引入了一系列新的攻击媒介。当受访者被问及使用哪些类型的软件来开发AI应用,最受欢迎的选择是本地安装的商业软件(37%)和开源软件(35%)。最值得注意的是,与去年的调查结果相比,云服务的使用率减少了12%(30%),很可能原因就是数据共享导致的隐私问题。
此外,大多数受访者(53%)选择依靠自己的数据来验证模型,而不是使用第三方或者软件厂商的指标。来自成熟组织的受访者(68%)表示,他们倾向于使用内部评估和自行调整的模式。而且,因为关于医疗数据处理有着严格的控制和各种程序,这也说明了为什么AI用户希望尽可能在组织内部处理这些问题。
但无论对软件有哪些偏好或者用户如何验证模型,不断升级的医疗安全威胁都可能产生重大影响。虽然其他关键基础设施服务同样面临各种挑战,但医疗违规的后果已经不仅仅是声誉和财务上的损失了,数据丢失或者医院设备被攻击,关乎的是生与死的问题。
随着开发者和投资者努力让AI技术掌握于日常用户的手中,AI将有望实现更显着的增长。但随着AI被更广泛地采用,模型和工具的持续改进,安全和道德将成为一个需要关注的重点领域。今年医疗行业的AI技术将如何发展,对行业未来意味着什么,这些都值得我们期待。
以上是医疗AI的未来发展:值得关注的三大趋势的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

Video Face Swap
使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸!

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

本站6月27日消息,剪映是由字节跳动旗下脸萌科技开发的一款视频剪辑软件,依托于抖音平台且基本面向该平台用户制作短视频内容,并兼容iOS、安卓、Windows、MacOS等操作系统。剪映官方宣布会员体系升级,推出全新SVIP,包含多种AI黑科技,例如智能翻译、智能划重点、智能包装、数字人合成等。价格方面,剪映SVIP月费79元,年费599元(本站注:折合每月49.9元),连续包月则为59元每月,连续包年为499元每年(折合每月41.6元)。此外,剪映官方还表示,为提升用户体验,向已订阅了原版VIP

通过将检索增强生成和语义记忆纳入AI编码助手,提升开发人员的生产力、效率和准确性。译自EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG,作者JanakiramMSV。虽然基本AI编程助手自然有帮助,但由于依赖对软件语言和编写软件最常见模式的总体理解,因此常常无法提供最相关和正确的代码建议。这些编码助手生成的代码适合解决他们负责解决的问题,但通常不符合各个团队的编码标准、惯例和风格。这通常会导致需要修改或完善其建议,以便将代码接受到应

想了解更多AIGC的内容,请访问:51CTOAI.x社区https://www.51cto.com/aigc/译者|晶颜审校|重楼不同于互联网上随处可见的传统问题库,这些问题需要跳出常规思维。大语言模型(LLM)在数据科学、生成式人工智能(GenAI)和人工智能领域越来越重要。这些复杂的算法提升了人类的技能,并在诸多行业中推动了效率和创新性的提升,成为企业保持竞争力的关键。LLM的应用范围非常广泛,它可以用于自然语言处理、文本生成、语音识别和推荐系统等领域。通过学习大量的数据,LLM能够生成文本

大型语言模型(LLM)是在巨大的文本数据库上训练的,在那里它们获得了大量的实际知识。这些知识嵌入到它们的参数中,然后可以在需要时使用。这些模型的知识在训练结束时被“具体化”。在预训练结束时,模型实际上停止学习。对模型进行对齐或进行指令调优,让模型学习如何充分利用这些知识,以及如何更自然地响应用户的问题。但是有时模型知识是不够的,尽管模型可以通过RAG访问外部内容,但通过微调使用模型适应新的领域被认为是有益的。这种微调是使用人工标注者或其他llm创建的输入进行的,模型会遇到额外的实际知识并将其整合

机器学习是人工智能的重要分支,它赋予计算机从数据中学习的能力,并能够在无需明确编程的情况下改进自身能力。机器学习在各个领域都有着广泛的应用,从图像识别和自然语言处理到推荐系统和欺诈检测,它正在改变我们的生活方式。机器学习领域存在着多种不同的方法和理论,其中最具影响力的五种方法被称为“机器学习五大派”。这五大派分别为符号派、联结派、进化派、贝叶斯派和类推学派。1.符号学派符号学(Symbolism),又称为符号主义,强调利用符号进行逻辑推理和表达知识。该学派认为学习是一种逆向演绎的过程,通过已有的

编辑|ScienceAI问答(QA)数据集在推动自然语言处理(NLP)研究发挥着至关重要的作用。高质量QA数据集不仅可以用于微调模型,也可以有效评估大语言模型(LLM)的能力,尤其是针对科学知识的理解和推理能力。尽管当前已有许多科学QA数据集,涵盖了医学、化学、生物等领域,但这些数据集仍存在一些不足。其一,数据形式较为单一,大多数为多项选择题(multiple-choicequestions),它们易于进行评估,但限制了模型的答案选择范围,无法充分测试模型的科学问题解答能力。相比之下,开放式问答

本站8月1日消息,SK海力士今天(8月1日)发布博文,宣布将出席8月6日至8日,在美国加利福尼亚州圣克拉拉举行的全球半导体存储器峰会FMS2024,展示诸多新一代产品。未来存储器和存储峰会(FutureMemoryandStorage)简介前身是主要面向NAND供应商的闪存峰会(FlashMemorySummit),在人工智能技术日益受到关注的背景下,今年重新命名为未来存储器和存储峰会(FutureMemoryandStorage),以邀请DRAM和存储供应商等更多参与者。新产品SK海力士去年在

编辑|KX在药物研发领域,准确有效地预测蛋白质与配体的结合亲和力对于药物筛选和优化至关重要。然而,目前的研究没有考虑到分子表面信息在蛋白质-配体相互作用中的重要作用。基于此,来自厦门大学的研究人员提出了一种新颖的多模态特征提取(MFE)框架,该框架首次结合了蛋白质表面、3D结构和序列的信息,并使用交叉注意机制进行不同模态之间的特征对齐。实验结果表明,该方法在预测蛋白质-配体结合亲和力方面取得了最先进的性能。此外,消融研究证明了该框架内蛋白质表面信息和多模态特征对齐的有效性和必要性。相关研究以「S
