醫(yī)療保健領域并不存在典型的大數(shù)據(jù)問題。但由于引入了人工智能，醫(yī)療保健也將面臨大數(shù)據(jù)問題。日常生活中有很多低效事件，比方說交通堵塞和對賬單的“蝸牛郵件”。這些低效事件十分不方便，但這些問題通常不涉及生活和死亡方面問題。醫(yī)療保健卻是不同的，醫(yī)療保健涉及生活和死亡的問題。因此，人們對衛(wèi)生保健生產力的需求也是不同的。所以，醫(yī)療保健在自動化方面很有潛力。事實上，跟其他領域比起來，自動化在醫(yī)療保健領域的潛力更大。
數(shù)據(jù)是驅動力
醫(yī)療保健領域的數(shù)據(jù)量多得令人難以置信。隨著傳統(tǒng)形式的信息（比如病歷）變得電子化，新的數(shù)據(jù)源也隨之被數(shù)字化，比方說身體的4D圖像和高分辨率基因組。一項在《PLOS生物學》（由公共科學圖書館出版的一本雜志）上發(fā)表的研究預測，到2025年，基因組學單獨產生的數(shù)據(jù)量將與天文學、YouTube和Twitter產生的數(shù)據(jù)總量相當。
那么，我們如何能了解所有信息呢？機器學習和深度學習可以幫助我們。
機器學習是一種實現(xiàn)人工智能的方法，而深度學習是機器學習的一個子集，它能夠訓練人工神經網(wǎng)絡，最終使得人工神經網(wǎng)絡回答問題的準確率接近100％。機器學習和深度學習可以處理、分析和識別信息中的模式，以幫助提高獲取信息的質量和速度。
AI的已有影響
斯坦福大學的研究人員研究了一種算法，這種算法能從肺癌組織的病理圖像中識別出數(shù)千個目標特征，然后訓練計算機軟件程序來評估樣本。計算機能以完全自動化的方式從滑膜病理學中準確地預測癌癥，研究人員稱這種方法“可以為許多患者提供快速和客觀的存活預測”。
最近，GE Healthcare宣布與UC San Francisco（UCSF）合作。我們計劃開發(fā)一個深度學習算法庫，它可以加速幫助鑒別診斷病癥，改善臨床工作流程，縮短治療時間和提高患者治愈率。一旦這些算法應用在GE Health云端和智能GE成像機上，全球的臨床醫(yī)生都將可以虛擬訪問用于創(chuàng)建算法的相關臨床專業(yè)知識和工作流程。
當然，放射學只是機器學習和深度學習所能改變的其中一個醫(yī)療保健領域。其他的探索領域包括個性化醫(yī)學和藥物發(fā)現(xiàn)、通過虛擬護理助手進行遠程監(jiān)護，以及自然語言語音識別軟件，語音識別軟件可以讓我們不必手動往電子健康記錄（EHR）上輸入注釋。
解決疑問
但是，我們仍不能忽視機器學習和深度學習帶來的懷疑和恐懼。醫(yī)療保健是高度復雜、正規(guī)化和私人的。由于其數(shù)據(jù)、科學和機器的獨特結合以及與患者生活的相互影響，行業(yè)的革新需要的不僅僅是新的小工具或一次性應用程序，因為它們無法解決成本、質量和使用權方面所存在的挑戰(zhàn)。
機器學習和深度學習可以應用在實際生活中，并且支持創(chuàng)新。隨著人口的老齡化，消費者參與度的提高，價值型醫(yī)療服務的需求增加，以及全球醫(yī)療保健專業(yè)人員的短缺，機器學習和深度學習具有難以置信的潛力，它們可以解決供應商的最大痛點，并滿足患者最大需求。
我們每個人都可能會生病，我們的朋友和家人也可能會生病。而機器學習和深度學習可以改善個人生活，能夠實時分析和利用來自EHR、實驗室測試、基因組學和成像的所有數(shù)據(jù)，以實現(xiàn)最高質量和最有效的護理服務。
*發(fā)展中的技術代表正在進行的研究。這些技術不是產品，而且有可能永遠不會成為產品。不會作為產品銷售。未經美國食品和藥物管理局或任何其他全球監(jiān)管機構批準用于商業(yè)可用性。
Copyright ? 2022 上?？评讜狗沼邢薰?旗下「智慧醫(yī)療網(wǎng)」版權所有 ICP備案號：滬ICP備17004559號-5
