人工智能技术在医学中的应用学习.docVIP

　　 人工智能是计算机科学的一个领域，旨在模拟人类的思维过程、学习能力和知识存储。1950年，数学家阿兰·图灵在其探索人工智能开创性论文的第一行中提出“机器能思考吗” 1956年，斯坦福大学J.McCarthy教授、麻省理工学院M.L.Minsky教授、卡内基梅隆大学H.Simon和A.Newell教授（四位均获得图灵奖），以及贝尔实验室的C.E.Shannon（也称为“信息论”）、IBM的N.Rochester和其他学者，在美国达特茅斯学院率先提出了“人工智能”这一概念。他们对人工智能的定义是指机器以与人类相似的方式理解、思考和学习的能力，表明使用计算机模拟人类智能的可能性。自20世纪70年代以来，人工智能已扩展到机械定理证明、机器翻译、专家系统、博弈论、模式识别、机器学习、机器人和智能控制等研究领域。 自1990年代初以来，简单的神经网络已被用于医学中，以解释心电图、诊断心肌梗塞、并预测心脏手术后重症监护病房的住院时间等。近年来，人工智能的医学应用激增，如机器人、医学诊断、疾病预测、图像分析（放射学、组织学），文本识别与自然语言处理、药物活性设计和基因突变表达预测、健康管理、医学统计学和人类生物学、治疗效果和预后预测以及近年来快速发展的组学技术等。2000年，美国食品药品监督管理局（FDA）批准美国公司Intuitive Surgical生产的达芬奇外科手术系统上市。这种微创手术系统可以用于泌尿外科、心脏瓣膜修复和妇科等复杂手术。这一系统目前在世界各地已超过5000台投入运行。一种独特的新型精准药物输送纳米机器人也得到广泛使用。 人工智能提高了学习能力，提供了规模化的决策支持系统，正在改变医疗保健的未来。虽然人工智能可以在许多方面帮助医生，但在可预见的未来它不太可能取代医生。让我们看看人工智能在医学中的新用途。 当前的生物医学大数据，由电子医疗记录和数字图像存档（每幅图像约20MB）积累而成，以每年1.2至2.4 exabytes的速度增长到了惊人的100至250 exabytes。然而，这一生物医学大数据仍然非常零碎和无序。截止目前，传统的“自上而下”数据需要医疗保健数据库或登记处（包括手动输入数据及其固有的准确性和完整性限制，然后使用相对基本的统计工具进行数据分析）。 近年来，这种新的大数据范式主要以基因组医学及其不断升级的基因转录大数据的形式成功地应用于生物医学科学。这种基因大数据的巨大规模和快速获取是绝对令人眩晕的。尽管面临着艰巨的挑战，但也有一些人已经迎接了这一挑战，并成功地迈向了对患者护理的积极影响。基因组医学的整个数据转换工作的顶峰是ENCyclopedia Of DNA Elements (ENCODE project),这是由国家人类基因组研究所资助的研究小组的国际合作，旨在描绘人类基因组中编码的功能元素的整体。 电子病历（EMR）记录和共享医疗信息的有效工具。但随着时间的推移和设备的升级换代，电子病历缺乏跨技术平台的互操作性，其结构化和非结构化数据难以大规模扩展兼容。集成专门为管理数据集设计的基于机器学习的建模，可以帮助检测潜在的并发症，提高医疗资源的利用率和个性化水平的结果。利用自然语言处理这一人工智能工具，可以阅读并联系上下文处理电子病历，以用户友好的方式准确地编译和连接数十年积累的各种电子病历数据数据（历史、物理、实验室、成像、药物等）。例如，IBM开发的Watson能在几秒钟内从不同的电子病历，生成准确的通用问题列表，同时根据临床查询编译相关的医学文献。此外，电子病历数据记忆的深度学习模型可用来预测未来的疾病轨迹和医疗结果。利用机器学习应用于电子病历数据已证明可预测脓毒症患者的结果。一项基于机器学习的大型死亡率研究，根据超声心动图结合电子病历数据预测患者生存率的准确性达到96%。 由于药物开发成本高、可指导药物靶点特征化的三维结构信息的可用性增加、临床试验的成功率极低，机器学习现在被用于药物发现过程中。机器学习可作为实现跨域链接的桥梁。它可以通过识别上下文线索（如对其适应症或副作用的讨论）来识别新批准的药物。总的来说，人工智能在应用于现有资源时已经取得了成功，包括利用药物信息，通过在所有疾病中应用相似性指标等技术来寻找共享途径，从而获得对作用机制的洞察。另一个例子是使用自然语言处理来识别隐藏的或新关联，检测潜在药物不良反应。 使用机器学习方法，通过建立临床试验研究和医院数据库中的生物系统模型，描述了肿瘤药物开发中使用的数值方法，为预测性、预防性、个性化和参与性医学铺平了道路。这种方法使搜索者能够在临床试验中部分替换动物或人类，并生成具有特定特征的虚拟患者，以增强此类研究的结果。这些方法尤其有助于儿科或孤儿病的试验，并可应用于从临床前阶段到上市后阶段的药代动力学和药效学。在一项研究中，研究人员在该