从DEEPSEEK的崛起看AI医疗发展方向及投资机会.pptx

AI医疗专题系列二

从DEEPSEEK的崛起看AI医疗发展方向及投资机会

;

2;

终极理想是个人医疗大数据包，所有医疗数据/临床数据/检验数据/体检数据/基因测序数据/单一医学影像设备的诊断数据的融合 ,不断更新

根据个人医疗数据包动态给治疗方案：病种质控，专家知识库辅助决策，流程效率提升，互联互通，利好医生 ,也利好病人

日常个人健康数据的管理和监测，也可预警。收集到的数据也可反哺到个人医疗大数据包;;

AI基因测序

收集样本基因测序、罕见病遗传病分析解读多组学风险预测和评估;

AIGC突出创造性生产，依赖于多模型

的技术融合

DeepSeek在医疗领域的应用主要依赖于其多模型技术融合能力

多家医疗企业已宣布接入DEEPSEEK

政策全面拥抱AI在医疗领域的应用;

AIGC突出创造性生产，依赖于多模型的??术融合

AIGC（AIGeneratedContent)主要突出的是创造性生产，依赖于多模型的技术融合

自然语言处理赋予了AI理解能力和创作能力:NLP有2个核心的任务：分别是1）自然语言理解—NLU；2）自然语言生成—NLG。

自然语言理解：希望机器可以像人一样，具备正常人的语言理解能力。需要涉及：1）语言的多样性；2）语言的歧义性；3)语言的鲁棒性；4）语言的知识依赖；5）语言的上下文。

自然语言生成：为了跨越人类和机器之间的沟通鸿沟，将非语言格式的数据转换成人类可以理解的语言格式，如文章、报告等。需要涉及：1）内容确定；2）文本结构；3）句子聚合；4）语法化；5）参考表达式生成；6）语言实现。;

DeepSeek在医疗领域的应用主要依赖于其多模型技术融合能力

多模型技术融合

AIGC领域的技术包含了：生成对抗网络（GAN）、变微分自动编码器（VAE）、标准化流模型（NFs）、自回归模型（AR）、能量模型和扩散模型（DiffusionModel）。总体趋势来看，大模型、大数据、大算力是未来的发展方向。目前两个最常用的模型是GAN和DiffusionModel。

1.GAN(GenerativeAdversarialNets）生成对抗网络：结构包含两个模型，一个是生成模型（Generator，G），另一个是判别模型（Discriminator，D）。

2.DiffusionModel扩散模型：扩散模型的生成逻辑相比其他的模型更接近人的思维模式，也是为什么近期AIGC拥有了开放性的创造力。本质上，扩散模型的工作原理是通过连续添加高斯噪声来破坏训练数据，随后通过反转这个噪声过程来学习恢复数据。训练后，我们可以通过简单地将随机采样的噪声传递给学习的去噪过程来生成数据。

DeepSeek-V3系统通过语义解析电子病历和影像特征智能比对，显著提升了呼吸系统疾病的诊断准确率。此外，DeepSeek-R1模型在乳腺癌新辅助化疗方案优化中，通过整合全外显子测序数据和影像组学特征，生成个体化用药敏感性预测模型，显著提高了病理完全缓解率

DEEPSEEK通过多模型技术融合，在医疗领域展现出显著的应用潜力。其核心技术依托于深度学习和自然语言处理，致力于开发高效的智能工具，优化医疗工作流程。通过海量数据分析与挖掘，DEEPSEEK能够为医疗行业提供精准的智能决策支持。这种技术不仅增强了医疗从业者的工作效率，还在一定程度上提高了患者的安全性和医疗质量。

在算法和模型的选择上，DEEPSEEK采用了先进的生成对抗网络（GAN）与变分自编码器（VAE），使得其模型在图像生成和数据重建等任务中表现出色。与传统模型相比，这些先进算法能够处理更复杂的医疗数据，并提供更具准确性和实用性的输出。;

多家医疗企业已宣布接入DEEPSEEK

DeepSeek-R1在自然语言处理任务上表现出色，特别是在中文语法优化方面

DEEPSEEK通过其创新的混合专家模型架构，为资金不充裕的医疗提供了接入AI的可能性，特别是在慢病管理、医疗信息化以及医疗数据积累方面具有丰富经验的。

DeepSeek-R1在复杂逻辑推理任务上取得了媲美o1的推理效果。例如，在几何推理和组合数学任务中，DeepSeek-R1展现了其强大的推理能力和逻辑严谨性。

此外，DeepSeek-R1的自我反思能力使其在复杂查询中表现出色，如儿科临床决策支持中的多层次分析。

医疗数据处理方面，DEEPSEEK的多模型技术融合成果较好