至顶网软件频道消息: 人工智能正在颠覆几乎所有可以想象的领域,运输、金融、教育等等。最近,Aidoc公司创始人兼首席执行官Elad Walach发表了一篇文章表示,人工智能将瞄准的一个关键领域是医疗保健,将改变诸如个性化医疗、临床决策甚至医疗保险等领域。
Aidoc是一家智能放射公司,该公司使用人工智能来检查医学影像中的异常状况并简化工作流程。
Elad Walach认为,也许人工智能能够最快改变的医疗领域就是放射领域。人工智能将是解读重要医学影像的关键,这些医学影像反映我们身体内部的情况,例如CT扫描、MR和X射线图像,帮助医生做好他们最擅长的事:诊断。
为什么放射领域会成为第一个被人工智能彻底革新的医学领域?什么是让医学成像领域被深度学习的魔力折服呢?
1. 放射学是可视的。医学扫描当然是可视的,而人工智能在分析视觉图像方面尤其强大——这至少部分归功于人工智能技术在安全和社交媒体服务中取得的突破,它可以识别我们的面孔并从人群中找到我们。
放射领域高度依赖对视觉数据的解释,这使得它比其他一些医学领域更适合深度学习技术。这意味着,放射科医师可以立即从人工智能技术的使用中受益,而精神病医生或胃肠病专家则不能。
2. 放射科被行业急需。医 学影像(CT和MR)的数量持续大幅度增加——它们在2016年所有检测中分别占到了7.9%和8.9%。然而,在进行了更多扫描的同时,放射科医师的数 量已经进入了稳定阶段。而且,随着技术的进步,每次扫描的分辨率和图像数量呈指数级增长。因此,需要考虑的细节数量也相应地增加了。这就产生了巨大的技术 需求,这种技术可以突破日益增长的工作负荷造成的危险瓶颈——而且,正如我们所知,需要是发明之母,深度学习可以帮助评估CT和MRI扫描结果,快速找出 放射科医师应该重点关注的区域,以便他们进一步进行检查,同时还允许更快地评估紧急扫描——因此改善了患者的预后。
3. 放射科是以技术为中心的。除 了其视觉本质之外,放射科已经是一个以技术核心的领域。放射科医生每天都依赖大量先进技术——每次检查都涉及到各种先进的软件系统、诊断监视器和工作站, 由于他们日常工作的技术驱动性质,放射科医生被认为是“早期采用者”。这就是为什么他们更有可能采用由人工智能支持的其他技术,而早期也有例子表明,放射科医生比其他许多同事更善于接受创新:80年代的放射科接受了从胶片到数字图像的转变。
4. 有大量可供使用的数据。所有的深度学习都需要大量的数据才能真正有效,对于放射学来说,这些数据的存在形式是过去几十年针对各种症状积累的无穷无尽的影像。
当 然,数据的挖掘也存在挑战,挑战在于人工智能算法如何获取这些影像。而最近,一些医疗机构公开分享他们的匿名数据催生了这一领域的热潮,比如,美国国家卫 生研究院(National Institutes of Health)最近公布的X射线数据集,该数据集包含了超过100,000张带有注释的图像(如下图)。
5. 云计算将对人工智能产生影响。云存储容量和计算速度的增长对所有领域的人工智能都产生了重大影响,医学领域——特别是放射学领域——也不例外。
前面提到的机器学习访问并解释大量数据的能力可以提高准确性和速度,这种能力很大程度上得益于云计算的不断发展,提供了更加物美价廉的服务,这些进步让云计算成为简单并且具有成本效益的人工智能解决方案的重要推动力量。
6. 这一切已经在发生了。放射领域的人工智能已经存在,并且显然将继续存在下去。越来越多的创业企业、以及大型公司都在构建人工智能影像功能,并开始将其整合到他们的产品之中。这些公司包括IBM Watson、Change Healthcare等等。
事实上,世界领先的放射学会议——北美放射学会(RSNA)现在有一个部分是专门针对机器学习公司的,这些公司正在开发的突破性的人工智能解决方案已经在医疗机构实施,改变了放射领域2018年及以后的面貌。
在2018年,我们有望看到更多的医疗领域因为量身定制深度学习技术出现革命性的变革,包括病理学和遗传学。在未来的一年里,放射领域将不会是唯一一个受益于人工智能奇迹的领域,但它肯定是首批受益的领域之一。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。