精品伊人久久大香线蕉,开心久久婷婷综合中文字幕,杏田冲梨,人妻无码aⅴ不卡中文字幕

人工智能是計算機科學的一個領域，旨在模擬人類的思維過程、學習能力和知識存儲。1950年，數學家阿蘭·圖靈在其探索人工智能開創性論文的第一行中提出“機器能思考嗎？” 1956年，斯坦福大學J.McCarthy教授、麻省理工學院M.L.Minsky教授、卡內基梅隆大學H.Simon和A.Newell教授（四位均獲得圖靈獎），以及貝爾實驗室的C.E.Shannon（也稱為“信息論”）、IBM的N.Rochester和其他學者，在美國達特茅斯學院率先提出了“人工智能”這一概念。他們對人工智能的定義是指機器以與人類相似的方式理解、思考和學習的能力，表明使用計算機模擬人類智能的可能性。自20世紀70年代以來，人工智能已擴展到機械定理證明、機器翻譯、專家系統、博弈論、模式識別、機器學習、機器人和智能控制等研究領域。

自1990年代初以來，簡單的神經網絡已被用于醫學中，以解釋心電圖、診斷心肌梗塞、并預測心臟手術后重癥監護病房的住院時間等。近年來，人工智能的醫學應用激增，如機器人、醫學診斷、疾病預測、圖像分析（放射學、組織學），文本識別與自然語言處理、藥物活性設計和基因突變表達預測、健康管理、醫學統計學和人類生物學、治療效果和預后預測以及近年來快速發展的組學技術等。2000年，美國食品藥品監督管理局（FDA）批準美國公司Intuitive Surgical生產的達芬奇外科手術系統上市。這種微創手術系統可以用于泌尿外科、心臟瓣膜修復和婦科等復雜手術。這一系統目前在世界各地已超過5000臺投入運行。一種獨特的新型精準藥物輸送納米機器人也得到廣泛使用。

人工智能提高了學習能力，提供了規模化的決策支持系統，正在改變醫療保健的未來。雖然人工智能可以在許多方面幫助醫生，但在可預見的未來它不太可能取代醫生。讓我們看看人工智能在醫學中的新用途。

當前的生物醫學大數據，由電子醫療記錄和數字圖像存檔（每幅圖像約20MB）積累而成，以每年1.2至2.4 exabytes的速度增長到了驚人的100至250 exabytes。然而，這一生物醫學大數據仍然非常零碎和無序。截止目前，傳統的“自上而下”數據需要醫療保健數據庫或登記處（包括手動輸入數據及其固有的準確性和完整性限制，然后使用相對基本的統計工具進行數據分析）。

近年來，這種新的大數據范式主要以基因組醫學及其不斷升級的基因轉錄大數據的形式成功地應用于生物醫學科學。這種基因大數據的巨大規模和快速獲取是絕對令人眩暈的。盡管面臨著艱巨的挑戰，但也有一些人已經迎接了這一挑戰，并成功地邁向了對患者護理的積極影響。基因組醫學的整個數據轉換工作的頂峰是ENCyclopedia Of DNA Elements (ENCODE project),這是由國家人類基因組研究所資助的研究小組的國際合作，旨在描繪人類基因組中編碼的功能元素的整體。

電子病歷（EMR）記錄和共享醫療信息的有效工具。但隨著時間的推移和設備的升級換代，電子病歷缺乏跨技術平臺的互操作性，其結構化和非結構化數據難以大規模擴展兼容。集成專門為管理數據集設計的基于機器學習的建模，可以幫助檢測潛在的并發癥，提高醫療資源的利用率和個性化水平的結果。利用自然語言處理這一人工智能工具，可以閱讀并聯系上下文處理電子病歷，以用戶友好的方式準確地編譯和連接數十年積累的各種電子病歷數據數據（歷史、物理、實驗室、成像、藥物等）。例如，IBM開發的Watson能在幾秒鐘內從不同的電子病歷，生成準確的通用問題列表，同時根據臨床查詢編譯相關的醫學文獻。此外，電子病歷數據記憶的深度學習模型可用來預測未來的疾病軌跡和醫療結果。利用機器學習應用于電子病歷數據已證明可預測膿毒癥患者的結果。一項基于機器學習的大型死亡率研究，根據超聲心動圖結合電子病歷數據預測患者生存率的準確性達到96%。

由于藥物開發成本高、可指導藥物靶點特征化的三維結構信息的可用性增加、臨床試驗的成功率極低，機器學習現在被用于藥物發現過程中。機器學習可作為實現跨域鏈接的橋梁。它可以通過識別上下文線索（如對其適應癥或副作用的討論）來識別新批準的藥物。總的來說，人工智能在應用于現有資源時已經取得了成功，包括利用藥物信息，通過在所有疾病中應用相似性指標等技術來尋找共享途徑，從而獲得對作用機制的洞察。另一個例子是使用自然語言處理來識別隱藏的或新關聯，檢測潛在藥物不良反應。

使用機器學習方法，通過建立臨床試驗研究和醫院數據庫中的生物系統模型，描述了腫瘤藥物開發中使用的數值方法，為預測性、預防性、個性化和參與性醫學鋪平了道路。這種方法使搜索者能夠在臨床試驗中部分替換動物或人類，并生成具有特定特征的虛擬患者，以增強此類研究的結果。這些方法尤其有助于兒科或孤兒病的試驗，并可應用于從臨床前階段到上市后階段的藥代動力學和藥效學。在一項研究中，研究人員在該研究中使用虛擬療法對克羅恩病的抽搐患者合成物進行治療。結果表明，初始疾病活動評分與疾病活動評分下降呈正相關，但不同藥物的療效不同。在臨床試驗中，在生物醫學產品的設計和發現階段、生物標志物識別、劑量優化或擬議干預的持續時間方面，可能具有相當大的潛力。

已知概率人群之間的傳染病分布模式基于對環境生態和生物學特征的先驗知識。如果模型參數部分已知，則可以早期預測流行病（如感染高峰和持續時間）。一個例子是谷歌追蹤流感流行（稱為“流感趨勢”），并在流行病學研究中使用大型數據集進行了進一步完善。新的Hadoop數據庫技術將數據處理的提取-轉換-負載（或ETL）循環最小化，從而有助于實時收集和分析大數據。另一項研究，成功預測了烏干達西部、西南部和中部可能爆發絲狀病毒的地區。此外，通過對埃及伊蚊幼蟲雌蚊感染率的估算，確定了泰國中部地區登革熱出血熱的發病率，并在訓練和試驗中分別達到了95%和88%的預測準確率。

治療效果和結果預測也是疾病管理策略和個性化護理計劃中具有潛在臨床意義的重要領域。十年前，只有分子和臨床信息被用來預測癌癥的結局。隨著高通量技術的發展，包括基因組、蛋白質組學和成像技術，新的輸入參數被收集并用于預測。由于樣本量大，多模式數據類型完整，包括組織學或病理學評估，這些方法可以顯著提高癌癥易感性（15%-25%）、結果預測和預后的準確性。

例如，為了改善充血性心力衰竭患者的護理，一項研究使用了監督機器學習法，對397例射血分數維持的心力衰竭患者的46個臨床變量進行了研究。表型熱圖比常用的風險評估工具更準確地預測患者的生存率。精準藥物治療癌癥的目標之一是根據單個患者腫瘤的基因組數據準確預測最佳藥物治療。在一項研究中，研究人員提出了一種開放訪問算法，用于預測癌癥對7種常用化療藥物的反應。精準藥物的成功取決于算法能夠將大量的組學數據轉化為臨床可操作的預測。人工智能可能有用的另一個領域是監測引導藥物輸送到靶器官、組織或腫瘤。例如，納米機器人可以克服治療劑難以擴散到感興趣靶點的輸送問題。

人工智能可以根據癥狀幫助患者分類。例如，數字醫療公司HealthTap開發了“Dr.A.I.”，該公司根據過去的病史和從經驗豐富的醫生那里提取的知識進行操作，并要求患者指定癥狀，以便分診他們是否應該去急診室、急診室或初級保健醫生。在不久的將來，人體對血糖、紅細胞壓積、血氧飽和度、糖化血紅蛋白、血脂、感染和炎癥生物標志物的檢測也將被整合到人工智能技術中。此外，人工智能可以通過減少處理時間來促進醫生和患者之間的溝通，從而提高患者的護理質量。

人工智能在醫學中另一種應用是使用機器人作為幫手；例如，日本的Carebots機器人為認知能力下降或行動能力有限的老年人提供陪護。機器人在外科手術中被用作助理外科醫生，甚至獨立主刀。此外，機器人還能與自閉癥兒童交流并提供教育。

基因和生物醫學研究繼續進行調查，目的是揭示基因與人類特征或疾病之間的聯系。許多研究依賴于大規模的敏感基因型或表型數據，跨機構的共享對于此類研究的成功至關重要。例如，在最近一項樣本量有限的病例對照研究中，研究人員開發了一種整合個人全基因組測序和電子病歷數據的算法，并將該算法用于腹主動脈瘤的研究。他們根據個人基因組基線評估了修改個人生活方式的有效性，證明了該模型作為個人健康管理模型的實用性。這些研究有可能揭示其他復雜疾病的生物學結構。

數據科學所帶來的倫理挑戰也是一個爭論的領域。這些挑戰可以在概念空間內映射，并由3個研究分支來描述：數據和隱私倫理、算法倫理和道德以及實踐倫理和價值觀。其中，隱私一直是關注的中心。人工智能并不是專門為醫療保健開發的工具。雖然人工智能已經準備好解決醫學實踐中的“痛點“，但技術進步需要收集和共享大量數據，從而產生對隱私的擔憂，即數據的所有權和信息的保密性可能導致對患者的識別（尤其是通過一個稱為三角測量的過程）。機器學習在精準醫學的發展中起著關鍵的作用，根據患者的臨床或遺傳風險因素進行治療。這些進步需要收集和共享大量數據，從而產生對隱私的關注。在這種情況下，需要建立一個隱私保護框架，并應適用于研究參與者和機構的隱私和保密性屬于關注點。

人工智能不同于傳統的計算機算法，它能夠根據積累的經驗進行自我訓練。這種獨特的功能使人工智能能夠在相同的情況下，根據先前執行的操作，采取不同的行動。這種積累經驗并從中吸取教訓的能力，以及獨立行動和做出個人決定的能力，為損害創造了先決條件。這意味著人工智能在其行為中可能因某種原因造成損害。但現行法律都不承認人工智能是一個法律主體，這意味著人工智能對其造成的損害不承擔個人責任。那么誰對人工智能的行為造成的損害負責呢？因此，人工智能的發展及其不斷增長的實際應用，需要法律法規框架的變化。

雖然人工智能可以在許多方面幫助醫生，但在可預見的未來它不太可能取代醫生。在預測分析和圖像識別方面，人工智能可能很快會比醫生更有效，因為醫生無法在任何合理的時間段內處理數百萬圖像。盡管如此，由于人工智能的局限性，它還不能取代床邊的醫生。首先，人工智能不能與患者進行高層對話或互動，以獲得他們的信任、安撫他們或表達同理心，這是醫患關系的所有重要組成部分。其次，人工智能傳感器可以收集有價值的信息（如體積狀態或炎性細胞因子），以幫助診斷，但仍然需要醫生進行傳統的身體檢查，特別是在需要高水平互動和批判性思維的神經學領域。第三，盡管人工智能可能達到可以進行實時CT掃描或其他物理掃描以檢測疾病的程度，但仍需要醫生在不明確的情況下進行解釋，以整合病史、進行物理檢查并促進進一步討論。