以下是五個主要趨勢：

 

(1) 2018年，全球醫療市場的人工智能市場規模為21億美元。

 

(2)預計到2025年，全球醫療市場的人工智能市場規模將增長到361億美元，在預測期內復合年增長率為50.2%。

 

(3)機器學習預計將占據市場的最大份額，其次是自然語言處理。

 

(4)驅動因素越來越大，數據集也越來越復雜，越來越需要降低日益增加的醫療成本、提高計算能力、降低硬件成本。

 

(5)面臨的挑戰是醫療從業者不愿意采用基于人工智能的技術，缺乏熟練的勞動力，以及對軟件的監管指南不明確。

 

 

醫療保健行業的高級管理人員增加了新成員：首席人工智能官。而Anna Goldenberg博士就是一位首席人工智能官。她于今年1月在多倫多的兒童醫院擔任生物醫學信息學和人工智能主管。

 

Goldenberg在接受加拿大《環球郵報》采訪時說：“作為一名計算機科學家，我成為機器學習和人工智能領域的研究人員，我現在感覺可以在醫療保健方面做出巨大的改變。這需要一些時間，但我認為越來越接近了。”

 

事實上，人工智能正在為醫療保健行業提供動力。Goldenberg的職位的部分資金來自一位多倫多的企業家的175萬美元捐款，他剛出生的孩子在這家兒童醫院接受了手術。而這位企業家創辦了一家合資公司，該公司開發了一個軟件平臺，將自動駕駛汽車與智能基礎設施連接起來，去年這家公司被出售給了福特汽車公司。該職位的其余部分資金來自由醫院籌款基金，使捐款總額達到350萬美元。

 

Goldenberg擁有數據挖掘和機器學習的碩士學位和博士學位，目前擔任多倫多大學計算機科學副教授，并在該醫院擔任高級科學家。她的研究重點是利用機器學習來繪制人類疾病異質性，并使用患者數據和人工智能預測心臟驟停等疾病。

 

 

有關人工智能的首次回顧性研究于去年8月發表在“柳葉刀腫瘤學”網站上。該研究旨在開發一種評分，以預先確定癌癥治療的反應者，并提高治療的療效和成本比。

 

同行評審的這種挖掘確定了人工智能可以處理醫學圖像以提取生物和臨床信息。這意味著醫生很快就可以使用成像來識別身體任何部位的腫瘤生物學特征，而無需進行活組織檢查。如果團隊沒有證明其可行性，那么該技術聽起來就像是科幻小說中的技術一樣。

 

研究團隊設計了一種分析CT圖像的算法。圖像數據與“放射特征”相結合，定義腫瘤淋巴細胞浸潤水平，并為患者免疫治療的療效提供預測評分。對500名患者進行了放射性特征的采集、開發和驗證。研究小組發現，在3個月和6個月時免疫治療有效的患者放射評分較高，總體存活率較高的患者放射評分也較高。

 

 

在這個充滿智能的時代，需要有一個新的中心，其新的使命是激勵和影響關于人工智能道德的公共政策和法規，并建立“有道德的機器”。安大略省圭爾夫大學成立了促進負責任和道德人工智能中心(CARE-AI)，致力于確保技術使人們受益，最大限度地減少傷害，并保持技術的人性化。

 

該中心匯集了90名大學研究人員和學者，他們計劃分析人工智能的人文和社會方面，并研究人類和動物健康、環境科學、農業食品和生物經濟領域的學習算法、人機界面、數據分析、傳感器和機器人等方法。在這些問題中，他們將探討人工智能成為具有情感和意識的實體的潛力，以及當智能機器開始自己設計時，人類和人工智能將會有哪些相互作用。

 

 

將人工智能應用于心電圖可以幫助識別無癥狀的左心室功能障礙，這是心力衰竭的前兆。梅奧診所的一組研究人員在《自然醫學》上發表了一項研究報告，表明他們可以做到這一點。

 

該團隊使用梅奧診所的臨床數據篩選出625,326對的EKG和經胸超聲回波心電圖，以確定患者。然后他們創建、訓練、驗證并測試了一個神經網絡來驗證他們的假設，了解與其他常見的篩選測試相比的準確性。

 

有趣的是，研究發現，在可能具有心室功能不全風險的患者中，人工智能檢測出陽性的患者未來發生心室功能不全的風險是陰性患者的四倍。

 

“換句話說，該測試不僅可以確定無癥狀疾病，還可以預測未來疾病的風險，這是通過識別心肌無力之前發生的非常早期、細微的心電圖變化來實現的。”Paul Friedman醫學博士說。

 

 

能夠處理大量數據和進行實時建議的人工智能工具可以大大減輕醫療系統的管理負擔，并節省啟動資金。文章表明，在美國醫療體系3萬億美元的年度成本中，約有三分之一的成本浪費在行政和運營效率低下方面。人工智能已經實現了更快的病床分配、更簡單和改進的文檔和自動欺詐檢測。例如，人工智能幫助醫療系統更快地分配床位，將外科病人的恢復時間縮短80%，將急診床等待時間縮短20%，并接受60%以上的轉院患者。

 

為了利用人工智能，醫療保健組織需要：

 

•簡化和標準化數據和流程，以便人工智能可以使用它們。

 

•確保IT系統之間的互操作性和數據共享。

 

•逐步淘汰那些通過幫助改善成果來增加業務價值的員工。

 

 

馬薩諸塞州波士頓總醫院的研究人員使用不到1000例的成像病例，能夠訓練一種人工智能算法來檢測顱內出血(ICH)，并在未增強頭部CT掃描上對其五個子類型進行分類。深度學習算法的設計是為了揭示其決策背后的推理，通常被稱為人工智能的“黑盒”問題，通過一個“注意力地圖”，突出顯示用于進行預測的圖像上的重要區域。它還消除了放射科醫師對用于訓練大多數深度學習模型的大型高質量數據集進行注釋的需要。

 

研究小組發現，該模型的準確性與訓練有素的放射科醫師相當，但其靈敏度相當高。

 

這就是它真正重要的原因：腦出血是一種潛在的致命疾病，采用自動敏感模型能夠可靠地檢測到它，可以加快患者的治療。它還可以幫助具有不同專業水平的神經放射科醫生更快地確定腦部掃描是否存在出血的情況，避免顱內出血(ICH)的遲發或漏診。

 

 

根據最近一項對腫瘤學年鑒的研究，無論醫生的經驗水平如何，基于人工智能的網絡在分析癌癥皮膚病變圖像方面都優于皮膚科醫生。然而，皮膚科醫生在為他們的診斷添加真實的臨床信息后表現更好，但仍然優于神經網絡。

 

“我們的數據清楚地表明，卷積神經網絡(CNN)算法可能是一種合適的工具，可以幫助醫生進行黑素瘤檢測，無論他們的個人經驗水平和培訓水平如何。”德國海德堡大學皮膚病學系的教授Holger A. Haenssle博士表示。

 

 

為精確治療做好準備。例如：根據發表在《數字成像》雜志上的最新研究結果，研究人員已經預測乳腺腫瘤對新輔助化療(NAC)的反應準確率為88%。其提供的好處是雙重的：提供了更好的方法來早期評估治療反應，并顯著改進了當前的預測方法，即一旦開始治療，就依賴于間隔成像。

 

使用乳房MRI腫瘤數據集，紐約哥倫比亞大學歐文醫學中心的研究人員采用深度學習卷積神經網絡(CNN)方法來訓練和預測化療開始前對化療的反應。