智慧与洞察力：人工智能和机器学习在医疗领域中的应用

2019-06-04 11:28

HBR：人工智能可能会减少医疗保健的繁文缛节

能够处理大量数据和进行实时建议的人工智能工具可以大大减轻医疗系统的管理负担，并节省启动资金。文章表明，在美国医疗体系3万亿美元的年度成本中，约有三分之一的成本浪费在行政和运营效率低下方面。人工智能已经实现了更快的病床分配、更简单和改进的文档和自动欺诈检测。例如，人工智能帮助医疗系统更快地分配床位，将外科病人的恢复时间缩短80%，将急诊床等待时间缩短20%，并接受60%以上的转院患者。

为了利用人工智能，医疗保健组织需要：

·简化和标准化数据和流程，以便人工智能可以使用它们。

·确保IT系统之间的互操作性和数据共享。

·逐步淘汰那些通过帮助改善成果来增加业务价值的员工。

消除“黑盒”挑战？

马萨诸塞州波士顿总医院的研究人员使用不到1000例的成像病例，能够训练一种人工智能算法来检测颅内出血（ICH），并在未增强头部CT扫描上对其五个子类型进行分类。深度学习算法的设计是为了揭示其决策背后的推理，通常被称为人工智能的“黑盒”问题，通过一个“注意力地图”，突出显示用于进行预测的图像上的重要区域。它还消除了放射科医师对用于训练大多数深度学习模型的大型高质量数据集进行注释的需要。

研究小组发现，该模型的准确性与训练有素的放射科医师相当，但其灵敏度相当高。

这就是它真正重要的原因：脑出血是一种潜在的致命疾病，采用自动敏感模型能够可靠地检测到它，可以加快患者的治疗。它还可以帮助具有不同专业水平的神经放射科医生更快地确定脑部扫描是否存在出血的情况，避免颅内出血（ICH）的迟发或漏诊。

人工智能工具比皮肤科医生更好地检测皮肤癌

根据最近一项对肿瘤学年鉴的研究，无论医生的经验水平如何，基于人工智能的网络在分析癌症皮肤病变图像方面都优于皮肤科医生。然而，皮肤科医生在为他们的诊断添加真实的临床信息后表现更好，但仍然优于神经网络。

“我们的数据清楚地表明，卷积神经网络（CNN）算法可能是一种合适的工具，可以帮助医生进行黑素瘤检测，无论他们的个人经验水平和培训水平如何。”德国海德堡大学皮肤病学系的教授Holger A. Haenssle博士表示。

濒于危险：DL预测乳腺肿瘤对化疗的反应

为精确治疗做好准备。例如：根据发表在《数字成像》杂志上的最新研究结果，研究人员已经预测乳腺肿瘤对新辅助化疗（NAC）的反应准确率为88%。其提供的好处是双重的：提供了更好的方法来早期评估治疗反应，并显著改进了当前的预测方法，即一旦开始治疗，就依赖于间隔成像。

使用乳房MRI肿瘤数据集，纽约哥伦比亚大学欧文医学中心的研究人员采用深度学习卷积神经网络（CNN）方法来训练和预测化疗开始前对化疗的反应。

<上一页 1 2