IA en santé : trois tendances à surveiller
Entre la pandémie de COVID-19, la crise de la santé mentale, la hausse des coûts des soins de santé et le vieillissement de la population, les leaders de l'industrie se démènent pour développer des applications d'intelligence artificielle (IA) pour les soins de santé. Un signe du marché du capital-risque est que plus de 40 startups ont levé 20 millions de dollars ou plus pour créer des solutions d’intelligence artificielle pour les industries. Mais comment l'IA est-elle réellement utilisée dans le domaine de la santé ?
L'enquête 2022 sur l'IA dans le domaine de la santé a interrogé plus de 300 personnes du monde entier pour mieux comprendre les défis qui définissent l'IA dans le domaine de la santé, ses réalisations et ses cas d'utilisation. C’est la deuxième fois que l’enquête est menée, et les résultats ne changent pas de manière significative, mais ils pointent vers des tendances intéressantes qui augurent bien du développement de l’IA médicale dans les années à venir. Si certains aspects de cette évolution sont positifs (la démocratisation de l’IA), d’autres aspects sont moins passionnants (l’existence d’une surface d’attaque plus large).
Voici trois tendances que les entreprises doivent comprendre :
1. Facilité d'utilisation et démocratisation de l'intelligence artificielle grâce aux outils sans code
Gartner estime que d'ici 2025, 70 % des nouvelles applications développées par les entreprises utiliseront des outils sans code. ou technologie low-code (moins de 25% en 2020). Même si le low-code simplifie la charge de travail des programmeurs, les solutions sans code qui ne nécessitent pas l’intervention de la science des données auront le plus grand impact sur les entreprises et d’autres secteurs.
C’est pourquoi il est passionnant de constater un net changement dans l’utilisation de l’IA des titres techniques vers les experts du domaine eux-mêmes.
Pour le secteur de la santé, cela signifie que plus de la moitié (61 %) des personnes interrogées à l'enquête AI Healthcare ont identifié les cliniciens comme utilisateurs cibles, suivis par les payeurs de soins de santé (45 %) et les entreprises informatiques de santé (38 %). Associés à un développement et à des investissements importants dans les applications d’IA pour les soins de santé et à la disponibilité de technologies open source, ces éléments sont de bon augure pour une adoption plus large par l’industrie.
Pour les soins de santé, cela signifie que plus de la moitié (61 %) des personnes interrogées dans l'enquête sur l'IA dans les soins de santé ont identifié les cliniciens comme leurs utilisateurs cibles, suivis par les payeurs de soins de santé (45 %) et les entreprises informatiques de soins de santé (38 %). Ceci, combiné à un développement et à des investissements importants dans les applications d’IA spécifiques aux soins de santé et à la disponibilité de la technologie open source, laisse présager une adoption plus large par l’industrie.
C’est énorme : mettre du code entre les mains des professionnels de santé, tout comme les outils bureautiques courants comme Excel ou Photoshop, améliorera l’IA. En plus de rendre la technologie plus accessible, cela rend également les résultats plus précis et plus fiables, car ce sont désormais les professionnels de la santé, et non les professionnels des logiciels, qui sont désormais aux commandes. Ces changements ne se sont pas produits du jour au lendemain, mais l’augmentation du nombre d’experts du domaine en tant qu’utilisateurs principaux de l’IA constitue une étape importante.
2. Les outils deviennent plus sophistiqués et les textes plus utiles
D’autres résultats encourageants concernent les progrès des outils d’IA et le désir des utilisateurs d’approfondir des modèles spécifiques. Lorsqu'on leur a demandé quelles technologies ils envisageaient d'adopter d'ici fin 2022, les leaders technologiques de l'enquête ont cité l'intégration de données (46 %), la BI (44 %), la PNL (43 %) et l'annotation de données (38 %). Le texte est désormais le type de données le plus susceptible d’être utilisé dans les applications d’IA, et l’accent mis sur le traitement du langage naturel (NLP) et l’annotation des données suggère que des techniques d’IA plus sophistiquées sont en plein essor.
Ces outils prennent en charge des activités importantes telles que l'aide à la décision clinique, la découverte de médicaments et l'évaluation des politiques de santé. Deux ans après le début de la pandémie, il est clair à quel point les progrès dans ces domaines sont importants, alors que nous développons de nouveaux vaccins et découvrons comment mieux répondre aux besoins du système de santé à la suite d’événements à grande échelle. À travers ces exemples, il apparaît également clairement que l’utilisation de l’IA dans l’industrie médicale est très différente des autres industries et nécessite une approche différente.
Il n'est donc pas surprenant que les leaders technologiques et les personnes interrogées dans des organisations établies citent la disponibilité de modèles et d'algorithmes spécifiques aux soins de santé comme le besoin le plus important lors de l'évaluation des bibliothèques logicielles installées sur site ou des solutions SaaS. À en juger par le paysage du capital-risque, les informations existantes sur le marché et la demande des utilisateurs d’IA, les modèles spécifiques aux soins de santé ne feront que se développer dans les années à venir.
3. Les problèmes de sécurité augmentent
Avec tous les progrès réalisés par l’intelligence artificielle au cours de l’année écoulée, elle a également ouvert une série de nouveaux vecteurs d’attaque. Lorsqu'on leur demande quels types de logiciels les personnes interrogées utilisent pour créer leurs applications d'IA, les choix les plus populaires sont les logiciels commerciaux installés localement (37 %) et les logiciels open source (35 %). Plus particulièrement, l’utilisation des services cloud a chuté de
12 % (30 %) par rapport à l’enquête de l’année dernière, probablement en raison de problèmes de confidentialité liés au partage de données.
De plus, la majorité des personnes interrogées (53 %) choisissent de s'appuyer sur leurs propres données pour valider les modèles, plutôt que sur les métriques de tiers ou de fournisseurs de logiciels. Les personnes interrogées issues d'organisations matures (68 %) ont une nette préférence pour le recours aux évaluations internes et pour l'adaptation des modèles elles-mêmes. De plus, des contrôles et des procédures stricts sont en place concernant le traitement des données médicales, et il est clair que les utilisateurs d’IA voudront conserver les opérations en interne lorsque cela est possible.
Mais quelles que soient les préférences logicielles ou la manière dont les utilisateurs valident les modèles, l'escalade des menaces à la sécurité des soins de santé peut avoir un impact significatif. Alors que d’autres services d’infrastructures critiques sont confrontés à des défis, les conséquences d’une violation des soins de santé vont au-delà des dommages à la réputation et aux finances. La perte de données ou la falsification des équipements hospitaliers peuvent faire la différence entre la vie et la mort.
L'intelligence artificielle est sur le point de connaître une croissance encore plus significative à mesure que les développeurs et les investisseurs s'efforcent de mettre la technologie entre les mains des utilisateurs quotidiens. Mais à mesure que l’IA devient plus largement disponible et que les modèles et les outils s’améliorent, la sécurité, la fiabilité et l’éthique deviendront des domaines d’intérêt importants. Il sera intéressant de voir comment l’IA dans ces domaines de la santé se développera cette année et ce que cela signifie pour l’avenir du secteur.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | Radis Skin Depuis la sortie du puissant AlphaFold2 en 2021, les scientifiques utilisent des modèles de prédiction de la structure des protéines pour cartographier diverses structures protéiques dans les cellules, découvrir des médicaments et dresser une « carte cosmique » de chaque interaction protéique connue. Tout à l'heure, Google DeepMind a publié le modèle AlphaFold3, capable d'effectuer des prédictions de structure conjointe pour des complexes comprenant des protéines, des acides nucléiques, de petites molécules, des ions et des résidus modifiés. La précision d’AlphaFold3 a été considérablement améliorée par rapport à de nombreux outils dédiés dans le passé (interaction protéine-ligand, interaction protéine-acide nucléique, prédiction anticorps-antigène). Cela montre qu’au sein d’un cadre unique et unifié d’apprentissage profond, il est possible de réaliser
