醫學是人工智慧最令人興奮的前沿領域之一，但人工智慧將在哪些方面對醫療保健的未來產生真正的影響？ O'Reilly Media 內容策略副總裁 Rachel Roumeliotis 在這裡回答。
很少有產業像醫學一樣數據密集。醫療數據有多種形式：圖像、音訊、視訊、非結構化文字和結構化資訊。所有這些數據都受到其他行業所經歷的傳統問題的影響：資訊缺失、值損壞、可疑異常值、缺少標籤、印刷錯誤等等。
隨著醫學資料庫的增多，清理和標記資訊變得越來越重要。雖然我們距離解決這項挑戰還有一段距離，但我們看到了 Holoclean 和 Snorkel 之類的重要進展。前者是一個開源的、基於機器學習的系統，用於自動錯誤檢測和修復，已成功用於包括醫院在內的多種醫療應用中。
同時，Snorkel 是一種開源資料程式設計工具，它可以自動執行耗時的任務，即創建訓練並以程式設計方式標記用於訓練機器學習應用程式的大型資料集。該技術已經在醫療領域取得了重大成功。一個對罕見主動脈瓣畸形進行分類的項目使用了來自英國生物銀行的龐大的人口規模數據集，並且使用數據編程，能夠自動標記大約4,000 個以前未標記的MRI 序列——否則這些工作必須由手。
同樣的資料程式設計工具也為生物醫學影像分析帶來了成功，以及擷取隱藏在現有資源中的知識。例如，Snorkel 的開發人員創建了一個資料提取工具，該工具透過梳理生物醫學文獻來提取特徵和基因組變異之間的關聯。透過這種方式，人工智慧在提升我們的醫學知識的同時提供更快、更準確的診斷——鑑於訓練有素的醫務人員短缺，這是一個特別重要的考慮因素。
醫療產業中定義的資料挑戰之一是資訊極為敏感的性質。我們不僅要處理人們的個人病史，而且製藥和其他醫療企業自然會嚴格保護他們的資料。然而，巨大的飛躍需要我們將這些數據匯集在一起??，以找到有助於更好地了解疾病和改進治療方法的見解。
在北京舉行的人工智慧會議上，加州大學柏克萊分校 RISELab 主任 Ion Stoica 描述了新項目，這些項目使組織能夠在不實際共享數據的情況下進行合作。這種新的協作模式被稱為「合作競爭」——收集匿名數據以創建全球模型庫，每個參與者都可以將其用於自己的專案。
競爭性學習特別令人興奮的是，它在其他行業中也有大量敏感資料資料集的應用。例如，金融機構可以使用該模型來建立更準確、更強大的詐欺模型，展示醫學領域的先驅技術將如何很快改善我們生活的其他領域。
然而，這種模式只是醫療保健產業正在開發的新市場的一個例子。例如，一家正在為未來創造技術的公司是Computable Labs，這是一家新創公司，它正在建立工具來創建這些新的數據市場，解決重要問題，如市場治理、為市場中的數據賦予價值，並確保隱私的協議。
RISELab 透過設想新的雙邊市場將這個想法更進一步，這些市場由人工智慧在雙方進行調解。僅舉一個例子來說明這是如何工作的，假設您是一名糖尿病患者，並且正在使用一項根據您的病情推薦食譜的服務——但您不喜歡該服務推薦的許多菜餚。在一個雙向的、以人工智慧為中介的市場中，您的推薦引擎會了解您的口味和需求，然後與其他引擎溝通以協商出令人滿意的菜單。
然而，發展建立在資料流之上的新市場機制不僅會對醫療產業產生重大影響；它實際上代表了一次令人難以置信的雄心勃勃的嘗試，旨在重新構想資本主義本身的內部運作方式。雖然數據密集型醫療保健行業顯然是這種情況的地方，但其應用可能是無限的。這只是一個例子，說明醫學不僅幫助我們活得夠長，享受更美好、科技更先進的未來，而且實際上也有助於創造未來。
以上是探討人工智慧對醫療保健未來的革命性影響的詳細內容。更多資訊請關注PHP中文網其他相關文章！
