长按识别二维码，下载健康界APP
聚焦智慧医疗的资讯、优秀案例、海外先进做法等，携手专业人士为医院贡献知识和经验。
人工智能+医疗健康趋势报告：人工智能搭上医疗可以做什么？
文/蛋壳研究院
来源：动脉网
人工智能+医疗，两者结合将在哪些方面给我们带来火花？
对于领域中的应用已经非常广泛，从应用场景来看主要分成了虚拟助理、、药物挖掘、营养学、生物技术、急救室/医院管理、健康管理、精神健康、可穿戴设备、风险管理和病理学共11个领域，我们着重分析前8个，这一篇包含虚拟助理、医学影像、药物挖掘和营养学四个方面。虚拟助理：人工智能可以诊断疾病虚拟助理是一个你身边的语音助手，交谈是与虚拟助理交互的基本模式。你跟助理说话，通过自然语言处理和语义分析之后，语音助理也会回复你，苹果手机上的Siri可能就是大家最熟悉的虚拟助理。而虚拟助理可以根据和用户的交谈中，能够智能化地通过病情描述判断你生了什么病。我们把虚拟助理分成两类，一类是包括Siri等通用型虚拟助理，另一类是专注医疗健康类的专用虚拟助理。和通用类型助理相比，医疗是一个更垂直，专业度更高的领域，有很多专业术语和专业技能需要我们去学习。我们从五个方面去对比通用类和医健类虚拟助理的差别。通用类虚拟助理上市时间早，资本支持度高，数据规模大。而医健类虚拟助理的专业属性强、监管风险高。虚拟助理是目前较受资本青睐的人工智能医疗健康细分领域，目前在国外用户所熟知的医健虚拟助理是Babylon Health，而国内在虚拟助手上，也有大数医达和康夫子崭露头角。Babylon Health是一家位于伦敦的初创公司，已完成金额约17.18M英镑的A轮融资，投资者包括DeepMind Technologies，该公司计划推出一款类似Siri的医健类虚拟助理应用。Babylon在过去两年里建立了一个庞大的医学症状数据库，拥有总共36500个案例的数据库，在看医生前利用语音识别来询问用户一系列问题。相比人工全科医生的诊疗，这种光速般的症状诊断和热情温柔的声音是帮助Babylon Health降低价格、保持5英镑月费的最重要方法。Babylon Health需要经过两个阶段的建造，第一个阶段有两个步骤，第一个步骤是自然语言处理，也就是听懂患者对症状的描述，知道哪里不舒服。然后根据疾病数据库里面的内容进行对比和深度学习，对患者提供医疗和护理建议。这个阶段局限于肾脏、肝脏、胆固醇和骨科等较小范围的领域。在第二个阶段，随着更大规模数据库的加入和更长时间的训练，Babylon Health将提供更多种类的疾病建议。Babylon Health创始人Ali Parsa认为，每年人工处理病患会发生大量误诊死亡事件，有一种说法认为美国ICU误诊死亡达40500人/年，而利用人工智能技术，从虚拟助理切入，能够更准确、更快捷、更安全、更便宜地实现病患处理。但是，目前在政策法律方面，由于医疗责任主体不明，监管部门禁止虚拟助理提供轻微疾病的诊断和重症的任何建议。目前，监管部门要求虚拟助理在轻疾方面仅仅能够提供一些咨询和建议，不能提供诊断，在重症方面只能提议立刻前往医院或代拨医院急救电话。业内医师也同样对该应用产生了质疑，因为患者并不完全了解身体所出的状况，表达的时候会漏掉一些关键信息，同时咨询的时候会使用大量的非专业词汇，虚拟助理可能没有办法去挖掘真正有用的信息作出更准确的判断。以上是虚拟助理目前的存在的问题。虽然如此，虚拟助理的成本更低，有助于控费，人类医生无法穷尽所有的疾病，而人工智能理论上可以，因此完全可以成为人类医师的得力助手。医学影像：辅助和代替医生看胶片医学影像与人工智能的结合，是数字医疗领域较新的分支，而且是数字医疗产业的热点。医学影像包含了海量的数据，即使有经验的医生有时也显得无所适从。医学影像的解读需要长时间专业经验的积累，放射科医生的培养周期相对较长，而人工智能在对图像的检测效率和精度两个方面，都可以做得比专业医生更快，还可以减少人为操作的误判率。近年，从图像中识别出对象物的“图像识别技术”的性能在“深度学习”的帮助下得以迅速提高。X光照片的分辨率为像素。其中的恶性肿瘤的尺寸为3×3像素左右。从非常大的图像上判断一个很小的阴影状物体是不是恶性肿瘤，是非常难的任务。首先会将一张胶片进行预处理，然后分割成若干小块，再在每一块中提取特征值和数据库进行对比，最后经过匹配后作出阳性判断。在整个诊断过程中，人工智能也会自己做出深度学习，在病历库中寻找案例，做出自己判断的依据。放射科医师诊断1名患者的CT扫描图像需要10～20分钟，写诊断报告需要10分钟左右。在国外，已经出现了数家较为知名的初创企业。表格中的Enlitic就是一家比较知名的人工智能医学影像企业，虽然创立于2014年，但次年就被MIT Technology Review评为2015全球最智慧的50家公司之一，获得总计1500万美元的融资。Butterfly正在研发一种小型超声设备，这套系统主要依靠软件来运行，包括用人工智能专家开发的技术来梳理一系列图像，从而提炼出可以自动进行疾病诊断的功能。活跃度全球第一和第三的专注人工智能的风险投资机构也纷纷成为智能医学影像初创企业的投资人。我们对比了中国和美国的医学影像现状，从影像方面的误诊人数来看，美国每年的误诊人数达到了1200万，而中国因为人口基数庞大，达到了惊人的5700万/年，这些误诊主要发生在基层医疗机构。目前中国的医学影像正在从传统的胶片向电子胶片过渡，而美国传统胶片已经成为历史。电子胶片的广泛使用使得医学影像数据大幅度增长，美国的数据年增长率达到了63.1%，在中国也达到了30%。放射科医生的年增长率美国和中国仅仅只有2.2%和4.1%，远远低于影像数据的增长，形成了巨大的缺口。这意味着医师工作量大增，判断准确性下降，借助人工智能对影像进行判断则能有效弥补该缺口。在国内这个缺口略小于美国，但我们的特殊国情也使得跨平台的影像云有巨大市场需求。Enlitic开发了从X光照片及CT扫描图像中找出恶性肿瘤的图像识别软件，利用深度学习的方法之一“Convolutional Neural Network(ConvNet，卷积神经网络)”对放射技师检查过有无恶性肿瘤及肿瘤位置等的大量医疗图像数据进行机器学习，自动总结出代表恶性肿瘤形状等的“特征”以及重视哪些特征能够判断有无恶性肿瘤等“模式”。Enlitic使用肺癌相关图像数据库“LIDC”和“NLST”进行了验证，结果发现，该公司开发的系统的肺癌检出精度比一名放射技师检查肺癌的精度高5成以上。无论是对患者、放射科医师还是医院，人工智能在医学影像上的帮助都是巨大的，可帮助患者更快速地完成X光、B超、CT等健康检查，获得更准确的诊断建议；帮助医师更快完成读片，已经更准确的辅助诊断；医院也可以得到云平台支持，建立多元数据库，降低成本。而如果采用Enlitic公司的系统可以使CT扫描图像的诊断时间减半，当骨裂面积小到只占到整张X光片0.1%时，也能准确识别出来。前面我们分析了人工智能对患者、医生和医院所带来的好处，在医学影像企业中，人工智能技术的加入对创业团队的核心竞争力也有非常大的影响。根据动脉网对医学影像初创企业的走访，拥有人工智能技术，整个团队能显著减少人力成本，技术团队规模在A轮以前可以控制在20人以内，技术人员和非技术人员的比例达到2.6：1。如果没有人工智能技术，那么就要组件一只人力成本不菲的客服团队和医师沟通，技术人员和非技术人员的比例为1.1：1，规模也达到了30至50人。分级诊疗和远程医疗的大背景使中国的医学影像创业团队更多的投入资源搭建云平台，但长期看能否有人工智能的技术实力也是核心竞争力的一部分。药物挖掘：大幅度降低药物研发成本药物的发现和筛选经历了三个阶段。第一个阶段是1930年～1960年之间的随机筛选药物阶段。这是一个偶然发现的时代，随机筛选药物的典型代表就是利用细菌培养法从自然资源中筛选抗菌素。第二个阶段是1970年～2000年，这个时代技术更加先进，可以使用高吞吐量的靶向筛选大型化学库。组合化学的出现改变了人类获取新化合物的方式，人们可以通过较少的步骤在短时间内同时合成大量化合物，在这样的背景下高通量筛选的技术应运而生。高通量筛选技术可以在短时间内对大量候选化合物完成筛选，经过发展，已经成为比较成熟的技术，不仅仅应用于对组合化学库的化合物筛选，还更多地应用于对现有化合物库的筛选。如降低胆固醇的他汀类药物，就是这样被发现的。而现在是第三个阶段，虚拟药物筛选阶段，将药物筛选的过程在计算机上模拟，对化合物可能的活性作出预测，进而对比较有可能成为药物的化合物进行有针对性的实体体筛选，从而可以极大地减少药物开发成本。在医药领域，最早利用计算机技术和人工智能并且进展较大的就是在药物挖掘上，如研发新药、老药新用、药物筛选、预测药物副作用、药物跟踪研究等，均起到了积极作用。这实际上已经产生了一门新学科，即药物临床研究的计算机仿真(CTS)。一般估计，一种新药的开发平均需要10年时间，耗资15亿美元，但随着药物开发难度的增大目前可能一种新药会耗资40亿～120亿美元，还不能保证成功。新药研发除了要求药品的疗效外，还需要保证其安全性，必须经过动物实验和Ⅰ、Ⅱ、Ⅲ期临床试验。而即便Ⅲ期临床试验后批准上市，还有Ⅳ期临床研究，即新药上市后的再评价。这也是造成药物研发周期长、费用高的重要原因。但是，在今天，有了计算机和人工智能，为人们提供了一个检测药物的人工智能安全专家。首先，在新药筛选时，可以获得安全性较高的几种备选物。当很多种甚至成千上万个化合物都对某个疾病显示出某种疗效，但又对它们的安全性难以判断时，便可以利用人功智能所具有的策略网络和评价网络以及蒙特卡洛树搜索算法，来挑选最具有安全性的化合物，作为新药的最佳备选者。其次，对于尚未进入动物实验和人体试验阶段的新药，也可以利用人工智能来检测其安全性。因为，每一种药物作用的靶向蛋白和受体都并不专一，如果作用于非靶向受体和蛋白就会引起副作用。人工智能可以通过对既有的近千种已知药物的副作用进行筛选搜索，以判定其是否会有副作用，或副作用的大与小，由此选择那些产生副作用几率最小和实际产生副作用危害最小的药物进入动物实验和人体试验，从而大大增加成功的几率，节约时间和成本。此外，利用人工智能还可模拟和检测药物进入体内后的吸收、分布、代谢和排泄、给药剂量-浓度-效应之间的关系等，让药物研发进入快车道。目前人工智能药物挖掘主要在三大领域：抗肿瘤药、心血管药和孤儿药及经济欠发达地区常见传染病药。抗肿瘤药和心血管药的共同特点就是市场规模大、增速快，2015年的销售金额都超过了1000亿美元。利用人工智能对药物进行挖掘，可以显著降低成本和开发难度。而第三种类别的药物孤儿药与经济欠发达地区常见传染病防治药，因为市场价值低，药企的收益不足以覆盖其研发成本，企业积极性不大。那么利用人工智能可以节约成本，为罕见病患者和经济欠发达地区的传染病患者提供药物。前面我们列出了6家结合人工智能与药物挖掘的初创公司，按照融资额度排列，Numerate以1750万美元排在第一位，而Atomwise是其中比较有代表性的初创公司。Atomwise公司用超级计算机分析已有数据库，并用AI和复杂的算法来模拟药品研发的过程，在研发的早期评估新药研发风险，让药物研究的成本降至数千美元，并且该评估可以在几天内完成。Atomwise软件平台运行在IBM的蓝色基因超级计算机上，其强大的计算能力使得他们可以完成很多任务，例如评估820万种化合物，并且在几天之内找到多发性硬化症可能的治疗方法。2015年，公司宣布在寻找埃博拉病毒治疗方案方面有一些进展，即在 Atomwise 预测的药物中，有两种或许能用来抗击埃博拉病毒，他们用时一个星期就找到了这种药物，并且成本不超过 1000 美元。Atomwise还为制药公司、创业公司和研究机构提供候选药物预测服务。Atomwise的服务可以预测哪些新药品真的有效，哪些无效。该公司称自己在新药发现、结合亲和力预测和毒性检测上得到了世界上最好的结果。在合作伙伴方面，Atomwise除了与Merck公司和Autodesk进行一些保密项目外，公司也持续与学术界和企业客户开展研究工作，通过辅助制药企业、生物科技公司和其他相关研究机构开展药物挖掘工作获取收入。到目前为止，Atomwise总共获得了657万美元的投资，他的成功除了在人工智能领域的独特算法和专业人才之外，还有好的孵化器和VC投资者。知名早期创业公司孵化器Y Combinator 和风险投资公司khosla ventures提供了海量的数据资源，并帮助其对接其他医疗机构。为了避免FDA New Drug Application对人工智能辅助药物挖掘的监管风险，Atomwise主动参与开发防治埃博拉的药物，并参与公益项目树立良好的公共形象。营养学：告诉我们应该吃什么David Zeevi团队2015年11月在《Cell》发表论文，阐释了机器学习应用于营养学的积极作用。研究者分析了三组不同的数据，其中第一组数据来自800名志愿者。他们每天第一顿食用四套标准化食品中的一种，其余时间正常饮食。研究者采集了他们的血样、粪便，以血糖数据、肠道菌群等多项数据，并使用调查问卷、App等形式收集食物、锻炼以及睡眠数据。数据收集持续一周。通过分析标准化饮食的结果，研究者发现即便食用同样的食品，不同人的反应依然存在巨大差异。这表明，过去通过经验得出的“推荐营养摄入”从根本上就有“漏洞”。接下来，研究者开发了一套“机器学习”算法，分析学习血样、肠道菌群特征与餐后血糖水平之间的关联，并尝试用标准化食品进行血糖预测。葡萄糖是人类细胞最主要的能量来源，血糖异常会导致多项重要疾病。可以说，血糖管理是精准营养的基石。机器学习算法被800名志愿者的数据“训练”之后，变得能够预测食物对人体血糖水平的影响。随后，研究者在第二组人群上（100个志愿者）验证机器学习得出的预测模型，效果非常理想。那么机器学习得出的模型能否实际运用于指导健康饮食呢？研究者在第三组人群上（26个志愿者）进行双盲试验。研究者对每位志愿者的血样、微生物组数据、人体测量学制订了个性化膳食计划。其中一组12名自愿者，使用机器学习算法的建议；对照组14名自愿者，采用医生和营养专家的建议。膳食计划也分为两种，一种被设计用于控制血糖水平，另一种则相反。每组志愿者均严格遵照建议饮食两周，一周进行“健康饮食”另一周践行“不健康饮食”，并比较结果。最终的研究结果表明，机器学习算法给出了更精准的营养学建议，成功控制餐后血糖水平，结果优于传统专家建议！这为机器学习以及精准营养学打开了一扇大门，同时这篇重磅论文也登上了当期《Cell》杂志的封面。目前较知名的将人工智能应用于营养学的初创公司为位于都柏林的Nuritas。Nuritas通过新开发的人工智能与分子生物学相结合的新技术在食品领域引起了巨大的争议。Nuritas通过建立食品数据库识别肽（食品类产品中的某些分子）可以作为食物的补充或新的成分。这种识别不只是添加蛋白粉摇一摇。相反，Nuritas是识别可以使食物根据身体反应不同而生成不同的肽。例如，其联合创始人Dr. Nora Khaldi接受采访时就表示，公司发现某种谷物可以用于控制2型糖尿病或抗衰老成分。Nuritas 目前的收入来自B端。传统的食品制造商主要关注成本控制与安全，并不擅长识别食品中有利人体健康的肽。Nuritas为食品制造企业提供数据挖掘服务（采用了机器学习），并按销量收取佣金。未来计划推出面向消费者to C的个性化营养方案，针对每位消费者的情况制定不同的方案，收取服务费。在我国，进入小康社会之后，人们的生活水平大幅度上升，上层中产阶级的数量从2002年的330万上升到2012年的3584万，大众中产阶级从1155万上升到1.38亿。这些人群对食品的营养有更高的要求，不仅仅是为了吃饱，而是为了身体健康能够吃好。合理的膳食搭配以及更安全的有机食品需求成为新的食品产业增长点，急需新技术推动行业变革。中国的餐饮和西餐有较大的区别，中餐难以标准化，即使是同一道菜不同师傅教出来的做法也不尽相同。同时，菜品搭配不同和烹饪手段不同导致菜品多样化，数据不全，无法做到量身定制营养套餐。那么我们国内的人工智能+营养学初创公司应该如何为客户进行服务呢？我们建议有两种模式，主要针对C端用户。模式一是针对个人用户进行个性化营养建议，收取服务费。模式二是to C和to B同时服务，并推广中餐营养标准化。
付费查看全文（0元）
付费查看全文（0元）
本文转载自其他网站，不代表健康界观点。
本文转载自其他网站，不代表健康界观点。
相关附件下载
扫描二维码
立即打赏给Ta吧！
温馨提示：仅支持微信支付！
扫描二维码
温馨提示：仅支持微信支付！九个医疗健康领域，人工智能如何大显神通？
　　目前已经有不少人工智能在健康领域实践的成功案例，无疑也预示着它的乐观前景。雷锋网接下来将和大家一起看看几个比较热门的健康领域：
　　数据挖掘
　　健康领域与人工智能结合，最简单的联想自然是数据管理。收集、存储、同构并跟踪它的来源，这些着实会对现有的健康系统带来颠覆。Google的DeepMind Health项目对大量的就诊记录进行挖掘，为患者提供更好更高效的健康服务体验。雷锋网此前也报道过DeepMind与国家医疗服务体系(NHS)进行了二度合作，将和Moorfields眼科医院一同开发识别视觉疾病的机器学习系统(详细报道请点此处)。
　　智能诊断
　　此前提过IBM Watson的肿瘤治疗项目，它能够为医生提供基于数据支持的诊疗计划。通过对病历中结构化或非结构化的数据及报告进行整理，Watson得以结合病人的资料及临床专业知识，制定出病人所适合的治疗计划。
　　医学影像辅助诊断
　　IBM的另一个名为Medical Sieve的算法就能担任&识别助手&的工作，对于放射科及心脏科的医学影像图片，它能够在短时间内辅助分析，并给出可靠的诊断建议。这样一来，放射科医生只需要对一些疑难病症进行再次核查，工作压力就会大大降低。
　　初创公司Enlitic就是利用人工智能辅助医学影像诊断，并借助深度学习从海量数据中不断获取诊断的特征点，并将其运用到实际诊断领域。
　　在线就诊
　　如果觉得身体有些不适，是选择去医院看看，还是能有更简便的方法？以Babylon为代表的人工智能健康咨询系统就能实现这一点。系统能够基于用户以往的病史以及常识性的医学资料，根据用户与在线人工智能系统对话时所列举的症状，给出初步的诊断结果和具体的应对措施。此外，系统还能提醒用户定时服药，并实时监测用户的身体状况。这样的解决方式能够将病人就诊的时间缩短数倍，还能节约用户去医院等待就诊的时间，实现医患资源的合理配置。
　　健康助理及用药管理
　　Molly是Sense.ly推出的一款虚拟护士，脸上永远挂着亲和微笑的她能够帮助患者更好地接受治疗。患者的慢病管理需要定期复诊，并和医生长期保持沟通，系统能够以机器学习的方式不断更新患者的情况，并给出个性化的护理建议。
　　除此之外，一些能辅助用药管理的人工智能应用也慢慢浮出水面，国家健康部背书的AiCure通过手机摄像头及人工智能，能够确认病人是否能遵循处方服药。
责编：陶宗瑶(实习生)
环球时报系产品
扫描关注环球网官方微信
扫描关注 这里是美国微信公众号
扫描关注更多环球微信公众号人工智能与癌症医疗结合会有什么想象力？|界面新闻oJMedia近日，李彦宏宣布个人捐款3000元万，支持中国的癌症事业，而在今年乌镇互联网大会上李彦宏也提及了大数据医疗。马不停蹄，12月22日百度方面也正式宣布与协和医院一起发布了&百度与协和医学院合作开展癌症研究&协议，将百度的人工智能技术与协和医院的食癌数据进行对接，共同推进食癌项目，这也是继百度与中国交通部、中国疾病预防控制中心合作后的第三次参与到民生工程的建设中。
一，为何癌症大数据处于&沉睡&状态？
《中国科学报》曾经做过一个采访，专家们对癌症大数据总结下来属于这么一个情况，中国拥有13亿的人口，其产生的海量数据有着极大的研发价值，但是困境有以下几点。
由于数据的过于庞大，首先面临的是数据的存储与计算问题。一个标准的病理图则接近5GB，仅一个社区医院累积的数据量就可达数万亿字节甚至数千万亿字节(PB)之多，加之每天患者数目的增加，医疗大数据也有着增长过快的特点。这就导致了有些普通医院甚至连存储这些海量数据的能力都没有。而与此同时，庞大的数据也导致需要极为强大的计算能力，要在短时间内处理上TB的数据，只有是大型IT科技公司或者是国家级计算机科研机构才能做到，医院方面也只能望洋兴叹。
其次，医疗大数据的结构缺乏标准化，每家医院的信息化工作都涉及几十个厂家，每个厂家的数据、标准、采集、存储都不一样。因此，即便是在一家医院，都会出现很多孤岛。
以上，中国的癌症大数据处于蜂窝煤的状态，数据虽大，但是乱，质量差，缺乏对数据利用的能力。医院的尴尬在于，有着海量的重要病患的大数据资源，但是却没有对应处理的工具，处于巧妇难为无米之炊的状态。
二，百度将如何激活&医疗大数据&？
先从存储空间与运算能力来说，先说存储空间，虽然百度从未公布过自己的存储能力，但是从另一个侧面，2013年开启的百度云盘免费2T容量，而当时中国的网民有6亿，假如保守估计有1亿用户使用百度的产品，那百度所需要存储的数据也是一个天文数字。其次是高运算能力，这点百度也是百度强项，根据2014年的数据，百度一天可以扫描高达10PB的数据，而百度也在准备推出Minawa超级计算机，能够进行每秒7千万亿次的计算，将进入全球前十的超级计算机。
百度做搜索起家，其大规模分布式内存存储以及分布式集群计算的能力早已成熟，因此帮助协和医院进行数据的存储与处理也自然不成问题。
其次是要解决数据的标准化问题，大数据医疗最痛苦的事情不在于数据的统计相关性对比，最为痛苦的事情在于数据的无法标准化。以谷歌1.3亿美金投资的Flatiron Health公司为例，该公司在做的主要任务不是大数据的挖掘，而是大数据格式的统一化，该公司通过还完善&NLP自然语言处理&的技术，让计算机&阅读&文件，并且从中提取数据，并再聘请50人护士团队手动录入数据，这在国内也同样是无法绕过的事情。
幸运的&NLP&技术是百度建立公司的技术基石，搜索引擎理解用户的请求、理解文本内容、理解内容的价值高低，等等所有环节都需要用到NLP技术。百度的&NLP&技术，百度在&NLP&将会是将医疗大数据进行标准化的最大福音。
综上，百度通过自身优势与医院的癌症大数据结合，将会一点点唤醒原本沉睡的数据，发现地下的金矿。
三，人工智能与生命科学还能碰撞出什么？
在12月22日下午召开的北京协和医学院与百度合作开展癌症研究发布会上，李彦宏这表示，早在20年前，就对生命科学很感兴趣，并差点投身于生命科学领域。而当下的大数据+人工智能+生命科学正在爆发着前所未有的潜力，正在曲线实现李彦宏当初的愿望。
人工智能与生命科学还能碰撞出什么？我们探讨一下可能性。
1）基因测序：整个生命科学的第一步也是最大的困难之处就是在于基因测序，虽然说&人类基因组计划&已于2011年宣告结束，但是依然还有1%的基因无法被检测出结果，需要更为先进的技术作为支撑才能检测出来。
而这里所在等待的先进技术，其实就是人工智能。以癌症基因检测项目为例，其所做的就是要在大量的基因突变中,找到与某个具体癌密切相关的突变的位置，这其实和百度的搜索技术其实一致，百度能够通过百亿的用户关键词搜索的点击中找到用户最想要的高相关的一系列网页，将其进行先后排序，而从海量用户的海量突变基因中找到与食管癌的最大相关的基因，就能最大几率的找到食管癌发病是哪些关键基因导致。
并且百度寻找的不是单向相关性而是多项的，其要找到哪些基因突变叠加在一起就会增加患食管癌的概率，也就是要在无数的基因中突变中寻找组合的相关性，这对计算的要求其实是指数级的。
但这却正是人工智能的强项所在。
2）基因药物研发：目前学界有一个共识，当前的药物都是属于化合药物，但是在不久的将来，药物将不仅仅只是化合物，药物也可以是人工合成的蛋白质，合成的细胞，甚至某些组织和器官等等。但与此同时也伴随着更大的风险，因而人们在未来使用这些药物时需要更为格外的小心谨慎。
人工智能则可以利用大数据医疗帮助医生研发，将各个患者的用药情况统统联网，建立统一的药物治疗大数据网，通过使用到反馈的信息收集，让基因药物研发配比更为可靠，进而加速整个基因药物研发进程。
3）量化自我：凯文&凯利在预测未来20年科技的发展趋势时,第一个提到的就是&量化的自我&。所谓&量化自我&就是通过利用各种可穿戴设备，诸如智能手环、智能血压仪、智能体脂秤等等设备，将自己一切身体数据诸如心跳记录、血压记录、体重记录、BMI记录、等等都记录在案。
人工智能通过对这些大数据进行监控，并再辅以病人病历数据监控，可以为生命科学提供有利的学术研究支持，可以极为有效的加大对癌症基因判断的准确性。
对于医院来说病患的数据具有极大的科研意义，但是由于自身技术水平有限，也导致了巧妇难为无米之炊，而百度的人工智能技术支持正是雪中送炭，并且百度的大数据技术将在未来给大数据医疗带来更大的价值，这体现了科技公司高度的社会责任。
我们看到BAT正在全面进入经济、娱乐、民生等多项领域，进入方式各有不同，但是在医疗领域，技术一定是关键，百度的想象力很大。
更多专业报道，请前往各App商店搜索下载&界面新闻&，或
0界面JMedia联盟成员关注人文与科技相关文章您至少需输入5个字评论()