健康领域产业链发展和投融资动态。
医疗产业在人工智能和机器学习的介入下如何重塑？
来源：将门创投
我行我show！中国医院管理案例评选，医院卓越管理实践大秀场。
以人工智能和机器学习为首的先进技术让软件变得越来越智能和独立，不断加速着健康领域的创新步伐。
个人基因时代的开启人工智能和机器学习在遗传学方面最重要的应用就是理解DNA如何影响生命的进程。尽管我们已经能够绘制出人类完整的基因图谱，但是我们依然不清楚大多数基因的作用和影响。基因会和外部环境、食物气候等因素发生协同作用并对生命产生影响。如果我们想要了解什么在影响生命和生物进程，我们必须首先学会理解DNA的语言。先进的机器学习算法和GoogleDeepMind和IBMWatson这样的系统应运而生。如今利用机器学习系统和先进的技术可以在很短的时间内，处理以前可能一生都无法处理的海量数据（病历、诊断记录、医学影象和治疗方案），从中学习和识别出疾病的模式和规律。像Deep Genomics这样的公司已经开始在这一领进行革命性的研究。这家公司正在研发一套可以解读DNA的系统并在分子层面预测每一个基因变量的影响。他们的数据库可以解读上亿个基因变量对基因编码的影响。一旦对人类DNA信息有了更好的理解，我们就有机会更深入地研究每个个体地遗传信息。这将会使得“个人基因时代”的到来，每个人将有机会利用前所未有的基因信息，控制自身的健康和生命过程。基因领域的消费公司23andMe和Rthm代表了这个领域的第一波浪潮。他们研发出了便捷的基因诊断工具来帮助客户理解自己的基因构成。Rthm还进一步地利用这些数据帮助顾客改变他们地日常行为习惯，实实在在地管理自己的健康。机器学习和人工智能在应用中，必须能够接入海量的数据进行分析，才能够为用户提供更好的建议来改善个人的生活习惯。目前初创公司致力于在基因信息的交付过程中进行更多的思考，就如同日本学者Takashi Kido强调的：获取可靠的个人基因数据和基因风险预测；通过用户数据和基因信息指导用户行为模式的分析，以得到对用户有用的信息，抛弃无用信息；基于数据挖掘的科学研究。其中第二点是值得注意的，并不是所有的数据对于用户来说都是有用的，心理学在数据信息的控制和分析中起到了重要作用。精准的药物研发人工智能和机器学习另一个激动人心的应用在于极大地减少了新药研发的时间和金钱。一款新药从研发到投入临床使用通常需要耗费12－14年的时间，并花费高达26亿美元的预算。在研发的过程中，复杂的化学成分需要于每一种可能结合的细胞进行测试，并需要综合考虑基因变异和治疗情况的不同。这样的工作极为耗时，同时也大大限制了实验的广泛性。而机器学习算法可以教会计算机基于先前的实验数据学会预测哪些实验需要进行，药物的化学成分会有什么样的副作用。这极大的加快了研发的进程。旧金山的初创公司Atomwise就致力于利用超级计算机来代替新药研发中的试管实验。他们利用机器学习和三维的神经网络筛查一个分子结构的数据库，为疾病找到可能的药物解决方案，帮助人们发现治愈疾病的新药物，或者将已经存在的治疗方法创造性的应用到其他病症的治疗中去。2015年这家公司就曾帮助研发出两种新药，并在很大程度上缓解了埃博拉疫情。不想传统方法耗费几年的时间，新方法只用了一天的时间就完成了新药研发的分析。最近的一项研究也证实了Atomwise的研究结果，表明深度神经网络是可以用于预测药物的药理学特性并实现药物的重新应用的。Berg Health是波士顿的一家生物制药公司，从一个独特的角度进行新药研发。他们通过AI挖掘患者的生物数据来理解某些患者能从疾病中痊愈的原因，并基于此来改进现有的疗法和新药的研发。BenevolentAI是一家伦敦的初创公司，致力于利用AI从科研文献中发掘信息来加速新药的研发过程。目前在世界范围内只有一小部分基因科学信息被用于研究，而每30秒就会有新的健康相关的信息产生。BenevolentAI可以分析研究人员提供的海量数据，并大幅度地提升药物地研发进程。最近公司发现了两种可以用于老年痴呆的药物，极大地吸引了药企的注意。随着机器学习和人工智能的发展，药物研发的未来越来越明朗。最近一篇谷歌研究论文表示利用不同地方获取的数据可以更好的确定哪一种化学成分对于疾病更有用，并且机器学习还能够通过大规模的实验来验证几百万中复杂的药物以节省大量的时间金钱。新型疾病的发现和控制大多数疾病并不仅仅是因为简单基因变异产生的，我们还需要分析很多因素才能更加了解。尽管医疗系统积累了丰富的巨量数据，但之前我们一直没有足够强大的软硬件来从中发掘出其中的宝藏。疾病诊断是一个需要综合考虑许多因素的复杂过程，从患者的皮肤质地到每天他/她的糖分摄入量，需要广泛的综合信息来做出判断。过去的两千多年来，医学一直是由症状诊断和对应的治疗来完成的（如果你发烧流鼻涕了，那你八成是感冒了）。但对于患者来说，待到有明显症状时已经太晚了，特别对于癌症患者和阿尔茨海默患者来说，早期发现尤为重要。如今，我们利用机器学习有希望在疾病发于腠理之时就进行诊断和预测，极大地提高患者生存和治愈的概论。旧金山的初创公司Freenome创造了一台自适应的基因引擎，可以动态地检测血液中地疾病特征。这家公司动态地收集血液中地freenome检测用户的基因信息，例如你的年龄、和生长过程。在疾病诊断和疗程管理等方面，像Enlitic这样的公司致力于改善患者治疗费用的支出情况，利用深度学习分析医疗数据来从百亿计的临床案例中寻求帮助。IBM的沃森与纽约癌症治疗中心合作，分析了过去几十年来的癌症患者及其治疗方案数据，为医生提供对于特殊病例的有效治疗方案。在伦敦，Google的DeepMind正从Moorfields眼科医院的眼底扫描数据中挖掘分析，帮助医生在治疗眼部疾病时有更好的理解和处理。同时DeepMind还在进行一个帮助颈部和头部癌症患者进行化疗的治疗方案，极大的减少了医生指定治疗计划的时间，让他们可以集中精力处理更多患者。这意味着什么？人工智能和机器学习在医疗健康领域的应用正在重塑着整个行业的形貌，并将曾经的不可能变成可能。人工智能如今无处不在，在医疗行业中，持续的数据输入是成功的关键。一个系统能拥有越多的数据，这个系统便会变得越聪明。所以很多公司都不断增加对于数据获取的关注（匿名数据）。去年2月IBM就以26亿美元收购了一家健康分析公司Truven Health，目的是获取这家公司海量的数据。最近又与Medtronic合作，通过接入真实的胰岛素数据不断拓展Watson在糖尿病方面的分析能力。数据越来越丰富，技术越来越先进，医疗健康领域的机会也在不断涌现，不断激励着从业者们为人类的健康和福祉实现更多的可能。
付费查看全文（0元）
登录查看全文
付费查看全文（0元）
登录查看全文
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！当前位置：
北京大学健康医疗大数据研究生课程开课通知
北京大学健康医疗大数据研究生课程开课通知
来源：&&&&发布日期：&&&&
亲爱的同学们：
健康医疗大数据是国家重要的基础性战略资源，推动健康医疗大数据的应用发展也成为打造健康中国的重要手段。在此背景下，北京大学将于2017年第一学期开始开设健康医疗大数据研究生课程，由北京大学健康医疗大数据研究中心组织课程的安排。我们诚邀各位同学来听课学习！
第一节课：2月23号（周四）下午15:10-17:00
地点：北京大学理科教学楼201室
课程具体信息如下：
北京大学健康医疗大数据研究中心
15:10-17:00
北京大学理科教学楼201室
健康医疗大数据国家政策解读
15:10-17:00
医学成像系统一：MRI／参观MRI设备
15:10-17:00
医院信息化系统介绍：HER,PACS,HIS
15:10-17:00
医学成像系统二：CT and X-ray
15:10-16:00
统计学概论及在健康医疗大数据中的应用
16:10-17:00
健康医疗大数据模型研究
15:10-17:00
统计临床决策分析
15:10-17:00
机器学习方法：Dimension Reduction, Regression, Clustering, Kernel method, SVM, Random Forest
15:10-17:00
15:10-17:00
自然语言处理方法和软件
15:10-17:00
医学图像处理方法和软件
15:10-17:00
图像处理软件演示
15:10-17:00
基于大数据的药物不良反应研究
15:10-17:00
疾病诊断、分期与预后分析
15:10-17:00
健康医疗大数据在临床医疗中的应用
15:10-17:00
健康医疗大数据在卫生决策中的应用深度学习在健康医疗领域应用
深度学习在健康医疗领域应用
1. 深度学习
随着大数据和数据分析技术的不断发展，基于机器学习的数据驱动模型在健康医疗领域逐步得到推广和应用。深度学习作为在人工智能基础之上，是最近蓬勃发展的强大的机器学习工具之一，将会对未来人工智能产生颠覆性的作用。本文主要是对深度学习在健康医疗领域的应用进行综述，从而对目前的技术进行总结，对未来的应用进行展望，熟悉深度学习在健康医疗领域的应用。
2. deep learning Paper in health
3. 深度学习网络结构
深度学习算法在健康医疗中应用的统计&
3.1 Deep Neural Networks
常见的用于分类和回归的网络结构，隐藏层大于等于2；
3.2 卷积神经网络
适合二维数据，譬如图片，每一个卷积过滤将2d数据转化为3d输出，灵感来自于生物视觉；
3.3 循环神经网络
适合序列数据，输出依赖于前面的输出，共享参数；
3.4 Deep autoencoder
无监督学习，主要用于特征转换，输入节点数和输出节点数一致；
3.5 generative adversarial network
无监督学习，生成对抗神经网络，拟合出和原始数据分布一样的数据；
4. 深度学习计算包
5. 深度学习在健康医疗应用
6. 参考资料
Deep Learning for Health Informatics Daniele Rav`ı, Charence Wong,
Fani Deligianni, Melissa Berthelot, Javier Andreu-Perez, Benny Lo,
and Guang-Zhong Yang, Fellow, IEEE
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。扫二维码下载
免费的影像图谱您工作的好助手
专业的医生交流平台病例讨论积累经验
专家入驻会诊无忧结识朋友医路宽广舒缓医学 |《缓和医疗学习感想》
缓和医疗学习感想
刘老师，宁老师好，我是蒲黄榆社区卫生服务中心的大夫，这次缓和医疗的培训和以往的业务培训很不一样，给我感触很深，总结了一下，收获主要有以下几个方面：
一是了解了缓和医疗首先是一个医疗模式，而不只是临终关怀。以前对从事这些工作的同志们虽然也心存敬意，但总觉得是爱心大过医疗，医生能起的作用不大。这次听程邵仪大夫介绍她们的工作，说面试也会拒绝很多业务不精的医师，才觉得虽然缓和医疗包含了很多人文成分，但本质上还是一个严谨的医疗行为。
二是学到了很多医患沟通技巧。如多提开放性问题，而不是只给患者选项让其选择；在患者情绪爆发的时候学会沉默，并适时以肢体语言表达同理心；多从患者或家属的角度考虑问题，避免使用专业术语等等。这些技巧其实对门诊普通患者也适用，学会运用的话可以避免很多医患纠纷。
三、最最重要的是，通过这次近距离的了解，对人生命的意义有了一个重新思考。生命的价值不像原来想的那样，只有长度一个衡量标准。它的质量，尤其是人对自己身体的支配度，也是一个重要的衡量标准，甚至从某种程度上说更重要。从容面对死亡，合理安排自己余下的时间，为生命增加内容，可能对自己的灵魂也是一种洗涤吧。
但即使这样，学习完成后还是有很多困惑。最大的是缓和医疗我们应该如何提供的问题。老师说调查显示，离世时愿意选择在医院的人不到10%，总觉得这个数字值得商榷。调查是一回事，真正把决定落到法律上，如像台湾一样输到医保卡里又是一回事，人们的想法可能会有改变。我们是不是应该只客观地说清积极治疗和缓和医疗的利弊，让患者或家属自己选择，而不要加主观意见，或用引导性语言去影响他们。劝患者去ICU固然不对，但劝患者不去可能也未必对。存疑。
总之，在目前的中国，缓和医疗是一个新兴的，供给明显不足的行业，我们目前的从事者一定要加强合作，大力宣传，克服困难，将这个行业发扬壮大，给社会和自己都带来一次心身两面的革命。
作者：薛智丰
文章推荐：巫婆
编辑校对：彩虹
www.lwpa.org.cn
选择与尊严官网
分享是美德，也是态度
周三咨询热线：010-
微信ID：shengqianyuzhu2013
长按二维码关注我们
会员 | 志愿者 | 社会活动
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
今日搜狐热点