医疗行业如何应用机器学习技术?看看美国最顶尖的五家医院

简介:
本文来自AI新媒体量子位(QbitAI)

医疗健康,是近5年来吸引投资最多的人工智能应用领域,在新闻上,人工智能+医疗也屡屡露面。

在医疗重地医院,人工智能、机器学习技术的应用情况究竟如何?我们作为外行,对这一点的认知非常模糊。

美国科技媒体TechEmergence认为,这是一个值得深入探讨的话题。因为医疗体系的任何一点变化都会对员工保险和医疗行政政策等许多方面产生直接影响。

他们最近发表的一篇文章,对美国顶尖医院的机器学习应用展开了调查分析。量子位翻译了这篇文章,希望能给为国内医疗行业的从业者提供一些来自同行的启示,也让“外行人”能一窥医院中的新技术。

以下内容编译自TechEmergence:

我们希望通过本文解答商业领袖关注的一些问题:

  • 医院目前正在使用哪些类型的机器学习应用?麻省总医院和约翰霍普金斯医院等顶尖医院正在使用哪些技术?
  • 他们的创新措施有没有人什么共同趋势?这些趋势如何影响医疗的未来?
  • 顶尖医院对机器学习和新兴的科技创新投入了多少资金?

文本希望简明扼要地展现美国5大顶尖医院在部署机器学习方面的采取的措施。这5大医院来自2016至2017年度《美国新闻与世界报道》评选的《最佳医院荣誉榜单》的前五名。

在对每家医院的具体应用情况展开介绍前,我们会首先对共同的主题展开分析。

机器学习在医院

根据美国5大顶尖医院目前的机器学习项目,可以发现最受欢迎的医院人工智能项目如下:

预测性分析:通过分析数据和关键指标来监控病人现状,预防紧急情况的出现。
聊天机器人:自动处理医生的询问信息,并将医生与相应的专家对接。
预测性健康追踪器:通过实时数据收集监控病人的健康状态。

下文则会逐一探讨每家医院的人工智能应用。需要指出的是,多数医院的人工智能应用都相对较新,很少有项目实现了明显的改善或效率。

梅奥诊所

2017年1月,梅奥诊所个性化医疗中心与Tempus展开合作,后者是一家利用机器学习平台开发个性化癌症治疗方案的科技创业公司。

通过此次合作,Tempus“为1000名参与免疫疗法相关研究的梅奥诊所病人进行了分子测序和分析”,针对的癌症种类则包括肺癌、黑色素瘤、膀胱癌、乳腺癌和淋巴癌。

虽然目前出在研究阶段,但该项目的初期目标是利用这些分析结果为梅奥诊所的癌症病人提供更加个性化的治疗方案。梅奥诊所通过与Tempus的合作加入了一个由医疗组织组成的小型团体,成员包括密歇根大学、宾夕法尼亚大学和拉什大学医疗中心。

为了挖掘预期规模达到138亿美元的DNA测序产品市场,这家创业公司目前根据客户类型采取两种收费模式:Tempus直接向医院收取服务费,具体到个人,费用则会开具给保险公司。

Tempus CEO Eric Lefkofsky也是电商巨头Groupon的联合创始人,他还参与创办了多家分析软件公司,包括Uptake Technologies和Mediaocean。

根据美国疾控中心的数据,癌症仅次于心脏病,成为美国人的第二大致死原因。

2017年3月,梅奥诊所与医疗设备制造商欧姆龙展开合作,参加了心脏健康创业公司AliveCor总额3000万美元D轮融资。


AliveCor设计的Kardio Pro是一款人工智能平台,专门帮助临床医生“监控早期的心房颤动,这也是最常见的心律紊乱症状,会导致中风风险增加5倍。”Kardia Mobile则是AliveCor的旗舰产品,这其实是一款移动心电图仪。Kardio Pro的投资结果尚未披露。

克利夫兰诊所

2016年9月,微软宣布与克利夫兰诊所合作,帮助这家医疗中心“为接受ICU治疗的病人确定潜在风险”。研究人员使用微软人工智能数字助手Cortana来探索先进的预测性分析。

每月都有1.26亿Windows 10用户使用Cortana,它如今已经成为微软智能云部门的一部分。根据2016年的年报,该部门营收增长6%,达到13亿美元。

Cortana整合到克利夫兰诊所的eHospital系统中,这个2014年启用的指挥中心目前可以从早上7点到晚上7点“监控6个ICU的100张病床”。虽然该医院副CIO Willaim Morris表示,病人恢复状况有所改善,但并未披露具体改善指标。

微软与克利夫兰诊所的合作重点是寻找心脏骤停风险较高的病人。对于这类病人,会使用血管加压药。虽然属于“无脉心脏骤停管理规程”的一部分,但血管加压药会增加血压。研究人员希望预测病人是否需要使用这种药物。

从受到监控的ICU收集的数据会存储在微软Azure SQL数据库里,这是一个为应用开发者设计的云端数据库。病人生命体征和实验室数据等数据信息也都会输入这套系统。利用这些数据生成的计算机模型也融合了预测性分析机器学习算法。

麻省总医院

该院的人工智能战略还处于早期。2016年,英伟达宣布与麻省总医院医疗数据科学中心建立合作关系。该中心希望成为人工智能医疗应用领域的中心,对疾病进行探测、诊断、治疗和管理。

2016 GPU科技大会上正式发布的英伟达DGX-1被该公司称作“深度学习超级计算机”,并被安装到麻省总医院。英伟达DGX-1的价格据称达到12.9万美元。

由于该院数据库包含100亿张医学影像,最初将用这些数据提供放射学和病理学方面的训练。该中心希望今后能扩大到电子病历和基因学等领域。

如果英伟达DGX-1能够达到预期效果,就有望降低该公司目前在这一领域面临的挑战。

约翰霍普金斯医院

2016年3月,约翰霍普金斯医院宣布成立医院指挥中心,使用预测算法支持更加高效的运营流程。该院与通用电气Healthcare Partners建立合作,设计了Judy Reitz Capacity指挥中心,“每分钟收到500条消息”,整合了“约翰霍普金斯14个不同IT系统”的数据,范围遍及22个高清触屏电脑显示屏。


由24人组成的指挥中心团队可以确定并降低风险,“根据所有病人的利益来制定各种活动的优先顺序,并触发介入方案,以便加快患者流。

”自从指挥中心成立以来,霍普金斯容纳周边及全国“复杂病情”病人的能力已经提升60%。

该院还实现了其他进步,包括加快了救护车派遣速度,急诊室的病床分配速度也加快30%,病人中午之前出院的比例增加了21%。

约翰霍普金斯医院的管理者最近在2017年4月召开了为期两天的研讨会,探讨如何利用精准医疗领域的大数据和人工智能。行业分析师估计,全球精准医疗市场规模到2024年将达到1730亿美元。

虽然尚未披露细节,但有3位演讲嘉宾阐述了“如何利用人工智能和深度学习辅助病人的诊断和管理”,其中包括IBM沃森健康事业部副总裁Shahram Ebadollahi和约翰霍普金斯大学计算机副教授Sachi Saria。

萨拉关于如何用机器学习改进病人诊断和治疗效果的论文,最近发表在纽约科学院11届年度机器学习研讨会上。

加州大学洛杉矶分校(UCLA)医疗中心

2017年3月,UCLA研究人员Edward Lee和Kevin seals在美国介入放射学年会上介绍了他们的虚拟介入放射(VIR)方案背后的研究成果。

VIR本质上是一个聊天机器人,可以“自动与医生沟通,并针对经常询问的问题快速提供有事实依据的答案。”

第一代VIR原型产品目前处于测试阶段,UCLA的部分专家已经开始使用这种技术,包括“住院医生、放射肿瘤学家和介入放射学家”。这款人工智能驱动的应用可以帮助医生与病人交流各种信息,包括介入放射治疗的总数,以及接下来的治疗方案,整个过程都是实时进行的。

VIR的基础是2000多个数据点,反映了该院的介入放射学家在咨询过程中经常碰到的问题。具体的回答不仅限于文本形式,还有可能包含“网站、信息图标和定制程序”。

该研究团队借助IBM沃森人工智能系统将VIR与自然语言处理能力结合起来。如果VIR不能就具体的请求提供充分的响应,这个聊天机器人就会为相应的医师提供介入放射专家的联系方式。

随着使用量的扩大,研究人员希望扩展这项应用的功能,让全科医生与心脏病专家和神经外科医生展开互动。

2016年3月,UCLA在《自然科学报告》上发表的一篇论文,将专业显微镜与深度学习算法结合起来,“实现超过95%的癌细胞识别率”。

这种由Barham Jalali发明的光子时间伸展显微镜可以生成高清图像,而且能够每秒分析3600万张图片。深度学习算法之后还被用于“区分癌细胞与健康的白血球细胞”。

基于血液的诊断是一个不断增长的学科,竞争也越来越激烈。很多企业都希望通过DNA、RAN、蛋白质和各种来自血液的信息尽早诊断癌症。

总结

需要明确的是,与信用卡诈骗和营销优化等其他领域不同,医疗深度学习应用需要应对独特的局限。与电子商务、监管合规和股东关系相比,治疗病人是一个更加细致的过程,因此,虽然这些顶尖医院尚未利用人工智能实现可观的成果,但我们仍然应该给予理解。

健康科技投资人Steve Gullans对医疗人工智能应用的认识较为深刻,他认为,这一领域的确比较困难,但总会有一些领域得到回报。包括那些可以通过某种帮助造福所有人的领域。

还需要明确的是,在可以量化的结果确定之前,应该对这项技术的应用保持谨慎态度。对于英伟达和微软等科技公司,以及尝试这项技术的顶尖医院来说,这类项目可谓互惠互利——无论人工智能应用是否能给医院或病人带来实质的效果,几乎都能帮他们吸引媒体关注。

尽管如此,商业领袖仍然需要了解这类发展的共同趋势,只有这样才能真正感受到一个行业的“脉搏”。

【完】

本文作者:李杉
原文发布时间:2017-07-03 
相关文章
Pandas数据应用:机器学习预处理
本文介绍如何使用Pandas进行机器学习数据预处理,涵盖数据加载、缺失值处理、类型转换、标准化与归一化及分类变量编码等内容。常见问题包括文件路径错误、编码不正确、数据类型不符、缺失值处理不当等。通过代码案例详细解释每一步骤,并提供解决方案,确保数据质量,提升模型性能。
133 88
机器学习在图像识别中的应用:解锁视觉世界的钥匙
机器学习在图像识别中的应用:解锁视觉世界的钥匙
347 95
机器学习在生物信息学中的创新应用:解锁生物数据的奥秘
机器学习在生物信息学中的创新应用:解锁生物数据的奥秘
130 36
使用PAI-FeatureStore管理风控应用中的特征
PAI-FeatureStore 是阿里云提供的特征管理平台,适用于风控应用中的离线和实时特征管理。通过MaxCompute定义和设计特征表,利用PAI-FeatureStore SDK进行数据摄取与预处理,并通过定时任务批量计算离线特征,同步至在线存储系统如FeatureDB或Hologres。对于实时特征,借助Flink等流处理引擎即时分析并写入在线存储,确保特征时效性。模型推理方面,支持EasyRec Processor和PAI-EAS推理服务,实现高效且灵活的风险控制特征管理,促进系统迭代优化。
41 6
使用机器学习技术进行时间序列缺失数据填充:基础方法与入门案例
本文探讨了时间序列分析中数据缺失的问题,并通过实际案例展示了如何利用机器学习技术进行缺失值补充。文章构建了一个模拟的能源生产数据集,采用线性回归和决策树回归两种方法进行缺失值补充,并从统计特征、自相关性、趋势和季节性等多个维度进行了详细评估。结果显示,决策树方法在处理复杂非线性模式和保持数据局部特征方面表现更佳,而线性回归方法则适用于简单的线性趋势数据。文章最后总结了两种方法的优劣,并给出了实际应用建议。
85 7
使用机器学习技术进行时间序列缺失数据填充:基础方法与入门案例
机器学习在运维中的实时分析应用:新时代的智能运维
机器学习在运维中的实时分析应用:新时代的智能运维
91 12
技术实践 | 使用 PAI+LLaMA Factory 微调 Qwen2-VL 模型快速搭建专业领域知识问答机器人
Qwen2-VL是一款具备高级图像和视频理解能力的多模态模型,支持多种语言,适用于多模态应用开发。通过PAI和LLaMA Factory框架,用户可以轻松微调Qwen2-VL模型,快速构建文旅领域的知识问答机器人。本教程详细介绍了从模型部署、微调到对话测试的全过程,帮助开发者高效实现定制化多模态应用。
PAI企业级能力升级:应用系统构建、高效资源管理、AI治理
PAI平台针对企业用户在AI应用中的复杂需求,提供了全面的企业级能力。涵盖权限管理、资源分配、任务调度与资产管理等模块,确保高效利用AI资源。通过API和SDK支持定制化开发,满足不同企业的特殊需求。典型案例中,某顶尖高校基于PAI构建了融合AI与HPC的科研计算平台,实现了作业、运营及运维三大中心的高效管理,成功服务于校内外多个场景。
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构。本文介绍了K-means算法的基本原理,包括初始化、数据点分配与簇中心更新等步骤,以及如何在Python中实现该算法,最后讨论了其优缺点及应用场景。
165 4
机器学习算法的优化与改进:提升模型性能的策略与方法
机器学习算法的优化与改进:提升模型性能的策略与方法
134 13
机器学习算法的优化与改进:提升模型性能的策略与方法

量子位

+ 订阅
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等