强生进军医疗机器人、Deepmind利用深度学习算法检查乳腺癌X光,AI医疗的风口已到来?

简介:

合作是AI在医疗领域快速赋能的一大解决方式。

一直以来,强迫症、忧郁症等情绪类精神疾病都被业界认为是没有办法从生理上进行治愈的疾病,最近,在《自然》杂志上公布的最新AI+医疗的神经算法就可以借助脑植入物治疗你的强迫症,这是AI在医疗领域的应用之一,不止于此,各大公司已经在各个方面跃跃欲试 :

强生宣布开始做医疗机器人

Deepmind开始将深度学习算法用于乳腺癌X光检查;

英伟达和通用电气合作,准备全面升级全球50万台医疗影像设备。

是的,AI医疗到底有多火?就连强生也要开始做医疗机器人?

通过强生窥探“AI医疗”发展形势

美国强生成立于1886年,是世界上规模最大、产品多元化的医疗卫生保健品及消费者护理产品公司,其旗下的强生(中国)医疗器材有限公司成立于1994年,是美国强生在中国的独资公司。

强生进军医疗机器人、Deepmind利用深度学习算法检查乳腺癌X光,AI医疗的风口已到来?

事实上,强生医疗此次公布消息并非偶然,早在2016年5月,强生中国区主席、强生亚太区医疗器材集团主席孟启明(Vladimir Makatsaria)就表示:市场对医疗保健的需求正日趋多样化,在未来20和30年中,医疗生态领域将会发生重大变化,我们将会持续扩大在华投资。

从2016年开始,在AI医疗方面,强生医疗就开始动作频频。

2016年1月,强生联合华为进军移动医疗市场,在当时发布的Mate8,其中为用户提供的运动监测与健康管理服务就是由强生提供的;

2016年5月24日,强生宣布与惠普合作应用3D打印技术开发医疗解决方案,并表示将其应用于骨科、眼科健康和相关消费品等领域;

2017年4月中旬,强生医疗旗下神经介入部门Codman Neuro宣布收购爱尔兰医疗器材公司Neuravi,一家致力于推动神经血管疗法和改善急性缺血性卒中患者的公司;

2017年10月19日,强生医疗通过签署最后一项协议实现了对德国软件公司、全球领先的手术室手术工作流标准化和数字化供应商Surgical Process Institute(SPI)的收购;

2017年11月20日,强生医疗在苏州爱惜康新工厂投资1.8亿美元,并引入尖端微创手术及开放性手术器材,旨在帮助治疗肺癌、肝癌和胃癌三种疾病。

由此看出,强生医疗在医疗解决方案领域,尤其在手术方面的经验,可谓是积累深厚。此次,孟启明透露强生医疗将全面进军AI医疗,开始涉足手术机器人领域,以强生惯常的做法,应该会与科技公司合作或者是通过收购小型科技医疗公司来实现这一战略目标。

强生进军医疗机器人、Deepmind利用深度学习算法检查乳腺癌X光,AI医疗的风口已到来?

并且,通过强生公司下半年加大资金投入,融入技术做手术服务来看,AI医疗领域的第一春或正到来。

2016年开始加速,2017年正在成为AI在医疗领域的应用元年

值得指出的是,同样也是在2016年初,Google旗下AI健康子公司DeepMind Health宣布正式成立。在去年12月,与皇家自由医院的合作试点中,DeepMind Health开发了名为Streams的软件,这一软件帮助临床医生更快地查看医疗结果,让医生几秒内就可以看见病人的验血报告。

强生进军医疗机器人、Deepmind利用深度学习算法检查乳腺癌X光,AI医疗的风口已到来?

此次,DeepMind 将与由英国癌症研究中心所领导的多家医疗研究机构进行合作,创造出可以迅速准确从 X 光片检查到癌症特征的机器学习模型,帮助医生实现早期确诊,尽早开始治疗。

由此看出,DeepMind Health主要致力于利用算法推进医疗诊断阶段的速率和精确度。

同时,英伟达今年在自动驾驶领域的动作似乎将其在医疗领域的努力给掩盖了,但事实上,过去一年,英伟达在与医疗相关的报告就超过50份,是此前任何一年的报告数的2倍以上。其中,最为明显的发展还是在硬件上,2017年,越来越多的CT机、超声波诊断设备搭载了英伟达的GPU,而此次英伟达与通用的合作,是其在医疗成像设备领域的首次大动作。

强生进军医疗机器人、Deepmind利用深度学习算法检查乳腺癌X光,AI医疗的风口已到来?

此外,从镁客网2017年下半年的投融资消息上来看,未来医疗领域的融资公司从最初的生物制药、基因检测等纯医学技术类公司开始偏向于AI医疗领域的应用型公司;并且,在投资金额上,A轮融资金额普遍上涨到千万元,这多少预示了AI技术逐渐在医疗领域赋能。

强生进军医疗机器人、Deepmind利用深度学习算法检查乳腺癌X光,AI医疗的风口已到来?

2017年6月中旬未来医疗投融资事件

强生进军医疗机器人、Deepmind利用深度学习算法检查乳腺癌X光,AI医疗的风口已到来?

2017年11月中旬未来医疗投融资事件

各种AI技术在医疗领域百花齐放

目前,从各大公司的动作来看,AI在医疗领域的应用主要集中在特定医疗领域的解决方案服务(如强生、讯飞医疗)、可穿戴设备(如微软的HoloLens)、诊断和智慧医疗卫生系统(DeepMind、IBM Watson等)、神经类疾病(Elon Musk 的旗下创业公司 Neuralink、Facebook等)和医疗器械(英伟达等)。

其中涉及的AI技术主要有大数据系统和分析、深度学习、智能云平台、脑机接口技术、VR和AR技术和GPU芯片技术等。

值得关注的是,在刚刚举办的2017年神经科学学会年会上,南加州大学的脑植入设备可以检测情绪障碍并通过AI算法释放电脉冲治疗患者,这一技术的初步人体试验的完成将脑机接口技术推上了一个新的高度。

在医疗领域,神经退行性疾病是无解的,而AI与神经治疗的此次深度结合是AI技术与医疗最为成功的案例。

强生进军医疗机器人、Deepmind利用深度学习算法检查乳腺癌X光,AI医疗的风口已到来?

在AI医疗领域,合作是大趋势

医疗领域的各种疾病诊断、治疗过程非常繁杂,即便是提供医疗解决方案,目前各大公司也只能针对某种疾病提供解决方案。

如强生只针对手术过程提供AI解决方案和服务;依图医疗专注于研发儿童骨龄智能辅助诊断系统;雅森科技针对阿尔茨海默症提供AI诊断方案;EDDA科技的IQQA-Guide三维影像术实现对软组织器官手术的导航。

并且,目前只有一些全球性的研究所拥有对某一种疾病最全面的案例和数据,如艾伦脑科学研究所拥有全球首个活人脑细胞数据,Broad研究所拥有最先进的CRISPR编辑技术。

强生进军医疗机器人、Deepmind利用深度学习算法检查乳腺癌X光,AI医疗的风口已到来?

Broad研究所 张峰

故而科技类公司想要真正在医疗领域实现AI的赋能,合作是最快速的方式之一,如DeepMind选择与伦敦帝国理工学院的英国癌症研究中心领导的一些健康研究机构合作,来进行对相关医疗数据的获取,实现对治疗过程的协助。

神经学研究或将打开AI医疗下一阶段发展

由众多公司在医疗上的投入来看,目前AI在医疗方面的应用也只是简单的涉及诊断和服务方面,真正用于治疗过程中的案例,少之又少。

目前,应用上的局限也是AI医疗未来发展的瓶颈所在,对此,诺贝尔奖获得者Edvard Moser表示:“随着人们对神经学领域更深入的研究,AI也会发展到一个全新的高度,到那时,AI不再是我们现在看见的人工智能。”故而,神经领域的研究或将成为AI医疗发展的唯一突破口。


原文发布时间: 2017-11-27 18:06
本文作者: Lynn
本文来自云栖社区合作伙伴镁客网,了解相关信息可以关注镁客网。
相关文章
|
2天前
|
机器学习/深度学习 人工智能 算法
AI技术在医疗领域的应用与挑战
【6月更文挑战第30天】本文将探讨AI技术在医疗领域的应用及其面临的挑战。随着科技的进步,AI技术已经在医疗领域取得了显著的成果,如辅助诊断、疾病预测等。然而,AI技术在医疗领域的应用也面临着数据隐私、算法偏见等挑战。本文将详细分析这些问题,并探讨如何克服这些挑战,以实现AI技术在医疗领域的更好应用。
|
5天前
|
机器学习/深度学习 人工智能 监控
AI在医疗领域的应用?
【6月更文挑战第28天】AI在医疗领域的应用?
58 1
|
1天前
|
机器学习/深度学习 人工智能 算法
AI技术在医疗领域的应用与挑战
【7月更文挑战第2天】人工智能技术在医疗领域的应用正日益广泛,从疾病诊断到治疗方案的制定,再到患者管理和医疗服务的优化,AI的应用正在逐步改变着医疗行业的面貌。然而,随着AI技术的深入应用,也带来了一系列挑战,如数据隐私保护、算法透明度和公平性等问题。本文将探讨AI在医疗领域的应用现状,分析其面临的主要挑战,并提出相应的解决策略。
|
3天前
|
机器学习/深度学习 算法 Python
使用Python实现深度学习模型:演化策略与遗传算法
使用Python实现深度学习模型:演化策略与遗传算法
5 0
|
3天前
|
机器学习/深度学习 人工智能 搜索推荐
AI在医疗领域的应用及其前景
【6月更文挑战第28天】随着科技的不断发展,人工智能(AI)已经在各个领域取得了显著的成果。特别是在医疗领域,AI的应用已经从辅助诊断、疾病预测、药物研发等方面展现出了巨大的潜力和价值。本文将深入探讨AI在医疗领域的应用及其前景,以期为相关领域的研究和应用提供参考。
|
5天前
|
机器学习/深度学习 人工智能 自然语言处理
模型可解释性在AI和机器学习中至关重要,尤其在金融、医疗和司法等领域。
**模型可解释性在AI和机器学习中至关重要,尤其在金融、医疗和司法等领域。它建立信任、揭示偏见、辅助错误排查和满足法规要求。方法包括使用直观模型、局部解释器(如LIME)、全局工具(如PDP、SHAP)及神经网络和注意力机制的可视化。可解释性结合领域知识和伦理,推动透明智能系统的构建。**
15 0
|
5天前
|
机器学习/深度学习 人工智能 自然语言处理
模型可解释性在AI和机器学习中至关重要,尤其在金融、医疗和司法等领域。
【6月更文挑战第28天】模型可解释性在AI和机器学习中至关重要,尤其在金融、医疗和司法等领域。它建立信任、揭示偏见、辅助错误排查和满足法规要求。方法包括使用简单模型、局部解释(如LIME)、全局解释(如PDP、SHAP)、模型可视化和注意力机制。通过跨学科研究,兼顾效率与透明度,打造可信的智能系统。
12 0
|
5天前
|
机器学习/深度学习 算法 数据可视化
基于googlenet深度学习网络的睁眼闭眼识别算法matlab仿真
**算法预览图展示睁眼闭眼识别效果;使用Matlab2022a,基于GoogLeNet的CNN模型,对图像进行分类预测并可视化。核心代码包括图像分类及随机样本显示。理论概述中,GoogLeNet以高效Inception模块实现眼部状态的深度学习识别,确保准确性与计算效率。附带三张相关图像。**
|
20小时前
|
机器学习/深度学习 传感器 监控
深度学习在图像识别中的应用与挑战
随着人工智能技术的飞速发展,深度学习已成为推动现代科技革命的核心力量。特别是在图像识别领域,深度学习技术通过模拟人脑处理信息的方式,显著提升了识别的准确度和效率。然而,尽管取得了显著进展,该技术仍面临数据偏差、模型泛化能力不足等挑战。本文将深入探讨深度学习在图像识别领域的应用现状、面临的主要挑战以及未来发展趋势,旨在为相关领域的研究者和实践者提供参考和启示。
13 1
|
20小时前
|
机器学习/深度学习 人工智能 自动驾驶
深度学习在图像识别中的应用与挑战
随着人工智能技术的飞速发展,深度学习已成为图像识别领域的核心技术。本文将探讨深度学习在图像识别中的具体应用,分析其面临的挑战,并展望未来发展趋势。通过引用权威数据和研究成果,本文旨在为读者提供一个科学严谨、逻辑严密的视角,以理解深度学习在图像识别中的重要作用及其局限性。
8 1