智能医疗

人工智能对当前典型行业的替代率预测

智能手术机器人

指用于医院、诊所的医疗或辅助医疗的机器人。

是一种智能型服务机器人，它能独自编制操作计划，依据实际情况确定动作程序，然后把动作变为操作机构的运动。

分类 : 临床医疗用机器人、护理机器人、医用教学机器人和为残疾人服务机器人等

达芬奇机器人

达芬奇外科手术系统是一种高级机器人平台，其设计的理念是通过使用微创的方法，实施复杂的外科手术。达芬奇机器人由三部分组成：外科医生控制台、床旁机械臂系统、成像系统。

2015年2月7日，手术机器人“达芬奇”在武汉协和医院完成湖北省首例机器人胆囊切除术。

• 与传统手术相比，达芬奇机器人手术有三个明显优势：
• 突破了人眼的局限，使手术视野放大20倍；
• 突破人手的局限，7个维度操作，还可防止人手可能出现的抖动现象；
• 无需开腹，创口仅1厘米，出血少、恢复快，术后存活率和康复率大大提高。

视频：https://haokan.baidu.com/v?vid=3947104882528893887&pd=bjh&fr=bjhauthor&type=video

智能医学影像

问题

三甲医院

• 影像检查数量多
• 可用阅片时间短
• 医师工作压力大。

基层医院

• 医师数量不足
• 阅片经验欠缺
• 诊断质量不高

案例

• AI识别先天性白内障研究，我国中山大学的临床试验，利用CNN算法，通过410张各种程度的先天性白内障图片和476张正常图片训练，诊断准确率达92.45%。

• AI对脑瘤病理切片的快速诊断，利用多层感知机算法，用拉曼散射显微镜生成高度模拟传统的HE染色病理切片，通过过万张图片训练，AI区分胶质瘤和非胶质瘤的准确率达90%。

• AI对神经假体进行精确控制，伦敦帝国理工学院则尝试了利用支持向量机这一算法，将此前85%的精确度提升到了97%。

• 智能医美：https://ai.baidu.com/tech/face/skin_smooth
• 出生医学证明识别：https://ai.baidu.com/tech/ocr_cards/birth_certificate

优势

• 医生：大幅减少读片时间，降低误诊概率，提高诊疗水平
• 患者：有效减少诊疗时间，享受大型三甲医院的高水平医疗
• 医院：对大规模的数据加以利用，建立整体的数字化平台，提高医院的核心业务能力，推进医院之间的数据共享

智能健康管理

痛点

• 传统健康管理中的智能穿戴设备没有解决数据关联性。
• 主要采用可穿戴设备进行数据提取、采集和趋势分析，未能实现为用户提供健康画像并改善健康功能。
• 从事健康管理领域的人员自身不够专业。

案例

• 知识图谱：https://ai.baidu.com/solution/kgaas
• 2015年11月，某研究团队开发了一套“机器学习”算法，通过分析学习人们的肠道菌群特征与餐后血糖水平之间的关联，从而尝试对标准化食品进行血糖影响预测。

• 国内碳云智能（iCarbonX）从事相关的研发。该公司试图建立一个健康大数据平台，该平台最终可以利用人工智能技术对这些数据加以处理，帮助人们进行健康管理。

• IBM公司投资了WellTok，借助Watson的人工智能认知能力来理解复杂的人类语言，对海量数据进行快速的运算，从而为用户提供健康管理、慢性病恢复和健康食谱等方面的指导。

智能药物研发

行业痛点

• 新药物研发耗时长、成本高、风险大、回报率低。

• 国内仿制药研发难。国外的癌症新药、特效新药难以进入国内市场。

应用案例

• 视频：新研究使用人工智能确定药物分子结构

• 候选药物挖掘：使用人工智能技术，从科技论文、专利、临床试验信息，以及大量结构化数据集中的非结构化信息中，自动生成有用的知识。 典型案例是英国的新药研发公司BenevolentAI，其开发的JACS（Judgment Augmented Cognition System）人工智能系统，能够集中处理大量高度碎片化信息。
• 化合物筛选：硅谷的AI公司Atomwise，开发了基于卷积神经网络的AtomNet系统，该系统大量学习了化学知识及研究资料，而后测试其是否能预测过去物理实验中发生的事情。典型的案例是，2015年AtomNet仅用时一周，即模拟出两种有前景用于埃博拉病毒治疗的化合物。

• 药物动力学预测：化合物ADMET（药物动力学，包括药物的吸收、分配、代谢、排泄和毒性）预测，是当代药物设计和药物筛选中十分重要的方法。 为了进一步提升ADMET性质预测的准确度，已有生物科技企业探索通过深度神经网络算法有效提取结构特征（包括处理小分子与蛋白质结构），加速药物的早期发现和筛选过程，极大减小研发投入和风险。典型的代表包括晶泰科技、Numerate等。

智能疾病预测

行业痛点

• 基因组数据量庞大，人工试验耗时耗力。

• 传统基因测序耗费成本巨大。

• 基因测序分析各阶段的通用算法效果不佳，准确率低。

典型应用