查看“智能医疗”的源代码
←
智能医疗
跳转至:
导航
,
搜索
因为以下原因,您没有权限编辑本页:
您所请求的操作仅限于该用户组的用户使用:
用户
您可以查看与复制此页面的源代码。
==人工智能对当前典型行业的替代率预测== [[文件:ai2020-5-11.png]] ==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。 [[文件:ai2020-5-14.png]] 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=== [[文件:ai2020-5-15.png]] 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== [[文件:ai2020-5-12.png]] ===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== [[文件:ai2020-4-22.png|500px]] ===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:[https://v.youku.com/v_show/id_XMzg5Nzc5NjgwNA==.html?spm=a2h0k.11417342.soresults.dtitle 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=== [[文件:ai2020-5-13.png]]
返回至
智能医疗
。
导航菜单
个人工具
登录
命名空间
页面
讨论
变种
视图
阅读
查看源代码
查看历史
更多
搜索
导航
首页
最近更改
随机页面
帮助
工具
链入页面
相关更改
特殊页面
页面信息