医疗保健领域的 7 个拯救生命的 AI 用例。从早期疾病检测到增强医疗决策再到更好的患者治疗效果—

1. 肺部疾病的 AI 辅助胸部 X 线分析

新冠肺炎

肺癌

2. 黑色素瘤的皮肤科扫描

3. 人工智能和机器学习的 CT 和 MRI 扫描分析

4. 人工智能辅助乳腺癌检测

5. 数字病理学的人工智能

6. 使用自然语言处理实现医疗保健管理任务的自动化

7. 眼科人工智能

人工智能在医疗保健中的未来

人工智能可以改变我们的医疗保健系统吗？

简短的回答是：是的。

医疗保健行业如何从人工智能的使用中受益？

人工智能在医疗保健中的应用

多项研究表明：

超过 93% 的从业者同意 ML 驱动的流程可以帮助重新展现医疗保健行业中隐藏或无法获得的价值。（埃森哲）

人工智能可以实现更好的患者治疗效果、增强护理服务并推动医疗保健行业的运营收益。（EIT Health 和麦肯锡）

超过 69% 的医疗保健公司正在试行或采用人工智能解决方案，为初步诊断提供行政协助（埃森哲）

从通过人工智能辅助诊断增强护理服务到医疗记录管理，人工智能技术正在使用可以学习、理解、预测和行动的机器彻底改变现代医疗保健。

1. 肺部疾病的 AI 辅助胸部 X 线分析

X 射线和计算机断层扫描 (CT) 是诊断肺部疾病的两种值得信赖的手段。

这种医学图像为医生提供了挽救生命的见解，从而带来更好的健康结果。

然而正确解释图像需要大量经验。当患者数量很多且时间紧迫时，医生需要可靠的工具来帮助他们做出准确的预测并立即采取行动。

这就是人工智能应用程序派上用场的地方。

最先进的图像识别算法可以在 X 射线图像中识别出人眼无法察觉的模式。机器学习技术也以更快的速度工作，并协助患者分类和分诊。

新冠肺炎

一组研究人员最近提出了一种人工智能解决方案，用于根据肺部 X 射线筛查 COVID-19 患者。

该系统使用主成分分析 (PCA) 和聚类技术来区分 COVID-19 的 L 和 H 表型。

（从正面 (PA) X 射线图像中对 COVID-19 患者进行聚类。来源：Medrxiv）

这种人工智能工具可以帮助医疗保健专业人员做出更好的治疗决策：确定患者是否需要机械通气才能生存（H 表型），或者应用这种治疗是否会导致肺损伤（L 表型）。

另一组医学研究人员开发了一种基于 Microsoft CustomVision 的自动图像分类系统。

AI 解决方案还有助于对不同类型的肺炎（COVID-19 和其他病因）进行分类。

在对患者数据样本进行测试时，该模型以 92.9% 的灵敏度（召回率）执行并正确识别：

相当令人印象深刻，对吧？

更全面的患者数据将有助于推进用于诊断肺部疾病的人工智能解决方案只是时间问题。

肺癌

事实证明，使用人工智能可有效识别胸部 X 光片上以前未发现的癌症。

首尔国立大学医院的临床研究人员发现，商业上可用的 AI 应用程序在第一次和第二次读取上优于由四名胸部放射科医师组成的团队。

经测试的人工智能算法：

在首次读取期间产生比放射科医师更高的特异性。
帮助团队成员在第二次阅读期间更好地解释结果。

实验结果很有希望，但是——

医学专业人士仍然怀疑人工智能算法在“喂养”更大样本数据时能否在临床环境中产生一致的结果。

事实上，将机器学习技术投入生产是医疗保健公司迫切需要解决的问题。

许多人需要对当前的软件系统进行现代化改造，然后才能运行先进的机器学习系统。其他人则需要更成熟的数据管理和数据治理实践，以确保处理后的图像和其他患者记录的最大安全性。

“窗口化”允许人类和机器看到 X 射线中的细节，超出了我们的显示器能够让我们看到的颜色范围。

2. 黑色素瘤的皮肤科扫描

皮肤癌是所有癌症中最常见的类型之一。

黑色素瘤可能是最罕见的亚型，但仅在美国，今年就有 7000 多人死亡。

这是更好的消息——

如果在早期发现，高达86%的黑色素瘤皮肤癌类型是可以预防和治疗的正如您可能已经猜到的那样，人工智能和机器学习可能会有所帮助。

然而，魔鬼在细节中。

早期黑色素瘤很难与良性痣和其他恶性肿瘤区分开来。这就是为什么医生们正在尝试使用人工智能技术来获得额外的决策支持。

国际皮肤成像协作组织(ISIC) 一直是创建带注释的皮肤病变图像数据集以提高计算机辅助研究质量的推动力。

在过去五年中，对云计算技术的商品化访问和机器学习专业人员之间的积极知识共享也有助于显着加速皮肤癌研究。

以下是一些令人鼓舞的发现：

2019 年，研究人员使用基于 InceptionV3 和 ResNet50 架构的卷积神经网络 (CNN) 来分析特写和皮肤镜医学成像数据集。

目标是确定非色素性皮肤癌。

在训练模型后，他们比较了人工智能对 95 位皮肤科医生的表现。

结果如何？

人工智能提供了与人类专家相同水平的准确度。

相同级别的准确度。

让它沉入一秒钟。

这还不是全部——该工具的表现也优于初级和中级皮肤科医生。

资料来源：美国国家医学图书馆

另一个科学小组将 InceptionV4（一种欧盟批准用于医疗目的的深度学习架构）与一组人类皮肤科医生进行了对比。

两人都被要求通过首先查看皮肤镜图像，然后是额外的临床特写图像和临床信息来诊断 100 个测试病例（包括 60 个良性和 40 个恶性皮肤病变）。

以下是结果（仅使用皮肤镜图像）：

随着更多医疗保健信息的可用，人类的平均敏感性增加到 94.1%，但平均特异性保持不变。不过，CNN 系统这次的表现也略好于医生，灵敏度达到 95%。然而，在许多情况下，更有经验的皮肤科医生比算法做得更好。

3. 人工智能和机器学习的 CT 和 MRI 扫描分析

现在，让我们看看人工智能如何使长期以来一直处于医疗保健行业创新前沿的放射学受益。

在人工智能和机器学习使用方面，这一部分领先于采用曲线。

随着医学成像注释的可访问性和质量的提高，该领域的数据科学家可以进一步提高早期生产的人工智能技术的性能水平。

更重要的是，这些工具支持更好的决策并帮助医生赢回一些宝贵的时间，这些时间通常用于图像分析，而不是临床和实验室环境。