导语：上个月，AlphaGo与李世石之间的围棋世纪大战真正拉开了人工智能领域的序幕。人工智能未来将成为各行各业的热点。医疗也不例外。人工智能+医疗的未来是什么？
住宅环境医疗保健传感器平台(SPHERE)项目成本在1500万欧元至2100万欧元之间。SPHERE开发了一种家庭传感器系统来诊断和帮助管理人们的健康状况。
其核心是屋内安装的十多个摄像头。测试人员还需要佩戴可穿戴设备，并接受24/7的拍摄、监控和跟踪。该项目的最终目标是观察人们的日常生活方式和状态对其健康的影响。看起来这些人根本没有隐私，但对于科学研究来说，他们产生的数据对延长人类预期寿命有着巨大的影响。
SPHERE智能家居可以观察测试人员看电视、步行或锻炼等一切情况。它还可以监控他们的饮食频率、使用的应用程序，甚至睡眠时间和室内温度。
“许多慢性病与生活方式有关，”布里斯托大学工程学教授兼东芝电信研究实验室研究小组组长伊恩·克拉多克(IanCraddock)说。长期生活方式的微小改变可以揭示有关一个人当前健康状况的宝贵信息，甚至提供早期预警。
这可能是个人数据收集的终极方式。这种跟踪现在变得越来越普遍，并且对用户的干扰越来越小。苹果在刚刚举行的发布会上宣布，他们已经拥有超过10亿台活跃设备，并且在过去的几年里，苹果一直在使用这些设备来收集与健康相关的数据。ResearchKit可以帮助开发帕金森病的诊断应用程序，并在不到一年的时间里促进了“历史上最大规模的帕金森病研究”。
在这次大会上，苹果推出了CareKit。其功能是以开源框架的形式建立一个开发平台，将传统上植根于单一医疗设备的健康信息跟踪行为和相应数据从物理纸和笔转移到您的智能手机上，您也可以直接使用您的智能手机。智能手机或小型可穿戴设备来完成日常测试并与家人和医生共享数据。针对帕金森病的应用程序也在首发名单上。
技术驱动的自动化健康数据收集开辟了无限的可能性。但如果没有有效的存储、分析、区分和应用方法，这些信息基本上就是一个空壳。如果想要处理如此大规模的数据，最近流行的人工智能也是理想的候选者。自IBM的深蓝计算机击败国际象棋大师加里·卡斯帕罗夫以来，已经过去近20年了。这项技术真的可以开始拯救生命吗？
更大、更健康的数据
随着SPHERE项目不断扩展以容纳更多传感器和更小的设备，研究人员正在开发其他方法来挖掘收集到的数据。有了丰富的数据作为基础，我们才能产出更高质量的研究报告。
与任何健康数据收集一样，数据的含义是关键点。幸运的是，人工智能和机器学习都开始在医疗保健行业发挥影响力。除了提供数据摘要报告外，研究人员还在开发可以评估、理解并提供建议和预测的自动化技术。当然，并非所有这些人工智能技术都适合一般医疗保健。卡里生态系统研究所的专家芭芭拉·汉恩(BarbaraHann)正在利用机器学习来建模和预测埃博拉病毒的传播。
生物学家已经发现了超过1600万种动物，追踪可能携带病毒的野生动物是一项非常适合大数据和机器学习的任务。“我们的算法可以处理不完整的数据集，”汉恩在报告中写道。“机器学习也能很好地处理复杂性。生态分析通常包括数十个变量，这些变量的相互作用方式并不总是如此。”“很明显。抽样偏差会给传染病研究带来偏差，我们的算法旨在抵消这种影响。”也就是说，即使美洲和欧洲的数据质量更高，也不会推翻非洲的数据。相关数据。
汉恩表示，这种基于算法的跟踪方法已成功识别出一种携带埃博拉样病毒的蝙蝠，这种病毒并非非洲独有。
社交媒体不是良好的信息来源，但移动设备和可穿戴设备是
2009年，美国疾病控制与预防中心结合传统媒体和社交媒体邀请公众报告与H1N1流感相关的症状。这使得疾病预防控制中心能够监测疾病症状和受影响的地区，并帮助他们指导公众对卫生服务的反应。
现在，研究人员正在推进这一概念，研究如何使用社交媒体网络收集心理健康数据，以建立可供政府使用的人口模型。例如，系统可以通过基于交叉引用关键字触发危险信号来了解自杀趋势。在商业应用方面，机器学习还可以收集社交媒体中与药物不良反应相关的信息，以增强制药公司快速响应的能力，避免遗漏副作用。
如果直接使用社交媒体作为信息来源，这些原始数据的质量确实值得怀疑。想想平时充斥微博朋友圈的谣言吧。有许多更准确的方式来收集医疗数据，例如移动设备或可穿戴设备。腕带和智能手机的广泛普及，以及它们自身的高度网络化性质和多样化功能，是其对医疗领域如此有价值的部分原因。
例如，常规眼科检查不仅可以治疗视力障碍，还可以揭示更广泛的健康问题，例如糖尿病的发病情况。借助新技术，眼科检查不需要笨重的专业设备，只需普通便携式设备即可完成。对于欠发达国家和地区来说，它带来的好处是非常明显的。
KEEP产品正在肯尼亚、马里、马拉维、坦桑尼亚等国家进行现场测试。它由智能手机和非常便宜的视网膜成像设备组成，用于测试视觉能力，例如视敏度、颜色/对比度阴影、白内障影响分级等。PEEK已经可以检测到一些明显的眼睛问题，操作者可以将视网膜图像发送回实验室。目前尚不具备基于人工智能的自动分析功能，尚无法进行独立诊断。但它代表了手持设备高质量数据收集的一种手段。
基于云计算的癌症诊断和治疗
芭芭拉·汉恩的研究表明，人工智能的优势在于它可以处理来自不同来源的大量数据。人工智能还非常擅长识别人们忽视的数字噪音。如今，患者健康中最复杂和最具挑战性的领域也许是癌症的诊断和治疗。
FlatironHealth通过大数据分析，为癌症精准治疗提供帮助。它可以采集医生和患者各个阶段的交互数据。OncologyCloud是FlatironHealth的云平台，其中包含分析模块、电子病历模块、患者门户和计费系统。
FlatironHealth最近与田纳西州的西癌症中心合作，在数十个癌症中心安装了他们的系统。西癌症中心董事总经理LeeSchwartzberg表示：“我们需要一种创新的肿瘤内科、基于云的EHR，它可以为临床医生提供他们所需的肿瘤学工作流程和临床路径。”
人工智能的影响会有多大？
通过深蓝在国际象棋比赛中的胜利，以及它的继任者沃森最近在电视游戏竞赛Jeopardy中的胜利，人工智能已经被戏剧性地引入为巨大、嘈杂、卡车大小、带有闪光灯的硬件盒子中。20世纪60年代冷战时期的无数惊悚小说告诉我们，诊断室里的人工智能诊断专家不应该是这个样子。
客户直接订购一个物理安装的IBMWatson人工智能，因为基本上可以认为没有这个东西。目前，Watson在云服务器上只有一个实例。但沃森到底是什么？现在让它出名的节目已经没了，它在医疗行业还有什么作用呢？
作为卫生部门的客户，Watson实例由许多技术参数组成。首先是理解自然语言的能力，包括具体的医学术语。二是通过语料库进行训练的能力，比如最佳实践指导、高质量的医学文献、领域新发现的细节、当地治疗的知识等。
通过这种方式，Watson可以理解你提出的问题，然后通过在语料库中运行该问题数百或数千次来训练认知模型。通过这种方式，Watson可以为按置信度排名的问题提供推荐。回答。
Watson实例的一个重要的第三方属性是机器学习。正如英国IBMWatsonHealth负责人MatthewHoward所说，“这是为了通过训练来提高判断是非的能力。您可以通过给它案例描述和患者示例来训练它，看看它是否能找到有效的答案。这种训练系统的方法就是我们所说的为答案生成正确的注释。”
本质上，组织将建立自己的Watson实例，并在自己的语料库上对其进行训练，然后以适当的方式运行它。沃森的答案取决于它的训练和配置方式。“安全训练是所有感知技术的关键组成部分，”霍华德说。
威康信托基金会最近的一项研究表明，人们对计算机辅助诊断和治疗持“良好”态度。调查发现，53%的人支持个人健康数据可以用于研究，但仅限于医院和慈善机构，而不是制药公司。
“人们对自己的个人信息尤其是无法解释、无法解释的疾病数据持谨慎态度。我们对商业组织使用个人数据持保留态度。”威康信托基金(WellcomeTrust)政策主管尼古拉·佩兰(NicolaPerrin)表示。
无论机器是否与患者互动，人工智能显然已经产生了影响。唯一的问题是它能产生多大的影响。
