亮劍會 2017 年 07 月 03 日的文章

上期我們分享了藥物研究/製造、臨床試驗研究、放射學和放射治療，本期我們繼續分享AI在醫學上的七大應用領域以及有待克服的障礙。希望能對相關領域的同學有所啟發。

6 - 智能電子健康記錄

使用支持向量機（SVM）進行文本分類（例如通過電子郵件來對患者查詢進行排序）以及光學字元識別（或OCR，將草圖手寫轉換為數字化字元）都是成熟的ML應用。

這將有助於推動電子健康的收集和數字化。 這方面的工作包括MATLAB的ML手寫識別技術和Google用於OCR的Cloud Vision API。

圖片：MATLAB - 手寫字元識別

MIT臨床機器學習小組正在推動下一代智能電子健康記錄的發展，他們使用內置的ML演算法來幫助診斷，臨床決策和提供個性化治療建議。

MIT在其網站上寫道:「我們需要強大，安全及可解釋的ML演算法。它可以從小規模的標註訓練集中學習，並支持自然語言交互，從而可推廣至大量醫療機構。

7 - 疫情爆發預測

根據從衛星收集的數據，網路上的歷史信息，實時社交媒體更新等等，ML和AI技術也被應用於監測並預測世界各地的疫情爆發。

目前已有基於支持向量機（SVM）和人工神經網路（ANN）的模型來預測瘧疾疫情。

採用的數據包括溫度，月平均降雨量，陽性病例總數等等。

疫情預測在第三世界國家尤其迫切。這些國家往往缺乏醫療基礎設施，教育途徑和及時治療機會。

ProMED是一個基於互聯網的郵件系統以用於監測新出現的疾病並實時提供疫情報告：

圖片來源：Going International

利用ProMED報告和其他開採的媒體數據，HealthMap組織使用自動分類和可視化來幫助監控和提供任何國家的疾病爆發警報。

圖片來源：CDC - HealthMap報告用於跟蹤和預測登革熱病毒爆發

有待克服的障礙

在將ML技術應用於製藥和醫療的這場競賽中，還有如下待解決的挑戰：

- 數據整合是目前最為緊迫的問題之一。醫療數據仍然是敏感的個人隱私。一向以來我們認為大多數公眾會擔心醫療數據中的隱私問題。有趣的是，2016年3月份的Wellcome基金會對英國公眾的調查發現，只有17％的受訪者明確表示不同意將他們的匿名數據提供給第三方進行研究。

為滿足嚴格的藥物開發規定我們需要演算法更透明;人們需要能夠透過「黑盒」來理解演算法結論背後的推理過程。

- 招聘數據科學人才，建立健全的數據科學流程。

- 打破「數據孤島」並真正建立以數據為中心的觀點。橫跨部門領域至關重要，我們需要以積極推動行業的心態，看到大數據機器學習這一趨勢的長期價值。

- 作為實現這一切的第一步，我們需要對目前資料庫中分散凌亂的電子記錄進行整合。

請關注我們微信公眾號aihelps。歡迎加入人工智慧商業化社群交流，請加微信號12956250。

特別提示：

本文章由亮劍會提供，亮劍會是鄒洪亮和胡曾劍聯合創辦的AI商業應用社群，致力於人工智慧的商業化。

鄒洪亮，電子商務資深顧問，擁有15年豐富的互聯網一線操盤經驗，曾任500彩票網(紐交所: WBAI)副總裁。移居加拿大後，創辦Havlek諮詢公司，為加拿大著名企業MEC、JYSK、Saje、Uniserve等提供雲架構設計、大規模計算、商業智能分析等服務。

胡曾劍，Simon Fraser University 計算機博士，人工智慧科學家，專長演算法設計、運籌學、機器學習以及智能軟體開發。現在美國著名能源交易服務公司The Energy Authority 任職Research Scientist，2014年作為首席架構師項目獲得運籌學最高獎Edelman Prize 提名。