人工智能与医疗 总览
文章大綱
- 前言
- 1. AI 醫(yī)療：人工智能技術(shù)賦能醫(yī)療
- 1.1 關(guān)鍵技術(shù)：深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、人工智能
- 1.2 技術(shù)構(gòu)成：算法、算力、大數(shù)據(jù)
- 1.3 行業(yè)應(yīng)用：產(chǎn)業(yè)鏈、應(yīng)用、優(yōu)勢(shì)
- 2. 實(shí)踐布局：人工智能與醫(yī)療的九大細(xì)分領(lǐng)域
- 2.1 虛擬助手
- 2.3 醫(yī)學(xué)影像
- 2.4 病歷/文獻(xiàn)分析
- 2.5 醫(yī)院管理
- 2.7 藥物發(fā)現(xiàn)
- 2.8 健康管理
- 3. 全球格局：人工智能與醫(yī)療全球發(fā)展
- 3.1 人工智能+新型硬件提供商——IBM
- 3.5 引領(lǐng)人工智能芯片+醫(yī)療——英偉達(dá)
- 4. 國內(nèi)現(xiàn)狀：人工智能與醫(yī)療的國內(nèi)布局
- 4.5 華為智能無線技術(shù)實(shí)現(xiàn)醫(yī)療互聯(lián)
- 5. 資本涌入：人工智能與醫(yī)療的投資風(fēng)口
- 5.1 人工智能與醫(yī)療企業(yè)技術(shù)成熟度曲線
- 5.2 人工智能醫(yī)療創(chuàng)業(yè)公司與投資機(jī)構(gòu)的分析
- 6. 典型企業(yè)：人工智能與醫(yī)療領(lǐng)域典型企業(yè)案例
- 6.1 美國NarrativeDx：人工智能，解決傳統(tǒng)患者體驗(yàn)調(diào)查中的痛點(diǎn)
- 6.2 美國Atomwise：用AI研發(fā)新藥，成本驟減數(shù)億美元
- 6.5 希氏異構(gòu)：攜手華西醫(yī)院，AI獨(dú)立超算中心“神農(nóng)1號(hào)”建成運(yùn)行
- 7. 政府引導(dǎo)：人工智能與醫(yī)療政策監(jiān)管
- 7.1 中國人工智能政策演變
- 7.2 《新一代人工智能發(fā)展規(guī)劃》概述
- 7.3 《新一代人工智能發(fā)展規(guī)劃》與大健康相關(guān)的四大部分
- 附錄
- 參考文獻(xiàn)
前言
在1956年的達(dá)特茅斯會(huì)議上，人工智能的概念第一次被真正提出來，其作為信息技術(shù)的一種，早在40多年前就已經(jīng)實(shí)驗(yàn)性地參與到醫(yī)療行為中。1972年，利茲大學(xué)研發(fā)了醫(yī)療領(lǐng)域最早出現(xiàn)的人工智能系統(tǒng)，此系統(tǒng)主要用于腹部劇痛的輔助診斷及手術(shù)的相關(guān)需求。
人工智能作為一種技術(shù)，對(duì)生產(chǎn)工具進(jìn)行了升級(jí)。人們可以通過人工智能快速地對(duì)行業(yè)數(shù)據(jù)和過往知識(shí)進(jìn)行匯總和梳理，從而輔助人們做決策。
人工智能所起到的作用有兩個(gè)方面：一是對(duì)過往知識(shí)的總結(jié)和判斷，因?yàn)樗膶W(xué)習(xí)速度非常快，有極強(qiáng)的總結(jié)能力；二是基于過去的經(jīng)驗(yàn)做決策，決策的正確性有明顯提高。所以，人工智能在效率上和準(zhǔn)確度上遠(yuǎn)遠(yuǎn)高于人的主觀判斷。
人工智能的應(yīng)用在各行各業(yè)中都有相似或者相近的優(yōu)勢(shì)，目前主要有兩大輔助作用：一是高效率地輔助決策，二是對(duì)項(xiàng)目運(yùn)營進(jìn)行優(yōu)化。例如，在業(yè)務(wù)輔助方面，人工智能在醫(yī)療領(lǐng)域可以輔助醫(yī)生進(jìn)行診斷，在金融領(lǐng)域可以輔助用戶進(jìn)行自動(dòng)交易；在管理優(yōu)化方面，人工智能在醫(yī)療領(lǐng)域可以輔助醫(yī)院進(jìn)行管理，在零售領(lǐng)域可以對(duì)庫存和交易流程進(jìn)行優(yōu)化。
1. AI 醫(yī)療：人工智能技術(shù)賦能醫(yī)療
1.1 關(guān)鍵技術(shù)：深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、人工智能
杰弗里·辛頓（Geoffrey Hinton）和他的學(xué)生魯斯蘭·薩拉赫·胡迪諾夫（Ruslan Salak hutdi nov）在頂尖學(xué)術(shù)刊物《科學(xué)》（Science）上發(fā)表了一篇文章，開啟了深度學(xué)習(xí)的新篇章。這篇文章有兩個(gè)主要觀點(diǎn)：
第一，多隱層的人工神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的特征學(xué)習(xí)能力，學(xué)習(xí)得到的特征對(duì)數(shù)據(jù)有更本質(zhì)的刻畫，從而有利于可視化或分類；
第二，深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練上的難度可以通過“逐層初始化”（Layer-wise Pre-training）來有效克服，在這篇文章中，逐層初始化是通過無監(jiān)督學(xué)習(xí)實(shí)現(xiàn)的。
1.2 技術(shù)構(gòu)成：算法、算力、大數(shù)據(jù)
英偉達(dá)最新的RTX 2080游戲顯卡擁有9 TFLOPS[2]的浮點(diǎn)性能，但是價(jià)格只有700美元，每GFLOPS[3]的算力成本只有8美分。
據(jù)IDC統(tǒng)計(jì)，2011年全球數(shù)據(jù)總量已經(jīng)達(dá)到1.8 ZB，并以每?jī)赡攴环乃俣仍鲩L(zhǎng)，預(yù)計(jì)到2020年，全球?qū)⒖偣矒碛?5 ZB的數(shù)據(jù)量，數(shù)據(jù)量增長(zhǎng)近20倍；在數(shù)據(jù)規(guī)模方面，預(yù)計(jì)到2020年，全球大數(shù)據(jù)產(chǎn)業(yè)規(guī)模將達(dá)到2047億美元，我國產(chǎn)業(yè)規(guī)模將突破萬億元。
[2] TFLOPS：每秒1萬億次的浮點(diǎn)運(yùn)算次數(shù)。[3] GFLOPS：每秒10億次的浮點(diǎn)運(yùn)算次數(shù)。
1.3 行業(yè)應(yīng)用：產(chǎn)業(yè)鏈、應(yīng)用、優(yōu)勢(shì)
人工智能在醫(yī)療領(lǐng)域的應(yīng)用，有以下幾點(diǎn)好處。
①可以提高醫(yī)療診斷的準(zhǔn)確率與效率；
②提高患者自診比例，降低患者對(duì)醫(yī)生的需求量；
③輔助醫(yī)生進(jìn)行病變檢測(cè)，實(shí)現(xiàn)疾病早期篩查；
④大幅提高新藥研發(fā)效率，降低制藥時(shí)間與成本。
2. 實(shí)踐布局：人工智能與醫(yī)療的九大細(xì)分領(lǐng)域
本章從具體業(yè)務(wù)模式細(xì)分方向進(jìn)行詳細(xì)介紹，分別是虛擬助手、疾病篩查和預(yù)測(cè)、醫(yī)學(xué)影像、病歷/文獻(xiàn)分析、醫(yī)院管理、智能化器械、藥物發(fā)現(xiàn)、健康管理和基因測(cè)試9個(gè)方面。
2.1 虛擬助手
慢病App作為醫(yī)患溝通的橋梁，最終需要讓醫(yī)方覺得更輕松，而不是更麻煩。在人工智能的介入下，聊天機(jī)器人這一模式的核心價(jià)值在于進(jìn)一步改善人機(jī)交互界面，通過更符合人性習(xí)慣的溝通方式，進(jìn)行人機(jī)交互，而以往的所有模式都是人遷就機(jī)器。
根據(jù)丁香園的調(diào)查，50%以上的住院醫(yī)生每天用于寫病歷的平均時(shí)間達(dá)4小時(shí)以上，其中一部分甚至超過7小時(shí)。
《福布斯》此前曾經(jīng)報(bào)道：醫(yī)生花費(fèi)27%的時(shí)間在診室問診[1]，還有49.2%的時(shí)間在做書面工作，其中包括使用電子健康記錄系統(tǒng)。即便在診室，醫(yī)生也只花52.9%的時(shí)間跟患者溝通，還有37%的時(shí)間在處理書面工作。電子病歷錄入的簡(jiǎn)易性和高效性成為臨床醫(yī)生的迫切需求。
2.3 醫(yī)學(xué)影像
現(xiàn)代醫(yī)學(xué)是建立在實(shí)驗(yàn)基礎(chǔ)上的循證醫(yī)學(xué)，醫(yī)生的診療結(jié)論必須建立在相應(yīng)的診斷數(shù)據(jù)上。影像是重要的診斷依據(jù)，醫(yī)療行業(yè)80%～90%的數(shù)據(jù)都來源于醫(yī)學(xué)影像，所以臨床醫(yī)生有極強(qiáng)的影像需求。他們需要對(duì)醫(yī)學(xué)影像進(jìn)行各種各樣的定量分析、歷史圖像的比較，以便能夠完成診斷。
人工智能的本質(zhì)是計(jì)算機(jī)通過對(duì)已有資料進(jìn)行經(jīng)驗(yàn)積累，自動(dòng)提高對(duì)任務(wù)的處理性能。探索人工智能在醫(yī)學(xué)影像方向有哪些參與方式，首先要知道人工智能擁有什么樣的能力。我們按照自己對(duì)深度學(xué)習(xí)的理解，將人工智能在圖像處理上的能力分為4類：影像分類、目標(biāo)檢測(cè)、圖像分割和影像檢索。
醫(yī)院大數(shù)據(jù)中，85%左右的存儲(chǔ)容量被影像數(shù)據(jù)所占據(jù)，現(xiàn)在的計(jì)算機(jī)可以識(shí)別結(jié)構(gòu)化的文本數(shù)據(jù)和結(jié)構(gòu)化的影像數(shù)據(jù)，且正在探索將功能性醫(yī)療圖像和結(jié)構(gòu)性圖像相融合的方式，以獲得更好的診療效果。
人工智能為醫(yī)學(xué)影像解決了什么問題？給醫(yī)院、醫(yī)生帶來了什么樣的改變？我們總結(jié)出，其實(shí)際解決了3類問題。
第一，把信息更好地呈現(xiàn)給醫(yī)生。現(xiàn)在成像越來越容易，分辨率越來越高，醫(yī)生要看越來越多的影像，但是醫(yī)生需要的不是數(shù)據(jù)，醫(yī)生需要的是信息，怎么把這些信息更好地呈現(xiàn)給醫(yī)生？人工智能能夠完成臟器的定位、分類及分割工作，并將可疑位置進(jìn)行標(biāo)注，相當(dāng)于為醫(yī)生去除了干擾項(xiàng)，將更為直接的信息呈現(xiàn)出來。
第二，幫助醫(yī)生定量分析。醫(yī)生非常擅長(zhǎng)定性分析。看到片子，有經(jīng)驗(yàn)的醫(yī)生3秒內(nèi)就可以大致判斷是什么問題，但是需要一些工具做更精準(zhǔn)的判斷，定量的分析靠眼睛很難做到。這里面的工作包括各種各樣的多模態(tài)分析、歷史圖像的比較、病人人群的分析，這些不是簡(jiǎn)單地用眼睛就能完成的，而是需要圖像分割、圖像配置、功能圖像分析。
第三，能夠解決成像和智能圖像識(shí)別的問題。這兩個(gè)步驟很多年前是被分開的，技師拍片子，醫(yī)生做分析。實(shí)際上，只有兩者結(jié)合起來才能更有效地優(yōu)化系統(tǒng)，為醫(yī)生提供更好的服務(wù)。
目前，AI產(chǎn)品對(duì)于肺結(jié)節(jié)的識(shí)別檢出準(zhǔn)確率在90%左右（每個(gè)公司的情況不一樣，但是只要是報(bào)道出來的，都聲稱AI產(chǎn)品的水平高于醫(yī)生平均水平），但是醫(yī)學(xué)人工智能對(duì)于肺結(jié)節(jié)良、惡性的判斷還處于研發(fā)階段，最終診斷結(jié)果需要醫(yī)生結(jié)合臨床來做決定。
而2015年的IDF報(bào)告顯示，2015年全球醫(yī)療消費(fèi)中，11.6%花費(fèi)在糖尿病治療上，金額為6730億～11 970億美元。我國糖尿病導(dǎo)致的直接醫(yī)療開支占全國醫(yī)療總開支的13%，達(dá)到1734億元，主要是因?yàn)樘悄虿』颊哚t(yī)療服務(wù)的次數(shù)是非糖尿病者的3～4倍，其住院和門診次數(shù)較多。另外，中老年群體有一定的財(cái)富積累，支付能力較強(qiáng)。
放療是腫瘤三大治療方式中最主流的治療方式（其他兩種是手術(shù)和化療）。
我國病理醫(yī)生極度缺乏。《中國衛(wèi)生和計(jì)劃生育統(tǒng)計(jì)年鑒2016》顯示：我國病理科執(zhí)業(yè)醫(yī)師（含執(zhí)業(yè)助理醫(yī)師）只有不到1.5萬人，與國家制定的每100張床配備1～2名病理醫(yī)生的標(biāo)準(zhǔn)差距懸殊，我國病理醫(yī)生的缺口總數(shù)可達(dá)10萬人。
☆真陽性：要評(píng)估的技術(shù)判定為有病（陽性）且金標(biāo)準(zhǔn)也判定為有病的病例數(shù)（用a來表示）。
☆真假陽性：要評(píng)估的技術(shù)判定為有病（陽性）而金標(biāo)準(zhǔn)判定為無病（陰性）的病例數(shù)（用b來表示）。
☆真假陰性：要評(píng)估的技術(shù)判定為無病（陰性）而金標(biāo)準(zhǔn)判定為有病（陽性）的病例數(shù)（用c來表示）。
☆真陰性：要評(píng)估的技術(shù)判定為無病（陰性）且金標(biāo)準(zhǔn)也判定為無病的病例數(shù)（用d來表示）。根據(jù)以上4個(gè)數(shù)值就可以得出這種方法的敏感性、特異性、陰性預(yù)測(cè)值和陽性預(yù)測(cè)值。敏感性=a/（a+c）。敏感性也稱真陽性率，反映某種方法判定某病變的漏診率。敏感性一般以百分?jǐn)?shù)表示，敏感性越高，則漏診率越低。用來篩查某種疾病的方法必須敏感性高，這樣才能減少漏診。特異性=d/（b+d）。特異性也稱真陰性率，反映某種方法判定某病變的誤診率。特異性一般也以百分?jǐn)?shù)表示，特異性越高，則誤診率越低。用來篩查某種疾病的方法并不一定要求特異性特別高，在一個(gè)合理的范圍即可接受。
目前，無論是哪個(gè)公司，涉及哪科疾病，系統(tǒng)敏感性都超過了90%，這個(gè)數(shù)據(jù)是醫(yī)生最在乎的，因?yàn)槿绻舾行圆?#xff0c;沒有查出疑似結(jié)節(jié)，醫(yī)生就有可能要承擔(dān)責(zé)任。浙江省人民醫(yī)院放射科主任龔向陽表示，特異性和敏感性兼顧起來是很難的，所以很多公司在開發(fā)系統(tǒng)時(shí)會(huì)優(yōu)先考慮敏感性的問題，在保證敏感性的前提下，提高特異性。需要說明的是，目前有些公司的敏感性和特異性數(shù)據(jù)是在特定數(shù)據(jù)集下的數(shù)據(jù)，而不是臨床數(shù)據(jù)。這些數(shù)據(jù)只能證明其研究進(jìn)展，而不能作對(duì)比。
推想科技智能CT線輔助篩查產(chǎn)品可自動(dòng)標(biāo)記出CT各層面上病灶的位置，輔助醫(yī)生快速準(zhǔn)確地完成CT診斷。這樣醫(yī)生就不用花那么多時(shí)間在健康人群上，而把時(shí)間用在重大疾病的診治上，不僅可以減少重復(fù)性勞動(dòng)，還可以減低醫(yī)生的疲勞度。在診斷速度方面，一個(gè)醫(yī)生完成20個(gè)病例的診斷需要3個(gè)半小時(shí)，利用推想人工智能產(chǎn)品，就算是最低配置的計(jì)算機(jī)只需6分15秒。在診斷準(zhǔn)確率方面，人工智能對(duì)于大小結(jié)節(jié)的綜合靈敏度是85%左右，針對(duì)不同大小的結(jié)節(jié)，敏感度情況不同。推想科技2017年3月9日的測(cè)試數(shù)據(jù)顯示，對(duì)于0～3mm的結(jié)節(jié)，推想科技模型敏感度為84.03%；對(duì)于3～6mm的結(jié)節(jié)，模型敏感度為88.31%；對(duì)于大于6mm的結(jié)節(jié)，模型的敏感度為100%。
2.4 病歷/文獻(xiàn)分析
電子病歷包括病案首頁、病程記錄、檢查檢驗(yàn)結(jié)果、醫(yī)囑、手術(shù)記錄和護(hù)理記錄等。其中，既有結(jié)構(gòu)化信息，也有非結(jié)構(gòu)化的自由文本，還有圖形圖像等信息，涉及信息的采集、存儲(chǔ)、傳輸、質(zhì)量控制、統(tǒng)計(jì)和利用等環(huán)節(jié)。
目前，病歷/文獻(xiàn)分析企業(yè)通過與醫(yī)院合作及自購數(shù)據(jù)的模式，實(shí)現(xiàn)了大量數(shù)據(jù)的積累。同樣讀一篇50頁的病歷，企業(yè)抓取和理解其中所有臨床信息的速度比醫(yī)生平均快2700倍。
目前，人工智能病歷/文獻(xiàn)分析的應(yīng)用場(chǎng)景主要有3類：病歷結(jié)構(gòu)化處理、多源異構(gòu)數(shù)據(jù)挖掘和臨床決策支持。
醫(yī)療大數(shù)據(jù)輔助決策系統(tǒng)的核心運(yùn)行機(jī)制是基于海量的醫(yī)療大數(shù)據(jù)，同時(shí)將各學(xué)科專家的經(jīng)驗(yàn)?zāi)依ǖ较到y(tǒng)中，技術(shù)人員應(yīng)用先進(jìn)的IT技術(shù)、深度學(xué)習(xí)算法等針對(duì)特定領(lǐng)域進(jìn)行專業(yè)的定制，從而向醫(yī)生提供可視化、場(chǎng)景化、智能化的系統(tǒng)解決方案。醫(yī)生在使用過程中的反饋又能夠不斷地優(yōu)化系統(tǒng)，提升系統(tǒng)的準(zhǔn)確性。
2.5 醫(yī)院管理
人工智能在醫(yī)院管理應(yīng)用上主要有兩個(gè)方向，分別是優(yōu)化醫(yī)療資源配置和彌補(bǔ)醫(yī)院管理漏洞。
2.7 藥物發(fā)現(xiàn)
新藥的開發(fā)流程可分為藥物發(fā)現(xiàn)、臨床前開發(fā)和臨床開發(fā)3個(gè)部分。而現(xiàn)代藥物發(fā)現(xiàn)在技術(shù)上又可以分為3個(gè)階段：靶點(diǎn)的發(fā)現(xiàn)和確證、先導(dǎo)物的發(fā)現(xiàn)、先導(dǎo)物的優(yōu)化3個(gè)階段。
關(guān)于創(chuàng)新藥的研發(fā)，國際上有一種“雙10”的說法：10年的時(shí)間，10億美元的投入。一般而言，制藥公司需要花費(fèi)5億～10億美元，10～15年時(shí)間，才能成功研發(fā)出一款新藥。新藥研發(fā)的風(fēng)險(xiǎn)大、周期長(zhǎng)、成本高，是藥企最大的痛點(diǎn)之一。
根據(jù)在流程上的分布，我們將AI+新藥研發(fā)的服務(wù)類型分成了3類：臨床前藥物發(fā)現(xiàn)服務(wù)、臨床前藥物自主研發(fā)和臨床研究服務(wù)
人工智能在新藥研發(fā)上的應(yīng)用主要有兩個(gè)階段：
一個(gè)是新藥發(fā)現(xiàn)階段，
另一個(gè)是臨床研究階段。
2.8 健康管理
個(gè)人的健康數(shù)據(jù)十分復(fù)雜，按照數(shù)據(jù)的來源可以將個(gè)人健康數(shù)據(jù)分為基因數(shù)據(jù)、生理數(shù)據(jù)（如血壓、脈搏）、環(huán)境數(shù)據(jù)（如每天呼吸的空氣）和社交數(shù)據(jù)等。有了這些個(gè)人健康數(shù)據(jù)，加上人工智能，最終可以實(shí)現(xiàn)人們對(duì)健康的前瞻性管理。
健康管理是變被動(dòng)的疾病治療為主動(dòng)的自我健康監(jiān)控。通過帶有醫(yī)療監(jiān)控功能的可穿戴設(shè)備實(shí)時(shí)監(jiān)控人體各項(xiàng)生理指標(biāo)，結(jié)合其他個(gè)人健康數(shù)據(jù)，對(duì)潛在健康風(fēng)險(xiǎn)做出提示，并給出相應(yīng)的改善策略。一個(gè)人每天產(chǎn)生的有關(guān)健康和生命的數(shù)據(jù)，如果能夠數(shù)據(jù)化，數(shù)據(jù)量將會(huì)非常大。怎么處理這些數(shù)據(jù)，把數(shù)據(jù)變成信息，把信息變成知識(shí)，把知識(shí)變成健康管理的信息，這便是人工智能在人類生命數(shù)據(jù)收集后的工作。
人口健康學(xué)是“人類健康2020”（Healthy People 2020）[1]愿景中關(guān)于醫(yī)療衛(wèi)生研究與醫(yī)療健康服務(wù)建設(shè)的主旨。它包括3個(gè)核心目標(biāo)：
①更好的個(gè)性化醫(yī)療與健康服務(wù)；
②更好的社會(huì)群體醫(yī)療與健康發(fā)展；
③可負(fù)擔(dān)的醫(yī)療費(fèi)用支出。
實(shí)現(xiàn)這3個(gè)目標(biāo)的最終目的就是讓人們更加健康長(zhǎng)壽，更好地預(yù)防疾病，同時(shí)，避免各種形式的殘疾、傷害和早產(chǎn)死亡現(xiàn)象等。
在我國，每年以心血管疾病和糖尿病為首的慢性病，占據(jù)了所有死亡人數(shù)的85%，且慢性病在我國疾病負(fù)擔(dān)中所占比例超過70%，造成了極大的經(jīng)濟(jì)負(fù)擔(dān)。對(duì)于慢性病患者來說，雖然藥物治療可以在一定程度上減輕疾病癥狀、延緩疾病發(fā)展，但更為重要的是，應(yīng)該改變自身不健康的生活習(xí)慣，對(duì)飲食、運(yùn)動(dòng)、作息進(jìn)行合理規(guī)劃和控制。
據(jù)世界衛(wèi)生組織估計(jì)，心理障礙疾病占全球疾病總量的13%，目前全球幾乎每10人中便有1人患有心理疾病，其中17人中有1人忍受著嚴(yán)重的心理障礙，這導(dǎo)致自殺成為人類死亡的第二大原因，每年有超過80萬人死于自殺。越來越多的創(chuàng)業(yè)公司關(guān)注到心理疾病管理這一塊。
3. 全球格局：人工智能與醫(yī)療全球發(fā)展
3.1 人工智能+新型硬件提供商——IBM
在2020年，醫(yī)療數(shù)據(jù)每73天就會(huì)翻一番，而且其中80%以上的數(shù)據(jù)是非結(jié)構(gòu)化的，非結(jié)構(gòu)化數(shù)據(jù)主要是指那些無法用固定結(jié)構(gòu)的邏輯方式來表達(dá)、實(shí)現(xiàn)的數(shù)據(jù)，如視頻、音頻、圖片，對(duì)計(jì)算機(jī)來說是不可見的。
3.5 引領(lǐng)人工智能芯片+醫(yī)療——英偉達(dá)
在過去的20多年中，NVIDIA歷經(jīng)了3個(gè)階段的發(fā)展，從PC游戲顯卡芯片的領(lǐng)軍者，到2006年GPU通用計(jì)算的實(shí)現(xiàn)者，然后轉(zhuǎn)型到人工智能計(jì)算公司。GPU最初用于模擬人類的想象力，實(shí)現(xiàn)PC游戲和電影的虛擬世界。今天，它也模仿人類的智慧，去更深入地了解物理世界。
在2006年以前的GPU顯卡芯片中，采用的是專用電路對(duì)3D畫面進(jìn)行渲染。頂點(diǎn)著色器負(fù)責(zé)完成3D畫面的頂點(diǎn)描繪和建模，用三角形組成圖像，然后用渲染管線進(jìn)行貼圖，讓3D圖像擁有顏色和紋理。而在2006年年底，NVIDIA發(fā)布了一款具有劃時(shí)代意義的GeForce 8800系列（代號(hào)G80）GPU。
這款GPU沒有使用傳統(tǒng)的像素渲染管線設(shè)計(jì)，而是使用了名為CUDA的通用計(jì)算架構(gòu)（又名SIMD統(tǒng)一渲染）。這種設(shè)計(jì)可以讓顯卡不僅能夠?qū)崿F(xiàn)3D圖像的渲染，也可以如CPU一樣實(shí)現(xiàn)其他的通用計(jì)算任務(wù)，一種強(qiáng)大而又全新的計(jì)算方式就此誕生。[插圖]圖3-28 開啟GPU通用計(jì)算時(shí)代的GeForce 8800 GTX顯卡CUDA通用計(jì)算架構(gòu)的計(jì)算性能在部分應(yīng)用中能夠?qū)崿F(xiàn)比處理器快數(shù)倍的性能，這是因?yàn)樗鼡碛袛?shù)據(jù)的并行計(jì)算能力。通俗一點(diǎn)來講，傳統(tǒng)的中央處理器（CPU）的核心數(shù)量少，主要為串行指令而優(yōu)化，數(shù)據(jù)計(jì)算方式如同流水線，計(jì)算指令需要一步一步完成。CUDA架構(gòu)的GPU有非常多的流處理器，在大規(guī)模的并行運(yùn)算中優(yōu)勢(shì)明顯。這樣的設(shè)計(jì)，讓顯卡也有了通用計(jì)算能力，從而在大規(guī)模的數(shù)據(jù)計(jì)算應(yīng)用中提供了一種比CPU更加強(qiáng)大的計(jì)算性能。
為了進(jìn)行深度學(xué)習(xí)的部署，NVIDIA的策略有3步：第一步是建立深度學(xué)習(xí)生態(tài)圈，和科學(xué)家共同進(jìn)行深度學(xué)習(xí)技術(shù)的研究；第二步是在不同的平臺(tái)上進(jìn)行深度學(xué)習(xí)部署，包括汽車、計(jì)算機(jī)、智能機(jī)器人、服務(wù)器等；第三步則是提供端對(duì)端的解決方案。這種方式的好處是，NVIDIA可以在不同平臺(tái)上讓這套算法進(jìn)行學(xué)習(xí)并共享知識(shí)，而且未來這套深度學(xué)習(xí)算法的應(yīng)用很有可能并不止于自動(dòng)駕駛的汽車上，在物聯(lián)網(wǎng)上也會(huì)提供解決方案。
4. 國內(nèi)現(xiàn)狀：人工智能與醫(yī)療的國內(nèi)布局
4.5 華為智能無線技術(shù)實(shí)現(xiàn)醫(yī)療互聯(lián)
具體到醫(yī)療行業(yè)，有三大類無線醫(yī)療應(yīng)用場(chǎng)景。
第一類是基于醫(yī)療設(shè)備數(shù)據(jù)無線采集的醫(yī)療監(jiān)測(cè)與護(hù)理類應(yīng)用，如無線監(jiān)護(hù)、無線輸液、移動(dòng)護(hù)理和患者實(shí)時(shí)位置采集與監(jiān)測(cè)等。
第二類是基于視頻與圖像交互的醫(yī)療診斷與指導(dǎo)類應(yīng)用，如實(shí)時(shí)調(diào)閱患者影像診斷信息的移動(dòng)查房、采用醫(yī)療服務(wù)機(jī)器人的遠(yuǎn)程查房、遠(yuǎn)程實(shí)時(shí)會(huì)診、應(yīng)急救援指導(dǎo)、無線手術(shù)示教和無線專科診斷等。
第三類是基于視頻與力反饋的遠(yuǎn)程操控類應(yīng)用，如遠(yuǎn)程機(jī)器人超聲檢查、遠(yuǎn)程機(jī)器人內(nèi)窺鏡檢查和遠(yuǎn)程機(jī)器人手術(shù)。
5. 資本涌入：人工智能與醫(yī)療的投資風(fēng)口
5.1 人工智能與醫(yī)療企業(yè)技術(shù)成熟度曲線
（1）技術(shù)萌芽推動(dòng)期（Innovation Trigger）：當(dāng)新技術(shù)誕生時(shí)，隨著業(yè)界和媒體的關(guān)注，無論是大眾還是業(yè)內(nèi)人士對(duì)技術(shù)的期望值都越來越高。在這個(gè)階段用戶的需求和產(chǎn)品往往并不成熟，但會(huì)有大量的資金進(jìn)入。
（2）過高期望的峰值期（Peak of Inflated Expectations）：公眾的期望值達(dá)到頂峰，有少量用戶開始采用該項(xiàng)技術(shù)。
（3）泡沫化的谷底期（Trough of Disillusionment）：過高的期望值和產(chǎn)品成熟度之間存在鴻溝，公眾的期望值下降，出現(xiàn)負(fù)面評(píng)價(jià)。
（4）穩(wěn)步爬升的光明期（Slope of Enlightenment）：廠商和相關(guān)技術(shù)供應(yīng)商不斷完善自己的產(chǎn)品，加上用戶需求的明確，產(chǎn)品在設(shè)計(jì)和使用場(chǎng)景上趨于成熟，最佳實(shí)踐開始涌現(xiàn)。
（5）產(chǎn)業(yè)化的平穩(wěn)期（Plateau of Productivity）：新技術(shù)產(chǎn)生的利益和潛力被市場(chǎng)認(rèn)可，開始出現(xiàn)產(chǎn)品間的價(jià)格競(jìng)爭(zhēng)。
但是，無論技術(shù)發(fā)展到哪個(gè)階段，都有相關(guān)的佼佼者脫穎而出。融資仍然是一家公司成功的重要因素，下面分析了每個(gè)領(lǐng)域融資靠前的企業(yè)，總結(jié)出了以下經(jīng)驗(yàn)。第一，我們關(guān)注的絕大部分是醫(yī)療垂直領(lǐng)域的企業(yè)，但是如果企業(yè)擁有更深入的基礎(chǔ)層和技術(shù)層的研究，就會(huì)更容易獲得成功。如在圖像識(shí)別、語音、語義識(shí)別方面的技術(shù)功底夠深厚，是人工智能技術(shù)提供方的企業(yè)更容易成功。第二，創(chuàng)新能力足夠強(qiáng)的企業(yè)，屬于行業(yè)的挑戰(zhàn)者，或者創(chuàng)造了新的需求，屬于“創(chuàng)新者”一類。第三，更關(guān)注價(jià)值鏈的上游，在技術(shù)和產(chǎn)品成熟后，替代現(xiàn)有的解決方案。第四，除了數(shù)據(jù)量之外，還收集和處理現(xiàn)有企業(yè)沒有的新數(shù)據(jù)流，建立行業(yè)壁壘。
5.2 人工智能醫(yī)療創(chuàng)業(yè)公司與投資機(jī)構(gòu)的分析
人工智能各個(gè)領(lǐng)域的人才價(jià)格也會(huì)有所差距，在計(jì)算機(jī)視覺、語音、自然語言處理和機(jī)器學(xué)習(xí)這4個(gè)人工智能技術(shù)中，視覺方向因?yàn)閷W(xué)科容量相對(duì)廣闊，所以人才儲(chǔ)備也最高。但是，語音和自然語言處理方面的人才十分缺乏，國內(nèi)主要設(shè)置語音識(shí)別的專業(yè)高校只有中科院聲學(xué)所和哈爾濱工業(yè)大學(xué)。這也是目前我國醫(yī)學(xué)影像類公司有幾十家，而醫(yī)學(xué)語音錄入的公司只有科大訊飛、云知聲和中科匯能3家的原因。
6. 典型企業(yè)：人工智能與醫(yī)療領(lǐng)域典型企業(yè)案例
6.1 美國NarrativeDx：人工智能，解決傳統(tǒng)患者體驗(yàn)調(diào)查中的痛點(diǎn)
資本是聰明的，它總流到代表未來的方向。隨著患者地位的上升和醫(yī)院競(jìng)爭(zhēng)的加劇，近年來美國涌現(xiàn)出不少以“提高醫(yī)院效率、提升患者體驗(yàn)”為目標(biāo)的創(chuàng)業(yè)公司。
6.2 美國Atomwise：用AI研發(fā)新藥，成本驟減數(shù)億美元
美國塔夫茨大學(xué)藥物開發(fā)研究中心2014年的報(bào)告顯示，從1996年至2013年美國藥物研發(fā)成本（圖6-2）看，一款成功上市的新藥，平均花費(fèi)約25.85億美元，其中包括約13.9億美元的直接資金投入和研發(fā)失敗導(dǎo)致的約11.63億美元的間接投入。據(jù)悉，此次報(bào)告的數(shù)據(jù)與2003年相比增長(zhǎng)率約145%。
6.5 希氏異構(gòu)：攜手華西醫(yī)院，AI獨(dú)立超算中心“神農(nóng)1號(hào)”建成運(yùn)行
目前，中國的醫(yī)療AI創(chuàng)業(yè)公司有很多，醫(yī)療AI領(lǐng)域有兩個(gè)關(guān)鍵要素，就是“醫(yī)療”和“AI”。若是只能用開放式的平臺(tái)去做一點(diǎn)數(shù)據(jù)訓(xùn)練，那不是真正掌握AI技術(shù)，若不能獲得一流醫(yī)療機(jī)構(gòu)的深度合作，那不能稱為有合法的、高質(zhì)量的醫(yī)療資源，只有這兩者相加，才有可能做好這件事。另外，還有一個(gè)更為重要的因素，那就是創(chuàng)業(yè)者一定要真正了解醫(yī)療行業(yè)的本質(zhì)，要有從商業(yè)到技術(shù)應(yīng)用，再到以多個(gè)視角看清楚醫(yī)療行業(yè)的頭腦，否則做不成這件事。
7. 政府引導(dǎo)：人工智能與醫(yī)療政策監(jiān)管
7.1 中國人工智能政策演變
第一，人工智能的應(yīng)用規(guī)范。醫(yī)療問題涉及人的健康和生命，任何問題都和患者的生命安全息息相關(guān)，所以，我們需要盡快在國家層面明確監(jiān)管措施，用法規(guī)來監(jiān)管人工智能在醫(yī)療上的應(yīng)用范圍、監(jiān)管范圍、風(fēng)險(xiǎn)責(zé)任判定等。
第二，數(shù)據(jù)的合理、合法應(yīng)用。因?yàn)槿斯ぶ悄苄枰獜倪^往數(shù)據(jù)中進(jìn)行學(xué)習(xí)，才會(huì)使其擁有智能，并得到提高，所以，大量高質(zhì)量的醫(yī)療數(shù)據(jù)是人工智能具有判斷力的基礎(chǔ)。美國要求醫(yī)療信息的商業(yè)化應(yīng)用必須嚴(yán)格符合HIPAA和HITECH兩個(gè)法案的規(guī)定。我國目前在此領(lǐng)域尚沒有明確的政策出臺(tái)，我們應(yīng)該盡快明確如何利用數(shù)據(jù)、哪些數(shù)據(jù)可以利用、哪些數(shù)據(jù)不能利用，以及應(yīng)該用什么法律來進(jìn)行監(jiān)管。
7.2 《新一代人工智能發(fā)展規(guī)劃》概述
《新一代人工智能發(fā)展規(guī)劃》描繪了未來幾十年我國人工智能發(fā)展的宏偉藍(lán)圖，確立了“三步走”的戰(zhàn)略目標(biāo)。
第一步，到2020年人工智能總體技術(shù)和應(yīng)用與世界先進(jìn)水平同步，人工智能產(chǎn)業(yè)成為新的重要經(jīng)濟(jì)增長(zhǎng)點(diǎn)，人工智能技術(shù)應(yīng)用成為改善民生的新途徑，有力支撐進(jìn)入創(chuàng)新型國家行列和實(shí)現(xiàn)全面建成小康社會(huì)的奮斗目標(biāo)。
第二步，到2025年人工智能基礎(chǔ)理論實(shí)現(xiàn)重大突破，部分技術(shù)與應(yīng)用達(dá)到世界領(lǐng)先水平，人工智能成為帶動(dòng)我國產(chǎn)業(yè)升級(jí)和經(jīng)濟(jì)轉(zhuǎn)型的主要?jiǎng)恿?#xff0c;智能社會(huì)建設(shè)取得積極進(jìn)展。
第三步，到2030年人工智能理論、技術(shù)與應(yīng)用總體達(dá)到世界領(lǐng)先水平，成為世界主要人工智能創(chuàng)新中心，智能經(jīng)濟(jì)、智能社會(huì)取得明顯成效，為躋身創(chuàng)新型國家前列和經(jīng)濟(jì)強(qiáng)國奠定重要基礎(chǔ)。
7.3 《新一代人工智能發(fā)展規(guī)劃》與大健康相關(guān)的四大部分
文件在計(jì)劃的“三步走”戰(zhàn)略規(guī)劃中的第二步中指出，到2025年，國家要初步建立人工智能法律法規(guī)、倫理規(guī)范和政策體系，形成人工智能安全評(píng)估和管控能力；
在第三步中指出，到2030年，建成更加完善的人工智能法律法規(guī)、倫理規(guī)范和政策體系。這個(gè)信息對(duì)于法律還是一片“空白”的醫(yī)療人工智能領(lǐng)域來說，意義深遠(yuǎn)。由于醫(yī)療人工智能是新型產(chǎn)業(yè)，不可能像傳統(tǒng)醫(yī)療器械那樣走審批流程，即使是拿去申報(bào)，鑒于醫(yī)療的嚴(yán)謹(jǐn)性，監(jiān)管人員也會(huì)更加慎重。
在人工智能應(yīng)用方面，《新一代人工智能發(fā)展規(guī)劃》中提到了以下兩點(diǎn)內(nèi)容。
第一，智能醫(yī)療。推廣應(yīng)用人工智能治療新模式新手段，建立快速、精準(zhǔn)的智能醫(yī)療體系。探索智慧醫(yī)院建設(shè)，開發(fā)人機(jī)協(xié)同的手術(shù)機(jī)器人、智能診療助手，研發(fā)柔性可穿戴、生物兼容的生理監(jiān)測(cè)系統(tǒng)，研發(fā)人機(jī)協(xié)同臨床智能診療方案，實(shí)現(xiàn)智能影像識(shí)別、病理分型和智能多學(xué)科會(huì)診。基于人工智能開展大規(guī)模基因組識(shí)別、蛋白組學(xué)、代謝組學(xué)等研究和新藥研發(fā)，推進(jìn)醫(yī)藥監(jiān)管智能化，加強(qiáng)流行病智能監(jiān)測(cè)和防控。
第二，智能健康和養(yǎng)老。加強(qiáng)群體智能健康管理，突破健康大數(shù)據(jù)分析、物聯(lián)網(wǎng)等關(guān)鍵技術(shù)，研發(fā)健康管理可穿戴設(shè)備和家庭智能健康檢測(cè)監(jiān)測(cè)設(shè)備，推動(dòng)健康管理，實(shí)現(xiàn)從點(diǎn)狀監(jiān)測(cè)向連續(xù)監(jiān)測(cè)、從短流程管理向長(zhǎng)流程管理的轉(zhuǎn)變。
按照這個(gè)思路延伸到其他行業(yè)，“三步走”戰(zhàn)略規(guī)劃中提到：到2020年，人工智能核心產(chǎn)業(yè)規(guī)模超過1500億元，帶動(dòng)相關(guān)產(chǎn)業(yè)規(guī)模超過1萬億元；到2025年，人工智能核心產(chǎn)業(yè)規(guī)模超過4000億元，帶動(dòng)相關(guān)產(chǎn)業(yè)規(guī)模超過5萬億元；到2030年，人工智能核心產(chǎn)業(yè)規(guī)模超過1萬億元，帶動(dòng)相關(guān)產(chǎn)業(yè)規(guī)模超過10萬億元。
附錄
聚合（Aggregation）：搜索、合并、顯示數(shù)據(jù)的過程。
算法（Algorithms）：一組用于人工智能、神經(jīng)網(wǎng)絡(luò)或其他機(jī)器的規(guī)則或指令，以幫助它自己學(xué)習(xí)；分類、聚類、推薦和回歸是4種最常見的類型。
人工智能（Artificial Intelligence）：機(jī)器模擬人類智力和行為做出決策、執(zhí)行任務(wù)的能力。
通用人工智能（Artificial General Intelligence，AGI）：盡管AI一詞最初用于表達(dá)與人類智能相似的機(jī)器智能的含義，但在人工智能跌宕起伏的發(fā)展過程中，AI的內(nèi)涵已經(jīng)發(fā)生了變化，成為機(jī)器學(xué)習(xí)、統(tǒng)計(jì)分析的代名詞，早已遠(yuǎn)離了一開始智能的初衷。在這種情況下，依舊堅(jiān)守當(dāng)年夢(mèng)想的一小支學(xué)術(shù)研究者共同成立了通用人工智能協(xié)會(huì)。為了與傳統(tǒng)人工智能或主流人工智能的AI用詞相區(qū)分，故此增加“General”，并確定使用AGI詞條作為領(lǐng)域正規(guī)稱謂。
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANNs）：也稱為神經(jīng)網(wǎng)絡(luò)（NNs）或連接模型（Connection Model），它是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。
自主計(jì)算（Autonomic Computing）：系統(tǒng)自適應(yīng)自我管理自身資源用于高級(jí)計(jì)算功能的能力，而無須用戶輸入。
大數(shù)據(jù)（Big Data）：指新技術(shù)帶來的海量數(shù)據(jù)，如物聯(lián)網(wǎng)和基因組學(xué)。這些數(shù)據(jù)集如此龐大，極其復(fù)雜，以至于我們不能用傳統(tǒng)的應(yīng)用程序?qū)ζ溥M(jìn)行分析。
商業(yè)智能（Business Intelligence）：一系列理論、方法學(xué)和過程，使得數(shù)據(jù)更容易被理解。
聊天機(jī)器人（Chatbots）：聊天機(jī)器人通過文本對(duì)話、語音命令來模擬與人類用戶進(jìn)行對(duì)話，它們是有AI功能的計(jì)算機(jī)程序的常用界面。
分類（Classification）：分類算法讓機(jī)器根據(jù)訓(xùn)練數(shù)據(jù)給數(shù)據(jù)點(diǎn)進(jìn)行分類。
群集分析（Cluster Analysis）：一種無監(jiān)督的學(xué)習(xí)方法，用于探索數(shù)據(jù)分析，以發(fā)現(xiàn)隱藏的模式或數(shù)據(jù)分組；集群的建模方法是類似于歐氏距離（Euclidean Distance）或概率距離的度量。
聚類分析（Cluster Analysis）：一種用于探索性數(shù)據(jù)分析的無監(jiān)督學(xué)習(xí)，查找數(shù)據(jù)中的隱藏模式或分組；群集的建立是通過歐氏距離或概率距離等定義的相似性度量。
聚類（Clustering）：聚類算法讓機(jī)器將數(shù)據(jù)點(diǎn)或項(xiàng)目分成具有相似特征的組。
云計(jì)算（Cloud Computing）：構(gòu)建在網(wǎng)絡(luò)上的分布式計(jì)算系統(tǒng)，數(shù)據(jù)是存儲(chǔ)于機(jī)房外的（云端）。在這里，這個(gè)概念并不是指購買應(yīng)用后將其安裝至你的計(jì)算機(jī)上，而是根據(jù)你的需求租賃應(yīng)用并使用互聯(lián)網(wǎng)訪問它們。
認(rèn)知計(jì)算（Cognitive Computing）：一種模仿人類大腦思維方式的計(jì)算模型。通過使用數(shù)據(jù)挖掘、自然語言處理和模式識(shí)別來進(jìn)行自學(xué)習(xí)（self-learning）。卷積神經(jīng)網(wǎng)絡(luò)（CNN）：一種識(shí)別和處理圖像的神經(jīng)網(wǎng)絡(luò)。
數(shù)據(jù)挖掘（Data Mining）：通過查看數(shù)據(jù)集以發(fā)現(xiàn)和挖掘其中模式，從而進(jìn)一步使用數(shù)據(jù)。
數(shù)據(jù)庫（Database）：一個(gè)以某種特定的技術(shù)來存儲(chǔ)數(shù)據(jù)集合的倉庫。數(shù)據(jù)庫即服務(wù)（Database-as-a-Service）：部署在云端的數(shù)據(jù)庫，即用即付，如亞馬遜云服務(wù)（Amazon Web Services，AWS）。
數(shù)據(jù)科學(xué)（Data Science）：結(jié)合統(tǒng)計(jì)、信息科學(xué)、計(jì)算機(jī)科學(xué)的科學(xué)方法、科學(xué)系統(tǒng)和科學(xué)過程的交叉學(xué)科，通過結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)提供對(duì)現(xiàn)象的洞察。
決策樹（Decision Tree）：一個(gè)基于分支的樹模型，繪制決策及其可能后果的模型圖，與流程圖類似。
深度學(xué)習(xí)（Deep Learning）：機(jī)器通過由層疊信息層組成的人工神經(jīng)網(wǎng)絡(luò)自主模仿人類思維模式的能力。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種類型或一個(gè)子集，這兩個(gè)術(shù)語經(jīng)常混淆，而且在很多情況下可以正確地描述相同的AI。這也是機(jī)器學(xué)習(xí)，但其設(shè)計(jì)實(shí)際上更加智能，有更多的細(xì)微差別和層次，未來會(huì)像人腦一樣工作。
專家系統(tǒng)（Expert System，ES）：一個(gè)智能計(jì)算機(jī)程序系統(tǒng)，其內(nèi)部含有大量的某個(gè)領(lǐng)域?qū)＜宜降闹R(shí)與經(jīng)驗(yàn)，能夠利用人類專家的知識(shí)和解決問題的方法來處理該領(lǐng)域問題。也就是說，專家系統(tǒng)是一個(gè)具有大量的專門知識(shí)與經(jīng)驗(yàn)的程序系統(tǒng)，它運(yùn)用人工智能技術(shù)和計(jì)算機(jī)技術(shù)，根據(jù)某領(lǐng)域一個(gè)或多個(gè)專家提供的知識(shí)和經(jīng)驗(yàn)，進(jìn)行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復(fù)雜問題，簡(jiǎn)而言之，專家系統(tǒng)是一種模擬人類專家解決領(lǐng)域問題的計(jì)算機(jī)程序系統(tǒng)，是人工智能中最重要也最活躍的一個(gè)應(yīng)用領(lǐng)域，它實(shí)現(xiàn)了人工智能從理論研究走向?qū)嶋H應(yīng)用、從一般推理策略探討轉(zhuǎn)向運(yùn)用專門知識(shí)的重大突破。FFluent：目前國際上知名度較高的商用計(jì)算流體動(dòng)力學(xué)（CFD）軟件。Fluent使用起來較為復(fù)雜，且必須具有流體力學(xué)專業(yè)背景。邊界條件、邊界層處理和湍流模型等設(shè)置都要求用戶對(duì)實(shí)際產(chǎn)品的流動(dòng)和傳熱機(jī)理有深入了解。其本身不具備網(wǎng)格劃分能力，需要借助三方軟件進(jìn)行網(wǎng)格劃分。在Fluent中，動(dòng)網(wǎng)格模型可以用來模擬由于流域邊界運(yùn)動(dòng)引起流域形狀隨時(shí)間變化的流動(dòng)情況。這種流動(dòng)情況既可以使一種指定的運(yùn)動(dòng)隨時(shí)間變化，也可以使未確定的運(yùn)動(dòng)隨某變化的參數(shù)變化，即邊界的運(yùn)動(dòng)要由前一步的計(jì)算結(jié)果決定。
游戲AI（Game AI）：使用算法替代隨機(jī)性的一種適用于游戲的AI特定形式。這種計(jì)算行為用于非玩家角色（NPC），對(duì)于玩家的操作生成類似人類的智力和基于反應(yīng)的行為。
內(nèi)存數(shù)據(jù)庫（In-Memory Database，IMDB）：一種數(shù)據(jù)庫管理系統(tǒng)，與普通數(shù)據(jù)庫管理系統(tǒng)的不同之處在于，它用來存儲(chǔ)數(shù)據(jù)，而非硬盤，其特點(diǎn)在于能高速地進(jìn)行數(shù)據(jù)的處理和存取。
物聯(lián)網(wǎng)（Internet of Things）：在普通的設(shè)備中裝上傳感器，使這些設(shè)備能夠在任何時(shí)間、任何地點(diǎn)與網(wǎng)絡(luò)相連。
知識(shí)工程（Knowledge Engineering）：側(cè)重于建立以知識(shí)為基礎(chǔ)的系統(tǒng)，包括科學(xué)、技術(shù)和社會(huì)在內(nèi)的所有方面。
機(jī)器智能（Machine Intelligence）：涵蓋機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和古典學(xué)習(xí)算法在內(nèi)的總括術(shù)語。
機(jī)器學(xué)習(xí)（Machine Learning， ML）：是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科，專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)，使之不斷改善自身的性能。它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑。
機(jī)器感知（Machine Perception）：系統(tǒng)接收和解釋來自外部世界數(shù)據(jù)的能力，類似于人類使用感官。這通常需要借助外接硬件完成，軟件也同樣需要。
自然語言處理（Natural Language Processing）：程序識(shí)別理解人類溝通的能力。R循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）：一種理解順序信息、識(shí)別模式、并根據(jù)這些計(jì)算產(chǎn)生輸出的神經(jīng)網(wǎng)絡(luò)。
監(jiān)督學(xué)習(xí)（Supervised Learning）：機(jī)器學(xué)習(xí)的一種，其輸出數(shù)據(jù)集訓(xùn)練機(jī)器，產(chǎn)生所需的算法，如老師監(jiān)督學(xué)生；它比無監(jiān)督學(xué)習(xí)更常見。
無監(jiān)督學(xué)習(xí)（Unsupervised Learning）：一種機(jī)器學(xué)習(xí)算法，通過不帶標(biāo)簽響應(yīng)的輸入數(shù)據(jù)組成的數(shù)據(jù)集進(jìn)行推理。最常見的無監(jiān)督學(xué)習(xí)方法是聚類分析。
參考文獻(xiàn)
人工智能與醫(yī)療–動(dòng)脈網(wǎng)蛋殼研究院
總結(jié)
以上是生活随笔為你收集整理的人工智能与医疗 总览的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 2021年中国LED驱动器（LED照明驱
- 下一篇： 射频卡读取问题?