英语轻松读发新版了,欢迎下载、更新

医疗保健的人工智能:尽管应用了令人印象深刻

2025-07-20 03:04:51 英文原文

作者:Zhou, Xiao-Nong

贫困的传染病 体积14,文章编号: 72((2025引用本文

抽象的

背景

人工智能(AI)的理解仍然很少,其快速增长引起了人们对反乌托邦叙事的关注。AI显示了通过优化和标准化生产新的医疗内容并改善管理的能力,该功能缩短了队列,而其完全依赖技术解决方案会威胁到传统的医生债券。

方法

基于世界经济论坛在医学领域更快采用AI的需求,我们重点介绍了当前对其应用的理解差距,并为将来的研究提供了一系列优先事项。对AI和最新出版物的历史性评论指出,复杂性和分散法规等障碍,而对大数据的辅助分析则提供了新的见解。AI在医疗保健领域的潜力与基于规则的计算的突破有关,从而通过从经验和推理能力中学习来实现自主权。没有AI,蛋白质折叠将无法解决,正如诺贝尔霍恩豪华的Alphafold2方法所强调的那样。预计AI在诊断,疾病控制,地理空间健康和流行病学中的作用将导致类似的进展。

结论

AI提高效率,推动创新并解决复杂的问题,但也可以加深偏见并构成安全威胁。受控进度需要行业合作,从而迅速加速了将AI适当地纳入健康领域。需要有效应对这些挑战。为了充分利用加速医疗改革和缩短队列的潜力,在保持医疗保健的同情心本质的同时,有必要采取良好的协调方法,涉及所有利益相关者。

图形摘要

背景

到目前1,,,,2]。尽管如此,很少有人能理解它的真实含义,而且许多人对它的快速增长感到不舒服,思想回到了计算机上,反抗人类船员,飞船进入了亚瑟·C·克拉克(Arthur C.3]。就像在小说中一样,由于人类思想无法在准确的准确性层面上连续运行,也无法与不同的大规模信息(大数据),AI擅长的区域进行互动。世界经济论坛呼吁在医疗保健领域更快地采用AI,这一事实在最近的一份白纸报告中进行了详尽的讨论[4]认为,尽管在对新型计算机处理器的历史高需求中具有明显的增长和创新潜力,但进展并不像预期的那样快。在处理医疗保健领域缓慢吸收的原因之一是障碍,例如制定政策制定者的复杂性,以及由于法规破碎而导致的技术和战略决策的风险[4]。

AI在医学和兽医领域的重要性日益严重,而最近发表的文章和社论加强了柳叶刀数字健康柳叶刀[5,,,,6]强调AI在医疗保健中的实际和潜在作用。我们调查了这一广泛的范围,突出了当前的差距,在对AI的理解以及其应用如何帮助临床工作以及支持和加速基础研究方面。

人工智能技术开发

从规则到自主权

在详细介绍这些问题之前,有关已将AI转向AI的技术的一些基本信息学是按顺序进行的。1968年,当电影和小说都发行时,仅存在固定的原始计算机。他们没有在大型公司和学术机构的保护区进行开发,而是变成了当今的公共笔记本电脑,智能手机和可穿戴的传感器网络。接下来的回合是对游戏行业对超拉皮动作和类似寿命的角色的无限需求,需要大量并行计算,这导致从通用,中央处理器单元(CPU)转换为专业图形处理器(GPU)(GPU)和张量处理器(TPU)。通过扩展处理器架构,神经网络,机器学习和精心制作的算法的扩展,能够与新数据(元学习)结合使用的算法,并通过生成,预先培训的转化(GPT)[GPT)[[GPT)[7]展示前进的方向。通过重新修改内部设置,适应新信息并理解不断变化的环境的紧急能力违反基于规则的计算,将这些灵活的系统(现在称为AI称为AI)置于快速车道上,朝着需要高级功能的域。随后可以开发并启动到公共区域的各种任务,这些计算机系统适用于广泛的任务,这是自动化工业生产,自动驾驶汽车,虚拟助手和聊天机器人的例证。尽管缺乏表征人类思维的想象力和多功能性,但AI确实可以基于通常需要人类认知功能的推理和计划来部分执行任务,并且具有提高的效率和生产力。

基于代理的AI

在这里,代理是任何可以感知其环境,决策并朝着某个目标采取行动的实体,基于规则的AI已被主动互动取代。基于特工的AI通常使用许多分别工作的代理来解决关节问题,甚至像团队一样进行协作。这种方法在1990年代被Wooldridge和Jennings推广,他们描述了能够分散的,自主的AI系统,能够进行元学习[8]。他们认为,外部目标可以在消毒和处理中作为计算对象,这种方法已经推进了对极化,交通流,疾病传播和类似现象的研究。尽管技术直到很久以后才赶上这一愿景,但今天的AI涵盖了重要的研究领域,该领域生产出强大的工具,用于模拟复杂的分布式和自适应系统。这种方法对于疾病分布和传播动态的巨大潜力可能会提供成功控制被忽视的热带疾病(NTD)所需的见解,并应对地理空间健康领域的其他挑战[9]。物联网(物联网)[10],另一个基于代理的AI,表示嵌入式传感器和软件的收敛性,使收集和交换数据与其他设备和系统交换;但是,操作通常是本地的,不一定涉及互联网。

尽管基于规则的方法遵循一组规则,因此在某种程度上可以预测结果,但基于代理的方法中的两个新组件包括从经验中学习的能力并通过一个或几个模型测试各种结果。如图所示,这引入了一定的推理,可以进行非人类选择,如 1

图1
figure 1

两种AI方法的研究方案,包括基于规则的AI或基于代理的AI(AI引用人工智能)

AI应用程序

临床应用

与普遍的信念相反,今天将在AI标题下进行分类的诊断计划是在50年前在美国加利福尼亚州的美国加利福尼亚大学设计的。该系统称为mycin [11],目的是协助医生就细菌性血液感染。它最初是以书籍格式生产的,利用了大约600条规则的知识库,并通过一系列问题向用户进行操作,最终提供诊断和治疗建议。在美国,旨在诊断细菌感染的类似方法出现在接下来的几十年中,但由于当时缺乏计算能力而经常使用。另一方面,今天,这不再是限制因素,AI正在彻底改变基于图像的诊断。除了在寄生虫学中广泛使用AI驱动的显微镜外,该光谱还包括显微镜切片中健康和癌组织之间的显微镜分化[12],以及心电图(EKG)的图形和视频的解释[13],计算机断层扫描(CT)[14,,,,15],磁铁共振成像(MRI)[15]和超声检查[16这是给出的

一些基于AI的公司表现良好,例如ACL Digital(https://www.acldigital.com/)分析可穿戴传感器的数据,以检测心律不齐,高血压,睡眠障碍;AIDOC(https://www.aidoc.com/eu/)平台评估临床检查并协调无法诊断的工作流程;和Da Vinci手术系统(https://en.wikipedia.org/wiki/da_vinci_surgical_system),已用于各种干预措施,包括肾脏和子宫术[17,,,,18]。但是,其他人失败了,例如,由IBM发起的癌症肿瘤学和优化化疗(https://www.henricodolfing.com/2024/12/case-study-ibm-watson-for-oncology-failure.html)和巴比伦健康(https://en.wikipedia.org/wiki/babylon_health),这是一项通过视频通话将人们与医生联系起来的电信服务,并提供了高精度和虚拟健康助理(聊天机器人)的批发健康促进,甚至提醒患者服用药物。这些AI辅助医学的最终例子表明,在释放这种援助供公众使用之前,需要进行强有力的法规。

基础研究

2024年诺贝尔仪式的重点赋予了AI的核心角色:虽然物理奖是由于建立联想神经网络而获得的,但化学奖旨在表彰有关氨基酸串如何折叠到特定形状的突破性发现[19]。This thorny problem was cracked by AlphaFold2, a robot based on deep-learning developed at DeepMind, a company that now belongs to Google’s parent Alphabet Inc. The finding that all proteins share the same folding process widened the research scope making it possible to design novel proteins with specific functions (synthetic biology), accelerate drug discovery and shed light on how diseases arise through mutations.创建该机器人的团队是目前的视线,以了解蛋白质如何与其他细胞机械相互作用。Alphafold3(该体系结构的更新版本)通过分子成分之间的成对相互作用生成准确的三维分子结构,该结构可用于模拟特定蛋白质如何与其他细胞组件结合,以暴露蛋白质相互作用的细节。这些新应用突出了AI对一般研究,尤其是对医学的指数级增长。

解决蛋白质折叠问题的解决方案不仅反映了培训组成部分的重要性,而且还表明,当涉及大量信息领域(大数据)时,AI不像人类的思想那样受到限制,这是现代社会中大量活动所需的,例如自动驾驶,大规模的金融交易,而不是每天在银行上处理的银行。大数据在医疗保健中也很常见,它不仅涉及医院管理和患者记录,还涉及大型诊断方法。一份与临床医生和Google Research合着的学术论文调查了诊断AI系统的可靠性,发现机器学习将大型乳房X线摄影数据集中的假阳性数量减少了25%(并且与临床工作流程相比,并没有缺少任何真实的肯定肯定[,并且得出的结论也要快得多)[并且得出的速度要快得多)。20],令人放心的结果。

流行病学监测

AI工具已被广泛应用于媒介传播疾病的流行病学监测。由于对矢量对温度和降水的敏感性,节肢动物的向量是腰围指标,不仅是由于它们经常携带的疾病,而且对于气候变化。通过对气候,生态系统和寄生虫疾病与复杂的生命周期之间的复杂相互作用进行更深入的见解,AI技术通过处理大数据,甚至使用推理来处理气候和生物学变量的晦涩变化以及相互作用。为了与这种情况保持一致,人类,动物和环境健康之间的联系不仅需要在当地一级分享数据,而且在全国和全球范围内都需要数据共享。这一朝着一种健康/行星健康方法的转变是非常可取的,无疑将需要AI来维持对准确预测疾病传播所需的大数据存储库的勤奋,而AI驱动的平台可以进一步促进利益相关者之间的实时信息交换,以使利益相关者之间的资源和改善资源在动物和人类中的感染,尤其是属于动物的感染,尤其21]。公共卫生与其他学科之间的积极协同作用,例如生态学,基因组学,蛋白质组学,生物信息学,卫生工程和社会经济,使未来的医学议程不仅令人兴奋且具有挑战性,而且在全球范围内也具有很高的相关性。

在流行病学中,在医学和兽医科学领域取得了很大进步[22],尽管以前被忽视的事件和异常模式现在有了通过间接方法分析(例如电话跟踪,社交媒体帖子,新闻文章和健康记录)的AI分析而更有机会。技术上不那么复杂,但需要更少的创新操作来更新路线图,以消除世界卫生组织(WHO)发行的NTD23]。消除被忽视的热带疾病(ESPEN)扩展的特别项目是世界卫生组织非洲,成员国和NTD合作伙伴之间的合作努力。它的门户[24]提供基于卫星生成的图像,气候数据和历史疾病模式的可视化和计划工具,这些模式可能会确定有针对性干预措施的高风险区域并有效地分配资源。这样,NTD消除的路线图正在变得更加数据驱动,精确和可扩展,从而加速了进度。

出版记录

早在1993年就建立了人工智能研究是第一个专门针对AI的期刊https://www.scimagojr.com/journalrank.php?category=1702)。中国,印度和美国在与AI相关的研究中特别活跃。根据人工智能指数报告2024[25],AI一般出版物的总数已从2010年的大约88,000个增加到2022年的240,000多个,自2015年以来,机器学习的出版物增加了近7倍。如果还包括会议论文和存储库出版物(例如Arxiv)(例如Arxiv),以及英语和中文的论文以及中国的著作,中国的数量上升到900,000名,中国[26]。

我们使用AI和传染病(S)在2024年底之前仅基于PubMed进行的文献搜索,作为搜索术语,导致了接近100,000个条目,而术语的AI和感染性疾病(S)仅导致了大约6600个。自然,由于通常不存在CPU,GPU或TPU的确切类型的信息,因此这种结果可能会严重误导性,并且通常不存在,只能推断出。然而,先晚期AI和传染病的数字要低得多。

在PubMed搜索中发现了多达100,000份医学出版物,它们显然与2022年至2022年发现的总计超过24万AI辅助研究论文有关[25]。最近的文章和社论进一步加强了这一领域的重要性[27,,,,6]。这一兴趣的一部分可能是由于广泛的医学和兽医领域以及AI在追踪和信号疾病爆发中的潜力,以及其在监视中的越来越多的作用,这导致了机器学习的出版物激增,为当今的健康研究面临的一些最紧迫的挑战提供了创新的解决方案[[28]。

结论

迫切需要进行医疗改革,特别是指改善了覆盖范围和缩短队列。有助于这一技术的技术需要迅速加速AI纳入健康领域,但必须严格调节它以避免偏见。这些挑战会影响我们所有人,要求所有利益相关者之间的合作,包括政府以及公共和私营部门(表S1)。但是,从本地流行病学观察到与计算机行业密切合作的情况下,从当地流行病学观察到全球动态方法的转变使流行病学研究和监视的结果扭曲了结果。如果开始的话,这种合作可能会导致特定的计算机系统通过将不同流行国家的控制努力编织在一起的结果来动态处理全球领域。计算机辅助的支持极大地促进了NTD的控制和消除的进步,但是项目仍然是本地的,通常集中在单个国家和/或单一疾病上。在这里,AI可以在跨越边界,与利益相关者相处并更有效地共享数据和信息方面发挥重要作用。尽管在某些地方确实正在进行,但是欢迎更广泛的方法,更快的进步和更好的可用性。

数据可用性

不适用。

缩写

人工智能:

人工智能

NTD:

被忽视的热带疾病

CPU:

中央处理器单元

GPU:

图形处理器

TPU:

张量处理器

GPT:

生成的,预训练的转化

EKG:

心电图

CT:

计算机断层扫描

MRI:

磁铁共振成像

ESPEN:

扩展的特殊项目,以消除被忽视的热带疾病

WHO:

世界卫生组织

参考

  1. 香农塞。编程用于下棋的计算机。哲学杂志。1950; 41(314):256 75。

    Google Scholar一个 

  2. 图灵A.计算机和智能。头脑。1950; 59(236):433 60。

    Google Scholar一个 

  3. 克拉克AC。太空漫游。新美国图书馆1968,出版商。2001。

  4. 世界经济论坛。AI时代的行业转型,启用AI-Sealth的未来:领先(28 PP)。2025年1月。https://reports.weforum.org/docs/wef_the_future_of_ai_enabled_enabled_health_2025.pdf。于2025年4月20日访问。

  5. Gaetani M,Mazwi M,Balaci H,Breer R,Maratta C.医学中的人工智能和追求环境负责的科学。柳叶刀数字健康。2024; 6(7):E438 40。

    CAS一个 PubMed一个 Google Scholar一个 

  6. 柳叶刀。重新思考研究和生成人工智能。柳叶刀2024; 404(10447):1。

    CAS一个 PubMed一个 Google Scholar一个 

  7. Busch F,Hoffmann L,Dos Santos DP,Makowski MR,Saba L,Prucker P等。放射学结构报告的大型语言模型:过去,现在和未来。EUR RADIOL。2025; 35(5):2589 2602 

    PubMed一个 Google Scholar一个 

  8. Wooldridge M,Jennings N.智能代理:理论与实践。知道EngRev。1995; 10(2):115 52。

    Google Scholar一个 

  9. Xue JB,Xia S,Wang XY,Huang LL,Huang Ly,Hao YW等。通过开发具有高分辨率遥感图像的深度学习模型来识别和监测血吸虫病的传染源。感染贫穷。2023; 12:6。

    PubMed一个 PubMed Central一个 Google Scholar一个 

  10. Shafiq M,Gu Z,Cheikhrouhou O,Alhakami W,Hamam H.物联网的兴起:审查和开放与基于IOT的安全攻击的检测和预防有关的研究问题。无线commun mob计算。2022;8669348。https://doi.org/10.1155/2022/8669348

  11. Shortliffe EH。基于计算机的医疗咨询:mycin。J Clin Eng。1976; 388(1):1 286。

    Google Scholar一个 

  12. Wang S,Pan JL,Zhang X,Li YY,Liu WX。迈向下一代诊断病理学:无能力的无标签多光子显微镜。轻型SCI应用。2024; 13(1):254。

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  13. Androulakis E,守场员C. ECG诊断中的人工智能 - 我们现在在哪里?欧洲心脏病学会(ESC)10 pp,在线发布于2024年4月2日。https://www.escardio.org/councils/council-for-cardiology-practice-atractice-(ccp)/cardiopractice/Artaver-cover-incoper-interligence-incover-intelligence-in-ecg-diarostics-where-where-where-are-are-are-we-now。2025年4月28日访问。

  14. Zhang S,Zhu ZT,Yu ZF,Sun HF,Su Y,Huang H等。AI在放射学中增强计算机断层扫描图像质量和辐射保护的有效性:系统评价和荟萃分析。J Med Internet Res。2025; 27:e66622。

    PubMed一个 PubMed Central一个 Google Scholar一个 

  15. Khalifa M,Albadawy M. AI在诊断成像中:革命的准确性和效率。计算方法计划生物元更新。2024; 5:100146。

    Google Scholar一个 

  16. Sultan LR,Mohamed MK,Andronikou S. Chatgpt-4:超声图像分析中的突破。Radiol Adv。2024; 1(1):umae006。

    Google Scholar一个 

  17. Sakina F.迪拜的一群外科医生和Da Vinci XI手术机器人对一名埃米拉蒂患者进行了手术,该患者患有输尿管上部的堵塞。Siasat Daily,2022年5月19日。https://www.wam.ae/en/article/hszreqpq-dubai-hospital-launches-surgical-robot-facilate。于2025年4月28日访问。

  18. Wright JD,Ananth CV,Lewin SN,Burke WM,Lu YS,Neugut AI等。良性妇科疾病的妇女中的机器人辅助与腹腔镜子宫切除术。贾马。2013; 309(7):689 98。

    CAS一个 PubMed一个 Google Scholar一个 

  19. Jumper J,Evans R,Pritzel A,Green T,Figurnov M,Ronneberger O等。高准确的蛋白质结构预测用αFold。自然。2021; 596:583 9。

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  20. Dvijotham KD,Winkens J,Barsbey M,Ghaisas S,Stanforth R,Pawlowski N等。通过互补性驱动的延期对临床医生的延期提高了启用AI诊断的可靠性和准确性。Nat Med。2023; 29(7):1814 20。

    CAS一个 PubMed一个 Google Scholar一个 

  21. Parija SC,Poddar A.寄生疾病控制中的人工智能:医疗保健的范式转移。Trop寄生醇。2024; 14(1):2â7。

    PubMed一个 PubMed Central一个 Google Scholar一个 

  22. Wong F,de la Fuente-Nunez C,Collins JJ。利用人工智能在与传染病作斗争中。科学。2023; 381(6654):164 70。

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  23. 世界卫生组织。结束忽视实现可持续发展目标的忽视:2021年被忽视的热带疾病的路线图。https://www.who.int/publications/i/item/9789240010352。2025年4月28日访问。

  24. 扩展的特殊项目,以消除NTD。https://espen.afro.who.int/。2025年2月1日访问。

  25. 人工智能指数报告2024。https://aiindex.stanford.edu/report/。2025年4月28日访问。

  26. 我们的数据世界。https://ourworldindata.org/grapher/annual-scholarly-publications-on-on-onforder-wordual-Intelligence。2025年4月28日访问。

  27. Gaetani M,Mazwi M,Balaci H,Greer R,Maratta C.医学中的人工智能和追求环境负责的科学。柳叶刀数字健康。2024; 6(7):E438 40。

    CAS一个 PubMed一个 Google Scholar一个 

  28. Amer S,Augustijn EW,Anthonj C,Tjaden N,Blanford J,Van Den Homberg M等。地理空间健康:成就,创新,优先事项。Geospat Health。2024; 19(2):1355。

    Google Scholar一个 

下载参考

致谢

不适用。

作者信息

作者和隶属关系

  1. 地理空间健康,伊格罗德,布拉斯塔德,瑞典

    罗伯特·伯格斯特(Robert Bergquist)

  2. 那不勒斯大学兽医和动物生产系Federico II,他在肠蠕虫和原生动物诊断中心合作(WHOCC-ITA116),通过Delpino,1,80137,那不勒斯,意大利,意大利

    劳拉·里纳尔迪(Laura Rinaldi)

  3. 中国疾病控制与预防中心(中国热带疾病研究中心)的国家寄生疾病研究所;全国关键实验室智能跟踪和预测传染病;卫生部的寄生虫和媒介生物学的关键实验室;谁热带疾病中心;国家科学技术部国际热带疾病研究中心,上海,200025年,中国

    小南周

  4. 全球卫生学院,中国热带疾病研究中心,上海哥大学医学院,上海,200025年,中国

    小南周

  5. 海南热带疾病研究中心(中国热带疾病研究中心的子中心)

    罗伯特·伯格斯(Robert Bergquist),劳拉·里纳尔迪(Laura Rinaldi)

作者

  1. 罗伯特·伯格斯特(Robert Bergquist)
  2. 劳拉·里纳尔迪(Laura Rinaldi)
  3. 小南周

贡献

RB和XNZ写了手稿;LR阅读原始内容后添加了重要部分。RB,LR和XNZ审查并修订了手稿。

相应的作者

对应小南周

道德声明

道德批准并同意参加

不适用。

同意出版

不适用。

竞争利益

Xn Zhou是日记的总编辑贫困的传染病。他没有参与手稿的同行评审或处理。作者没有其他竞争利益可以披露。

补充信息

关于这篇文章

Check for updates. Verify currency and authenticity via CrossMark

引用本文

Bergquist,R.,Rinaldi,L。&Zhou,xn。医疗保健的人工智能:尽管采用了令人印象深刻的应用,但仍受到限制的发展。感染贫穷 14,72(2025)。https://doi.org/10.1186/s40249-025-01339-z

下载引用

  • 已收到

  • 公认

  • 出版

  • doihttps://doi.org/10.1186/s40249-025-01339-z

关键词

关于《医疗保健的人工智能:尽管应用了令人印象深刻》的评论


暂无评论

发表评论

摘要

###文章摘要罗伯特·伯格斯特(Robert Bergquist),劳拉·里纳尔迪(Laura Rinaldi)和小北周(Xiao-nong Zhou)在医疗保健中讨论了人工智能(AI)的当前状态和未来潜力。作者重点介绍了在医学实践的各个方面所取得的令人印象深刻的进步,以及阻碍更广泛采用的局限性和挑战。###关键点1。**令人印象深刻的应用程序**: - **医学诊断**:AI已被有效地用于使用成像技术(例如CT扫描,MRI),ECGS和病理幻灯片诊断疾病。 - **手术机器人**:使用外科机器人(例如Da Vinci XI系统)的使用在复杂性和精度上正在增加。 - **蛋白质结构预测**:诸如Alphafold之类的系统以高精度彻底改变了蛋白质结构的预测。2。**挑战和局限性**: - **数据隐私和安全性**:在利用大数据集的同时确保患者数据安全仍然是一个重大问题。 - **道德考虑**:必须解决AI算法中的偏见,决策过程的透明度以及滥用的潜力。 - **监管框架**:缺乏强大的监管框架阻碍了广泛采用和整合到临床实践中。3。**在寄生疾病控制中的应用**: - AI可以通过分析高分辨率遥感图像中的大型数据集来增强监视和预测模型,以控制寄生疾病,从而提高了鉴定疾病热点的准确性。4。**未来的前景**: - AI革新医疗保健的潜力继续增长。但是,克服当前局限性对于完全意识到这一潜力至关重要。### 结论尽管AI在医疗保健中的应用和进步有前途的应用和进步,但仍有重大挑战。通过增强的监管框架,严格的道德标准和强大的数据隐私措施克服这些障碍对于将AI技术广泛整合到临床实践中至关重要。---文章强调,尽管在医疗保健方面已经通过AI取得了令人印象深刻的进步,但持续的发展需要解决当前的局限性,以充分利用这项技术的潜在好处。

相关讨论