中外借助AI抗疫有什么不一样的
发布时间：2022-07-07 14:27:05 所属栏目：大数据 来源：互联网
导读：当然，主要局限在中国内地。 一旦将目光投掷到疫情同样在扩散的意大利、美国、日本等欧美发达国家，会发现这些印象中的大型都市、科技强国，似乎都没准备拿起AI这把强有力的防控武器。 拒绝AI的发达地区： 欧美新冠抗疫启示录 截止到目前，如果要对其他国家
|
当然，主要局限在中国内地。 一旦将目光投掷到疫情同样在扩散的意大利、美国、日本等欧美发达国家，会发现这些印象中的大型都市、科技强国，似乎都没准备拿起AI这把强有力的防控武器。 拒绝AI的发达地区： 欧美新冠抗疫启示录 截止到目前，如果要对其他国家针对新冠防控采取的行动下一个评语的话，大概“佛系”是大家的一致观感。 新加坡在疫情暴发初期，除了提醒国民警惕，发布疫情橙色预警后，就没有出台什么专门的抗疫措施了。 而在疫情相对严重的北美和欧洲，英国针对新冠的新防疫政策，则是可能禁止举行人员密集的大型活动，并召集警力用于对付严重犯罪和保障社会秩序。 而确诊人数排在全球第二、死亡率高居首位的意大利，也才刚刚发出了封城禁令，至于运用科技武器来遏制传播，追踪接触者，目前还没有见到什么有效的措施。 AI从未消失， 它只是以另一种形式出现 在AI全面下沉到产业的今天，缺席医疗自然是不可能的。 只不过和新冠疫情比起来，流感给美国、欧洲等国家带来的威胁，可能更真实一点。 根据美国疾病预防中心（CDC）统计，去年冬天，全美国已经有8200人死于季节性流感，1500万人感染，超过18万正在住院，各地的医疗机构都在加班加点地工作。 因此，在预防其他传染疾病上，或许才能更真实地见到AI的面貌。 简单总结一下，主要体现在四个方面： 1.舆情监测预警。 其实早在新冠疫情大爆发之前，12月30日，波士顿儿童医院（Boston Children‘s Hospital）的自动健康地图系统，就发布了中国境外首次有关这种新型冠状病毒的公共警报。 这套系统就得益于人工智能技术自然语言处理的支持。 通过扫描在线新闻、社交媒体报道和政府报告，寻找传染病爆发迹象的早期预警系统，并将预警的严重程度分为5级（新冠被定为3级），从而可以帮助WHO等在语言障碍可能出现的情况下率先洞察疫情。 智能抓取，是不是很容易联想到搜索引擎爬虫？ 没错，这正是谷歌自上世纪90年代以来的核心技术。而早在2008年，谷歌就推出了流感趋势服务（Google Flu Trends），通过搜索流感症状的模式来发现流感爆发。 通过过去5年中已经完成的数10亿次搜索。，将与流感相关的查询（比如“咳嗽”或“发冷”），与美国疾病控制与预防中心的历史流感数据进行匹配，然后利用这些查询来预测未来可能的情况。 比如2008年1月28日，关于流感的查询数量趋势上飙升。两周后，美国疾病控制与预防中心报告称流感感染病例出现上升，并让医疗行业在流感季到来时做好准备。 2.药物或疫苗研发。 我们都知道，中国科学家正在加班加点地研发疫苗，其中，科技企业开放的超大算力就起到了至关重要的效果。 而海外利用AI研发药物或疫苗的尝试也早已有之。 3.追踪病原体轨迹。 在预防或遏制传染疾病爆发的过程中，一项非常重要的任务，就是准确找出携带病毒的病人，或者动物。 许多新兴的传染病都是由动物传染给人类的，因此，利用机器学习来检测野生动物习性并判断它们的免疫风险，就成了研究者关注的对象。 比如美国卡里生态系统研究所就针对2000多种啮齿类动物建立了一套庞大的数据库，并训练AI认知它们的生活历史、生态环境、行为、生理特征和地理分布情况。并成功通过该模型，发现了超过150种新的潜在啮齿类动物和超过50种新的活跃型动物，可能携带多种病原体并传染给人类。 借助昆士兰州卫生局提供的15年内匿名记录的登革热病例来进行训练，Data61可以综合判断多种人员流动信息，比如航空公司乘客数据、地理标记、社交媒体、旅游情况等等，从而预测可能发生疫情的时间和地点，让医疗机构早做准备。 据说，该模型还可以用于预测莱姆病、埃博拉和疟疾等人畜共生的疾病。 4.智慧诊疗。 在中国新冠防治中，AI在诊疗领域的应用主要是影像筛查、远程问诊等。 欧美等国家也正在将AI的计算能力应用到类似环节。 比如早在2013年，IBM就开始与全美综合医院排名前四的克利夫兰诊所进行合作，研究如何利用“沃森（Watson）”人工智能系统提高护理水平。 去年十月，谷歌也公布了一款名为LYNA的监测工具，能够以99%的准确率区分出有转移性癌症的载玻片和无转移性癌症的载玻片，将乳腺癌诊断的时间缩短了一半。 AI抗疫：中外的异与同 至此，我们可以发现海外AI与中国AI在防疫领域的一些有趣的异同点： 首先可以肯定的是，中国的AI抗疫手段与全球顶尖的AI医疗几乎站在了同一水平线。具体就体现在，在数据层、技术算法、产业应用方面全面覆盖。比如利用大数据追踪重点人群，借助深度学习辅助实现体温检测、医疗诊断，通过超大计算来进行药物研发等等。 当然，一些基础积累的不同，决定了双方的优势各不相同。 比如说，由于美国、日本等医护资源匮乏，所以很早就开启了诊疗数字化的进程，以帮助医护人员提升工作效率，降低工作强度，也因此为AI辅助医疗积累了大量高质量的数据。 比如美国的电子健康记录系统（Electronic health records，EHRs），十年内积累了1000万名病人的记录。其中就包括疾病诊断记录、病人用药效果、基因数据、家庭病史等重要信息。2011年之后，日本医疗数据也已经全面采用电子化报送系统，个人可以通过网络随时查阅云端保存的各种医疗信息。 这样患者在不同医院就诊时，数据被医务人员共享使用，许多重复治疗、检查可以避免，自然能够很好地提升就诊效率，缓解医疗资源紧张问题。 日本政府的AI医疗战略，也与企业达成了非常紧密的合作关系。比如从2011年开始，索尼、富士通、松下、欧姆龙、山佐、A&D、AQ、泰尔茂等公司，就推出了大批以NFC为主的居家医疗、照护产品，促进了家庭移动智能医疗护理系统的建构。 2016年，日本Qol公司打造的健康支援药房，也可以通过实时上传到云端健康管理平台的监测数据，来为高血压、糖尿病等常见慢性病患者提供诊断和药品发放，来减少治疗成本。 目前来看，中国医疗机构与产业在数据互联和信息共享上还没有形成覆盖全社会的网络体系，社区级无法帮助中心医院完成一些较为复杂的诊疗。各大科技企业的医疗大脑、AI体系目前还属于推广建设阶段，渗透到更广泛的公共医疗和病患个人终端，还需要一段时间的建设。 同时也应该看到，移动互联网、智能硬件、科技巨头算法超市等的出现，让中国基层社会在抗疫事件中，表现出了高效。 防疫终结站，和AI的下一站 伴随着武汉方舱医院全部休舱，中国内地的新冠战役也即将迎来胜利。在本文发表时，中国的医疗队伍也带着国际人道主义精神驰援意大利。当我们与世界共命运的时刻，或许也可以从中外不同的AI路径中，汲取下一站的力量。 须承认，中国在AI能力上并不输给老牌科技强国。想要比它们做得更好，还有一些值得注意的经验： 1.有选择性地应用AI，并对数据本身怀抱合理的期待。 值得一提的是，AI疾病预警并非如想象中那么有用，它就如同汽车报警器一样，既容易触发，也容易被忽略。一个主要的原因是，不同机构、不同平台的数据都可能会阻碍算法。 哈佛大学（Harvard University）流行病学家Andrew Beam表示，扫描在线报告中的关键词有助于揭示趋势，但准确性取决于数据的质量。 比如谷歌就高估了AI对流感的流行程度，偏差超出了实际值的50%。最后在2015年关闭了该网站，并将其技术交给了HealthMap等非营利组织。 2.将AI巨头与流行病科研的合作常规化。 现阶段，产业界与医学界的合作几乎是不可避免的。一方面，产业界掌握着绝大多数宝贵的数据，以及高昂的算力资源。但同时，医疗领域又离不开专家对细节和方向的把握。强强联合就成了唯一的路径。 3.加速数字医疗基础设施建设，提升医疗机构诊疗效率。 一方面，中国医疗产业面临着美国、瑞士、日本等类似的问题，医护人员缺口正在变大，老龄化加剧，医疗服务的需求有增无减，提高机构效率将成为未来产业升级的重点。 而想要让AI承担医生的重复性工作，就需要精准算法的积累和海量的数据支撑。但目前医院之间的各自分野使得AI企业在进行机器学习训练时，往往需要跟各个医院单独沟通。除了数据获取难之外，如果算法训练只局限于某一特定区域，由此生成的模型在更广的范围使用时，也可能不完全适用，造成浪费。 如果能以省为单位建立庞大、具有公信力的数据中心，将会对AI医疗起到巨大的加速作用。 此外，鼓励智能医疗领域的初创公司，也对一些细分领域，如医疗影像、医院管理、药物挖掘等，让创业团队充分发挥自己的特长和优势，提供更加垂直、精准、到位的服务。 4.尽早建立数据采集、智慧诊疗的相关法律法规。 当然，上述行为须建立在合法合规、保障个人健康隐私安全的基础上。2018年，《信息安全技术个人信息安全规范》中提出了保护个人信息安全应遵循的原则，但缺少针对医疗隐私保护的详细法律法规。而涉及到病人数据这类高保密级别数据，就对隐私保护、系统安全提出了更高的要求。 同时，AI诊疗、AI手术等新技术，一旦出现医疗事故由谁承担责任等伦理问题，也伴随着临床智能化而日渐引起重视。 今天， AI的名字已经被刻上了中国防疫的功勋簿。也许它还会出现在其他国家的防疫工具名单上，也许不会。但我们知道，种植出AI的抗体，一定能让自己变得更加茁壮。 （编辑：开发网_开封站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
浙公网安备 33038102330459号