AI 在醫療領域的應用無所不在！這 7 個案例將帶您了解 AI 如何提高醫療效率，改善病患的醫療體驗。
1. 用於肺部疾病的 AI 輔助胸部 X 光分析
X 光和電腦斷層掃描 (CT) 是診斷肺部疾病的兩種可靠方法。
此類醫學影像為醫生提供救命的見解，從而改善健康結果。
然而——正確解讀這些影像需要大量的經驗。當患者數量龐大且時間緊迫時，醫生需要可靠的工具來幫助他們做出準確的預測並立即採取行動。這就是AI應用派上用場的地方。
最先進的圖像識別演算法可以捕捉到 X 光影像中人眼難以察覺的模式。機器學習技術也能以更快的速度運作，並協助進行患者分類和分流。
2.COVID-19
一群研究人員最近提出了一種人工智慧解決方案，用於根據 COVID-19 患者的肺部 X 光片進行篩查。
該系統使用主成分分析 (PCA) 和聚類技術來區分 COVID-19 的 L 型和 H 型表型。
這種 AI 工具可以幫助醫療專業人員做出更好的治療決策：確定患者是否需要機械通氣來生存（H 型表型），或者應用這種治療是否會導致肺損傷（L 型表型）。
另一個醫療研究人員團隊開發了一種基於 Microsoft CustomVision 的自動化圖像分類系統。該 AI 解決方案還有助於對不同類型的肺炎（COVID-19 和其他病因引起的肺炎）進行分類。
在患者數據樣本上進行測試時，該模型表現出 92.9% 的敏感度（召回率），並正確識別出covid-19 AI 模型性能中的患者樣本：
隨著更全面的患者數據有助於推進用於診斷肺部疾病的 AI 解決方案，這只是時間問題。
3.肺癌
使用 AI 已被證明可以有效地識別先前在胸部 X 光片上未被發現的癌症。
首爾國立大學醫院的臨床研究人員發現，一款市售的 AI 應用程式在第一和第二次讀片中都優於由四名胸腔放射科醫生組成的團隊。
經過測試的人工智慧演算法：
- 在第一次讀片中產生比放射科醫生更高的特異性。
- 幫助團隊成員在第二次讀片中更好地解讀結果。
實驗結果很有希望，但是醫療專業人員仍然懷疑，當「餵入」更大的樣本數據時，AI 演算法是否能在臨床環境中產生一致的結果。
確實，將機器學習技術投入生產是醫療保健公司面臨的一個緊迫問題。
許多公司需要對當前的軟體系統進行現代化改造，使其能夠運行先進的機器學習系統。其他公司則需要更成熟的數據管理和數據治理實務，以確保所處理的影像和其他患者記錄的最大安全性。
3. 用於黑色素瘤的皮膚病學掃描
皮膚癌是最常見的癌症類型之一。
黑色素瘤可能是最罕見的亞型，但僅在今年，美國就將有超過 7000 人死於這種疾病。
如果能在早期發現，高達 86% 的黑色素瘤皮膚癌類型是可以預防且得到良好治療的。您可能已經猜到了，人工智慧和機器學習可以提供幫助。
然而，魔鬼藏在細節裡。
早期黑色素瘤很難與良性痣和其他惡性腫瘤區分開來。這就是為什麼醫生正在試驗 AI 技術以獲得額外的決策支持。
國際皮膚影像協作組織 (ISIC) 一直是創建皮膚病變影像註解數據集以加速計算機輔助研究質量的驅動力。
雲端計算技術的商品化存取以及機器學習專業人員之間積極的知識共享也顯著加速了過去五年中對皮膚癌的研究。
2019 年，研究人員使用基於 InceptionV3 和 ResNet50 架構構建的卷積神經網絡 (CNN) 來分析特寫和皮膚鏡醫學影像數據集。
目標是確定非色素性皮膚癌。
在訓練模型後，他們比較了人工智慧與 95 位皮膚科醫生的表現。
測試結果如何？AI 提供的準確度與人類專家相同。這還不是全部——該工具的表現也優於初級和中級皮膚科醫生。
另一個科學團隊讓 InceptionV4（一種獲得歐盟批准用於醫療目的的深度學習架構）與一群人類皮膚科醫生進行了比較。
兩者都被要求通過首先查看皮膚鏡影像，然後查看額外的臨床特寫影像和臨床資訊來診斷 100 個測試案例（包括 60 個良性和 40 個惡性皮膚病變）。
以下是結果（僅使用皮膚鏡影像）：
隨著更多醫療保健資訊的可用，人類的平均敏感性提高到 94.1%，但平均特異性保持不變。然而，這次 CNN 系統的表現也略好於醫生，得分為 95% 的敏感性。然而，在許多情況下，更有經驗的皮膚科醫生的表現優於演算法。
4. 使用 AI 和機器學習進行 CT 和 MRI 掃描分析
現在，讓我們看看 AI 如何使長期處於醫療保健行業創新前沿的放射學受益。
在人工智慧和機器學習的使用方面，這個領域領先於採用曲線。
隨著醫學影像註解的可及性和品質的提高，該領域的數據科學家可以進一步提高早期生產的人工智慧技術的性能水平。
此外，這些工具支援更好的決策，並幫助醫生贏回一些寶貴的時間，這些時間通常花在影像分析上，而不是在臨床和實驗室環境中。
目前，AI 技術可以從 CT、MRI 和 PET 掃描中提取超過 1,500 個數據點，以幫助醫療專業人員進行更準確的診斷。
此類別中一些新興的 AI 用例包括：
- 用於肺炎的 CT 掃描： 一組中國研究人員開發了一種測試 AI 系統，用於分析放射學影像以尋找 COVID-19 肺炎的早期跡象。據說該工具可以為醫生節省約 30%-40% 的檢測時間。以便專業人員可以更快地識別、隔離和治療傳染性患者。
- MRI 腦部掃描的品質增強： 一個來自西班牙的科學團隊開發了一種深度學習演算法，用於提高 MRI 影像的解析度。這樣做有助於醫療專業人員識別複雜的腦部相關病症，包括癌症、言語障礙和身體創傷。
- 加速 MRI 影像的生成： Facebook AI 和紐約大學朗格尼健康中心一直在合作一個名為 fastMRI 的聯合專案。它提供了一種使用 AI 創建 MRI 影像的新穎方法，使掃描過程快了 4 倍。當將這些影像提供給放射科醫生時，他們無法區分傳統掃描和 AI 生成的掃描。
迄今為止，FDA（食品和藥物管理局）已批准十多種深度學習方法用於放射學。
在全球範圍內，越來越多的 AI 試點正在從實驗室轉移到醫院病房。
查看牙科領域的 6 個創新人工智慧應用。
5. AI 輔助乳腺癌檢測
事實是：定期篩查已證明可以顯著提高乳腺癌的存活率。
早期發現和及時治療具有很高的療效。然而，乳腺癌篩查計畫的廣泛推廣也給放射科醫生帶來了更大的壓力。
例如——歐盟指南針對乳腺篩查設定了目標，即邀請成員國中多達 70%-75% 的符合條件的婦女參加此類計畫。隨著患者數量的顯著增加，醫療專業人員需要更智慧的決策支持。新興的人工智慧解決方案已證明可以在臨床環境中提供此類指導。
另一方面，拉德堡大學醫學中心的一家乳腺診所最近採用了一種斷層合成工具來獲得乳房的 3D 影像，從而為診斷提供了更高程度的數位化。
但是——使用此類電腦生成的影像的折衷方案是更長的讀片時間。
因此，許多專家現在依靠人工智慧軟體來促進分析。這些工具可以更快地處理影像並為決策提供有價值的見解，使放射科醫生能夠將評估速度提高 15-20%。
這裡還有另一個例子。
Google Health 與醫生最近的合作產生了非常有希望的結果。
該團隊正在開發一種用於乳房 X 光檢查讀片的輔助工具。在測試中，AI 演算法與兩位醫生進行的連續讀片一樣準確。
然而，速度是一個顯著的區別——該系統將第二位讀片醫生的工作量減少了 88%。
但是，僅僅速度和準確性並不能解決我們面臨的更大的問題，即——
全球放射科醫生預期短缺的快速增加。
事實上，英國全國的短缺已經接近 27-37%，具體取決於地區。美國醫學院協會估計，到 2033 年，將有近 42,000 個放射科職位空缺。
在發展中地區，獲得專業人員和設備的機會更加稀少。AI 系統可以減輕醫療保健系統的壓力，並促進乳腺篩查和癌症檢測計畫的擴展。
6. 用於數位病理學的人工智慧
數位病理學是傳統顯微鏡學的一個新興分支，使從業者能夠將玻璃病理切片虛擬化以進行更深入的分析。
人工智慧演算法可以協助病理學家進行：
- 影像分析和解讀
- 樣本組織的詳細檢查
- 病理類型與早期病例的匹配
- 診斷準確性和早期檢測
一群癌症研究人員最近分析了一個包含來自 11,000 名癌症患者的 WSI 公共數據庫，其中包含 32 種癌症亞型。經過訓練的演算法利用影像數據和註解來就顯示的病理類型達成「計算共識」。
該工具以高準確度識別冷凍切片上的不同類型病理：
- 膀胱尿路上皮癌為 93%
- 腎臟透明細胞癌為 97%
- 卵巢漿液性囊腺癌為 99%
並且在組織病理切片上的表現同樣準確：
- 前列腺腺癌為 98%
- 皮膚黑色素瘤為 99%
- 胸腺瘤為 100%
冷凍切片（頂部）和永久診斷切片（底部）的結果
類似的人工智慧工具可以支援臨床決策，並增強對研究較少的病理和早期變異的診斷。
7. 使用自然語言處理自動化醫療保健中的管理任務
那麼，使用 AI 來處理臨床文件、臨床決策支持系統和其他電子健康記錄怎麼樣？
AI 技術（特別是 OCR）在管理醫療保健任務中的應用可以幫助醫療保健提供者將營運成本削減驚人的 163 億美元。
現代人工智慧演算法已經為流程自動化解決方案的早期採用者節省了巨大的人力成本。
機器學習和人工智慧可用於自動化：
- 事先授權（仍然主要基於傳真）
- 醫療保健索賠管理
- 患者記錄管理
- 預約、排程和管理
- 臨床記錄的創建和處理
- 處理醫療保險記錄
其次，自然語言處理 (NLP) 已被證明可以顯著提高生產力。
醫療保健提供者處理大量需要在 EHR/EMR 系統中捕獲的結構化和非結構化患者數據。然而，問題在於，高達 80% 的健康數據 是非結構化的，這使得傳統的文本挖掘演算法無效。因此，醫療保健領域的大量大數據仍然是孤立的且未被利用。
這對患者的治療結果產生負面影響。
NLP 系統可以幫助提供者更快地處理更多資訊，包括 SDOH 數據（健康的社會決定因素）。
醫療保健專業人員表示，這些數據包含影響患者福祉和護理交付的重要非臨床見解。但是，由於這些數據仍然以孤立的方式存在於不同的媒介中（口頭記錄、患者入口網站、電子郵件交流和 EHR 系統），因此重新浮出水面以進行分析。
「據估計，醫療護理約佔醫療保健結果的 20%，這是一個重要的原因，說明為什麼醫療保健領導者應考慮 SDOH 因素及其對患者健康的影響。」——伊莉莎白·馬歇爾博士在接受 Health Tech IT 採訪 時說道。
馬歇爾認為，自然語言處理演算法可以幫助存取此類數據並將其轉化為診斷和更廣泛的醫療保健措施的見解。這些包括護理計畫、更好的患者資源和有針對性的干預措施。
除了改善患者的治療結果外，自然語言處理還可以幫助醫院收回一些營運成本。
例如——康科德醫院最近採用了 Nuance 基於 AI 的軟體套件，用於語音辨識和即時臨床記錄處理。工作人員現在可以從任何工作站或個人智慧型手機口述筆記，數據將被自動轉錄並添加到相應的患者檔案中。
基於電話的轉錄使用量減少了 91%，並且據記錄，該機構節省了 100 萬美元。
由 NLP 驅動的應用程式還可以改善患者護理。
智慧虛擬助理可以與患者交談以收集等待期間的症狀數據，並幫助識別需要立即入院的更危重患者。
此外，對於行動不便的患者，語音助理可能更方便，他們需要快速諮詢或調整住院期間的房間設定。
7. 用於眼科的 AI
最後，讓我們看看人工智慧如何在眼科中使用。
研究表明，醫療保健系統在提供及時的眼科護理方面正面臨更大的壓力。由於人口快速老化，公共醫療保健系統不能總是保證及時獲得專家的服務。
這可能導致不良的患者治療結果。
延遲眼科治療可能會導致不可逆轉的損害，例如視野喪失和視力下降，如果及早診斷，這些損害本可以避免。
其他類型的眼疾，如糖尿病視網膜病變 (DR)、白內障、青光眼、老年性黃斑部病變 (AMD) 也需要及時干預。
新興的 AI 和深度學習模型用例試圖彌補診斷方面的差距，並加快提供者進行人群級篩查的能力。
- 糖尿病視網膜病變檢測：2018 年，FDA 批准了第一個用於自主診斷糖尿病視網膜病變的基於 AI 的系統。IDx-DR 系統使用眼底相機捕捉眼部照片，並在一分鐘內完成分析。臨床試驗證明了在檢測患者早期 DR 跡象方面的敏感性為 87%，特異性為 90%。
- 青光眼檢測： 2020 年進行的一項研究也指出，AI 方法可以改善青光眼診斷程序。一個在 OCT 影像和眼底攝影上訓練的演算法被證明在使用來自單個 VF 測試的數據時，更有效地更早地檢測到青光眼的進展。
- 透過遠程醫療進行白內障治療管理： 一組中國研究人員提出了一種用於遠程白內障進展監測和干預的新穎系統。他們使用深度學習演算法創建了一個基於智慧型手機的 AI 助理，患者可以用於簽到。該演算法可以分析白內障進展的變化，做出個人化的預測，並幫助安排及時的就診和檢查。
醫療保健領域中 AI 的未來
註解的醫療保健數據集和醫學影像的日益普及，為新的人工智慧和計算機視覺用例的出現提供了跳板。
大多數新興技術仍有待在更廣泛的臨床環境中進行測試。然而AI 在醫療保健領域擁有光明的前景。
人工智慧、機器學習和深度學習已被證明在幫助醫療保健提供者和患者方面都很有用。除了目前的（和未來的）應用外，還包括：
- 收入週期管理
- 機器人流程自動化
- 藥物開發流程
- 臨床文件管理
- 索賠處理
- 治療應用診斷
它還可以分析患者的門診數據、處方藥物、實驗室檢查以及過去進行的手術。
理論結果和早期試點讓計算機科學專業人員和醫生共同努力，轉變患者護理並改善全球醫療保健組織充滿信心。
為了讓 AI 在醫療保健領域成為主流，也需要更廣泛的醫療保健行業轉型。
醫院將不得不投資於新的技術系統和員工技能提升。他們將需要進行大量的整合專案，並將精力集中在日常臨床實踐中採用這些技術上。
🧑✈️ 需要 醫療AI專家 的幫助?
立即聯繫我們的醫療AI 專家團隊，為您的機構打造最先進的人工智慧解決方案。 我們提供專業諮詢與大型語言模型開發服務，無論您的醫療機構規模大小，都能協助您提升效率、改善患者照護，並在醫療領域保持領先地位。立即諮詢，開啟您的AI醫療轉型之旅！
- 💬 線上諮詢：https://t.me/tentencx
- 🌐 詢問表單：https://tenten.co/zh/contact
