“大數(shù)據(jù)”、“人工智能”和“物聯(lián)網(wǎng)”是醫(yī)療行業(yè)使用越來(lái)越頻繁的術(shù)語(yǔ)。

“人工智能(AI)”一詞誕生于1956年，但近年來(lái)，由于數(shù)據(jù)量的顯著增加、先進(jìn)算法使機(jī)器能夠像人類(lèi)一樣“思考、工作和反應(yīng)”，以及計(jì)算能力和存儲(chǔ)能力的提高，“人工智能”一詞的受歡迎程度急劇上升。

大數(shù)據(jù)的概念出現(xiàn)在20世紀(jì)90年代，它描述的數(shù)據(jù)集太大或太復(fù)雜，即使是在低延遲的情況下，傳統(tǒng)數(shù)據(jù)庫(kù)或數(shù)據(jù)處理應(yīng)用軟件也無(wú)法在合理的時(shí)間內(nèi)捕獲、管理和處理數(shù)據(jù)。

促成大數(shù)據(jù)積累的是物聯(lián)網(wǎng)(IoT)，這個(gè)術(shù)語(yǔ)自1999年首次被用作“物聯(lián)網(wǎng)”(Internet for Things)以來(lái)一直在演變，當(dāng)時(shí)射頻識(shí)別(RFID)是物聯(lián)網(wǎng)的概念核心。

如今，物聯(lián)網(wǎng)涵蓋了與互聯(lián)網(wǎng)相連的一切，包括傳感器、智能手機(jī)、醫(yī)療設(shè)備、可穿戴設(shè)備等，所有這些都是實(shí)時(shí)采集和上傳的，健康相關(guān)大數(shù)據(jù)也在快速積累。

近日，創(chuàng)新咨詢(xún)與基金管理服務(wù)公司Healthbox發(fā)布了《利用大數(shù)據(jù)》(Harnessing Big Data)報(bào)告，報(bào)告旨在研究醫(yī)療行業(yè)與大數(shù)據(jù)的關(guān)系。主要內(nèi)容有：

背景：大數(shù)據(jù)是什么?

前景：如何利用大數(shù)據(jù)?

分析：利用大數(shù)據(jù)需要注意什么?

應(yīng)用程序：大數(shù)據(jù)的現(xiàn)實(shí)應(yīng)用

以下是編譯的該報(bào)告的主體內(nèi)容：

背景：大數(shù)據(jù)是什么?

大數(shù)據(jù)簡(jiǎn)史

隨著時(shí)間的推移，“大數(shù)據(jù)”、“物聯(lián)網(wǎng)”和“人工智能”這三個(gè)詞被分別創(chuàng)造出來(lái)。今天，它們?cè)诳焖侔l(fā)展的技術(shù)世界中形成了獨(dú)特的聚合，影響著我們收集、感知和分析健康相關(guān)數(shù)據(jù)的方式。

1956年：“人工智能”(AI)一詞由計(jì)算機(jī)科學(xué)家John McCarthy首創(chuàng)，他曾就此問(wèn)題舉行過(guò)學(xué)術(shù)會(huì)議。

1990-1999年：大數(shù)據(jù)作為一個(gè)術(shù)語(yǔ)出現(xiàn)，用來(lái)描述對(duì)于傳統(tǒng)數(shù)據(jù)庫(kù)來(lái)說(shuō)太大或太復(fù)雜而無(wú)法處理的數(shù)據(jù)集。

1999 - 2008年：物聯(lián)網(wǎng)的概念在這一時(shí)期發(fā)展起來(lái)，最初是指通過(guò)射頻識(shí)別技術(shù)獲取數(shù)據(jù)。

今天，人類(lèi)在人工智能方面的能力正在迅速擴(kuò)張，人工智能是收集和分析每秒通過(guò)物聯(lián)網(wǎng)創(chuàng)建的大量數(shù)據(jù)的關(guān)鍵組成部分，包括所有連接到互聯(lián)網(wǎng)的數(shù)據(jù)。

醫(yī)療領(lǐng)域的大數(shù)據(jù)機(jī)遇看似無(wú)窮無(wú)盡，但也存在許多值得思考的問(wèn)題：

我們收集哪些類(lèi)型的數(shù)據(jù)?

這個(gè)數(shù)據(jù)的來(lái)源是什么?

我們已經(jīng)擁有的數(shù)據(jù)中存在哪些空白，我們?nèi)绾翁钛a(bǔ)這些空白?

目前這些數(shù)據(jù)如何被使用，潛在的其他應(yīng)用程序是什么?

我們?nèi)绾伪Ｗo(hù)這些數(shù)據(jù)以防止網(wǎng)絡(luò)入侵、數(shù)據(jù)安全損失和其他形式的網(wǎng)絡(luò)安全風(fēng)險(xiǎn)?

大數(shù)據(jù)的四個(gè)“V”

醫(yī)療大數(shù)據(jù)的四個(gè)“v”包括容量(volume)、速度(velocity)、多樣性(variety)和有效性(validity)。由于電子病歷(EMR)的廣泛采用、精準(zhǔn)醫(yī)學(xué)決定因素的加速發(fā)現(xiàn)，以及可穿戴生物傳感器的迅速發(fā)展，個(gè)人數(shù)據(jù)來(lái)源的增長(zhǎng)，導(dǎo)致了健康數(shù)據(jù)的絕對(duì)數(shù)量激增。

圖片來(lái)源：Healthbox

收集和利用大數(shù)據(jù)

傳感器、智能手機(jī)、醫(yī)療設(shè)備、可穿戴設(shè)備等實(shí)時(shí)采集和上傳信息的進(jìn)化，導(dǎo)致了大數(shù)據(jù)的積累。正在收集的數(shù)據(jù)具有數(shù)量大、速度快和多樣性的特點(diǎn)，為利用和確保其有效性，使其造福于人類(lèi)，大數(shù)據(jù)向基于證據(jù)的精準(zhǔn)醫(yī)學(xué)提出了挑戰(zhàn)。

除了傳統(tǒng)的生物康測(cè)量方法，還有大量的社會(huì)人口學(xué)、地理位置學(xué)和非醫(yī)學(xué)元數(shù)據(jù)，這些元數(shù)據(jù)都有意義地相互作用，以確定個(gè)人或多人的健康狀況。

在傳統(tǒng)數(shù)據(jù)系統(tǒng)之間創(chuàng)建互操作性的挑戰(zhàn)多種多樣。

如今，我們需要跨不同的筒倉(cāng)數(shù)據(jù)源集成更廣泛的數(shù)據(jù)。如果要讓大數(shù)據(jù)有意義地塑造護(hù)理決策，關(guān)鍵是要確定所有這些不同測(cè)量方法的有效性和準(zhǔn)確性、它們的派生推論以及我們從這些數(shù)據(jù)中推斷出的可操作結(jié)論。

前景：如何利用大數(shù)據(jù)?

在向基于價(jià)值的醫(yī)療服務(wù)轉(zhuǎn)型過(guò)程中利用大數(shù)據(jù)

盡管這可能看起來(lái)令人生畏，但這四個(gè)“v”實(shí)際上很好地契合了醫(yī)療服務(wù)轉(zhuǎn)型的需求，即從按服務(wù)收費(fèi)的行業(yè)向以信息為基礎(chǔ)，以及價(jià)值驅(qū)動(dòng)的醫(yī)療服務(wù)提供模式轉(zhuǎn)變。獲取用于描述人群特征的全面數(shù)據(jù)，以及用于根據(jù)個(gè)人需求定制決策的精確數(shù)據(jù)，將至關(guān)重要地為醫(yī)療策略提供信息并確定優(yōu)先級(jí)，指導(dǎo)針對(duì)特定個(gè)人的精確醫(yī)療決策。

對(duì)預(yù)防干預(yù)的日益重視，對(duì)不斷演變的患者病情的治療的不斷個(gè)性化，以及在整個(gè)患者過(guò)程中護(hù)理的協(xié)調(diào)，使得獲取、解釋和持續(xù)分析患者病情變得十分必要。它還需要對(duì)大量數(shù)據(jù)進(jìn)行及時(shí)的處理。

健康的社會(huì)決定因素是健康結(jié)果的重要潛在驅(qū)動(dòng)力，因此需要綜合各種各樣的數(shù)據(jù)輸入以做出可采取行動(dòng)的決定，這種數(shù)據(jù)輸入正在迅速擴(kuò)大。但是，如何從這些數(shù)據(jù)中形成可執(zhí)行的決策?

從海量數(shù)據(jù)中提取信號(hào)

人類(lèi)無(wú)法衡量現(xiàn)有的海量數(shù)據(jù)，也無(wú)法獨(dú)自得出有意義的結(jié)論。谷歌腦人工智能研究小組(Google Brain AI Research Group)產(chǎn)品經(jīng)理、醫(yī)學(xué)博士Lily Peng指出，雖然人類(lèi)智能最適合整合少量非常“大影響”的因素，但人工智能尤其擅長(zhǎng)梳理和識(shí)別大量非?！靶∮绊憽被蚰：蛩氐哪Ｊ?。這是機(jī)器學(xué)習(xí)和人工智能作為人類(lèi)智能不可或缺的合作伙伴可以發(fā)揮的補(bǔ)充作用，它們可以幫助醫(yī)療保健提供者應(yīng)對(duì)來(lái)自各個(gè)方向的海量、快速和多樣的數(shù)據(jù)。

從這些海量的數(shù)據(jù)中得出有效的結(jié)論，需要重新設(shè)計(jì)現(xiàn)有的決策過(guò)程，將機(jī)器學(xué)習(xí)與人類(lèi)直覺(jué)和領(lǐng)域?qū)I(yè)知識(shí)結(jié)合起來(lái)，做出有效的臨床決策，提高護(hù)理價(jià)值。如果適當(dāng)考慮到將其納入護(hù)理提供和決策的不斷發(fā)展的模式中，大數(shù)據(jù)和人工智能可以成為有益變革的有效推動(dòng)者和催化劑，而不僅僅是給執(zhí)業(yè)臨床醫(yī)生工作流程增加不必要的復(fù)雜性。

病人的私人臨床醫(yī)生作為真理的單一來(lái)源的日子一去不復(fù)返了。無(wú)論是談?wù)撔呐K病發(fā)作、中風(fēng)、創(chuàng)傷、癌癥，還是復(fù)雜的急性后護(hù)理，決策都是在一組人的共同考慮下做出的，更不用說(shuō)患者自己的選擇和對(duì)其病情的研究了。

當(dāng)我們從應(yīng)用廣泛的人群規(guī)范和通用的護(hù)理標(biāo)準(zhǔn)，轉(zhuǎn)向根據(jù)特定個(gè)體的定制需求定制護(hù)理時(shí)，將需要人工智能分析支持的廣泛經(jīng)驗(yàn)數(shù)據(jù)來(lái)定義與給定患者相關(guān)的個(gè)體規(guī)范。雖然在確定的人群中，進(jìn)行隨機(jī)對(duì)照臨床試驗(yàn)的目的是控制混雜因素，并在實(shí)驗(yàn)環(huán)境中隔離測(cè)試干預(yù)的影響，但實(shí)際的測(cè)試對(duì)象很少能準(zhǔn)確地反映現(xiàn)實(shí)世界中遇到的個(gè)體的廣泛和多樣性。

從實(shí)用主義的角度來(lái)看，我們不可能根據(jù)現(xiàn)實(shí)世界中所有細(xì)微差別和個(gè)性化的遭遇，來(lái)設(shè)計(jì)直接提供護(hù)理的試驗(yàn)。因此，人工智能對(duì)大數(shù)據(jù)的解析和分析將在指導(dǎo)個(gè)性化現(xiàn)實(shí)決策方面發(fā)揮重要作用。

利用大數(shù)據(jù)進(jìn)行臨床決策

如果大數(shù)據(jù)和人工智能要有效地支持臨床決策，就需要克服四個(gè)潛在的挑戰(zhàn)：

1. 消除數(shù)據(jù)收集中的偏差;

2. 承認(rèn)匿名性和特殊性之間的內(nèi)在沖突;

3.對(duì)收集到的數(shù)據(jù)進(jìn)行有意義的驗(yàn)證;

4. 理解潛在的因果關(guān)系。

分析：利用大數(shù)據(jù)需要注意什么?

1 克服數(shù)據(jù)收集中的偏見(jiàn)

醫(yī)療數(shù)據(jù)雜亂無(wú)章。在最基本的層面上，盡管我們努力規(guī)范醫(yī)學(xué)術(shù)語(yǔ)、診斷編碼等，但在個(gè)體提供者如何描述、概念化和闡明他們對(duì)患者的觀察方面存在很大差異。通常，對(duì)所有數(shù)據(jù)進(jìn)行的探索、發(fā)現(xiàn)和分析，其有效性和價(jià)值僅與底層數(shù)據(jù)集的清晰性和有效性相同。這些問(wèn)題只與收集的數(shù)據(jù)的數(shù)量和速度有關(guān)，必須對(duì)這些數(shù)據(jù)進(jìn)行解釋。

標(biāo)準(zhǔn)化、語(yǔ)義分類(lèi)和公認(rèn)的概念本體是“數(shù)據(jù)清理”中的一些必要步驟，在大數(shù)據(jù)集準(zhǔn)備好接受人工智能技術(shù)的有用分析之前，這些步驟是為大數(shù)據(jù)集制定標(biāo)準(zhǔn)所必需的。

除了這些考慮之外，每個(gè)研究者對(duì)大數(shù)據(jù)的不同也產(chǎn)生了固有的偏見(jiàn)。偏差可以包括評(píng)估的數(shù)據(jù)類(lèi)別以及如何收集這些數(shù)據(jù)(例如，對(duì)哪些人群進(jìn)行了抽樣，以及使用了哪些抽樣工具，可以有選擇地包括或排除數(shù)據(jù)集中的顯示)。

假設(shè)高維數(shù)據(jù)的威力存在于數(shù)據(jù)中未公開(kāi)的混雜因素下。不幸的是，這一假設(shè)遠(yuǎn)未成為人們放棄的結(jié)論，并對(duì)人工智能技術(shù)從大數(shù)據(jù)中得出的結(jié)論的有效性構(gòu)成了威脅。例如，如果人們不考慮度量一個(gè)變量，而該變量是期望結(jié)果的重要驅(qū)動(dòng)因素，那么將明顯的結(jié)論應(yīng)用于與混淆者的協(xié)變量關(guān)系發(fā)生變化的情況，則可能是不正確和具有誤導(dǎo)性的。

這觸及了人類(lèi)領(lǐng)域經(jīng)驗(yàn)與人工智能交叉的根源，以及人類(lèi)大腦處理的“大影響”，而機(jī)器正在檢測(cè)的小影響因素可能會(huì)忽略這些“大影響”。

2 匿名性與特異性不一致

從理論上講，利用大數(shù)據(jù)力量的過(guò)程中，應(yīng)該允許通過(guò)匿名化個(gè)人數(shù)據(jù)點(diǎn)來(lái)源，來(lái)保護(hù)個(gè)人身份和健康信息的安全?，F(xiàn)實(shí)世界中的大數(shù)據(jù)的價(jià)值在于，它可以被分析，從而為指導(dǎo)個(gè)體患者的個(gè)性化精準(zhǔn)醫(yī)療決策提供洞見(jiàn)。大數(shù)據(jù)的廣度包含了元數(shù)據(jù)元素，這些元數(shù)據(jù)元素有潛力實(shí)現(xiàn)個(gè)人身份的去匿名化。

最終，在開(kāi)放共享大數(shù)據(jù)所產(chǎn)生的價(jià)值與重新識(shí)別數(shù)據(jù)源的有限風(fēng)險(xiǎn)(可能侵犯患者隱私)之間，存在一種平衡。人們必須采取適當(dāng)?shù)念A(yù)防措施進(jìn)行結(jié)構(gòu)分析，以避免對(duì)患者身份進(jìn)行反向工程(Reverse Engineering或Back Engineering)。

然而，值得注意的是，共享開(kāi)放數(shù)據(jù)的好處超過(guò)了對(duì)個(gè)人不利因素的重新識(shí)別。社會(huì)將不得不在共享和開(kāi)放獲取數(shù)據(jù)的好處，以及通過(guò)對(duì)分割的數(shù)據(jù)進(jìn)行反向工程來(lái)重新識(shí)別個(gè)人的有限但真實(shí)的可能性之間，進(jìn)行道德權(quán)衡。解決這些問(wèn)題需要的是人類(lèi)的智慧，而不是人工智能。

3 創(chuàng)建可證明性

我們有理由假設(shè)，對(duì)患者及其病情進(jìn)行更有力的高維描述，將有助于更好地理解驅(qū)動(dòng)特定疾病過(guò)程的環(huán)境。然而，以這些數(shù)據(jù)和分析為指導(dǎo)的有效干預(yù)措施能否降低成本、提高滿(mǎn)意度并改善消費(fèi)者體驗(yàn)，還有待證明。

因此，我們必須將數(shù)據(jù)、人工智能獲取的知識(shí)和知情的臨床決策集成到臨床流程和工作流中，并將其緊密地交織在一起，以推動(dòng)患者護(hù)理的潛在效益。我們還需要進(jìn)行適當(dāng)?shù)慕Y(jié)構(gòu)化臨床試驗(yàn)，以證明數(shù)據(jù)驅(qū)動(dòng)的護(hù)理過(guò)程帶來(lái)的增量效益足以證明這些決策所產(chǎn)生的任何成本都是合理的。

4 相關(guān)性并不意味著因果關(guān)系

定義因果關(guān)系對(duì)于開(kāi)始將數(shù)據(jù)中觀察到的模式轉(zhuǎn)換為知情干預(yù)至關(guān)重要，在知情干預(yù)中，假定的因果變量可以被改變，以實(shí)現(xiàn)擬議的結(jié)果。在這個(gè)過(guò)程中，最重要的是確保被分析的數(shù)據(jù)不會(huì)遺漏可能與測(cè)量結(jié)果有因果關(guān)系的混雜因素。領(lǐng)域?qū)＜液腿祟?lèi)直覺(jué)總是需要與人工智能協(xié)同工作，以確認(rèn)沒(méi)有隱藏的混雜因素。

另一方面，高維數(shù)據(jù)提供了識(shí)別盲點(diǎn)的機(jī)會(huì)，而這些盲點(diǎn)是人類(lèi)大腦沒(méi)有考慮到的，它們可能與人類(lèi)領(lǐng)域?qū)I(yè)知識(shí)中固有的偏見(jiàn)，以及啟發(fā)式假設(shè)導(dǎo)致的結(jié)果有因果關(guān)系。機(jī)器的使用可以幫助人類(lèi)揭示這些未發(fā)現(xiàn)或未預(yù)料到的變量。

在智能軟件能夠處理大數(shù)據(jù)集并被編程成像人類(lèi)一樣思考之前，構(gòu)造良好的隨機(jī)對(duì)照試驗(yàn)，在過(guò)去和現(xiàn)在都被當(dāng)做用來(lái)避免隱藏混雜因素的重要方法。然而，現(xiàn)實(shí)世界中的大數(shù)據(jù)并不總是被劃分為干預(yù)組和對(duì)照組，而且往往存在巨大的差距。隨機(jī)對(duì)照試驗(yàn)或隊(duì)列研究并不總能解決謎題中缺失的那一塊。

人工智能和機(jī)器學(xué)習(xí)現(xiàn)在可以提供統(tǒng)計(jì)工具來(lái)確定測(cè)量值，以填補(bǔ)數(shù)據(jù)空白，并綜合構(gòu)建“控件”，以便與真實(shí)世界的經(jīng)驗(yàn)進(jìn)行比較。這些工具提供了一條前進(jìn)的道路，以便在沒(méi)有干預(yù)的情況下，將來(lái)自給定干預(yù)的觀察結(jié)果與預(yù)期結(jié)果進(jìn)行比較，這樣我們就可以模擬允許關(guān)于確定性和因果關(guān)系的假設(shè)的測(cè)試范式。

應(yīng)用程序：大數(shù)據(jù)的現(xiàn)實(shí)應(yīng)用

人工智能在研究中的潛在應(yīng)用

GNS Healthcare的董事長(zhǎng)、首席執(zhí)行官兼聯(lián)合創(chuàng)始人Colin Hill設(shè)想了一個(gè)因果機(jī)器學(xué)習(xí)過(guò)程，該過(guò)程首先通過(guò)檢查高維數(shù)據(jù)中的關(guān)系，推斷出潛在的因果機(jī)制。使用這些信息，“反向工程”就可以在模擬場(chǎng)景環(huán)境中測(cè)試可能的因果關(guān)系。這被稱(chēng)為“正向模擬”，它能使研究人員檢驗(yàn)因果假設(shè)的有效性，而這些假設(shè)在現(xiàn)實(shí)世界中是不容易檢驗(yàn)的。

在藥物發(fā)現(xiàn)方面， Relay Therapeutics的首席科學(xué)官兼聯(lián)合創(chuàng)始人Mark Murcko博士提出了一種理論，即如何利用藥物到靶點(diǎn)相互作用的正向模擬來(lái)進(jìn)行潛在藥物的內(nèi)硅篩選，以獲得針對(duì)生物驗(yàn)證靶點(diǎn)的有效性。該模擬基于數(shù)據(jù)驅(qū)動(dòng)的對(duì)藥物使用時(shí)蛋白質(zhì)運(yùn)動(dòng)和功能變化的理解。

這些理解因果關(guān)系的方法結(jié)合了人類(lèi)領(lǐng)域的專(zhuān)業(yè)知識(shí)和應(yīng)用于大量數(shù)據(jù)集的人工智能，以預(yù)測(cè)篩選的化合物與疾病過(guò)程的生物靶點(diǎn)之間的治療相互作用。

大數(shù)據(jù)的現(xiàn)實(shí)應(yīng)用

雖然將大數(shù)據(jù)應(yīng)用于研究的理論機(jī)會(huì)很多，但人工智能和機(jī)器學(xué)習(xí)已經(jīng)在醫(yī)療服務(wù)領(lǐng)域掀起了波瀾。以下重點(diǎn)介紹利用大數(shù)據(jù)進(jìn)行患者分流、診斷成像和預(yù)測(cè)實(shí)踐變化、不良結(jié)果和治療影響的驅(qū)動(dòng)因素的公司。

例如，Twiage正在處理急診醫(yī)學(xué)，幫助醫(yī)院跟蹤指標(biāo)、分配資源和改善反應(yīng)時(shí)間，以顯著影響中風(fēng)、心臟病發(fā)作、敗血癥和創(chuàng)傷患者的預(yù)后。Buoy Health利用大數(shù)據(jù)和人工智能直接針對(duì)患者進(jìn)行疾病分類(lèi)，并將他們引導(dǎo)到合適的護(hù)理環(huán)境?；颊呖梢允褂迷诰€(xiàn)應(yīng)用程序與機(jī)器人聊天，描述他們的癥狀，并通過(guò)一系列類(lèi)似于他們?cè)谖锢碜o(hù)理環(huán)境中體驗(yàn)的問(wèn)題進(jìn)行指導(dǎo)。

隨著醫(yī)學(xué)成像技術(shù)的進(jìn)步和需求的增加，Zebra medical Vision旨在幫助放射科醫(yī)生更快地識(shí)別成像結(jié)果中的異常情況。該公司的人工智能算法可以識(shí)別醫(yī)療狀況，充當(dāng)?shù)谝唤M“眼睛”，提高放射科醫(yī)生的工作速度。

GNS Healthcare將上述反向工程和正向模擬理論付諸實(shí)踐，利用大數(shù)據(jù)和人工智能在臨床試驗(yàn)中運(yùn)行，了解藥物在現(xiàn)實(shí)世界中如何發(fā)揮作用，并幫助確定針對(duì)個(gè)體患者的最佳干預(yù)方式和干預(yù)時(shí)機(jī)。

Agathos為衛(wèi)生系統(tǒng)提供了一個(gè)分析平臺(tái)，可以收集見(jiàn)解并向提供者提供反饋，使他們能夠看到患者數(shù)據(jù)中的個(gè)性化和聚合趨勢(shì)，幫助告知人員配置、舍入前處理和指導(dǎo)需求，以及其他改進(jìn)臨床工作流程和患者結(jié)果的需求。

PhysIQ和Pascal Metrics是針對(duì)患者的實(shí)時(shí)監(jiān)控解決方案，它們使用機(jī)器學(xué)習(xí)來(lái)檢測(cè)患者病情的細(xì)微變化，無(wú)論是急性發(fā)作后還是住院期間，并提醒其護(hù)理團(tuán)隊(duì)采取必要行動(dòng)。

結(jié)論

那么，我們?nèi)绾卫么髷?shù)據(jù)與人工智能的關(guān)系來(lái)推動(dòng)醫(yī)療創(chuàng)新呢?

大數(shù)據(jù)新應(yīng)用的增長(zhǎng)速度和數(shù)據(jù)本身一樣快。隨著我們不斷開(kāi)發(fā)將大數(shù)據(jù)融入人工智能的新方法，人們意識(shí)到以下需求至關(guān)重要：

1、“清除”所有收集到的可能存在偏見(jiàn)的數(shù)據(jù);

2、標(biāo)準(zhǔn)化收集或統(tǒng)一數(shù)據(jù)的方法;

3、同意正確使用匿名信息;

4、避免落入相關(guān)性與因果關(guān)系的陷阱。

圖片來(lái)源：Healthbox

為了充分利用人工智能的力量，我們必須接受與計(jì)算機(jī)協(xié)同工作。通過(guò)這種方式，我們既能從計(jì)算機(jī)的處理能力中獲益，也能從人類(lèi)智能中獲益，從而充分利用大數(shù)據(jù)進(jìn)行變革。

這些觀點(diǎn)得到了英偉達(dá)CEO、總裁兼聯(lián)合創(chuàng)始人黃延森的贊同，他也強(qiáng)調(diào)了“數(shù)據(jù)培訓(xùn)”的重要性，即從數(shù)字體驗(yàn)中學(xué)習(xí)的過(guò)程。與此同時(shí)，機(jī)器學(xué)習(xí)算法的能力正在迅速提高，人類(lèi)必須學(xué)會(huì)更聰明地工作，并適應(yīng)“新常態(tài)”，讓機(jī)器自動(dòng)化商品化的任務(wù)，并解放提供者，讓他們能夠執(zhí)行人道關(guān)懷的人工任務(wù)。

通過(guò)這種方式，人類(lèi)和人工智能可以協(xié)同工作，在數(shù)據(jù)分析、臨床決策和醫(yī)療創(chuàng)新方面達(dá)到新的高度。