의료 분야에서의 인공 지능의 응용은 다음과 같다.

현재 인공지능의 의료 분야에서의 응용은 주로 이 몇 가지 방면에 집중될 것이다. 질병 진단, 개인화약, 약물 개발, 임상 실험, 방사선 치료 및 방사선학, 전자 건강 기록.

1. 질병 진단: 의학이 직면한 가장 큰 도전은 질병에 대한 정확한 진단과 인식이며, 이는 기계 학습 발전의 우선 순위이기도 하다. 20 15 의 한 보고서에 따르면 800 여종의 암 치료 방안이 임상 실험 중인 것으로 나타났다. 기계 학습을 사용하면 암 인식을 더욱 정확하게 할 수 있다.

2. 개인화약: 기계학습과 예측분석을 이용해 개인별 맞춤형 치료 잠재력을 연구하고 있습니다. 만약 성공한다면, 이 전략은 진단과 치료 계획을 최적화할 수 있다.

현재 연구의 중점은 학습을 감독하는 것이다. 의사는 유전자 정보와 증상을 이용하여 진단 범위를 좁히거나 환자의 위험에 대해 알 수 있는 추측을 할 수 있다. 이것은 더 나은 예방 조치를 촉진할 수 있다.

3. 약물 개발: 기계 학습은 초기 약물 발견 (예: 신약 개발) 과 R&D 기술 (차세대 시퀀싱) 에서 많은 역할을 한다. 이 분야의 첫 번째는 복잡한 질병의 식별과 가능한 치료를 더욱 효과적으로 하는 정밀 의료이다. MIT 임상 기계 학습 팀은 기계 학습을 이용하여 정밀 의료를 추진하는 주요 참가자 중 한 명으로 알고리즘 개발에 주력하고 있다.

4. 임상 실험: 임상 실험 연구는 길고 힘든 과정이다. 기계 학습은 여러 가지 방법으로 이 과정을 단축하는 데 도움이 될 수 있다. 한 가지 전략은 대량의 데이터에 대한 고급 예측 분석을 통해 대상 집단의 임상 실험 후보를 더 빨리 파악하는 것이다.

맥킨지의 분석가는 임무를 간소화하여 이상적인 샘플 크기를 계산하고 환자 모집을 촉진하며 의료 기록을 사용하여 데이터 오류를 최소화하는 등 임상 실험의 효율성을 높일 수 있는 다른 기계 학습 응용 프로그램에 대해 설명합니다.

5. 방사선 치료와 방사선학: 하버드 의과대학 조교수 Ziad Obermeyer 박사는 20 16 과의 인터뷰에서 "20 년 후에는 방사선과 의사가 현재의 형태로 존재하지 않을 것" 이라고 말했다. 그들은 전자 로봇처럼 보입니다. 분당 수천 건의 연구 보고서를 읽는 알고리즘을 감독합니다.

현재 런던대학학원 병원의 deep mind Health 는 건강조직과 암조직을 구분함으로써 방사선 치료 프로그램의 정확성을 높이는 기계 학습 알고리즘을 개발하고 있다.

6. 전자 건강 기록: 지원 벡터기 (환자의 전자 메일 조회를 분류하는 기술) 와 광학 문자 인식 (디지털 필기 필기를 위한 기술) 은 문서 분류를 위한 기계 학습 시스템의 기본 구성 요소입니다.

이러한 기술의 응용 사례로는 MathWorks 의 MATLAB (필기 인식 응용 프로그램이 있는 기계 학습 도구) 과 구글의 cloud vision API 가 있습니다.

MIT 임상 기계 학습 팀의 중점 중 하나는 기계 학습에 기반한 지능형 전자 건강 기록 기술을 개발하는 것입니다. 그 이념은 "안전하고, 해석할 수 있고, 소량의 라벨이 붙은 훈련 데이터로부터 자연어를 배우고 이해할 수 있고, 의료 환경과 기관에서 잘 보급할 수 있는 강력한 기계 학습 알고리즘" 을 개발하는 것입니다.