医学中的人工智能
数字化、自动化和人工智能（AI） 正在迅速改变医疗保健行业。在诊所、医院和医生办公室，电子病历（ePA）、数据管理系统、AI支持的分析、预测和资源规划、手术室中的机器人助手、智能助手等许多其他技术正在蓬勃发展。医生、医疗保健专业人员、患者越来越多地通过认知系统得到支持——从远程医疗初次咨询、AI支持的诊断到个性化治疗和居家护理（"居家护理"）。分布式患者数据、公共健康数据以及来自健康应用程序和智能可穿戴设备的数据的数字连接，是提供个性化和优化健康服务的基础。
数字患者旅程
未来，作为患者，我们将由数字医疗陪伴：从预防、筛查、诊断和治疗到后续护理。
© Fraunhofer IKS
医学中可信人工智能的挑战
医学中的人工智能在许多应用领域展现出巨大潜力，例如在医学诊断、药物开发、医院和诊所的行政和流程管理、资源和容量规划、患者教育或医疗保健专业人员的培训。
对于人工智能的应用，必须适当解决不同的技术和组织挑战，从数据基础到算法开发，再到人工智能系统的实际应用。
数据基础
数据基础...
...对人工智能系统的质量有重大影响，通常也是人工智能项目中最耗时的部分。在实际的算法开发之前，通过数据收集（"data collection"）和数据预处理（"data preprocessing"）生成的输入，是人工智能训练和测试的基础。
- 少量数据（"Little Data"）
需要特殊的训练和测试方法，以开发出可靠的AI模型，例如在罕见疾病的情况下。
- 多模态数据
使临床决策通常变得复杂，需要特殊的AI处理方法。
- 分布式和特别敏感的数据
通常不能"简单地"用于AI模型的开发，而是需要分布式安全数据处理方法，如联邦学习（"Federated Learning"）。
- 数据可用性和质量
例如在罕见疾病的情况下，由于数据稀少，构成了重大挑战。
算法质量
算法质量...
...类似于不同技术产品之间的已知质量差异。
- AI可解释性
如果没有通过适当的技术方法来追踪哪些数据和因素对AI的决策至关重要，那么即使是专业人员也不一定能理解。
- 不确定性和偏差
通常是使用不完整或不准确的数据进行训练的结果，可能导致AI模型结果的不确定性。
人工智能的应用
人工智能的应用...
...必须针对每个应用案例进行评估。这里适用的原则是：这完全取决于具体情况。即使是高质量的AI算法也不能总是轻松地从一个上下文转移到另一个上下文。而且，并非每个用例都同样适合和可行地应用AI。
- AI安全证明
对于关键应用领域尤其重要，以确保AI决策的可靠性、质量和可解释性。
- 未知场景
在强化学习中出现，当模型在它训练的"封闭世界"之外使用时。此类情况可以通过分布外检测（Out-of-Distribution Detection）来识别。
弗劳恩霍夫IKS在医学人工智能方面的研究
我们的重点：可信数字健康
在弗劳恩霍夫IKS，我们研究以下主题，特别关注在医疗等安全关键领域开发可信的基于AI的系统：
- 优化患者旅程：从筛查、诊断到治疗和后续护理
- 医疗决策支持和时间序列
- 通过因果推理进行临床决策
- 机器人辅助医院
- 在成像和诊断中高效利用数据的医学图像处理
- 优化医疗过程，如医院资源管理
- 医疗设备的预测性维护
- 医疗设备的光学质量检测
- 量子计算在医学中的实际应用
© iStock.com/yost38885
【全文结束】
