• Pada tingkat desain: memperkirakan penyakit, mengidentifikasi kelompok pasien berisiko tinggi penyakit, organisasi tindakan pencegahan.
• Di tingkat produksi: otomatisasi dan optimalisasi proses di rumah sakit, otomatisasi dan peningkatan akurasi diagnostik.
• Di tingkat promosi: manajemen harga, pengurangan risiko bagi pasien.
• Pada tingkat pemberian layanan: adaptasi terapi dan komposisi obat untuk setiap pasien, penggunaan asisten virtual untuk membangun rute pasien di klinik atau rumah sakit.

Kecerdasan Buatan dalam Radiologi

Kecerdasan buatan secara aktif digunakan dalam penelitian pengembangan teknik diagnostik kanker. Lebih detailnya di artikel:

2019

CB Insights: Pada tahun 2021, pasar teknologi AI medis akan mencapai $6,6 miliar

Pada awal tahun 2019, menurut perusahaan analitik CB Insights, sejak tahun 2013, startup teknologi internasional yang mengembangkan teknologi kecerdasan buatan telah berhasil menarik $4,3 miliar melalui 576 transaksi. Selain itu, para ahli mengatakan bahwa dalam tiga tahun ke depan, pasar teknologi AI medis akan mencapai $6,6 miliar, tumbuh sebesar 40% setiap tahun.

IBM dan AstraZeneca menciptakan jaringan saraf yang memprediksi serangan jantung

Pada awal Maret 2019, IBM dan AstraZeneca menghadirkan jaringan saraf yang dapat memprediksi serangan jantung. Hasil kerja teknologi baru dijelaskan dalam makalah yang diterbitkan “Pengelompokan pasien dengan sindrom koroner akut berbasis hasil menggunakan jaringan saraf multi-tugas.”

Tim peneliti mengumpulkan data tentang usia, jenis kelamin, riwayat hidup dan penyakit, kebiasaan buruk, serta hasil laboratorium, informasi pengobatan dan hampir 40 indikator lainnya di antara 26,986 pasien dewasa yang dirawat di rumah sakit di 38 rumah sakit perkotaan dan pedesaan di Tiongkok. Semua data dimasukkan ke dalam jaringan saraf yang akan mengetahui apakah pasien pernah mengalami kejadian buruk jantung (MACE) sebelumnya, dan apakah ia menerima obat antiplatelet, beta blocker, dan statin - obat yang mengurangi gejala penyakit arteri koroner dan mencegahnya. infark miokard dan stroke.

Selanjutnya, penulis artikel melakukan k-means clustering untuk mendistribusikan pasien menjadi tujuh kelompok berdasarkan data yang diperoleh dari jaringan saraf. Hasilnya, ternyata pada cluster pertama, yang berisi pasien yang sering mengalami kejadian kardiovaskular seperti serangan jantung dan stroke, namun insidennya rendah. penyakit koroner jantung, prediktor utama serangan jantung berikutnya adalah adanya diabetes melitus, sedangkan pada kelompok lain, yang mencakup pasien dengan penyakit kardiovaskular berat tanpa serangan jantung sebelumnya, prediktor utamanya adalah usia lanjut usia dan peningkatan tekanan darah sistolik.

Para peneliti mengingatkan bahwa meskipun pengelompokan mempunyai implikasi terhadap prognosis penyakit, masih belum jelas apakah data tersebut dapat digunakan secara efektif dalam praktik klinis. Namun, penelitian mereka menunjukkan bahwa analisis klaster berbasis kecerdasan buatan merupakan pendekatan yang menjanjikan untuk mengklasifikasikan pasien dengan infark miokard. Penelitian di masa depan akan fokus pada identifikasi intervensi “khusus klaster” yang mempertimbangkan efektivitas. pengobatan sebelumnya.

2018

Volume pasar teknologi AI dalam layanan kesehatan berjumlah $1,4 miliar - Zion Market Research

Pada tahun 2018, pasar global untuk teknologi AI untuk layanan kesehatan mencapai $1,4 miliar, menurut perkiraan dari perusahaan analitik Zion Market Research. Angka tersebut diperkirakan akan meningkat menjadi $17,8 miliar pada tahun 2025, dan pengeluaran untuk solusi tersebut akan meningkat sekitar 43,8% setiap tahunnya.

Jumlah terbesar yang dihabiskan untuk kecerdasan buatan medis (pembelajaran mesin, komputasi sadar konteks, pemrosesan bahasa alami, visi komputer, pengenalan suara) terjadi di Amerika Utara. Kepemimpinan ini disebabkan oleh fakta bahwa wilayah ini diwakili oleh raksasa teknologi seperti Microsoft, IBM, Google, Nvidia, Amazon, Intel, General Electric dan Xilinx. Selain itu, merger dan akuisisi, kemitraan besar, dan peluncuran produk penting sering terjadi di Amerika Utara.

Di Eropa, pada tahun 2019, pasar kecerdasan buatan yang digunakan untuk tujuan medis dianggap masih baru. Pada tahun 2016, volumenya mencapai $320 juta, dan pada tahun 2019 akan menjadi $1,61 miliar. Pada saat yang sama, 21% institusi medis di Eropa berencana untuk membeli alat AI, menurut data dari komunitas e-health Eropa, yang diterbitkan di April 2019.

Salah satu katalis utama permintaan produk AI dalam bidang kedokteran adalah kekurangan dokter. Menurut Organisasi Kesehatan Dunia, pada tahun 2019, 57 negara akan kekurangan sekitar 2,3 juta perawat dan dokter. Para ahli mengatakan faktor yang menghambat perkembangan pasar ini adalah kurangnya spesialis berkualifikasi yang dapat mengikuti pedoman di bidang AI.

Analis mencakup perusahaan-perusahaan berikut di antara produsen solusi AI terbesar:

• Visi Umum;
• Nvidia;
• AiCure;
• iKarbon;
• Kesehatan Sirkadia;
• Secara atom;
• Genomik Jalur;
• Genetika Sophia;
• apixio;

Kecerdasan buatan diperkenalkan yang meningkatkan keberhasilan IVF sebesar 20%

Pada akhir Desember 2018, para ahli dari Cornwall University dan Imperial College London mendemonstrasikan hasil penelitiannya, yang menyatakan bahwa efisiensi IVF dapat ditingkatkan 10-20% jika kecerdasan buatan digunakan untuk menilai kualitas embrio. Baca selengkapnya.

Dimulainya pemasangan 4 ribu stan di Tiongkok dengan dokter AI yang membuat diagnosis dalam hitungan menit

Pada akhir November 2018, penyedia online terbesar pelayanan medis Di Tiongkok, Ping An Healthcare and Technology mengatakan pihaknya berencana memasang beberapa ribu klinik AI seukuran bilik telepon dan mendistribusikannya ke seluruh negeri dalam tiga tahun. Poin-poin ketentuan yang pertama perawatan medis sudah mendapatkan. Baca selengkapnya.

Bagaimana kecerdasan buatan akan berkembang dalam dunia kedokteran pada tahun 2019

Jepang sedang membangun rumah sakit AI untuk mengatasi kekurangan dokter

Pada bulan Agustus 2018, diketahui bahwa pemerintah Jepang, dengan dukungan dunia usaha dan komunitas ilmiah, memulai pembangunan rumah sakit di negara tersebut di mana kecerdasan buatan akan membantu para dokter. Melalui teknologi AI, diharapkan dapat mengatasi kekurangan dokter di Jepang, meringankan staf dan mengurangi biaya pengobatan. Baca selengkapnya.

Rekomendasi pertama untuk penggunaan AI dalam layanan kesehatan telah diusulkan

18 Juni 2018 Amerika asosiasi medis(AMA) telah mengusulkan pedoman pertama di dunia untuk penggunaan kecerdasan buatan dalam layanan kesehatan. Pernyataan yang diumumkan oleh perwakilan AMA pada konferensi tahunan di Chicago, menunjukkan arah utama untuk pengembangan lebih lanjut AI di industri ini.

Berdasarkan pernyataan tersebut, AMA bermaksud untuk menerapkan pengembangan di bidang kecerdasan buatan dan bidang prioritas lainnya untuk meningkatkan hasil pasien dan kepuasan profesional dokter. AMA bermaksud menggunakan posisinya yang signifikan dalam industri untuk melibatkan produsen, memprioritaskan pengembangan AI, dan mengatasi tantangan yang terkait dengan validasi dan penerapan metodologi baru. Selain itu, AMA bermaksud untuk mengembangkan rencana untuk mendidik para profesional dan mengkomunikasikan kepada pasien tentang keterbatasan dan kemampuan yang menjadi ciri kategori alat analisis ini.

AMA menganjurkan integrasi aplikasi AI yang ketat, berkualitas tinggi, dan terbukti secara klinis serta memerlukan pengawasan profesional dan pemerintah yang tepat agar penggunaannya aman, efektif, dan legal. Teknologi analitik berbasis AI, menurut AMA, harus tersedia untuk menguji dan mengidentifikasi bias di semua tahap pengembangan, memenuhi standar reproduktifitas terdepan, dan melindungi kepentingan individu dan kerahasiaan informasi pribadi.

AMA percaya bahwa fokusnya harus pada kebutuhan pengguna, dan penggunaan sistem AI harus diuji pada sampel yang representatif dalam uji klinis.

AI diajarkan untuk memprediksi penurunan tekanan darah selama operasi

Pada bulan Juni 2018, jurnal Anesthesiology menerbitkan hasil yang diperoleh sekelompok peneliti yang mengembangkan algoritma untuk memprediksi potensi hipotensi atau jatuh yang tidak normal. tekanan darah selama operasi.

Untuk membuat algoritme, para peneliti menggunakan teknologi pembelajaran mesin – kecerdasan buatan menganalisis data dari 1.334 pasien yang tekanan darahnya dicatat selama operasi – total 545.959 menit. Berdasarkan data tersebut, algoritma untuk memprediksi hipotensi selama operasi telah disiapkan.

Setelah memvalidasi algoritma tersebut, para peneliti mengujinya pada kumpulan data kedua yang mencakup pembacaan tekanan darah dari 204 pasien selama total 33.236 menit. Catatan ini termasuk episode hipotensi pada tahun 1923. Algoritme ini secara akurat memprediksi penurunan tekanan darah secara tiba-tiba 15 menit sebelum terjadi pada 84% kasus, 10 menit sebelum terjadi pada 84% kasus, dan lima menit sebelum terjadi pada 87% kasus.

Para peneliti menyarankan bahwa algoritma ini dapat digunakan secara aktif oleh ahli anestesi dan ahli bedah untuk mencegah komplikasi yang berhubungan dengan hipotensi, seperti infark miokard pasca operasi atau gagal ginjal akut.

Seperti yang dikatakan Maxime Cannesson, Dr. Ilmu Medis, peneliti terkemuka, profesor anestesiologi dan mantan kepala departemen kedokteran perioperatif di Pusat layanan kesehatan UCLA di Los Angeles, dokter sebelumnya tidak memiliki cara untuk memprediksi hipotensi selama operasi, dan tentu saja, dalam kondisi seperti itu, ahli anestesi harus bertindak sangat cepat sebagai respons terhadap penurunan tekanan darah yang tiba-tiba. Kemampuan untuk memprediksi episode hipotensi selama operasi akan memungkinkan dokter untuk secara aktif mencegah perkembangan episode ini dan komplikasinya.

AI mengenali kanker kulit lebih baik daripada dokter

Pada akhir Mei 2018, sebuah penelitian diterbitkan menunjukkan lebih banyak lagi efisiensi tinggi kecerdasan buatan dibandingkan dengan manusia dalam hal pengenalan kanker. Namun, di tempat yang sulit dijangkau, komputer tidak seakurat itu. Baca selengkapnya.

Tiga penerapan AI yang paling menjanjikan dalam bidang kedokteran

Kecerdasan buatan terlibat dalam diagnostik USG wanita hamil

Sebuah rumah sakit Inggris diluncurkan jenis baru menguji janin untuk mengetahui patologi yang tidak dapat diketahui oleh dokter. Sistem berbasis kecerdasan buatan ini berisi 350.000 gambar, diklasifikasikan menurut penyimpangan tertentu.

Menurut Engineer, diagnostik ultrasonografi dengan kecerdasan buatan disebut ScanNav dan dirancang untuk memberikan informasi tambahan kepada dokter secara real time. Hasilnya, AI memungkinkan spesialis untuk yakin bahwa semua sudut telah diperhitungkan. Yang terakhir ini sangat relevan sehubungan dengan pergerakan janin di dalam rahim.

Saat ini teknologi tersebut sedang diuji coba dalam mode uji di bidang kebidanan, namun kedepannya pengembangannya direncanakan dapat digunakan di berbagai bidang kedokteran. Omong-omong, harapan besar telah diberikan kepada ahli diagnosa AI di Jepang, yang mengalami kekurangan dokter, dan di Tiongkok, kecerdasan buatan bahkan telah diberi izin medis.

Kecerdasan buatan akan mencari antibiotik baru

Resistensi antibiotik adalah salah satu masalah besar pengobatan modern. Berkat meluasnya penggunaan antibiotik dan ketidakpatuhan terhadap petunjuk dokter, obat-obatan tidak lagi mempengaruhi bakteri, yang menyebabkan masalah dalam pengobatan penyakit sehari-hari yang paling umum dan penyakit parah.

Salah satu teknik yang dapat mengatasi resistensi antibiotik adalah dengan mencari varian antibiotik yang diketahui. Sayangnya, ini adalah proses yang sangat sulit dan memakan waktu. Setidaknya untuk orang-orang. Ketika algoritma mulai berperan, masalah waktu tidak lagi menjadi masalah yang signifikan.

Sebuah tim peneliti Amerika dan Rusia telah menciptakan algoritma antibiotik yang, dengan menguraikan database dengan cepat, dapat mengungkapkan pilihan antibiotik 10 kali lebih banyak daripada yang ditemukan selama penelitian serupa pada tahun-tahun sebelumnya.

Algoritma tersebut, yang dikenal sebagai VarQuest, dijelaskan dalam sebuah makalah yang diterbitkan dalam edisi terbaru jurnal Nature Microbiology. Hossein Mahimani, seorang profesor di Universitas Carnegie Mellon, mengatakan dalam siaran persnya bahwa VarQuest telah menyelesaikan pencarian yang membutuhkan waktu ratusan tahun untuk diselesaikan menggunakan metode komputasi tradisional.

Mohimani juga mengemukakan bahwa VarQuest mampu menyediakan lebih dari seribu varian kelompok peptida yang digunakan untuk produksi antibiotik dalam waktu singkat. waktu yang singkat, dan dengan cara ini hal ini dapat memberikan perspektif yang lebih luas kepada para ahli mikrobiologi, bahkan mungkin mengingatkan mereka akan tren atau pola dalam dunia mikrobiologi yang mungkin luput dari perhatian.

2017

Sebuah “tsunami” teknologi AI akan terjadi di bidang perawatan kesehatan

Perangkat AI telah dibuat untuk pemantauan tidur jarak jauh menggunakan gelombang radio

Pada tanggal 8 Agustus diketahui bahwa para insinyur (MIT), dengan partisipasi para spesialis Rumah Sakit Pusat Massachusetts telah mengembangkan sistem AI yang dapat memantau tidur seseorang menggunakan gelombang radio.

Seperti dilansir TNW, perangkat yang terlihat seperti router Wi-Fi biasa ini menganalisis sinyal radio di sekitar seseorang dari jarak jauh dan, dengan gerakan mata, menentukan tahapan tidur - ringan, nyenyak, atau cepat. Karena gelombang radio dipantulkan dari suatu benda, setiap gerakan kecil pada benda tersebut akan mengubah frekuensi gelombang yang dipantulkan. Analisis gelombang ini membantu mengidentifikasi parameter vital aktivitas manusia, seperti denyut nadi dan laju pernapasan, serta menentukan penyimpangan dari norma. Perangkat ini tidak memerlukan sensor untuk beroperasi dan cocok untuk digunakan di rumah.

Pemantauan tidur secara real-time dalam kondisi alami diharapkan dapat menjawab banyak pertanyaan terkait gangguan tidur. Seperti yang direncanakan oleh para ilmuwan MIT, pengembangannya pada akhirnya akan berubah menjadi alat lengkap yang memungkinkan dokter yang merawat memantau parameter tidur dari jarak jauh, menyesuaikannya jika perlu.

Eksperimen kloning babi di Tiongkok dilakukan oleh robot dengan AI

Untuk pertama kalinya dalam sejarah umat manusia, ilmuwan Tiongkok dari Institut Robotika dan Otomatis sistem Informasi di Universitas Nankai di Tianjin berhasil mengkloning babi menggunakan robot, lapor China People's Daily. Pada awal Januari 2017, 510 embrio hasil kloning ditempatkan pada enam induk babi pengganti. Sebagai hasil percobaan, dua induk babi pada akhir April, untuk 110 pada hari kehamilan, 13 anak babi sehat yang dibiakkan secara artifisial lahir.

Saat melakukan percobaan kloning babi, para ilmuwan untuk pertama kalinya menggunakan robot penganalisis mikromanipulator khusus, yang melakukan semua operasi untuk mengumpulkan dan mentransfer DNA dari hewan donor ke pembawa pengganti. Mikromanipulator universal yang dikendalikan oleh kecerdasan buatan untuk operasi dengan DNA menggabungkan fungsi pengambilan sampel, pengujian, dan pembedahan.

Proses kloning babi yang dilakukan bekerja sama dengan Balai Penelitian Peternakan dan Kedokteran Hewan ini melibatkan apa yang disebut teknik Somatic Cell Nuclear Transfer (SCNT), yang biasanya digunakan untuk pembiakan - ketika nukleus sel somatik dipindahkan ke telur tanpa inti. Kelebihan teknik ini adalah jaminan inseminasi sel telur berkualitas tinggi, namun kekurangannya adalah level rendah keberhasilan penyelesaian percobaan karena tingginya persentase cacat dalam proses kloning.

Masalah utama dalam proses kloning transfer nuklir adalah menghindari kehancuran sel sensitif. Para peneliti membuat analisis awal mengenai daya yang dibutuhkan alat tersebut untuk menangani sel dengan aman saat mengeluarkan inti, dan kemudian menyesuaikannya ke pengaturan serendah mungkin. tingkat yang mungkin. Berkat ini, tingkat deformasi sel menurun dari 30-40 mm menjadi 10-15 mm, yang meningkatkan perkembangan sel selanjutnya dan meningkatkan peluang keberhasilan.

Diasumsikan bahwa data diperoleh sebagai hasil penelitian tentang hubungan antara operasi mikro pada sel dan pengembangan lebih lanjut sel akan dapat membantu ilmuwan lain membuat penemuan lebih lanjut di bidang ini.

Kecerdasan buatan telah diajarkan untuk memprediksi serangan jantung lebih baik daripada dokter

Pada bulan April 2017, para ilmuwan dari Universitas Nottingham mempresentasikan teknologi kecerdasan buatan yang dapat memprediksi timbulnya serangan jantung. Pengembang mengklaim bahwa akurasi peramalan lebih tinggi dibandingkan dokter.

Studi tersebut membandingkan efektivitas rekomendasi medis dengan kerja empat program yang ditulis menggunakan algoritma pembelajaran mesin. Para ilmuwan bertujuan untuk menemukan pola dalam catatan lebih dari 378 ribu pasien. Komputer tersebut mencakup 22 kriteria, termasuk usia, kebangsaan, adanya arthritis dan penyakit ginjal, serta kadar kolesterol darah.

Kesimpulan yang dibuat oleh kecerdasan buatan tentang risiko terkena serangan jantung dibandingkan dengan data tahun 2015, dan ternyata lebih akurat dibandingkan prediksi dokter berdasarkan rekomendasi American College of Cardiology (ACC) dan American College of Cardiology (ACC) dan American College of Cardiology. Heart Association (AHA) : akurasi dari 74,5% menjadi 76,4% berbanding 72,8%.

Menurut perkiraan kasar penulis proyek, komputer dapat menyelamatkan 355 nyawa lebih banyak dibandingkan metode ACC dan AHA. Para ilmuwan bermaksud untuk meningkatkan efisiensi sistem cerdas dengan menambahkan pertimbangan faktor risiko seperti gaya hidup dan data genetik.

Menariknya, algoritma tersebut tidak memperhitungkan dampak diabetes, yang selalu dianggap sebagai faktor risiko ACC dan AHA.

Menurut ahli epidemiologi Universitas Nottingham Stephen Van, sistem biologis memiliki banyak hubungan, beberapa di antaranya tidak diketahui oleh dokter: mis. peningkatan konten Lemak tubuh pada kondisi tertentu dapat melindungi terhadap kelainan akut pada jantung. Interaksi serupa tidak jelas, sulit untuk diperhatikan dan dijelaskan, namun program komputer mampu melacak hubungan tersebut dengan menganalisis data dalam jumlah besar, ia yakin.

Kecerdasan buatan (AI, Bahasa Inggris: Artificial Intelligence, AI) adalah ilmu pengetahuan dan teknologi untuk menciptakan mesin cerdas, khususnya program komputer cerdas. AI terkait dengan tugas serupa dalam menggunakan komputer untuk memahami kecerdasan manusia, namun tidak terbatas pada metode yang masuk akal secara biologis.

Tidak ada jawaban pasti terhadap pertanyaan tentang apa yang dilakukan kecerdasan buatan. Hampir setiap penulis yang menulis buku tentang AI memulai dari beberapa definisi, mengingat pencapaian ilmu ini.

Ada dua arah pengembangan AI:

memecahkan masalah yang terkait dengan mendekatkan sistem AI khusus dengan kemampuan manusia dan integrasinya, yang diwujudkan oleh sifat manusia;

penciptaan kecerdasan buatan, yang merupakan integrasi sistem AI yang telah dibuat ke dalam satu sistem yang mampu memecahkan masalah umat manusia.

Namun saat ini, bidang kecerdasan buatan melihat adanya keterlibatan banyak bidang studi yang memiliki hubungan praktis dengan AI, bukan hubungan mendasar. Banyak pendekatan telah diuji, namun belum ada kelompok penelitian yang mendekati munculnya kecerdasan buatan.

Bidang robotika dan kecerdasan buatan berkaitan erat satu sama lain. Integrasi kedua ilmu ini dan penciptaan robot cerdas merupakan bidang lain dari AI.

Robotika bergantung pada disiplin ilmu seperti elektronik, mekanik, dan pemrograman. Ada robotika konstruksi, industri, rumah tangga, penerbangan dan ekstrim (militer, luar angkasa, bawah air).

Kecerdasan diperlukan robot untuk memanipulasi objek, bernavigasi dengan masalah lokalisasi (menentukan lokasi, menjelajahi area terdekat), dan merencanakan gerakan (cara mencapai suatu tujuan).

Pengembangan dan produksi robot medis di abad ke-21 telah mencapai kesuksesan teknis dan ekonomi sehingga informasi tentang robot tersebut semakin tidak terlihat seperti fiksi ilmiah setiap tahunnya.

Kemajuan dalam bidang robotika dan sistem kecerdasan buatan semakin berdampak pada kehidupan manusia setiap harinya. Keberhasilan teknis dan ekonomi dalam robotika telah menyebabkan kedokteran semakin banyak menggunakan bantuan robot. Saat ini, robot medis mampu melakukan operasi bedah yang kompleks, membantu membuat diagnosis yang akurat, merawat pasien, dan daftar kemampuannya tidak terbatas pada hal ini.

Bagaimana kita mengatasi masalah kesehatan kita, terutama jika masalah tersebut serius? Semuanya dimulai dengan menemukan klinik yang layak dan spesialis terkemuka di bidang Anda. Dan sekarang, bayangkan gambar ini.

Sebuah klinik telah ditemukan, seorang spesialis paling sukses di bidang ini dan dia menerima.... sekitar jam!!!

Dia tidak memiliki nama belakang atau patronimik. Tapi hanya nama modelnya saja. Ini adalah robot!

Secara umum, ini adalah prospek dalam waktu dekat. Sementara itu, robot-robot tersebut bekerja di bawah bimbingan ketat dari dokter berpengalaman.

Bagian:

Robodoctor

Robo-kompleks

Robosister

Roboprostetik

Robot di dalam diri kita

Robot rehabilitasi

Bantuan Robo

Apa itu robot medis dan mengapa dibutuhkan?

Robot medis adalah robot yang diciptakan untuk melakukan segala tindakan yang berkaitan dengan kedokteran pada umumnya dan kesehatan manusia pada khususnya. Puluhan penulis fiksi ilmiah dalam ratusan karyanya menggambarkan semuanya secara detail fungsi yang mungkin, tugas robot medis dan bahkan fitur perangkat yang dimaksudkan. Sesuai dengan uraian tersebut, robot madu masa depan muncul dalam berbagai gambar. Ini termasuk “peralatan pertolongan pertama” yang sangat kecil namun sangat cerdas yang dimasukkan ke dalam pakaian antariksa dan kompleks medis stasioner yang dapat “membangkitkan orang mati.” Penulis fiksi ilmiah juga telah mengembangkan lusinan model robot asisten, pengasuh anak, dan pekerja sanitasi lainnya. Bahkan ada pilihan robot nano yang selalu ada dalam darah manusia, yang mampu mengeluarkan racun, menyembuhkan luka, dan membuat para pahlawan film aksi fiksi ilmiah benar-benar tidak bisa ditembus.

Pada kenyataannya, robot medis juga berkembang ke arah yang sama. Pertama, ini adalah kompleks bedah. Meskipun independensi mereka dalam mengambil keputusan hanya bersyarat, robot medis ini telah melakukan ratusan operasi yang berhasil.

Arah fundamental kedua saat ini dapat disebut kelas asisten robotik. Perawat otomatis ini berpenampilan humanoid, tetapi membuat kemajuan besar dalam membantu staf manusia dan pasien.

Arah ketiga terutama terkait dengan prostetik, pengembangan pengganti anggota tubuh manusia, dan pembuatan kerangka luar. Anggota badan “pintar” buatan tidak hanya membantu pasien tertentu, tetapi juga berfungsi untuk mengembangkan teknologi robotik baru.

Selain sebagian besar peralatan medis robotik, alat ini juga merupakan alat transportasi bagi orang-orang yang kehilangan kemampuan untuk bergerak secara mandiri. Baik itu kursi roda dengan kendali cerdas atau sarana untuk mengevakuasi korban luka dari medan perang.

Nah, bagaimana kita bisa hidup tanpa alat bantu pengajaran robot untuk calon dokter? Robot-robot medis ini menggeliat karena sakit gigi, “melahirkan” anak-anak dan tabah menanggung kesulitan lain yang menimpa mereka.

Daftar arahan pengembangan robot medis di atas dapat menjadi jawaban atas pertanyaan – mengapa robot medis dibutuhkan?

Grigory Kolesnikov, kepala program akselerasi G4A (Grants4Apps) di Bayer di Rusia, berbicara tentang apa yang menghambat implementasi di bidang kedokteran, dan membahas apakah startup di bidang ini dapat mengatasi hambatan tersebut.

Bagaimana AI membantu profesional medis

Google baru-baru ini berbicara tentang rencana masuknya ke pasar sistem kecerdasan buatan yang dapat menghilangkan kebisingan latar belakang percakapan telepon (misalnya, gonggongan anjing). Seperti yang dijanjikan kepada kami, algoritme berdasarkan kecerdasan buatan di dalam ponsel cerdas akan membantu melakukan pengoperasian rutin semaksimal mungkin. Prospeknya sangat mengesankan karena orang modern menghabiskan beberapa jam sehari di depan layar perangkat mereka. Dan teknologi seperti itu sudah tertanam kuat dalam kehidupan kita.

Saat ini, kecerdasan buatan secara aktif digunakan dalam pengembangan peralatan rumah tangga, asisten suara pribadi, dan sistem keamanan. Dimana pemrosesan informasi dalam jumlah besar diperlukan.

Dalam dunia kedokteran, kecerdasan buatan memungkinkan peningkatan efisiensi diagnostik karena kemampuannya bekerja dengan volume besar. Ada kasus yang diketahui ketika layanan diagnostik "pintar" IBM Watson mengidentifikasi pasien berusia 60 tahun dengan diagnosis yang salah bentuk langka leukemia. Untuk melakukan ini, sistem “mempelajari” 20 juta artikel ilmiah tentang kanker dalam 10 menit.

Hasilnya, AI memungkinkan pengurangan volume tugas rutin sehari-hari yang harus diselesaikan oleh spesialis medis. Dan mampu meminimalisir kemungkinan kesalahan. Hal ini juga membuka peluang munculnya profesi-profesi baru dalam melayani sistem digital di bidang kedokteran.

Mengapa semuanya tidak begitu lancar?

Program dan perangkat dengan kecerdasan buatan saat ini digunakan dalam analisis gambar sinar-X, CT dan MRI (cukup mengunggah gambar ke dalam sistem, setelah itu AI akan melakukan analisis dan memberikan kesimpulan). Pengobatan "cerdas" digunakan dalam telemonitoring penyakit kronis dan dalam menilai kebutuhan rawat inap pada orang-orang dalam operasi yang dibantu robot. Apoteker juga telah menguasai teknologi baru – AI digunakan dalam pengembangan obat baru.

Oleh karena itu, Semantic Hub baru-baru ini menciptakan layanan berdasarkan kecerdasan buatan untuk mengotomatisasi penilaian potensi suplai medis sebelum melepaskannya ke pasar. Sistem ini mengumpulkan dan menganalisis jutaan dokumen, termasuk publikasi ilmiah terkait penyakit, tujuan dan efek obat yang dikembangkan. Kemudian menganalisis informasi dan menarik kesimpulan tentang potensi obat tersebut, dengan mempertimbangkan semua faktor risiko dan keunggulan kompetitif. Sebelumnya, pengembang obat hanya mampu mempelajari 1% dokumen tersebut secara manual.

Produk, layanan, dan proses medis “pintar” kini sedang dikembangkan oleh hampir semua perusahaan “digital” terkemuka. Secara total, menurut perusahaan riset Venture Scanner, pengembangan tersebut dilakukan oleh lebih dari 800 perusahaan di seluruh dunia.

Banyak ahli memperkirakan peningkatan pesat dalam pasar kecerdasan buatan – sekitar sepertiga per tahun. BIS Research memperkirakan total pasar AI layanan kesehatan akan mencapai $28 miliar pada tahun 2025.

Tapi tidak semuanya begitu cerah. Terdapat kendala dalam penerapan teknologi AI dalam bidang kedokteran. Dan seringkali pertanyaan muncul di kalangan spesialis medis sendiri, yang menganggap inovasi dapat menimbulkan ketidakpercayaan yang beralasan.

Apa penyebab permasalahan yang muncul? Mari kita coba mencari tahu.

Hambatan kecerdasan buatan dalam kedokteran

1. Informasi “kesegaran kedua”

Tentu saja kita berbicara tentang kualitas dan volume informasi medis. Data yang terkumpul dalam rekam medis pasien mungkin tidak lengkap dan mengandung kesalahan, ketidakakuratan, dan istilah yang tidak baku. Mereka tidak memuat cukup catatan tentang kehidupan, kebiasaan dan perilaku pasien. Mekanisme yang efektif untuk mengumpulkan informasi ini belum ada.

Hasil analisis berdasarkan data tersebut akan selalu menimbulkan skeptisisme yang beralasan, dan upaya untuk meningkatkan kualitas analisis ini mengalami proses yang cukup memakan waktu.

Untuk menghilangkan masalah ini, opsi kini ditawarkan untuk melatih kecerdasan buatan pada sejumlah kecil informasi. Contoh sukses dari pelatihan tersebut mencakup prinsip pengoperasian keyboard ponsel cerdas, ketika sistem mengingat dan menganalisis kata-kata yang dimasukkan sebelumnya dan dapat memprediksi konten teks berikutnya. Aplikasi untuk pengenalan wajah dan musik didasarkan pada teknologi serupa.

Jika berhasil diterapkan dalam bidang kedokteran, sistem pembelajaran mesin mampu memecahkan banyak masalah: memeriksa kompatibilitas obat, membuat diagnosis berdasarkan analisis genetik. Sebagai contoh, kita dapat mengutip solusi dari perusahaan Droice Labs, yang sudah melakukan banyak hal di atas di Rusia.

2. Robot yang diam

Keterbatasan kedua dari usulan inovasi dalam bidang kedokteran adalah kurangnya transparansi proses pengambilan keputusan oleh inti intelektual sistem. Kecerdasan buatan bekerja berdasarkan prinsip “kotak hitam”. Jika ada kesalahan dalam algoritma dan sistem membuat keputusan yang salah, maka akan sangat sulit menjawab pertanyaan “mengapa”.

Kini mereka sedang mengembangkan mesin yang dapat mengungkap alasan keputusan mereka. Ilmuwan Amerika sedang mendekati peluncuran produk semacam itu di pasar. Secara khusus, Badan Proyek Penelitian Lanjutan Pertahanan (DARPA) mendukung 13 kelompok penelitian yang peduli dalam memecahkan masalah ini.

Perusahaan dalam negeri Intellogic juga mengklaim dalam patennya penggunaan ontologi medis untuk menyiapkan model matematika dan untuk menyajikan hasil pengujian model jaringan saraf. Pendekatan ini, menurut penulis paten, akan memungkinkan dokter memahami jalur pengambilan keputusan oleh mesin dan secara signifikan mengurangi jumlah data yang diperlukan untuk melatih model.

Kompleksitas pendekatan pemrosesan data berdasarkan kecerdasan buatan menimbulkan masalah lain: pemilihan dan pengembangan personel yang mampu menggunakan dan memelihara sistem dengan algoritma non-sepele secara efektif.

3. Mesin pintar - pendekatan cerdas!

Selain algoritme itu sendiri, yang dapat melakukan analisis dengan tingkat akurasi tinggi, diperlukan tim proyek yang kuat agar berhasil menerapkan inovasi ke dalam praktik. Keberhasilan proyek kedokteran semacam itu bergantung pada seberapa produktif para peserta berinteraksi.

Tim harus mencakup spesialis dengan jangkauan luas kompetensi di bidang subjek, algoritma matematika dan pendekatan keamanan informasi, dengan keterampilan pemrograman dan presentasi data visual. Sangat diharapkan bahwa peserta tidak hanya memiliki satu, tetapi beberapa kompetensi yang berbeda agar dapat saling memahami dan melengkapi dengan baik.

4. Harga dan nilai

Kompleksitas yang muncul meningkatkan biaya pengembangan, penerapan, dan penerapan solusi kecerdasan buatan. Tingginya biaya proyek juga dikaitkan dengan kebutuhan untuk menyesuaikan sistem baru untuk data yang dikumpulkan di institusi medis tertentu, dan untuk membentuk tim yang berkualitas dan termotivasi.

Dan hal ini, pada gilirannya, menimbulkan keraguan terhadap kemampuan untuk dengan cepat meningkatkan teknologi yang ditawarkan oleh startup. Penskalaan dimungkinkan, misalnya, dalam kasus pemrosesan gambar medis dari satu jenis, namun kebutuhannya lebih dari itu.

Pakar industri sepakat: dalam jangka pendek, penerapan kecerdasan buatan tidak akan menghasilkan pengurangan biaya yang nyata. Kita harus terus mencari area di mana penerapan teknologi kecerdasan buatan akan memberikan nilai lebih tinggi.

5. Siapa yang akan melindungi Anda dari peretas?

Kita tidak boleh lupa bahwa untuk memastikan pengoperasian kecerdasan buatan, penting untuk menyediakan akses ke daya komputasi berkinerja tinggi, yang sering kali institusi medis TIDAK. Oleh karena itu, kumpulan data harus dipindahkan ke luar batas institusi, dan hal ini mengancam keamanan penyimpanan, yang seharusnya menjadi prioritas pertama. Bukan suatu kebetulan jika banyak proyek penerapan kecerdasan buatan dihentikan karena risiko yang khususnya terkait dengan keamanan informasi.

Salah satu contoh yang paling mencolok adalah ketika Departemen Urusan Veteran AS, setelah dimulainya kerja sama yang sukses, mengakhiri perjanjiannya dengan startup Flow Health, pengembang sistem diagnostik penyakit yang cerdas. Seperti yang dijelaskan oleh Departemen Kesehatan AS, kontrak diakhiri ketika diketahui bahwa sistem sedang memproses data rahasia. Departemen menganggap ini sebagai pelanggaran terhadap keamanan informasi pribadi pasien veteran. Ngomong-ngomong, tidak ada kebocoran yang ditemukan.

Beri jalan bagi kecerdasan!

Komunitas ahli sangat menyadari masalah yang ada dan mencoba untuk menanggapinya: mereka memikirkan prinsip-prinsip merancang sistem robot, mengusulkan untuk membahas etika penggunaan kecerdasan buatan dalam praktik, dan mengembangkan opsi baru untuk memperkenalkan teknologi. Namun harus kita akui: dibutuhkan waktu untuk mengembangkan pendekatan dan standar secara memadai.

Sebagian besar masalah yang memperlambat penerapan solusi kecerdasan buatan dalam kedokteran sama sekali tidak terkait dengan sisi teknologi. Lebih sering ini adalah masalah etika dan administratif-prosedur, kesulitan dalam mengumpulkan dan memproses data (memberi dokter waktu yang diperlukan untuk memasukkan informasi ke dalam database), masalah membagi area tanggung jawab, memahami mekanisme pengoperasian sistem buatan.. .

Bagaimana prospeknya?

Terlepas dari semua kesulitan tersebut, proyek-proyek tersebut memiliki prospek. Saya percaya bahwa dalam beberapa tahun ke depan, teknologi kecerdasan buatan akan dapat menemukan konsumennya di antara perusahaan farmasi, dalam pencarian molekul baru dan target biologis, dalam virtualisasi uji praklinis, dan kemudian dalam analisis data. uji klinis. Seringkali, ketika bekerja dengan perusahaan besar, semuanya bisa disediakan kondisi yang diperlukan demi keberhasilan peluncuran proyek tersebut.

Semua persoalan bisa terselesaikan. Hal yang utama adalah bahwa dengan menggunakan pendekatan-pendekatan baru kita dapat bergerak maju, dan tidak “menembak diri kita sendiri”.

Diagnostik

Menurut Frost & Sullivan1, pasar kecerdasan buatan di bidang kedokteran tumbuh sebesar 40% per tahun, dan omzetnya akan mencapai $6,6 miliar pada tahun 2021. Pertama, pembelajaran mesin akan mengubah tiga bidang kedokteran: pembelajaran mesin akan meningkatkan kemampuan diagnostik , membuat pekerjaan ahli radiologi lebih mudah, dan ahli patologi, akan membuat prognosis penyakit lebih efektif.

Ziad Obermayer dari Harvard Medical School dan Ezekiel Emanuel dari University of Pennsylvania menulis tentang hal ini dalam sebuah artikel untuk The New England Journal of Medicine (NEJM)2. Menurut mereka, dalam waktu dekat, pembelajaran mesin akan menjadi alat yang sangat diperlukan bagi dokter yang benar-benar ingin memahami pasiennya. Jaringan saraf tiruan sudah dapat mendiagnosis metastasis kanker payudara tidak lebih buruk dari dokter berpengalaman. Kanker payudara adalah salah satu jenis yang paling umum neoplasma ganas. Pada tahun 2012 saja, lebih dari 1,6 juta kasus baru penyakit ini dilaporkan di seluruh dunia. Pada 6-10% kasus, tumor telah bermetastasis pada saat diagnosis awal. Untuk mendiagnosis proses ini, biopsi kelenjar getah bening regional digunakan.

Setiap sampel bahan yang disita diperiksa di bawah mikroskop oleh ahli patologi. Dalam kondisi ideal dan waktu yang tidak terbatas, dokter sangat sedikit melakukan kesalahan. DI DALAM kehidupan nyata Ahli patologi dapat meninjau dan mendeskripsikan lusinan spesimen setiap hari.

Sekelompok peneliti dari Radboud University di Belanda memprakarsai pembuatan kompetisi tantangan khusus, Camelyon3, di mana algoritma modern bersaing dalam mendeteksi metastasis kanker payudara. Tim melatih model untuk mengenali kanker di antara jaringan sehat dalam 400 gambar kanker payudara, kemudian membandingkan hasilnya pada gambar kontrol yang tidak dapat diakses oleh model selama pelatihan.

Tahun lalu, jaringan saraf dari startup PathAI4, mitra Philips dalam mengembangkan aplikasi kecerdasan buatan di bidang kedokteran, menempati posisi pertama dalam tantangan Camelyon. Para ilmuwan dari PathAI unggul jauh dibandingkan tim lain. Algoritme mereka membuat kesalahan hanya dalam 35 kasus dari 1000 kasus: angka ini sedikit lebih rendah dibandingkan dengan dokter sungguhan. Selain itu, jika dokter menggunakan perintah jaringan saraf, jumlah kesalahan menurun dari 3% menjadi 1%.

Dalam beberapa tahun terakhir, banyak contoh keberhasilan pengenalan gambar medis menggunakan jaringan saraf telah muncul. Jaringan saraf secara akurat mengidentifikasi kanker prostat dan kanker paru-paru dari biopsi, dan sama baiknya dengan dokter kulit dalam mengidentifikasi kanker kulit dari foto biasa.

Selain klasifikasi gambar, kecerdasan buatan dapat memecahkan masalah lain: memilih pengobatan atau memperjelas prognosis. Salah satu contoh awal adalah sistem pakar Mycin5, yang dikembangkan pada tahun 1970an di Stanford. Tugasnya adalah memilih antibiotik yang paling tepat untuk pengobatan penyakit menular. Meski begitu, dia menyarankan kombinasi yang lebih berhasil daripada dokter. Namun, sistem ini belum pernah digunakan dalam praktik klinis sebenarnya.

Sistem Mycin menjawab pertanyaan ya dan tidak dalam seperangkat aturan tertentu untuk menemukan jawaban yang benar. Sistem pakar modern bekerja dengan cara yang sama, namun paling sering mereka ditugaskan untuk mengintegrasikan data pasien secara otomatis dan kemudian menyajikannya kepada dokter dalam bentuk yang sederhana. bentuk yang nyaman dengan tip Anda sendiri.

Misalnya, beginilah cara kerja sistem pemantauan perawatan intensif yang dikembangkan oleh Philips. Sistem ini mengumpulkan dan mengintegrasikan semua data yang tersedia tentang pasien dan membantu dokter dengan cepat membuat keputusan. Menurut Sergey Lavanov, kepala departemen informatika medis di Philips, sistem ini mampu terus memantau dinamika indikator penting bagi kehidupan pasien dan memberi tahu dokter tentang pendekatan situasi yang mengancam.

Kecerdasan buatan, yang memungkinkan untuk bekerja dengan beragam data individu dalam jumlah besar, harus menjadi kunci untuk diagnosis yang lebih akurat dan pengobatan yang terjangkau.

Tidak seperti sistem pakar tradisional, kecerdasan buatan modern menggunakan banyak data dan mampu belajar darinya contoh nyata. Hal ini memungkinkan untuk menemukan hubungan yang kompleks dan tidak jelas dalam data dan membantu spesialis membuat keputusan klinis. Misalnya, dalam penelitian terbaru yang diterbitkan dalam jurnal PLOS ONE6, jaringan saraf dilatih untuk memprediksi perkembangan penyakit kardiovaskular atau komplikasinya. Jaringan saraf dilatih pada tiga ratus ribu catatan elektronik pasien, yang mencerminkan perkembangan dan hasil penyakit. Sebagai pengujian, jaringan hanya mengakses satu catatan awal dan menghasilkan prediksi, yang kemudian para peneliti bandingkan dengan hasil suatu penyakit dari catatan selanjutnya dalam rekam medis.

Faktanya, jaringan saraf itu sendiri harus menemukan daftar aturan yang dapat digunakan untuk menilai risiko penyakit kardiovaskular. Hasilnya, mereka memperkirakan 7,6% lebih banyak kasus komplikasi kardiovaskular dibandingkan pedoman saat ini. Jumlah ini kira-kira setara dengan 355 nyawa yang bisa diselamatkan.

Stephen Weng, ahli epidemiologi di Universitas Nottingham, menyatakan dalam sebuah wawancara dengan Science News7 bahwa jika faktor genetik atau data gaya hidup seseorang ditambahkan ke dalam model, perkiraannya bisa menjadi lebih akurat.

Integrasikan data analisis, perangkat elektronik yang dapat dipakai, rekam medis Raksasa industri seperti IBM, Alphabet (Google) dan Philips juga mencobanya. Misalnya, Philips sedang mengembangkan infrastruktur yang memungkinkannya bekerja dengan data yang diperoleh dari perangkat yang dapat dikenakan dan catatan medis pasien. Dengan bantuannya, dokter akan dapat secara akurat membuat rekomendasi dan perkiraan yang dipersonalisasi untuk pasien tertentu. Solusi yang sudah ada saat ini dapat bekerja secara bersamaan dengan data pencitraan medis dan model statistik baru, termasuk eksperimental. Di masa depan, hal ini akan memungkinkan dokter untuk menggunakan sistem kecerdasan buatan baru dalam pekerjaan mereka.

Dalam wawancara dengan CNBC8 Frans van Houten, CEO Philips, menekankan bahwa saat ini, ketika populasi semakin menua dan jumlahnya terus bertambah, Philips berfokus pada layanan kesehatan, dengan menyoroti teknologi diagnostik dan pencegahan sebagai salah satu teknologi yang paling menjanjikan.

1 Berdasarkan materi presentasi Frost & Sullivan, yang dipresentasikan pada konferensi di London, 4 Oktober 2016. 2 New England Journal of Medicine. 3 “Camelion.” 4 "Patai". 5 "Mitsin". 6 "Plos Satu". 7 Berita Sains. 8 CNN.

Kecerdasan buatan, jaringan saraf, dan pembelajaran mesin dengan cepat dan tegas memasuki industri informasi kesehatan sebagai salah satu pendorong utama dan bidang pengembangan di tahun-tahun mendatang. Selain telemedis, ini adalah salah satu topik paling populer di media dan blogosphere. Jumlah pesan dan diskusi terus bertambah bahwa solusi revolusioner baru untuk pengobatan, yang dibangun berdasarkan metode kecerdasan buatan, sedang direncanakan atau telah dibuat.

Kami telah menyiapkan untuk Anda 10 karya paling menarik tentang topik ini yang patut mendapat perhatian.

1. Kebangkitan Besar Kecerdasan Buatan. Majalah New York Times menerbitkan artikel yang menjelaskan bagaimana Google Terjemahan belajar menerjemahkan hampir seperti manusia, apa itu kecerdasan buatan, dan apa hubungannya kucing dan Ruang Cina dengannya. Editor vc.ru menerbitkan terjemahan artikel ini, alamat https://vc.ru/21767-the-great-ai-awakening
2. Bagaimana kecerdasan buatan akan mengubah layanan kesehatan dalam 5 tahun. Norman Winarski, salah satu pencipta Siri dan penasihat dana modal ventura SRI Ventures, berbicara tentang masa depan layanan kesehatan dalam lima tahun, dengan mempertimbangkan pengaruh kecerdasan buatan. Alamat: https://rb.ru/story/future-of-ai-healthcare/
3. Kecerdasan buatan dan keputusan medis. Sergey Sorokin, CEO Intellogik dan pendiri Botkin.AI, tentang kemampuan kecerdasan buatan dalam mendukung pengambilan keputusan medis dan pengembangan diagnostik: https://www.if24.ru/iskin-i-vrachebnoe-reshenie/
4. Algoritma Andrew Ng lebih baik dalam mendiagnosis pneumonia dibandingkan dokter. Sebuah tim di Universitas Stanford yang dipimpin oleh Andrew Ng mengembangkan algoritma pembelajaran mendalam yang mengungguli ahli radiologi berpengalaman dalam mendiagnosis pneumonia dari sinar-X https://hightech.fm/2017/11/16/pneumonia-algorithm
5. Kecerdasan buatan sudah dapat mengobati sebaik dokter: tren perkembangan AI dalam dunia kedokteran. Ilya Popov, anggota kelompok kerja industri di bawah Kementerian Keuangan Federasi Rusia, Kamar Dagang dan Industri Federasi Rusia dan Bisnis Rusia, berbicara tentang tren perkembangan AI di bidang farmasi dan obat-obatan dan memberikan perkiraan untuk tahun 2018 : https://rb.ru/opinion/trendy-razvitiya -ai-v-farme/
6. Kecerdasan buatan akan membantu membuat diagnosis di semua rumah sakit di Tiongkok. Platform AI medis bahkan dapat membuat diagnosis paling rumit dengan akurasi 85% dan meresepkan rejimen pengobatan penyakit onkologis, yang 96% setuju dengan pendapat tersebut dokter terbaik Tiongkok, lapor China Daily. Alamat: https://hightech.fm/2017/10/11/ai-china-diagnostic
7. Kecerdasan buatan - sebuah revolusi atau taktik pemasaran baru? Review pendapat tentang topik kecerdasan buatan dari berbagai ahli: https://www.crn.ru/numbers/spec-numbers/detail.php?ID=123946
8. Kesalahpahaman Kecerdasan Buatan. Setiap hari kita mendengar bahwa kecerdasan buatan akan menyelesaikan semua masalah kita - mulai dari mobil tanpa pengemudi hingga pengobatan kanker. Pada saat yang sama, beberapa ilmuwan dan pemimpin industri, seperti Elon Musk, pendiri Tesla, percaya bahwa kecerdasan buatan merupakan ancaman nyata bagi umat manusia. Di manakah kebenaran dan apa yang tersembunyi di balik istilah ini? Pakar Ilmu Komputer Anatoly Gershman berbicara tentang mitos utama seputar AI https://postnauka.ru/faq/80051
9. Solusi dan proyek AI paling menarik tahun 2017. Salah satu tren TI paling cemerlang pada tahun lalu adalah pesatnya perkembangan layanan yang menggunakan teknologi pembelajaran mesin dan sistem kecerdasan buatan (AI) berdasarkan jaringan saraf. Kami mengingat solusi perangkat lunak paling orisinal dan menjanjikan di bidang ini https://3dnews.ru/963472/
10. Google memperkenalkan alat AI sumber terbuka untuk pengobatan presisi. Perusahaan membuat DeepVariant, alat yang dapat digunakan untuk meningkatkan akurasi pengurutan genom, tersedia melalui Google Cloud