零食创意广告30字

dixiachenggecaoyouxidailaihanchanglinlidezhandouguocheng，haijuyoufeichangcijidemaoxianguocheng，yongyoudaliangguaiwu；yinrurushengdejingcaicijizhuxianrenwujuqing，fazhanduoyuanhuadejuqingzouxiang。gaoduziyoudewanfa，gaodusuijideyouxineirong，zaizhelidajiakeyixiangshouyouxidaigeinidejuejiatiyan。huafengwubikeaidemoniyouxi，quanxindeyangchengfangshi，nikeyiziyoudehuanzhuang；minizaoxingdelongzuchengweixiaochuduixiang；超(chao)強(qiang)黑(hei)科(ke)技(ji)，只(zhi)用(yong)手(shou)機(ji)就(jiu)能(neng)做(zuo)產(chan)檢(jian)！｜谷(gu)歌(ge)2022年(nian)終(zhong)總(zong)結(jie)第(di)八(ba)彈(dan)

新(xin)智(zhi)元(yuan)報(bao)道(dao)

編(bian)輯(ji)：LRS

【新智元導(dao)讀(du)】AI能為(wei)人(ren)類(lei)的(de)健(jian)康(kang)做什(shen)麽(me)？

2017年4月(yue)，Hinton在(zai)接(jie)受(shou)《紐(niu)約(yue)客(ke)》采(cai)訪(fang)時(shi)說(shuo)，「5年內(nei)深(shen)度(du)學(xue)習(xi)就能超過(guo)放(fang)射(she)科醫(yi)生(sheng)，從(cong)現(xian)在起(qi)就停(ting)止(zhi)培(pei)訓(xun)放射科医生」。

近(jin)六(liu)年的时間(jian)过去(qu)了(le)，借(jie)助(zhu)海(hai)量(liang)医学數(shu)據(ju)加(jia)大(da)模(mo)型(xing)，医療(liao)行(xing)業(ye)的飯(fan)碗(wan)還(hai)能握(wo)得(de)牢(lao)嗎(ma)？未(wei)來(lai)哪(na)些(xie)AI+医疗的方(fang)向(xiang)有(you)價(jia)值(zhi)？

Google Research的2022年终总结第八期(qi)的主(zhu)題(ti)是(shi)「健康」（Health），文(wen)章(zhang)作(zuo)者(zhe)是Google Research的傑(jie)出(chu)科学家(jia)Greg Corrado和(he)工(gong)程(cheng)與(yu)研(yan)究(jiu)副(fu)总裁(cai)Yossi Matias.

1. 超詳(xiang)超硬(ying)Jeff Dean萬(wan)字(zi)总结火(huo)熱(re)出爐(lu)！圖(tu)解(jie)谷歌2022年AIGC、LLM、CV三(san)大領(ling)域(yu)成(cheng)就

2. 谷歌2022年度回(hui)顧(gu)：讓(rang)AI更(geng)負(fu)責(ze)任(ren)，主要(yao)做了4點(dian)微(wei)小(xiao)的工作

3. Jeff Dean發(fa)推(tui)：谷歌超硬年终总结「第三弹」来了！大力(li)发展(zhan)Jax

4. 让大模型的训練(lian)和推理(li)，比(bi)更快(kuai)还更快！谷歌2022年终总结第四(si)弹

5. 基(ji)礎(chu)算(suan)法(fa)才(cai)是王(wang)道！谷歌2022年终总结第五(wu)弹：真(zhen)正(zheng)的「算法工程師(shi)」都(dou)在研究啥(sha)？

6. Google AI年终总结第六弹：沒(mei)有波(bo)士(shi)頓(dun)動(dong)力的谷歌机器(qi)人，发展得怎(zen)么樣(yang)了？

7. 探(tan)索(suo)自(zi)然(ran)本(ben)源(yuan)！谷歌2022年终总结第七(qi)弹：「生化(hua)環(huan)材(cai)」如(ru)何(he)吃(chi)上(shang)机器学习紅(hong)利(li)？

谷歌對(dui)人工智能技術(shu)堅(jian)定(ding)不(bu)移(yi)的信(xin)念(nian)来自於(yu)，他(ta)們(men)認(ren)为AI技术將(jiang)會(hui)在未来幾(ji)乎(hu)所(suo)有的领域、所有的部(bu)門(men)中(zhong)提(ti)供(gong)作用，補(bu)充(chong)和提高(gao)人们的能力，从而(er)造(zao)福(fu)社(she)会。

其(qi)中最(zui)能对社会产生正面(mian)影(ying)響(xiang)的领域，莫(mo)过于医疗保(bao)健和医藥(yao)领域。

与谷歌提升(sheng)社会效(xiao)益(yi)的使(shi)命(ming)相(xiang)壹(yi)致(zhi)，Google Research在應(ying)用机器学习方面的項(xiang)目(mu)幫(bang)助 Alphabet，从2019年到(dao)2022年每(mei)年都在「健康和生命科学出版(ban)物(wu)」的自然影响指(zhi)数(Nature Impact Index)上位(wei)列(lie)前(qian)五名(ming)最具(ju)影响力的企(qi)业研究机構(gou)。

发表(biao)有關(guan)健康研究的出版物对社会产生了廣(guang)泛(fan)的影响，橫(heng)跨(kua)多(duo)個(ge)领域，包(bao)括(kuo)生物標(biao)誌(zhi)物（biomarker）、消(xiao)費(fei)者傳(chuan)感(gan)器、皮(pi)膚(fu)病(bing)学、内窺(kui)鏡(jing)检查(zha)、流(liu)行病学、医学、基因(yin)組(zu)学、腫(zhong)瘤(liu)学、眼(yan)科学、病理学、公(gong)共(gong)和环境(jing)衛(wei)生以(yi)及(ji)放射学领域。

本文重(zhong)点回顾Google Research关註(zhu)的三个具體(ti)主题：

1. 技术夥(huo)伴(ban)关系(xi)的重要性(xing)（Criticality of technology partnerships）

2. 轉(zhuan)向移动健康（Shift towards mobile health）

3. 生成式(shi)机器学习在健康领域的应用（Generative ML in health applications）

文中的每一節(jie)都在强調(tiao)，卫生领域創(chuang)新采取(qu)「慎(shen)重和協(xie)作的方法」的重要性，与消费产品(pin)開(kai)发中典(dian)型的「啟(qi)动和叠(die)代(dai)」方法不同(tong)，将机器学习应用于卫生领域需(xu)要深思(si)熟(shu)慮(lv)的評(ping)估(gu)、生態(tai)系統(tong)意(yi)識(shi)和嚴(yan)格(ge)的測(ce)試(shi)。

所有医疗保健技术必(bi)須(xu)在部署(shu)之(zhi)前向監(jian)管(guan)机构證(zheng)明(ming)它(ta)们是安(an)全(quan)和有效的，並(bing)且(qie)需要滿(man)足(zu)严格的患(huan)者隱(yin)私(si)和性能监测标準(zhun)。

但(dan)机器学习系统作为這(zhe)一领域的新晉(jin)方法，还必须发现它们在卫生工作流程中的最佳(jia)用途(tu)，并贏(ying)得医疗專(zhuan)业人員(yuan)和患者的信任。对于这種(zhong)特(te)定领域的集(ji)成和驗(yan)证工作，不应該(gai)由(you)技术公司(si)單(dan)獨(du)开展，而是应该与专家和技术伙伴密(mi)切(qie)合(he)作。

技术伙伴关系的重要性

负责任的创新需要耐(nai)心(xin)和持(chi)續(xu)的投(tou)資(zi)，共同遵(zun)循(xun)从初(chu)級(ji)研究逐(zhu)步(bu)到影响全人类的長(chang)線(xian)研究。

在谷歌使用机器学习来預(yu)防(fang)服(fu)務(wu)不足导致的糖(tang)尿(niao)病人群(qun)失(shi)明的研究進(jin)展中，从发表主要算法研究到最近的部署研究证明了在基于社區(qu)的篩(shai)選(xuan)环境中綜(zong)合机器学习解決(jue)方案(an)的现實(shi)世(shi)界(jie)的准確(que)性，已(yi)經(jing)过去了六年。

幸(xing)運(yun)的是，研究人员发现可(ke)以通(tong)过构建(jian)深思熟虑的技术伙伴关系，从benchtop-ML到AI-at-the-bedside，提升整(zheng)个流程的开发速(su)度。

加速发布(bu)与健康相关的机器学习技术的必要性是顯(xian)而易(yi)見(jian)的。

例(li)如，在肿瘤学领域，乳(ru)腺(xian)癌(ai)和肺(fei)癌是兩(liang)种最常(chang)见的癌癥(zheng)类型，对于这两种癌症，早(zao)期发现是关鍵(jian)。

如果(guo)机器学习能夠(gou)提高这些癌症筛查的准确性和可用性，患者的结果将会改(gai)善(shan)，但是等(deng)待(dai)部署这些进展的时间越(yue)长，得到帮助的人就会越少(shao)。

伙伴关系可以让新技术更快且安全地(di)到達(da)患者手中，成熟的医疗技术公司可以将新的人工智能能力整合到现有的产品组合中，尋(xun)求(qiu)適(shi)當(dang)的监管許(xu)可，并利用现有的客戶(hu)群快速部署这些技术。

在谷歌发表利用机器学习改善乳腺癌筛检的主要研究成果僅(jin)仅两年半(ban)之後(hou)，就与一家领先(xian)的乳腺攝(she)影軟(ruan)件(jian)供应商(shang) iCAD 合作，开始(shi)将研发的技术整合到 iCAD 的产品中。

論(lun)文鏈(lian)接：https://www.radnet.com/about-radnet/news/radnet%E2%80%99s-aidence-artificial-intelligence-ai-subsidiary-and-google-health-enter

通过与 RadNet 公司的合作，研究人员发现在将低(di)劑(ji)量 CT 掃(sao)描(miao)的深度学习研究转化为肺部癌症筛查工作流程时，也(ye)出现了同样的加速模式。

基因组学（Genomics）是另(ling)一个已被(bei)证明能够被机器学习技术極(ji)大增(zeng)强的领域。

去年，谷歌与斯(si)坦(tan)福大学合作，通过结合新的测序(xu)技术和机器学习技术，在创紀(ji)錄(lu)新低的时间内对患者的整个基因组进行测序，从而快速診(zhen)斷(duan)基因疾(ji)病，并允(yun)许进行挽(wan)救(jiu)生命的幹(gan)预。

另外(wai)，谷歌还宣(xuan)布了与太(tai)平(ping)洋(yang)生物科学公司建立(li)伙伴关系，通过在测序方法之上分(fen)層(ceng)（layering）机器学习技术，在深度学习基因组学的长期开放源碼(ma)项目的基础上，进一步推进研究和臨(lin)床(chuang)中的基因组技术。

代码链接：https://github.com/google/deepvariant

同年晚(wan)些时候(hou)，PacBio 宣布了 Revio，一种由谷歌技术驅(qu)动的新的基因组测序工具。

網(wang)站(zhan)链接：https://www.pacb.com/revio/

医学技术公司和人工智能技术公司之间的合作可以加速技术应用速度，但这种合作是对开放研究和开放软件的补充而非(fei)替(ti)代，开放研究和开放软件推动了整个领域的发展。

例如，在谷歌的医学成像(xiang)系列中，研究人员引(yin)入(ru)了一种簡(jian)化胸(xiong)部 X 射线模型开发学习的新方法；通过强大且有效的自监督(du)学习加快医学成像机器学习系统生命周(zhou)期的方法；以及使医学成像系统对異(yi)常值更加强大的技术，所有这些想(xiang)法都在2022年内实现了。

论文链接：https://arxiv.org/abs/2205.09723

展望(wang)未来，研究人员认为这种科学开放和跨行业伙伴关系的组合将成为实现以人为中心的人工智能在医疗保健和医药领域的益處(chu)的关键催(cui)化剂。

邁(mai)向移动医疗

在整个医疗保健领域，医疗应用相关的机器学习研究中，重点已经从集中式的中心式護(hu)理（如住(zhu)院(yuan)治(zhi)疗）转向分布式护理。

所以，谷歌开始转向开发开发「移动机器学习」解决方案，即(ji)把(ba)诊疗能力通过手机等移动設(she)備(bei)帶(dai)給(gei)病人，而不是让病人去诊所，盡(jin)管诊所内也会有一些机器学习解决方案。

博(bo)客链接：https://blog.google/technology/health/take-pulse-health-and-wellness-your-phone/

2022年，研究人员开展了一项新的研究，即智能手机相机自拍(pai)可以「评估心血(xue)管健康」和「新陳(chen)代謝(xie)对視(shi)力的風(feng)險(xian)」，以及将「智能手机麥(mai)克(ke)风放在胸前帮助解读心臟(zang)和肺部聲(sheng)音(yin)」的可能性。

这些实踐(jian)成果都是基于已经安裝(zhuang)到智能手机上的諸(zhu)多传感器。

雖(sui)然这些进展很(hen)有价值，但通过开发新的传感技术，在擴(kuo)大移动保健能力方面仍(reng)有很大潛(qian)力。

谷歌开发了一项技术，使得新传感器可以輕(qing)松(song)連(lian)接到现代智能手机上，可以让移动产婦(fu)超声波技术扩展到资源不足的社区内。

每年，妊(ren)娠(shen)和分娩(mian)并发症造成29.5万孕(yun)产妇死(si)亡(wang)和240万新生兒(er)死亡，对全球(qiu)低收(shou)入人口(kou)的影响尤(you)为严重。

产科超声是高質(zhi)量产前护理的一个重要组成部分，但中低收入國(guo)家多达50% 的妇女(nv)在懷(huai)孕期间没有接受超声检查。

超声波硬件领域的创新者已经在低成本、手持、便(bian)攜(xie)式超声波探頭(tou)方面取得了非常快速的发展，这种探头只需要一部智能手机就可以驱动，不过这项技术还有一个关键的弱(ruo)点，即缺(que)乏(fa)具备操(cao)作超声波探头并解读其陰(yin)影图像的技术和专业知(zhi)识的现場(chang)技术人员。

当然，遠(yuan)距(ju)離(li)诊疗也是可行的，但在互(hu)聯(lian)网连接不可靠(kao)或(huo)网速不够的情(qing)況(kuang)下(xia)是無(wu)法实现的。

有了正确的机器学习驱动的移动超声波，助产士、护士和社区卫生工作者等提供者就有可能将产科超声波带给那(na)些最需要的人，并及时发现問(wen)题。

先前的研究已经表明，卷(juan)積(ji)神(shen)经网絡(luo)(CNN)可以对「超声儀(yi)使用标准化采集协議(yi)獲(huo)得的超声波」进行解釋(shi)。

在意识到人工智能有机会打(da)开可能拯(zheng)救生命的信息(xi)的通道后，谷歌的研究人员在过去的几年裏(li)与美(mei)国和贊(zan)比亞(ya)的学术伙伴和研究人员合作，提高和扩大自动解释超声波视頻(pin)捕(bu)捉(zhuo)的能力，只需要简单地将超声波探头扫过母(mu)親(qin)的腹(fu)部就能获得结果，可以很容(rong)易地传授(shou)给非医疗专家使用。

只需要几小时的超声训练数据

仅使用一个低成本、由電(dian)池(chi)供电的超声设备和智能手机，就能使得该方法的准确性与现有的临床标准相当的专业超声医师对「胎(tai)齡(ling)和胎儿畸(ji)形(xing)」的估計(ji)。

不过，目前仍然处于便携式医学成像技术广泛转型的早期階(jie)段(duan)。

在未来，机器学习驱动的移动超声波将增强手机内置(zhi)的传感器，允许现场分类和筛查範(fan)圍(wei)更广泛的医疗问题，用最少的训练数据，就能对数百(bai)万人的护理提供帮助。

健康领域的生成式ML

过去，研究人员已经探討(tao)了生成图像模型在数据增强中的适用性，讨论了生成模型如何用于捕获相关临床事(shi)件之间的相互作用，甚(shen)至(zhi)用于为研究目的生成一些合理的电子(zi)医疗記(ji)录。

提到生成式模型，肯(ken)定要提到大型語(yu)言(yan)模型（LLM）的最新进展，经过近十(shi)年的研究，通过生成回歸(gui)神经网络的文本合成的公开演(yan)示(shi)已经让全行业沸(fei)騰(teng)了。

毫(hao)无疑(yi)问，这些技术具有现实世界中的应用潜力，事实上，谷歌也是最早在实时消费产品中部署这些网络的早期變(bian)体的公司之一。

但考(kao)虑到它们在卫生领域的应用时，必须再(zai)次(ci)回到基本原(yuan)則(ze)，即大公司必须负责任地测试技术并有謹(jin)慎行事的根(gen)本责任；必须意识到建立一个机器学习系统的重要性，有一天(tian)可能会影响到真正有健康问题的人，这一点不能低估。

为此(ci)，去年12月，研究人员发表了一份(fen)关于 LLM 和临床知识编码的预印(yin)本，其中整理和扩展了评估自动医学问题回答(da)系统的基准，并介(jie)紹(shao)了一个研究级医学问题回答语言模型Med-PaLM.

论文链接：https://arxiv.org/abs/2212.13138

例如，如果有人提问，「壓(ya)力会导致流鼻(bi)血吗?」，模型会生成一个回应，解释「是的，压力会导致流鼻血」，并详細(xi)说明一些可能的机制(zhi)。

Med-PaLM的目的是使研究人员能够实验和改进 LLM 对健康信息的表示、检索和交(jiao)流，但它目前还不是一个完(wan)整的医学问题回答产品。

在实验结果中，Med-PalM 在这些基准测试上的表现大大超过了其他系统，而且是全面地超越。

也就是说，论文的一个关键点在于，仅仅在一系列医学考试问题上得到一个「及格」分数，和其他机器学习系统都是这样做的，仍然远远达不到支(zhi)持现实世界中医学问题回答所需的安全性和准确性。

研究人员预计，这一领域也将得到迅(xun)速发展，但就像将卷积神经网络带入医学成像领域一样，语言模型在健康应用方面的成熟将需要进一步的研究、合作、关注和耐心。

总结

上述(shu)这些趨(qu)勢(shi)将在2023年繼(ji)续下去，甚至可能得到加速发展，为了更有效地繪(hui)制从创新到人工智能对医疗保健的影响的发展路(lu)线，将会看(kan)到学术、医疗技术、人工智能技术和医疗保健组織(zhi)之间的合作不断增加。

这可能会与已经测量到的、但仍然具有变革(ge)意義(yi)的手机和移动传感器在提供护理方面的作用的扩展产生积极的互动，可能远远超出我(wo)们目前对远程保健的想象(xiang)。

当然，如今(jin)在人工智能领域很難(nan)不为生成性人工智能和大型语言模型的前景(jing)感到興(xing)奮(fen)，但是，尤其是在卫生领域，必须利用伙伴关系的工具和最高标准的测试来实现这一承(cheng)諾(nuo)。

技术将不断变化，我们对人类健康的了解也将不断变化，保持不变的是人们相互关心，努(nu)力把事情做得比以前更好(hao)。

參(can)考资料(liao)：

https://ai.googleblog.com/2023/02/google-research-2022-beyond-health.html返(fan)回搜(sou)狐(hu)，查看更多

责任编辑：