Volume 5 | Article ID 0036 |
随着人工智能（Artificial Intelligence, AI）技术的飞速发展，其在医学领域的应用正在悄然改变我们的生活方式。从筛查、诊断到治疗与预后，AI正为医疗行业带来前所未有的变革；然而，要使AI真正融入临床实践，我们仍面临着众多挑战。在这篇Perspective中，GE WANG 教授为我们提供了一个全新的视角——“CASES”，“CASES”是一个专为解决AI在医学领域所面临的挑战而定制的概念，它包括Confidence（置信度）、Adaptability（适应性）、Stability（稳定性）、Explainability（可解释性）和Security（安全性）五个关键要素。这五个要素共同构成了AI在医学领域应用的核心价值，它将助力AI在医学领域取得更大的突破。
图1. 置信度、适应性、稳定性、可解释性和安全性对于医学中的人工智能非常重要，可以使用新兴的扩散型模式和多模态大型模型进行改进。
上述五个要素的协同性问题可通过新兴的大型语言模型和多模态大型模型（Multimodal Large Models）来解决，这些大型模型具有处理和关联各种数据类型（如图像、文本和基因组数据）的能力，为个性化医学提供了巨大潜力（图1）。此外，已有的研究发现通过扩散模型（Diffusion Models）实现生成式人工智能的结果通常优于生成对抗网络，但需要提高扩散模型的采样速度以解决其高昂的计算成本等问题。目前，扩散模型、大型混合模型等前沿领域正在加速发展，这为人工智能融入医学领域提供了机遇，有望提高临床效率、改善患者结果并消除医疗保健差距。让我们共同期待AI在医学领域的未来发展，为人类的健康福祉贡献更多力量！
作者介绍
本文的通讯作者是美国纽约州特洛伊市伦斯勒理工学院生物技术与跨学科研究中心生物医学成像中心GE WANG 教授，主要的研究方向是深度学习、深度神经网络、计算机断层扫描等，GE WANG 教授是IEEE，SPIE，AAPM，OSA，AIMBE，AAAS会士，H-index为71，并在IEEE transactions on medical imaging、nature machine intelligence、radiology等SCI期刊上发表相关学术文章700余篇。
撰稿：张宏
审核：孙敏轩、刘萍萍
原文链接：
https://spj.science.org/doi/10.34133/bmef.0036
-----往期荐读-----
Scalable Electrophysiology of Millimeter-Scale Animals with Electrode Devices
https://spj.science.org/doi/10.34133/bmef.0034
Efficient simultaneous detection of metabolites based on electroenzymatic assembly strategy
https://spj.science.org/doi/10.34133/bmef.0027
About BMEF
点击下方“阅读原文”查看文章原文
点击“在看”，助力传播
