根据调研机构MarketsandMarkets公司的调查报告，预计到2025年，以医疗保健领域为重点的人工智能市场将增长50%。
以下是五个主要趋势：
（1） 2018年，全球医疗市场的人工智能市场规模为21亿美元。
（2）预计到2025年，全球医疗市场的人工智能市场规模将增长到361亿美元，在预测期内复合年增长率为50.2%。
（3）机器学习预计将占据市场的最大份额，其次是自然语言处理。
（4）驱动因素越来越大，数据集也越来越复杂，越来越需要降低日益增加的医疗成本、提高计算能力、降低硬件成本。
（5）面临的挑战是医疗从业者不愿意采用基于人工智能的技术，缺乏熟练的劳动力，以及对软件的监管指南不明确。
医疗保健行业的首席人工智能官
医疗保健行业的高级管理人员增加了新成员：首席人工智能官。而Anna Goldenberg博士就是一位首席人工智能官。她于今年1月在多伦多的儿童医院担任生物医学信息学和人工智能主管。
Goldenberg在接受加拿大《环球邮报》采访时说：“作为一名计算机科学家，我成为机器学习和人工智能领域的研究人员，我现在感觉可以在医疗保健方面做出巨大的改变。这需要一些时间，但我认为越来越接近了。”
事实上，人工智能正在为医疗保健行业提供动力。Goldenberg的职位的部分资金来自一位多伦多的企业家的175万美元捐款，他刚出生的孩子在这家儿童医院接受了手术。而这位企业家创办了一家合资公司，该公司开发了一个软件平台，将自动驾驶汽车与智能基础设施连接起来，去年这家公司被出售给了福特汽车公司。该职位的其余部分资金来自由医院筹款基金，使捐款总额达到350万美元。
Goldenberg拥有数据挖掘和机器学习的硕士学位和博士学位，目前担任多伦多大学计算机科学副教授，并在该医院担任高级科学家。她的研究重点是利用机器学习来绘制人类疾病异质性，并使用患者数据和人工智能预测心脏骤停等疾病。
人工智能赢得第一个同行评审点
有关人工智能的首次回顾性研究于去年8月发表在“柳叶刀肿瘤学”网站上。该研究旨在开发一种评分，以预先确定癌症治疗的反应者，并提高治疗的疗效和成本比。
同行评审的这种挖掘确定了人工智能可以处理医学图像以提取生物和临床信息。这意味着医生很快就可以使用成像来识别身体任何部位的肿瘤生物学特征，而无需进行活组织检查。如果团队没有证明其可行性，那么该技术听起来就像是科幻小说中的技术一样。
研究团队设计了一种分析CT图像的算法。图像数据与“放射特征”相结合，定义肿瘤淋巴细胞浸润水平，并为患者免疫治疗的疗效提供预测评分。对500名患者进行了放射性特征的采集、开发和验证。研究小组发现，在3个月和6个月时免疫治疗有效的患者放射评分较高，总体存活率较高的患者放射评分也较高。
建立人工智能‘道德机器’
在这个充满智能的时代，需要有一个新的中心，其新的使命是激励和影响关于人工智能道德的公共政策和法规，并建立“有道德的机器”。安大略省圭尔夫大学成立了促进负责任和道德人工智能中心（CARE-AI），致力于确保技术使人们受益，最大限度地减少伤害，并保持技术的人性化。
该中心汇集了90名大学研究人员和学者，他们计划分析人工智能的人文和社会方面，并研究人类和动物健康、环境科学、农业食品和生物经济领域的学习算法、人机界面、数据分析、传感器和
机器人等方法。在这些问题中，他们将探讨人工智能成为具有情感和意识的实体的潜力，以及当智能机器开始自己设计时，人类和人工智能将会有哪些相互作用。
梅奥诊所发现“沉默”的心脏病
将人工智能
应用于心电图可以帮助识别无症状的左心室功能障碍，这是心力衰竭的前兆。梅奥诊所的一组研究人员在《自然医学》上发表了一项研究报告，表明他们可以做到这一点。
该团队使用梅奥诊所的临床数据筛选出625，326对的EKG和经胸超声回波心电图，以确定患者。然后他们创建、训练、验证并测试了一个神经网络来验证他们的假设，了解与其他常见的筛选测试相比的准确性。
有趣的是，研究发现，在可能具有心室功能不全风险的患者中，人工智能检测出阳性的患者未来发生心室功能不全的风险是阴性患者的四倍。
“换句话说，该测试不仅可以确定无症状疾病，还可以预测未来疾病的风险，这是通过识别心肌无力之前发生的非常早期、细微的心电图变化来实现的。”Paul Friedman医学博士说。
HBR：人工智能可能会减少医疗保健的繁文缛节
能够处理大量数据和进行实时建议的人工智能工具可以大大减轻医疗系统的管理负担，并节省启动资金。文章表明，在美国医疗体系3万亿美元的年度成本中，约有三分之一的成本浪费在行政和运营效率低下方面。人工智能已经实现了更快的病床分配、更简单和改进的文档和自动欺诈检测。例如，人工智能帮助医疗系统更快地分配床位，将外科病人的恢复时间缩短80%，将急诊床等待时间缩短20%，并接受60%以上的转院患者。
为了利用人工智能，医疗保健组织需要：
·简化和标准化数据和流程，以便人工智能可以使用它们。
·确保IT系统之间的互操作性和数据共享。
·逐步淘汰那些通过帮助改善成果来增加业务价值的员工。
消除“黑盒”挑战？
马萨诸塞州波士顿总医院的研究人员使用不到1000例的成像病例，能够训练一种人工智能算法来检测颅内出血（ICH），并在未增强头部CT扫描上对其五个子类型进行分类。深度学习算法的设计是为了揭示其决策背后的推理，通常被称为人工智能的“黑盒”问题，通过一个“注意力地图”，突出显示用于进行预测的图像上的重要区域。它还消除了放射科医师对用于训练大多数深度学习模型的大型高质量数据集进行注释的需要。
研究小组发现，该模型的准确性与训练有素的放射科医师相当，但其灵敏度相当高。
这就是它真正重要的原因：脑出血是一种潜在的致命疾病，采用自动敏感模型能够可靠地检测到它，可以加快患者的治疗。它还可以帮助具有不同专业水平的神经放射科医生更快地确定脑部扫描是否存在出血的情况，避免颅内出血（ICH）的迟发或漏诊。
人工智能工具比皮肤科医生更好地检测皮肤癌
根据最近一项对肿瘤学年鉴的研究，无论医生的经验水平如何，基于人工智能的网络在分析癌症皮肤病变图像方面都优于皮肤科医生。然而，皮肤科医生在为他们的诊断添加真实的临床信息后表现更好，但仍然优于神经网络。
“我们的数据清楚地表明，卷积神经网络（CNN）算法可能是一种合适的工具，可以帮助医生进行黑素瘤检测，无论他们的个人经验水平和培训水平如何。”德国海德堡大学皮肤病学系的教授Holger A. Haenssle博士表示。
濒于危险：DL预测乳腺肿瘤对化疗的反应
为精确治疗做好准备。例如：根据发表在《数字成像》杂志上的最新研究结果，研究人员已经预测乳腺肿瘤对新辅助化疗（NAC）的反应准确率为88%。其提供的好处是双重的：提供了更好的方法来早期评估治疗反应，并显著改进了当前的预测方法，即一旦开始治疗，就依赖于间隔成像。
使用乳房MRI肿瘤数据集，纽约哥伦比亚大学欧文医学中心的研究人员采用深度学习卷积神经网络（CNN）方法来训练和预测化疗开始前对化疗的反应。
