Çinliler neden kanserden bahsediyor ama Avrupa ve Birleşik Devletler buna alıştı?
İlk olarak tüm ağda yayınlandı, eksiksiz notlar, yapay zeka, büyük veri
Bu makalenin kalitesi: Lezzet: berrak bir bahar
Bay Notes şunları söyledi:
Yapay zeka genellikle insanların görüş alanına girdiği için popülaritesi yüksek kalmıştır. Şimdi, hizmet endüstrisindeki insan gücünün bir kısmının yerini almak için kullanıldı. Tıbbi büyük veri yapay zeka ile karşılaşırsa ne tür bir enerji açığa çıkaracak?
Ardından, Note-Jun ile bugünün makalesine geçelim.
Aşağıda, keyfini çıkarın ~
Bugün ağırlıklı olarak tıbbi büyük veri ve yapay zeka hakkında konuşacağım. Bir araç olarak, herkesle hiçbir ilgisi yok gibi görünüyor. Sonra size somut bir örnek vereceğim ve siz öyle düşünmüyorsunuz.
Bu sabah ailem Sun Yat-sen Üniversitesi Göz Merkezinde ameliyat oldu ve ileri derecede glokom ve katarakt geçirdi. Glokom, oftalmoloji bölümünde bir kanserdir. Geri dönüşü yoktur ve geç dönemde çok kötüdür. Bu nedenle erken teşhis ve erken tedavi önemlidir. Sizinle kanserin erken teşhisi hakkında konuşmama izin verin.
On yıldan fazla bir süredir tıbbi görüntüleme alanında çalıştım ve Çin'de tümörlerin "kanserli renk değişikliğinden bahsettiğini" keşfettim. Çevremizde kanser olan biri varsa, ilk tepkimiz şudur: Ne kadar yaşayabilir?
Bununla birlikte, Avrupa ve Amerika ülkelerinde veya gelişmiş ülkelerde, birçok tümör majör kronik hastalıklar olarak sınıflandırılmıştır ve insanlar kanser nedeniyle ölümü hemen düşünmeyeceklerdir.
Bu neden? Bunun nedeni, Çin'in erken hastalık taramasının özellikle zayıf olmasıdır.
Örnek olarak karaciğer kanserini ele alalım:
Karaciğer kanseri erken dönemde tespit edilebiliyorsa 5 yıllık sağkalım oranı% 90'a yakın; orta vadeli tespitte 5 yıllık sağkalım oranı yüzde ondan fazla; geç dönemde tespit edilirse 5 yıllık sağkalım oranı temelde tek hanelidir.
Ne yazık ki, Çinli karaciğer kanseri hastalarının çoğu, keşfedildiklerinde orta ve ileri aşamadadır, bu nedenle Çinli bir kişi bir kez karaciğer kanserine yakalandığında ölüm olasılığı çok yüksektir.
Bu durumda özellikle hayatımızda "Dabai" gibi bir robot olacağını umuyoruz. Filmdeki "Dabai" yapay zeka, tıbbi kurtarma ve savaş yeteneklerini birleştiren bir robottur ve en büyük görevi korumaktır.
Tıbbi bakım açısından, "Dabai" kameralar ve diğer ekipmanlar aracılığıyla kullanıcının fiziksel işaretlerini, sağlık verilerini ve duygularını algılayabilir ve ardından sağlık bakımı için önlemler alabilir.
Hem teknik donanıma, yapay zeka bileşenlerine hem de birçok teknolojiye sahiptir.
1. Tıbbi büyük veri
1. Verilere teknik açıdan bakın
Teknik olarak, bilgi inşasında yıllarca süren çabalar ve gelişmelerden sonra, büyük veri artık hemen hemen her yerde.
Örneğin Xiaomi bilekliği, taşıyıcının vücudunun ilgili verilerini 24 saat izleyebilir.
Örneğin, insanlar fiziksel muayene, EKG ve CT yaptıklarında sonuçlar aynı zamanda görüntüleme verilerine de dayanır; kan testleri de kan testi verilerine dayanır. Genetik veriler dahil.
Şimdi giderek daha fazla çalışma gösteriyor ki, hastalığın kurtarılıp kurtarılamayacağı genlerimize bağlı. .
İlk günlerde veri miktarı çok küçüktü ve bir sabit disk yeterliydi.Şimdi veri miktarı gittikçe artıyor, Zhongshan Medical'ın verileri yılda 10 petabayt, yani yaklaşık 10 milyon Blu-ray film.
Her yıl dünyadaki veri miktarından bahsetmiyorum bile. Bunlar davranışsal verileri, 24 saatlik giyilebilir cihaz verilerini, genetik verileri vb. İçerir. Bunlar sağlıkla ilgili büyük miktarda veridir ve bizim için çok önemlidir.
Mevcut büyük veri genellikle istatistiksel yöntemler kullanır. Bir gruba dayalı bir model, gruptaki çoğu kişi için geçerlidir, ancak bireyler için istisnalar olabilir.
Bireyselleştirilmiş veriler aslında bir bireyin farklı açılardan ve boyutlardan elde ettiği kapsamlı verileri yansıtır.
Örneğin BT temelde vücudun anatomik yapı bilgisini yansıtır MRI ayrıca anatomik yapıya ve fonksiyonel bilgiye sahiptir PET vücudun metabolizmasını ve fonksiyonel bilgisini yansıtabilir.2. Verilere klinik açıdan bakın
Son 20 yıldır yapıyoruz Semptomatik tıp . Semptomatik tıp nedir? Yani, bir hastalığınız varsa, vaka bazlı tıbbın yaptığı ilk şey, hastalığın teşhisinin temelini bulmaktır.
Bu nedenle, vücudunuzda meydana gelen patolojiye dayalı olarak görüntüden kanıt bulmak için CT, NMR vb. Alacağız. Ama sonunda hastalık değişir ve yaşamınızı ve ölümünüzü belirleyen genlerdir.
Bu, son on yıldır yaptığımız hassas tıp veya kişiselleştirilmiş tıptır. DNA ve RNA (bir virüs) perspektifinden hücre organizasyonuna kadar, aslında çok boyutlu ve çok ölçekli verileri hedefe entegre eder Birey kesin kararlar verir.
DNA ve RNA seviyesinden hücre ve doku seviyesine kadar, veri miktarı çok büyük ve tarihte biriken veriler de çok büyük. Bu nedenle, tıbbi büyük veri analizi yapmak birkaç büyük zorlukla karşı karşıyadır:
Büyük miktarda veri
Hızlı ol
Başka yerlerden gelen birçok hasta ilk gün doktora görünmeyi, ikinci gün takip etmeyi ve üçüncü gün geri dönmeyi ümit etmektedir. Ancak algoritma bu kadar büyük miktarda veriyi işleyecek kadar iyi değilse, bir hafta sürecektir.
Bu kişinin hastalığı görmeye geleceğini ve bir hafta içinde sonuçları almak için geri döneceğini söyleyemezsiniz, bu gerçekçi değil, bu yüzden algoritmanın hızı için yüksek gereksinimlerimiz var.
Veri yapısı çok karmaşıktır
Veri kaynaklarımız çok karmaşık. Bazıları görüntüleme departmanından, bazıları laboratuvardan ve bazıları laboratuvardan geliyor.Bu tıbbi büyük veriler için çok büyük bir zorluk.
3. Tıbbi büyük verinin mevcut durumu (ölümcül sorun)
Parçalı veri akışı
Sık sık doktora giden insanlar, bir hastanede CT veya MR (biyomanyetik spin görüntüleme teknolojisi) yaptıktan sonra, bir dahaki sefere başka bir hastaneye geçtiğinizde bunu tekrar yapmanız gerekeceğini, çünkü hastaneler arasında veri dolaşımı olmadığını göreceklerdir. Evet, bu bir bilgi adası oluşturur.
Bir doktora görünmek zor
Hastalık ne olursa olsun, sorun temelde birincil hastanelerde bulunur ve sonuçta çoğu üçüncü basamak hastanelere gidecek.
Ancak ilk üç A sınıfı hastane, iki gün önceden randevu almadan doktorları göremez. Çünkü mevcut hastalar birinci basamak hastanelerde tanı ve tedavi düzeyine güvenmiyor.
Peki bu problem nasıl çözülür? yapay zeka.
Yapay zeka tabandaki doktorların yeteneklerini geliştirmelerine yardımcı olabilir ve aynı zamanda en iyi üçüncü basamak hastanelerdeki doktorların iş verimliliklerini artırmalarına yardımcı olabilir, böylece zor tıbbi tedavi sorunu etkili bir şekilde çözülebilir.
2. Yapay zekanın tarihi
1. Önerilenden tanınana
Yapay zeka yeni bir kavram değil, 17. yüzyılda birisi yapay zekaya benzer bir konsept önerdi, o zamanlar sadece temel bir araştırmaydı.
20. yüzyılın ortalarında, yapay zeka kavramı resmen ortaya atıldı çünkü bazı ilkel sinir ağları, bunları çözmek için yapay zeka gerektiren belirli problemlerle, özellikle örüntü tanıma ile karşılaşacaktı.
O zamanlar, Amerika Birleşik Devletleri'ndeki işçilik maliyetleri nispeten pahalıydı ve çok başarılı olan el yazısı tanıma için makineleri kullanmayı seviyorlardı. Herkes yapay zeka çağının burada olduğunu hissediyor. Ancak, özellikle zayıf bilgi işlem gücü nedeniyle, soğuk kışa hızla girdi.
O zamanlar bilgisayar hala kart tipindeydi ve Alobo'nun aya iniş projesinin tamamının hesaplama gücü mevcut cep telefonumuz kadar iyi olmayabilir. Bu nedenle yapay zekayı daha fazla ilerletmenin bir yolu yoktu.
1980'lerde büyük bir sıçrama oldu Amerika Birleşik Devletleri birçok bilim kurgu filmi çekti ve herkes yapay zekanın yakında insanların yerini alacağını hissetti.
O zamanlar DARPA (ABD Savunma İleri Araştırma Projeleri Ajansı) yapay zeka bilgisayarları yapmayı planlıyordu ve bilgisayarların yapay zeka düşüncesine sahip olduğunu umuyordu, ancak başarısız oldu ve henüz tamamlanmadı.
Ancak 1990'larda ünlü bir olay, IBM'in Deep Blue'sunun satranç şampiyonunu mağlup etmesiydi. Asıl neden, hesaplama gücündeki artmasıydı.Deep Blue tarafından kullanılan algoritma çok karmaşık değildi, ancak Deep Blue'nun kendisi mükemmel hesaplama gücüne sahip bir süper bilgisayardı. O sırada dünya satranç şampiyonunu yendi.
Son zamanlarda, yapay zekada bir başka zirve daha yaşandı. 2006'da Kanada'daki Toronto Üniversitesi'nden Profesör Geoffrey Hinton, derin öğrenme kavramını önerdi, ancak o dönemde yaygın bir ilgi görmedi.
2012 yılına kadar, çok ünlü imagenet görüntü tanıma mücadelesinde, Hinton'un derin öğrenme modelinin kullanımı, o zamanki geleneksel yöntemlerle elde edilen en iyi sonuçlardan en az bir düzine puan daha yüksekti.
Bu oyunun on yıllardır çalıştığını biliyorsunuz ve onu yüzde bir puan artırmak zor, ancak Hinton'un algoritması onu yüzde ondan fazla geliştirdi. O zamandan beri, derin öğrenme araştırma topluluğunda çok popüler hale geldi.
Ancak sıradan insanlar, AlphaGo ortaya çıkana ve Go şampiyonluğunu kazanmak için insanları mağlup edene kadar derin öğrenme devriminden haberdar değildi.
Herkes her zaman Go'nun özellikle karmaşık bir oyun olduğuna inanmıştır.O zamanlar makinelerin birkaç on yıl içinde insanları geçemeyeceğine inanılıyordu, ancak derin öğrenme o dönemde insanın kendine olan güvenini yendi ve popüler bilimde çok iyi bir rol oynadı.
Şu anda yapay zeka gerçekten çok iyi ama aynı zamanda gerçekten "zayıf". Bu, endüstride tanınan yapay zekanın üç aşamasından başlamalıdır.
2. Yapay zekanın üç aşaması
Zayıf yapay zeka
Zayıf yapay zeka genellikle satranç, zemini süpürme vb. Gibi belirli, basit ve tekrar eden bir görevi tamamlamaya odaklanmak için makine öğrenimine dayanır. Yapay zekanın şu anda yaptığı şey budur.
Benim açımdan Zayıf yapay zeka aslında veri uydurmadır . Kullanmakta olduğumuz algoritma, algoritmaya veya yapay zekaya uydurma yöntemiyle neyin yanlış neyin doğru olduğunu söylemek için eğitim setinin bilgisini kullanıyor ve sonra makine öğrenecek.
Bu aşamada zayıf yapay zeka Daha çok, belirli belirli görevlerde insanların yerini alacak bir araç gibidir, ancak insanlardan önemli bir fark olacaktır. .
Güçlü yapay zeka
Her zaman yapmak istediğimiz şey buydu.Sektör daha önce güçlü yapay zekanın 2050 civarında gelmesini bekliyordu.
Her şeyden önce nedir Güçlü yapay zeka ? Kendi kendine öğrenme yeteneğine sahip bir çocuk gibidir. Güçlü yapay zeka doğdu Kendi kendine öğrenebilen, kendi diline sahip, bilinçli ve yaratıcı olabilen .
Güçlü yapay zeka ile insanlar arasında pek bir fark yoktur ve bir anlamda kişiliğe eşit olan insan mantığı ve düşüncesine sahiptir.
Bu nedenle, yaklaşık 2050 yılına kadar, yapay zeka makinelerinin tıpkı insanlar gibi etnik grupları olabilir. Görünüşü dışında diğer yerlerle insan arasında hiçbir fark yoktur.
Süper yapay zeka
Süper yapay zeka çok üstün bir şeydir, dünyadaki tüm insanların zekasını tamamen aşabilir ve çok güçlü bilgi işlem gücü ve veri hacmine sahiptir, insanlar artık düşünme şeklini anlayamazlar.
Kişisel bir bakış açısına göre, süper yapay zeka aşamasında sonsuz yeteneklere sahip olacak, ancak dünyadaki bir tanrıya neredeyse eşdeğer olan duygulara sahip olmayacak.
Benim felsefemde, Tanrı insan tarafından yaratılabilir ve gelişebilir, ancak insanın ötesinde var. Yapay zekanın bu aşaması için insanlar artık neye benzeyeceğini tahmin edemezler.
3. Yapay zekanın tıbbi senaryolara uygulanması
Yapay zeka tıbbi senaryolara neden daha iyi uygulanabilir?
Çünkü Yapay zeka, en önemli ve uygulaması çok kolay üç uygulama senaryosuna sahiptir: görüntü, metin, ses .
Layman'ın terimleriyle, bu üç senaryo herhangi bir cep telefonu sahnesinde görünecek ve herhangi bir cep telefonu çok fazla yapay zeka uyguladı.
1. Resim
Görüntülerin yapay zekası, belki de herkesin en aşina olduğu, en basit yapay zeka olan Meitu Xiuxiu'dur. Basitçe söylemek gerekirse, görüntülerin en basit üç işlevi vardır: görüntü tanıma, görüntü algılama ve görüntü bölümleme.
Görüntü tanıma
2015 civarında, Microsoft görüntülerdeki nesneleri tanımak için derin bir ağ geliştirdiğinde, tanıma doğruluğunun, insanların tanınma oranını aşarak yaklaşık% 96'ya ulaştığı bulundu.
Test edilen iki bitki türü için, mesleki bilgiye sahip olmayan insanlar temelde ayırt edemezler, ancak yapay zeka iki tür bitkiyi çok doğru bir şekilde tanımlayabilir.
Görüntü algılama
Günümüzde arabanın her yerinde kameralar var ve tanıma oranı çok yüksek.Kuralları ihlal edip etmediğiniz hemen fark edilebiliyor, görüntü algılamanın yaptığı budur.
Görüntü segmentasyonu
Görüntü bölümlemesinin standart anlamsal bölümlemesi, görüntüdeki farklı nesneler için sizi ayrı ayrı bölümlere ayıracaktır.
2. Metin
Metin iki bölümden oluşmaktadır: metin sınıflandırması ve makine çevirisi.
Metin sınıflandırması
Metin sınıflandırmasının geniş bir uygulaması, iyi bilinen Toutiao'dur. Neyi beğendiğinizi hızlı bir şekilde bilmesi ve ardından benzer içeriği size sunmaya devam edebilmesinin nedeni, arka plan teknolojisi-metin sınıflandırmasının varlığıdır.
Metin analizi onu çok net bir şekilde ayırt eder.Bazen hangi tür içeriği sevdiğinizi bilemezsiniz, ancak bunu bilir ve sizin için doğru bir şekilde zorlayabilir.
Makine çevirisi
En yaygın makine çevirisi muhtemelen Google Çeviri ve Baidu Çeviri'dir. Şimdi, Çince ve İngilizce arasında çeviri yapmak için Baidu Translator'a giderseniz, gerçekten iyi tercüme edildiğini göreceksiniz.
3. Ses
Konuşma tanıma
Konuşma tanıma, son yıllarda çok sıcak gelişti. 2016'da Microsoft, konuşma çevirisi için bir ağ tasarladı.O zamanlar, çeviri 5.9 hata oranıyla profesyonel bir stenograf seviyesine ulaştı.
Şimdi biraz daha iyi ses yazılımı ses girişi yapabilir ve doğruluk oranı çok yüksektir.
Konuşma sentezi
Konuşma sentezi açısından, daha önce başka birinin konuşması mümkündü ve dudak şeklini uydurmakta zorlanıyorsunuz ve bir bakışta anlayabilirsiniz.
Ama şimdi dudak şeklinin konuşma ritmiyle tamamen aynı olması yapılabilir.Lin Chiling'in bebek sesini buna ekleyebilir veya videomuzu Lin Chiling'in bebek sesine dönüştürebilirsiniz. Burası konuşma sentezinin artık çok iyi olduğu yerdir.
Yapay zekanın görüntü, metin ve seste işleme yetenekleri, tıbbi senaryolara doğrudan uygulanabilir.
Dördüncüsü, yapay zeka tıbbi büyük verilerle buluşuyor
Yapay zeka tıbbi büyük verilerle nasıl birleştirilir? Bu konu her birimizle yakından ilişkilidir.
Örneğin, Apple'ın mevcut bileziği kalp atış hızını algılayabilir ve kardiyovasküler hastalık tespiti yapabilir.Bu, büyük veri tıbbi tedavisini yapay zeka ile birleştiren çok tipik bir araçtır.
1. Tıbbi görüntü analizi
Yapay zeka için, tıbbi görüntü analizi uygulaması açık ara en büyüğüdür , Tıbbi reform ilacın para kazanmamasına neden olduğu, ancak hastane hayatta kalmak istediğinden, çaresizce film çekmeye başladı.Şimdi çekim miktarı çok büyük, her yıl yaklaşık% 30 artıyor.
Bununla birlikte, görüntüleme doktorlarının büyümesi yalnızca% 4'tür, bu da çok büyük bir görüntüleme doktorları boşluğuna neden olmuştur ve doktorların temel hastanelerdeki doğruluğu hala nispeten düşüktür, bu da yapay zekanın tıbbi görüntülemede uygulanmasını daha yaygın hale getirir.
Sınıflandırma
Bir hastada tümör olduğunda, en sevdiği sözcüklerden biri "Bu tümör iyi huyludur." Bir tümörün en basit sınıflandırması, iyi huylu veya kötü huylu olup olmadığıdır. Yapay zeka bunu yapabilir.
Böl
Örneğin bazı kişiler ameliyat olur Ameliyattan önce doktorun ameliyatı nasıl yapacağını ve ameliyatı nasıl planlayacağını bilmeden önce lezyon bölgenizi bölümlere ayırması ve lezyonunuzun doğasını incelemesi gerekir.
Algılama
Şu anda en yaygın uygulama küçük pulmoner nodüllerin taranmasıdır Deneyimlerimiz için her yıl BT ve diğer muayeneleri yapacağız Klinik veri miktarı çok fazladır ve doktorlar ağır işler sırasında muayeneyi kaçırabilir.
Artık yapay zeka bu alanda çok iyi gidiyor, daha önce yayınlanan verilere göre en yüksek doğruluk% 95'e ulaşabiliyor.
Meme kanserinde yeni yayınlanan meme kanseri yapay zeka algoritmasının deneysel verilerine göre tespit doğruluk oranı yaklaşık% 85'e ulaşabiliyor. Sadece tümörü tespit etmekle kalmaz, aynı zamanda tümörün yaklaşık malign oranını da söyler.
Günümüzde halka açık veriler, diyabetik retinopatinin (şeker ağı) tanınma doğruluğunun% 97'ye ulaşabildiğini ve şeker ağının erken, orta ve geç aşamalara sahip olduğunu ve evreleme doğruluğunun yaklaşık% 85'e ulaşabildiğini göstermektedir ki bu da temelde doktorlarınki ile aynıdır.
Mevcut yapay zeka, özellikle zayıf yapay zeka, sadece doktorlar için yardımcı bir araçtır, ancak doktorlara çok iyi yardımcı olabilecek bir doktor neşteri gibidir.
2. Veri akıllı teşhis
En ünlü veri akıllı teşhisi, eksiksiz bir tümör teşhis ve tedavi planları seti sunan IBM Watson'dur ve bu proje başarısız olmuştur.
Ancak kişisel bakış açıma göre 50 yıl sonra hastanede bulunan tüm sistemler IBM Watson gibi akıllı sistemler olacak.
240.000'den fazla ilgili makaleyi analiz ettiği ve birçok klinik raporu analiz ettiği için çok sayıda deneysel veriye ve mesleki bilgiye sahiptir ve insan tıbbi bilgilerini uzman bir sistemde özetlemiştir. Girdi değerimiz doğruysa, çıktı değeri öğreticidir.
IBM Watson'ın başarısızlığının ana nedeni, mevcut hastane bilgi sisteminin zayıf olmasıdır.Uzman bir sistem için, girdi yanlışsa, çıktı yanlış olmalıdır. IBM Watson iyi bir şey, ancak tek pişmanlık çok erken ortaya çıkması.
Üniversitemizdeki bir profesör çok iyi. Bilgisayar bilimi okudu. Çin tıbbında da doktora yaptı. Yapay zeka nabız tanı cihazını icat etmek için bilgisayar ve Çin tıbbını birleştirdi. Sadece elinize koyun ve temelde hastanın sorununun ne olduğunu anlayacaksınız. .
3. Minimal invaziv cerrahide yapay zeka uygulaması
Geleneksel cerrahide, yara büyüktür ve tüm göbeğin kesilmesi gerekir, ancak minimal invaziv cerrahi sadece karında üç delik gerektirir ve neşter ve sonda deliklerden içeri sokulur.Doktorun videoyu gerçek zamanlı kontrol için izlemesi yeterlidir.
Doktorların minimal invaziv ameliyat yapmaktan en çok korktuğu şey, büyük kan damarlarını kesmektir.Büyük bir kan damarı kesildiğinde, hasta hemen acil duruma girer. Ancak artık video kalitesini iyileştirmek, büyük kan damarlarını tespit etmek ve ameliyat riskini azaltmak için yapay zeka yöntemlerini daha iyi uygulayabiliriz.
4. Geleneksel tıbbın araştırılması ve uygulanması
Geleneksel ilaç geliştirme çok pahalıdır ABD istatistiklerine göre normal ve daha iyi ilaçların geliştirme süresi ortalama 10 yıl sürmekte ve 2,5 milyar ABD dolarına mal olmaktadır.
Hedef bulmaları, ilaçları tasarlamaları, klinik deneyler yapmaları ve ardından bunları pazarlama için onaylamaları genellikle yaklaşık 10 yıl sürer.
Artık ilaçların araştırılması ve geliştirilmesi AI teknolojisi ile yapıldığına göre, bu hastalık için bilgisayarda çok sayıda ilaç moleküler yapısı simüle ediliyor Bu yepyeni bir ilaç geliştirme sürecidir. Hedeflenen ilaçları içeren tasarım da AI ile yapılabilir ve bu da çok zaman kazandırabilir.
Ancak araştırma ve geliştirme giderleri düştüğünde ilaç fiyatı düşecektir.
Son zamanlarda FBA tarafından onaylanmış hedefli bir ilacın maliyeti 1 milyon ABD dolarından fazlaydı Bu ilaç çok etkilidir ancak geliştirme süresi çok uzun olduğu için maliyeti çok yüksektir.
Gelecekte, temel hastalıkların araştırılması ve klinik adjuvan tedavisinde büyük önem taşıyacak olan farklı modalitelerin veri füzyonunu daha fazla inceleyeceğiz.
Ve yapay zeka, Çin tıbbımız için çok faydalıdır.Umarız ki, yapay zeka yoluyla, bilimsel araştırmanın klinik, Çin ve Batı tıbbı ile birleştirilmesi, tip 2 diyabet üzerine klinik araştırma yapmak için entegre edilebilir.
Araştırmamızın nihai amacı, hastalara ve doktorlara daha fazla hizmet vermek için yapay zekanın tıbbi büyük verilerle birleştirilebileceğini ummaktır. hepinize teşekkür ederim!
* Makale, yazarın bağımsız bakış açısıdır ve Noteman'ın bakış açısını temsil etmez.
GMIC'ye Giriş
Küresel Mobil İnternet Konferansı (GMIC), 2009'daki başlangıcından bu yana, üç kıtada dokuz ülke ve bölgeyi kapsayan, dünyadaki 70'den fazla ülkeden yenilikçilerin ilgisini çekerek ve katılacak milyonlarca insanı toplayarak başarıyla gerçekleştirildi. Küresel etkili teknolojik yenilik etkinliği, teknolojik yeniliğin kanadı olarak bilinir.
2019'da GMIC, bilim, teknoloji, bilim kurgu, bilim inovasyonu ve bilimsel incelemenin beş bölümünü yenilikçi bir şekilde oluşturmak ve beş yıldızlı "boncuk" ve beş noktalı "bilim" bağlantısını gerçekleştirmek için Guangzhou'ya taşındı, böylece bilim adamları bilim ve teknoloji, film, müzik, moda trendleri vb. İle etkileşime girebilir. Farklı alanlardaki girişimciler ve sanatçılar sınır ötesi alışverişler yapıyorlar. Konferans sırasında şehir birbirine bağlanacak, Yangcheng'de bilim parlayacak ve bilim bir yaşam biçimi haline gelecek.
