文章图片




文章图片




文章图片


人们普遍认为数据是丰富的 ， 但知识却是稀缺的 。 数据是信号的原始形式 ， 通常被转换为信息 。 数据通常以观察、计算结果和事实数量的形式提供 。 数据的解释、抽象或关联导致信息的生成 。 重要的是 ， 知识是通过体验和学习这些信息并将其付诸行动而获得的 。 知识可以用多种方式表示 。 常见的方案是规则、逻辑、对象和相关网络 。




当数据或信息流入智能代理时 ， 它一般存储在称为上下文的地方 ， 也称为短期工作记忆 。 这些数据或信息由几种解决问题的技术处理 。 当计算机生成新概念和知识结构时 ， 我们称之为机器学习 。 机器学习本质上有3个组成部分：数据、特征以及算法 。 一旦从数据中提取出来 ， 就会对这些特征应用算法来学习新的概念或规则 。 根据对输出的控制量 ， 机器学习可以分为有监督、无监督或强化学习 。 在监督学习中 ， 系统被赋予大量输入数据 ， 目标是预测输出基于输入 。



在监督学习中 ， 模型是从标记的训练数据中构建或学习的——外部代理 ， 通常是人类 ， 在训练期间提供正确的标签 ， 从中学习模型 。 例如 ， 输入可以是大量的葡萄糖监测数据以及患者的活动和食物摄入数据 ， 输出可以是对低血糖预测的决策 。 在无监督学习中 ， 机器学习算法可以在没有任何外部输入的情况下获取数据并生成模式 。 例如 ， 可以分析相同的数据以导致从头关联或输出 。



机器学习可能会导致识别对各种食物的反应截然不同的主题集群 。 最后 ， 在强化学习中 ， 智能代理使用某些优化技术通过奖励和失败来学习概念 。 例如 ， 强化学习已被用于机器人技术 ， 使机器人能够通过与其环境的反复试验发现最佳路径 。 在过去的几十年中 ， 已经开发出植根于统计学或基于逻辑推理的机器学习算法 。 第一个人工智能系统是基于知识的决策支持系统 ， 使用独立的静态数据集 。



一旦这些系统能够连接到电子健康数据 ， 人工智能就可以用于教学目的 ， 但尚未准备好用于临床护理 。 通过依赖多层连接的人工神经网络进行深度学习已导致潜在的临床效用 。 2019年月 ， 谷歌和纽约大学的团队报告说 ， 用于肺癌诊断的深度学习模型可以提高准确性 。 虽然很容易夸大我们对人工智能在临床医学和糖尿病领域的期望 ， 但已经有渐进的进展证明了其实用性的人工智能 。



人工智能有助于开发人造胰腺 ， 并有助于了解社会决定因素与健康生理生物标志物之间的相互作用 。 糖尿病还会产生大量的视网膜、血管和其他数据 ， 这些数据可以随着时间的推移进行跟踪 。 将这些病理生理数据与其他看似无关的数据叠加起来 ， 无疑会导致对糖尿病控制和并发症的新见解 。 这些流程的改进将增加来自全球各地的患者获得专家意见和专家护理的机会 。



【?数据是信号的原始形式，通常以观察、计算结果和事实数量的形式提供】非洲农村地区的一名患有糖尿病的妇女可能能够通过使用她个人智能手机的图像在千里之外获得眼部护理 。 可以根据血糖波动、胰岛素药理学、营养基因组学和活动、锻炼模式为个体患者制定个性化血糖控制算法 ， 而不是所有的算法解决方案 。 我们有能力收集、分析和利用大量数据来提供明智的临床建议 。 人工智能将在改变医疗保健方面发挥重要作用 ， 我们还需要在知识表示和推理方面取得进一步进展 。