Этот отраслевой обзор посвящен исследованиям в области искусственного интеллекта в здравоохранении и науках о жизни, уделяя особое внимание его развитию после COVID-19.

Основные направления развития:

1. Разработка лекарств: Новые подходы используют обработку естественного языка для извлечения ценности из биомедицинской литературы в масштабе и применяют архитектуры нейронных сетей, которые обеспечивают глубокое обучение на основе мультимодальных данных и одновременные прогнозы для нескольких задач.

2. Телемедицина: Машинное обучение применяется в контексте цифрового здравоохранения для автоматизации процессов виртуальных приемов пациентов, обеспечения возможности удаленного клинического диагноза по изображениям с мобильного телефона пациента и оценки качества терапевтических услуг на основе текста. 

3. Интеллект окружающей среды: Недорогие датчики и достижения в области компьютерного зрения позволяют точно распознавать активность в больнице и повседневных жилых помещениях, где постоянное наблюдение со стороны человека невозможно. 

4. Оперативное превосходство: Инструменты прогнозирования и моделирования были разработаны непосредственно в ответ на COVID-19. Они продемонстрировали потенциал эффективного распределения ограниченных ресурсов и перераспредления пациентов в отделениях неотложной помощи, а также моделирования распространения пандемии с использованием данных сотовых телефонов в масштабе населения. 

5. Медицинская визуализация: Применение глубокого обучения к медицинским изображениям и видео по-прежнему обещает превзойти экспертов-людей в решении широкого спектра диагностических задач. Исследователи также находят способы использовать меньше данных с ручной маркировкой, снижая затраты и при этом добиваясь точных результатов.

6. Расширенный интеллект: Инструменты, основанные на машинном обучении, демонстрируют потенциал для улучшения систем принятия решений и обеспечения более персонализированного ухода за счет использования существующих медицинских карт пациентов и геномных данных.

7. Данные: предвзятость и конфиденциальность: Такие методы, как федеративное обучение и безопасные многосторонние вычисления (SMC), демонстрируют потенциал в качестве сохраняющих конфиденциальность подходов к агрегированию, совместному использованию и вычислениям на основе данных для машинного обучения при сохранении соответствия нормативным требованиям и конфиденциальности пациентов.