admin

现代人工智能

人工智能的目标是使用计算机来模拟人类智能。(至少迄今为止)人类比计算机要更加智能。我们能够解决诸如建造桥梁等复杂的问题;我们能够通过其他人的肢体语言来了解彼此的感受和情感。至少如果没有使用数百万行代码对计算机进行编程,计算机无法做到这些。

而计算机非常擅长快速地执行计算。你可以在购物中心以1000美元的价格购买现代PC或者Macbook,这其中就将包含运行速度为3.0GHz的处理器,而其可以进行每秒30亿次操作。

如今,就像我们能够给人类传授新技能一样,通过教授计算机新的概念可以利用计算能力构建人工智能。现代人工智能是数据驱动的,而人工智能就是通过使用数据来积累知识容量。例如,为了教授现代人工智能系统一个汽车的外观模样,我们可以向其展示几张不同型号、外形和颜色的汽车图片。然后,人工智能会从这些实例中学习组成汽车的特点:外形,车身,零件和整体外观。而当它看到一辆新车时,因为其见过类似的东西,它会知道这是什么。

Concerto HealthAI公司推出的eurekaHealth 3.0,将覆盖范围全面的研究级RWD,与先进AI能力相结合,用于“按需”精准分析,以及对患者的深入解析。借助于这样的解决方案,整个企业的研究人员,可以很容易地访问数据,包括临床和基因组数据。通过直观的拖放和自然语言搜索,针对特定用例进行设计和调整,提出有意义的问题,并快速采集对相关问题的深入解析。

图片来源:Pixabay

软件即服务平台:加速增效

eurekaHealth属于云端SaaS平台(SaaS,Software as a Service,软件即服务),具有灵活的微服务架构体系,可以优化快速操作性能,比较跨不同数据集的队列,并集成到现有工作流中的能力(包括一手数据与第三方数据)。该解决方案,优于美国法典汇编CFR第11部(21 CFR Part 11)规定相关合规要求,为生命科学公司的临床开发底层架构,奠定了重要基础。

这是行业首个能够将来自多个电子病历(EMR)系统,以及数百个临床场所的数据,与经过同行评议的AI模型和技术进行集成。由此,建立了eurekaHealth 3.0作为RWE新兴标准的基础。这一解决方案,使得范围更为广泛的研究人员,可以使用快速、精准和灵活的RWE。该解决方案,可用于相关数据和技术产出,实现关键分析的标准化,用于可行性研究和设计所需时间,可以减半。

▲SaaS,软件即服务(图片来源:Pixabay)

RWE+AI:如虎添翼

Concerto HealthAI公司的eurekaHealth 3.0中,配置了AI模型。这些AI模型,源自于从结构化和非结构化数据中获取的关键终点和变量,具有更好的效用。在同行评议的期刊中,对Concerto HealthAI模型用于RWD增益和预测患者人群特征,进行了验证;并在ISPOR 2019年会和ASCO 2019年会上报告。

eurekaHealth可即时访问按照专门要求设计的Concerto HealthAI数据产品,包括:

数据来源:参考资料[4];药明康德内容团队制图

应用前景看好

Concerto HealthAI公司正与强生、辉瑞、百时美施贵宝等公司合作,将eurekaHealth的新版本用于针对多种疾病的领域,以优化药物开发,推进患者治疗和结局。

Concerto HealthAI公司首席执行官Jeff Elton博士指出,eurekaHealth 3.0是首个集成先进、可扩展、可立即投入研发产出的数据科学。与Concerto HealthAI出众的RWD集成在一起的精准肿瘤学系统,有助于实现高性能RWE,成为企业运营模式中不可或缺的一部分。“在精准和产出率方面,研究人员不再需要有所折衷。”

AI的兴起

传统上,分析是统计学家的专长。在工业领域普及计算机之前,分析师使用铅笔和纸完成分析工作。而现在的分析,是描述数据科学的总称。

例如,沿着一条简单的线找到一个点,通常属于标准数据分析的范畴。该线被认为是“回归”。沿着线找到点是“回归分析”。执行简单的回归分析司空见惯。

机器学习可以看作是AI 的子集,尽管这两个术语通常可以互换使用。机器学习是AI的统计方面,其中还包括认知计算和建模。每个类别的边界可能是模糊的。

表征AI的另一种方法,是使用真实世界数据得出结论的计算机代码。如果以此方式建立系统,则可以根据这些结论自动做出决策。然后,可以将更多信息输入系统并做出更多的决策。对AI 的描述,反映了当今流行文化的对AI 的理解,它反映了人类的思想方式。我们接受信息,得出结论并做出决定。

人类思想常常可以用“如果,那么”的形式来表达,当然也可以用其它形式表示。与此类似,我们也可以用用其中一种算法来实例化AI。根据功能对算法进行分组很有用。我们来了解一下机器学习算法的主要类别。

聚类分析

一些算法将事物进行“分组”。例如,假设正在生产零部件。质保部门或在线测量系统将把两个测量功能与零件关联:宽度和高度。将这些数据用于生成图表。可以使用颜色来明确分类方案。如果您使用的是Excel 向导,则可以自己生成图形,在新零件通过时将其绘制到图表上(见图1)。

图1

可以使用颜色对零件进行分类,但是如果相关参数太多而无法使用传统的可视化技术显示,该怎么办?本文图片来源:inductiveAutomation

随着将更多信息添加到架构中,集群功能变得更强大。假设添加了有关次品的信息。结果显示,蓝色组代表的次品占比将近80%,而绿色组则占大约20%。

但是为什么要停在那里?假设我们也开始收集长度信息。想象一下在三个维度上绘制图表。先进的绘图程序可以做到这一点,因此可以继续手动输入和分组信息。当分组得到改善后,蓝色组显示的次品占比达到85%。

此时,如果使用机器学习算法完成聚类,它将执行分类,但是只能自动执行可以手动完成的操作。那为什么机器学习是更好的选择?

更多维度