为什么有必要在2018年,听听世界顶级生物医学数据科学家的见解?

640?wx_fmt=jpeg

公元2018年,在科技与医学史上是格外重要的一年。

为什么这么说?

答案很显然,2018年是全球免疫史上非常重要的年份,因为诺贝尔生物与医学奖颁给了免疫学。

全世界都很清楚,此次诺奖的颁发,标志着人类对免疫系统的科学探索取得了惊天动地的突破。其中一位获奖人Allison更是在激动之余坦言,希望向全世界所有的饱受癌症疾病折磨的患者大声疾呼,我们终于向前一步。(英文原文:I’d like to give a shout out to all the [cancer] patients out there to let them know we’re making progress here. )

640?wx_fmt=png


医学向前一步,但是人类抵抗疾病和治愈疾病的情况,依然可以描述成:在我们一直不知道正确答案的领域摸索。

第65届奥斯卡金像奖电影《吸血僵尸惊情四百年》中的男主角德古拉伯爵有一句台词用来形容非常合适:有些神秘的东西是人类只能猜测的,经年历久的努力可以在一定程度上解决这些问题。但是请相信,现在所做的一切只是在接近问题而已。

640?wx_fmt=png


抗病与治病的难度可想而知。

当我们去看医生或去医院时,我们相信所涉及的专业医疗人员根据经过验证的科学方法给我们提供治疗,也就是所谓的循证医学(EBM)。这意味着他们开具的药物或者治疗方法已经在临床研究中取得成功。

640?wx_fmt=jpeg

虽然“循证医学”一词的历史可以追溯到20世纪90年代初,但这个概念本身要复杂得多。人类早在20世纪40年代就开始进行对照试验,医学期刊和教科书中早就开始传播临床知识和专业知识。事实上,今天仍然“在世”的,世界上最古老的医学期刊《新英格兰医学杂志》,成立于1812年。甚至更老的例子是,人类第一次正式的临床试验是在1747年进行的,用于因为常在甲板上生活,缺少维生素C的摄入而患有坏血病的水手。

临床试验和研究都是关于对疾病和病症进行探究,以及可以缓解症状或彻底根除疾病的各种治疗方法,医学的变量很多,探索哪种治疗最适合哪种疾病以及哪些患者群体。总而言之,在全球范围内,循证医学(EBM)是提供医疗保健的既定标准。


640?wx_fmt=jpeg

但是,在大数据时代的2018年,这可能即将发生变化。

我们先来看一个变化的成功例子,来自生物信息学科学家Joel Dudley博士。

640?wx_fmt=png


生物信息学,简单来说是通过计算机技术进行生命科学的研究,需要有数学、编程、大数据、生物学等方面极强的综合能力。Joel Dudley博士一直专注推动精准诊断与精准治疗,曾带领团队建立了 DeepPatient 深度学习网络,基于大数据实现了肝癌患病预测、精神分裂症诊断等。

640?wx_fmt=jpeg

他的成名之处还在于对阿尔茨海默病的新发现。众所周知,阿尔茨海默病是老年人的多发疾病,令人遗憾的是,所有的医学治疗、护理手段都只能延缓阿尔茨海默病进程,却并不能治愈或逆转其进展。2018年6月,Joel Dudley 博士及其团队在Cell旗下的Neuron上发表了一项研究,他们利用大数据的方法,为一种非学界主流的“病原体假说”提供了新证据,阿尔茨海默病或许的确与病毒感染有关。针对这一发现,很有可能为停滞不前的阿尔茨海默病药物制造带来新的曙光。

换句话说,生物信息学找到了阿尔茨海默病一个新的病因方向。

640?wx_fmt=jpeg

美国前总统奥巴马在国情咨文中提出“精准医学计划”,希望精准医学可以引领一个医学新时代。精准医疗建构在生物信息、大数据科学等众多学科交叉应用之上,是非常前沿的医学模式和医学概念,从业专家们需要具备非常扎实的多学科功底和交叉学科综合运用能力。好消息是2018年从业专家们携带这些新型技术弹药能够在精准医疗更好的披荆斩棘,探索出路。

2018年,也是科技公司推动医疗数据发展的重要一年。

在大数据时代,医疗相关的一切数据都会成为生产资料,问题是数据怎么收集?这个问题由世界上市值最高的科技公司先迈出一步。第4代苹果手表的设计中包含了一个电子心率传感器,让使用者能够借助心电图应用软件、内置传感器和手表表冠上的电极监测用户自己的心电图。

640?wx_fmt=png


这不是一个无足轻重的新产品,也不只是一个酷炫的科技产品。苹果有着世界上最强大的电子设备推广能力,可穿戴设备收集医疗数据的理念与实践,会搭载在这家地表最强的科技公司的生态向全世界迅速蔓延。让信息技术与医疗技术完美结合的旅程已经开始。这家在具有2018年出货2.177亿部手机的经验的科技公司,让带有采集医疗数据的可穿戴设备一夜成名。设备的背后是数据,因为这些设备是最酷、最受消费者喜爱的医疗传感器。

640?wx_fmt=png


2018年是医疗大数据时代中如此重要的一年,我们所测量和收集的数据数量是远远大于我们可以理解的数据。所以在2018年的时间节点上,一定要与顶级生物医学数据科学家展开对话。腾讯的WE大会创造了这样的机会。

640?wx_fmt=jpeg


非常的巧合,Joel Dudley博士对可穿戴设备所带来的数据也非常珍视,他认为可穿戴设备所带来的数据是非常有价值的,有一下几个因素。

第一个,现行的医疗体系或者健康体系,不会使用一个人的日常健康数据对你个人的健康进行评估。医生会在问诊的时候测血压,这个血压数据代表短的时间当中血压数据的变化。

可穿戴设备在持续收集这些数据方面更显擅长,它可以了解一个人持续的数据与信息。将来,我们可以不用把这个人和其他的人群进行比较,而是说把这个人现在的数据和历史记录的数据进行比较,来看看现在有没有偏离过去正常健康状况时的数据。所以从这个意义上来讲是非常有价值的。

640?wx_fmt=png


第二个,可穿戴设备的数据可以推动临床实验的组织,现在我们在新药的开发和临床实验时候有一个限制,就是病人参与的情况。因为如果要进行临床实验,请病人来参加,那病人每次需要到医院来进行检查,有的时候病人会退出这些临床实验。如果我们可以使用可穿戴设备的数据,我们也许可以进行远程的临床实验,通过建立一些数据平台的方式来进行临床实验。

640?wx_fmt=jpeg


我们请教了Joel Dudley博士:2018年是全球免疫史上非常重要的年份。您能否预测一下,在数字医疗领域,下一个里程碑的事件会在何时发生,以及如何发生?

他答道,关于下一个数字医疗的里程碑,其实在慢性病管理方面有很多这样的例子。明天在腾讯WE大会会重点介绍,在医疗预防领域,通过数字医疗来进行预防的话题。

Let us see you in WE. 

Bethere or be square.

640?wx_fmt=jpeg

(完)

亲爱的数据

出品:谭婧

美编:陈泓宇

640?wx_fmt=png


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值