亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

大數據、人工智能(AI)和機器學習(ML)的融合導致了創新藥物開發和醫療健康提供的范式轉變。為了充分利用這些技術進步，必須系統地利用來自不同來源的數據，并利用數字技術和先進的分析技術，以實現數據驅動的決策。數據科學正處于引領這種變革性變革的獨特機會時刻。數據科學、人工智能和藥物開發中的機器學習旨在成為單一的信息來源，涵蓋了藥物研發領域的變化、大數據、人工智能和藥物開發中的ML的新興應用，以及建立強大的數據科學組織以推動生物制藥數字化轉型的廣泛主題。

//www.routledge.com/Data-Science-AI-and-Machine-Learning-in-Drug-Development/Yang/p/book/9780367708078

• 全面回顧了大數據、人工智能和機器學習在整個藥物研發領域的應用所面臨的挑戰和機遇
• 討論在藥物審查和批準中利用大數據和高級分析的監管發展
• 為數據科學組織構建提供平衡的方法
• 為藥物開發生命周期中的一系列問題提供人工智能驅動的解決方案的現實例子
• 為每個問題提供足夠的背景，并提供解決方案的詳細描述，適合具有有限數據科學專業知識的從業者

近年來，生物制藥行業面臨著日益增長的生產力挑戰。雖然在生物醫學研究領域有很多創新，為發現、治療、預防嚴重疾病創造了大量機會，但在早期研究中被認為有希望的候選藥物在臨床開發后期失敗的比例很高。雖然整體研發支出飆升至不可持續的水平，但新藥批準數量卻大幅下降。由于專利到期，以及來自仿制藥和生物仿制藥生產商的競爭，許多依賴重磅藥品來實現收入增長的公司陷入困境。與此同時，醫療支出的增長導致支付方和政策制定者越來越多地要求證明醫療產品的價值，以證明支付的合理性。為了取得成功，制藥公司不僅需要提高藥物靶點發現和臨床試驗的效率，還需要利用真實數據(RWD)影響患者、處方者、支付者和監管決策，以確保更好的患者結果、加速審批和更大的市場準入。

來自不同來源的數據匯集，如基因組圖譜、隨機對照試驗(RCTs)、電子健康記錄(EHRs)、醫療索賠、產品和疾病登記、患者報告結果(PROs)、健康監測設備、人工智能(AI)和機器學習(ML)為制藥公司提供了大量機會，將藥物研發轉變為更高效和數據驅動的模型，并實現以患者為中心的新藥物開發范式。值得注意的是，在藥物發現方面，生物數據的數量、種類和可及性的增加挑戰了理解疾病基礎的傳統分析方法。如果利用得當，這些數據將提供有價值的見解，并將有助于加速藥物發現。其中的關鍵是利用數據科學、AI和ML的進展。AI驅動的方法，如ML和深度學習，在藥物發現方面取得了重大進展，包括生物活性預測、從頭分子設計、合成預測以及組學和成像數據分析。人工智能技術的持續進步將進一步使定制自動化解決方案成為可能，以解決與藥物發現相關的各種具體問題。這種應用不僅有可能縮短藥物開發時間，而且還會產生更安全、更有效的治療方法。

由于越來越嚴格的監管，越來越重視患者安全，以及同行公司之間日益激烈的競爭，臨床開發變得越來越昂貴和競爭激烈。結合RWD, AI和ML可以通過優化研究設計、簡化臨床操作、提高臨床數據質量來提高臨床試驗效率。人工智能和ML技術支持的分析可以用于選擇可能對新療法有反應的患者，或識別那些可能提前退出研究的患者。此外，在單臂研究中，可以使用RWD合成控制臂。此外，人工智能技術有潛力改善臨床試驗的規劃和執行，包括數據驅動設計，以減少臨床試驗方案修改，通過分析識別合格的患者，加快患者招募，選擇快速登記地點，以及基于風險的監測，以減輕數據質量問題。所有這些都可以縮短臨床試驗的持續時間，提高臨床試驗成功的可能性。

作為以患者為中心的藥物開發的關鍵驅動因素，數據科學、AI和ML在數據驅動的決策中發揮著關鍵作用，涉及藥物的相對利益及其在現實環境中的使用，幫助醫生/患者在護理點做出明智的決定，了解治療模式和依從性，獲得競爭對手的信息，并針對服務不足的患者群體。從產品生命周期管理的角度來看，從RWD收集到的有效見解帶來了付款人的價值主張、比較有效性、價格優化、供應鏈和庫存管理，并發現了潛在的新跡象。即使是失敗的藥物，數據科學、人工智能和ML方法的應用也可能導致藥物的重新利用，并幫助發現可能從藥物中受益的患者群體。藥品生產是一個復雜的過程，尤其是生物制品。它也很貴。提高生產效率是提高毛利率最有效的方法之一。現代采樣技術、新的傳感器技術和分析儀可以生成制造過程的復雜數據，需要特殊的分析技術來提取有用的信息內容。人工智能的價值在于，它能夠篩選復雜的數據，在制造過程失控之前預測質量問題，并實現人工過程的自動化。這通常會導致穩健的制造工藝設計、產品缺陷率的降低、質量控制的加強、產能的增加和流程的簡化。近年來，人工智能還在藥品制造的各個方面取得了重大進展，包括工藝設計、質量控制、減少浪費、供應鏈和庫存管理，以及生產線部件的故障預測。

本書旨在提供大數據、人工智能和ML在整個藥物研發領域的新興應用的單一信息來源，并建立一個強大的數據科學組織，推動藥物發現、開發和交付的新方法。本書的貢獻者是經驗豐富的藥學從業者，提供了廣泛的AI應用和數據科學組織構建的第一手經驗。本書共13章。每一章都以本章中闡述的具體主題的總結開始，然后討論挑戰、機遇和技術驅動的制藥創新。

時間序列數據集，如電子健康記錄(EHR)和注冊表，代表了跨越患者整個生命周期的有價值(但不完美)的信息源。從時間數據學習是一個成熟的領域，已經在以前的一些教程中介紹過，醫療領域提出了獨特的問題和挑戰，需要新的方法和思維方式。也許時間序列最常見的應用是預測。雖然我們將討論疾病預測的最先進的方法，但我們也將關注時間序列中的其他重要問題，如事件時間或生存分析、個性化監測和治療效果隨時間的變化。這些主題將在醫療健康上下文中介紹，但它們對醫學以外的其他領域具有廣泛的適用性。此外，我們將探討幾個必要的特征，使人工智能和機器學習模型在臨床環境中盡可能有用。我們將討論自動機器學習，并解決理解和解釋機器學習模型以及不確定性估計的挑戰，這兩者在高風險場景(如醫療保健)中都是至關重要的。我們的目標是獲得最少的必要的先決知識。然而，我們將假定具有標準機器學習方法的基本知識(如MLPs、rnn)。雖然我們的教程將包括一些機器學習技術的詳細解釋，但重點將放在問題領域，他們獨特的挑戰，以及克服這些問題的思維方式。

人工智能(AI)已經成為我們日常對話和生活的一部分。它被認為是改變世界的新型電力。人工智能在工業和學術界都有大量投資。然而，在當前的人工智能周期論中，也有很多炒作。基于所謂深度學習的人工智能在許多問題上都取得了令人印象深刻的成果，但其局限性已經顯而易見。自20世紀40年代以來，人工智能一直處于研究階段，由于過高的期望和隨之而來的失望，該行業經歷了許多起起伏伏。

//www.zhuanzhi.ai/paper/1d9d85c3196d033542a7e815757c49a8

這本書的目的是給人工智能的現實圖景，它的歷史，它的潛力和局限性。我們相信人工智能是人類的助手，而不是統治者。我們首先描述什么是人工智能，以及它在過去幾十年里是如何發展的。在基本原理之后，我們解釋了海量數據對于當前主流人工智能的重要性。本文涵蓋了人工智能、方法和機器學習的最常見表示。此外，還介紹了主要的應用領域。計算機視覺一直是人工智能發展的核心。這本書提供了計算機視覺的一般介紹，并包括對我們自己的研究的結果和應用的展示。情感是人類智能的核心，但在人工智能中卻鮮有應用。我們將介紹情商的基礎知識以及我們自己在這一主題上的研究。我們將討論超越人類理解的超級智能，解釋為什么在現有知識的基礎上，這種成就似乎是不可能的，以及如何改進人工智能。最后，總結了人工智能的現狀和未來要做的事情。在附錄中，我們回顧了人工智能教育的發展，特別是從我們自己大學的內容的角度。

摘要

在過去的幾十年里，人工智能技術迅猛發展，改變了每個人的日常生活，深刻改變了人類社會的進程。開發人工智能的目的是通過減少勞動、增加生活便利、促進社會公益來造福人類。然而，最近的研究和人工智能應用表明，人工智能可能會對人類造成意外傷害，例如，在安全關鍵的情況下做出不可靠的決定，或通過無意中歧視一個或多個群體而破壞公平。因此，值得信賴的人工智能最近受到越來越多的關注，人們需要避免人工智能可能給人們帶來的負面影響，以便人們能夠充分信任人工智能技術，與人工智能技術和諧相處。近年來，人們對可信人工智能進行了大量的研究。在本次綜述中，我們從計算的角度對值得信賴的人工智能進行了全面的評述，幫助讀者了解實現值得信賴的人工智能的最新技術。值得信賴的人工智能是一個大而復雜的課題，涉及方方面面。在這項工作中，我們關注實現值得信賴的人工智能的六個最關鍵方面: (i) 安全性和健壯性，(ii) 非歧視和公平，(iii) 可解釋性，(iv) 隱私，(v) 問責性和可審計性，和(vi) 環境福祉。對于每個維度，我們根據一個分類回顧了最近的相關技術，并總結了它們在真實系統中的應用。我們還討論了不同維度之間的協調和沖突互動，并討論了值得信賴的人工智能在未來研究的潛在方面。

引言

人工智能(AI)是一門研究和發展模擬、擴展和拓展人類智能的理論、方法、技術和應用系統的科學，為現代人類社會帶來了革命性的影響。從微觀角度來看，人工智能在我們生活的許多方面發揮著不可替代的作用。現代生活充滿了與人工智能應用的互動: 從用人臉識別解鎖手機，與語音助手交談，到購買電子商務平臺推薦的產品; 從宏觀角度看，人工智能創造了巨大的經濟成果。世界經濟論壇的《2020年就業前景報告》[136]預測，人工智能將在5年內創造5800萬個新就業崗位。到2030年，人工智能預計將產生13萬億美元的額外經濟利潤，對全球GDP的年增長率貢獻1.2%[54]。然而，隨著其快速而令人印象深刻的發展，人工智能系統也暴露了其不值得信任的一面。例如，安全至關重要的人工智能系統在對抗攻擊時很脆弱。無人駕駛汽車的深度圖像識別系統可能無法識別被惡意攻擊者修改的路標[345]，對乘客安全構成極大威脅。此外，人工智能算法可能會導致偏見和不公平。在線人工智能聊天機器人可能會產生不雅、種族主義和性別歧視的內容[335]，冒犯用戶，并產生負面社會影響。此外，人工智能系統還存在泄露用戶隱私和商業秘密的風險。黑客可以利用人工智能模型產生的特征向量來重構私人輸入數據，如指紋[25]，從而泄露用戶的敏感信息。這些漏洞會使現有的人工智能系統無法使用，并可能造成嚴重的經濟和安全后果。對于人工智能來說，要想在一個領域取得進步、得到更廣泛的應用并創造更多的經濟價值，對誠信的擔憂已經成為一個巨大的障礙。因此，如何構建可信的人工智能系統成為學術界和業界關注的焦點。

近年來，出現了大量關于可信人工智能的文獻。隨著構建可信人工智能的需求日益增長，總結已有成果并探討未來可能的研究方向勢在必行。在本次綜述中，我們提供了值得信賴的人工智能的全面概述，以幫助新手對什么使人工智能系統值得信賴有一個基本的了解，并幫助老兵跟蹤該領域的最新進展。我們澄清了可信人工智能的定義，并介紹了可信人工智能的六個關鍵維度。對于每個維度，我們給出了它的概念和分類，并回顧了有代表性的算法。我們還介紹了不同維度之間可能的互動，并討論了值得信賴的人工智能尚未引起足夠關注的其他潛在問題。除了定義和概念，我們的綜述還關注實現可信人工智能每個維度的具體計算解決方案。這一視角有別于現有的一些相關工作，如政府指南[307]，建議如何以法律法規的形式建立一個值得信賴的人工智能系統，或綜述[51,318]，從高層次、非技術的角度討論值得信賴的人工智能的實現。

根據歐盟(EU)最近提供的人工智能倫理指南[307]，一個值得信賴的人工智能系統應符合四項倫理原則: 尊重人類自主、防止傷害、公平和可解釋性。基于這四個原則，人工智能研究人員、實踐者和政府提出了值得信賴的人工智能的各個具體維度[51,307,318]。在這項調查中，我們重點關注已經被廣泛研究的六個重要和相關的維度。如圖1所示，它們是安全性和穩健性、非歧視性和公平性、可解釋性、隱私性、可審計性和可問責性，以及環境福祉。

余下論文綜述組織如下。在第2節中，我們明確了值得信賴的AI的定義，并提供了值得信賴的AI的各種定義，幫助讀者理解來自計算機科學、社會學、法律、商業等不同學科的研究人員是如何定義值得信賴的AI系統的。然后，我們將值得信賴的人工智能與倫理人工智能和負責任的人工智能等幾個相關概念區分開來。在第3節中，我們詳細介紹了安全性和穩健性的維度，這要求人工智能系統對輸入的噪聲擾動具有穩健性，并能夠做出安全的決策。近年來，大量研究表明，人工智能系統，尤其是那些采用深度學習模型的系統，可能對有意或無意的輸入擾動非常敏感，對安全至關重要的應用構成巨大風險。例如，如前所述，自動駕駛汽車可能會被改變的路標欺騙。此外，垃圾郵件檢測模型可能會被設計良好的文本[30]郵件欺騙。因此，垃圾郵件發送者可以利用這個弱點，使他們的電子郵件不受檢測系統的影響，這將導致糟糕的用戶體驗。已經證明，人工智能算法可以通過提供的訓練例子學習人類的歧視，并做出不公平的決定。例如，一些人臉識別算法難以識別非洲裔美國人的面孔[280]或將其誤分類為大猩猩[168]。此外，語音聽寫軟件在識別男性聲音時通常比識別女性聲音表現得更好[277]。

在第4節中，我們介紹了非歧視和公平的維度，在這個維度中，人工智能系統被期望避免對某些群體或個人的不公平偏見。在第5節中，我們討論了可解釋性的維度，這表明AI的決策機制系統應該能夠向利益相關者解釋(他們應該能夠理解解釋)。例如，人工智能技術已經被用于根據患者的癥狀和身體特征進行疾病診斷[289]。在這種情況下，黑箱決策是不可接受的。推理過程應該對醫生和患者透明，以確保診斷的每個細節都是準確的。

研究人員發現，一些人工智能算法可以存儲和暴露用戶的個人信息。例如，在人類會話語料庫上訓練的對話模型可以記住敏感信息，如信用卡號碼，這些信息可以通過與模型交互而得到[164]。在第6節中，我們提出了隱私的維度，這需要一個人工智能系統來避免泄露任何私人信息。在第7節中，我們描述了可審計性和問責性的維度，該維度期望人工智能系統由第三方評估，并在必要時為人工智能故障分配責任，特別是在關鍵應用中[307]。最近，人工智能系統對環境的影響引起了人們的關注，因為一些大型人工智能系統消耗了大量的能源。作為一項主流的人工智能技術，深度學習正在朝著追求更大的模型和更多的參數的方向發展。因此，會消耗更多的存儲和計算資源。一項研究[312]表明，訓練BERT模型[110]需要排放大約1400磅二氧化碳，這與跨美國的往返飛行相當。因此，人工智能系統應該是可持續的和環境友好的。

在第8節中，我們回顧了環境福利的維度。在第9節中，我們將討論不同維度之間的相互作用。最近的研究表明，值得信賴的AI的不同維度之間存在一致性和沖突[307,333]。例如，深度神經網絡的魯棒性和可解釋性緊密相連，魯棒模型往往更具有可解釋性[122,322]，反之亦然[255]。此外，研究表明，在某些情況下，健壯性和隱私之間存在權衡。例如，對抗性防御方法會使模型更容易受到成員推理攻擊，增加了訓練數據泄漏的風險[308]。

除了上述六個維度，值得信賴的人工智能還有更多的維度，如人工代理和監督、可信性等。盡管這些額外的維度與本文中考慮的6個維度一樣重要，但它們還處于開發的早期階段，相關文獻非常有限，特別是對于計算方法而言。因此，在第10節中，我們將討論值得信賴的人工智能的這些方面，作為未來需要專門研究的方向。

這個更新的第二版提供了機器學習算法和架構設計的指導。它提供了醫療保健領域智能系統的真實應用，并涵蓋了管理大數據的挑戰。

這本書已經更新了在海量數據，機器學習和人工智能倫理的最新研究。它涵蓋了管理海量數據復雜性的新主題，并提供了復雜機器學習模型的例子。來自全球醫療服務提供商的實證研究展示了大數據和人工智能在對抗慢性和新疾病(包括COVID-19)方面的應用。探討了數字醫療、分析和人工智能在人口健康管理中的未來。您將學習如何創建機器學習模型，評估其性能，并在您的組織內運作其結果。來自主要醫療服務提供商的研究覆蓋了全球數字服務的規模。通過案例研究和最佳實踐，包括物聯網，提出了評估人工智能機器學習應用的有效性、適用性和效率的技術。

您將了解機器學習如何用于開發健康智能，其目的是改善患者健康、人口健康，并促進顯著的護理支付方成本節約。

//link.springer.com/book/10.1007/978-1-4842-6537-6#about

你會： 了解關鍵機器學習算法及其在醫療保健中的使用和實現 實現機器學習系統，如語音識別和增強深度學習/人工智能 管理海量數據的復雜性 熟悉人工智能和醫療保健最佳實踐、反饋循環和智能代理

人工智能(AI)為改善私人和公共生活提供了很多機會，以自動化的方式在大型數據中發現模式和結構是數據科學的核心組件，目前驅動著計算生物學、法律和金融等不同領域的應用發展。然而，這種高度積極的影響也伴隨著重大的挑戰:我們如何理解這些系統所建議的決策，以便我們能夠信任它們?在這個報告中，我們特別關注數據驅動的方法——特別是機器學習(ML)和模式識別模型——以便調查和提取結果和文獻觀察。通過注意到ML模型越來越多地部署在廣泛的業務中，可以特別理解本報告的目的。然而，隨著方法的日益普及和復雜性，業務涉眾對模型的缺陷、特定數據的偏差等越來越關注。類似地，數據科學從業者通常不知道來自學術文獻的方法，或者可能很難理解不同方法之間的差異，所以最終使用行業標準，比如SHAP。在這里，我們進行了一項調查，以幫助行業從業者(以及更廣泛的數據科學家)更好地理解可解釋機器學習領域，并應用正確的工具。我們后面的章節將圍繞一位公認的數據科學家展開敘述，并討論她如何通過提出正確的問題來解釋模型。

//arxiv.org/abs/2009.11698