文 / 常嘉亦
编辑 / 硬AI
在人工智能技术的推动下，医疗行业正迎来一场前所未有的变革。眼下正在举行的英伟达GTC大会上，90场活动与医疗保健/生命科学相关，数目位居所有行业之首，超过了汽车、云服务、硬件/半导体等一众热门领域。
全球最炙手可热的医药巨头诺和诺德，已经在GTC上官宣将与英伟达合作，在丹麦建造超级计算机。诺和诺德基金会发言人表示，人工智能有可能彻底改变健康和生命科学领域进行复杂科学研究的方式。这也代表着英伟达参与这一领域的野心。
据道明证券测算，医疗保健行业的数字化转型为科技公司创造的收入（包括直接和间接收入）已经超过了10亿美元，而且随着时间的推移，市场规模可能会达到数百亿美元。
分析师指出，目前，AI技术在医疗保健中的应用涵盖了药物发现、医疗设备和成像、以及数字医疗系统等多个方面，英伟达均已有布局。后续，随着全球庞大的医疗保健行业的研发和资本支出向生成式人工智能迁移，英伟达能凭借强大的计算平台和AI软件堆栈，获取丰厚的收入。
药物发现
根据报告，全球药企每年用在药物发现上的资金通常超过2500亿美元，英伟达副总裁Kimberly Powell在本届GTC大会上表示，这部分资金未来有望越来越多地转移到算力和软件支出上。
分析师指出，有了AI的加入，药物发现的效率将会大大提升：
1）提高治疗成功的概率，从而解决制药研发支出的投资回报率不断下降的问题；
2）加快研发进度，从而提前获得批准，比传统方法节省数年时间；
3）降低研发成本，道明预计到 2026 年，每年可节省约500亿美元。
以英伟达的开源AI药物开发工具BioNeMo为例，研究人员能够用它精确模拟分子和整个蛋白质，包括结构和形状等关键属性。BioNeMo是典型的“管道即服务”，可将预训练的大型语言模型、预训练框架与任务微调和优化推理相结合。
这一系统以生物学和化学数据为基础进行训练，能够理解生物序列及其特性、功能和健康/疾病状况，并在它们之间建立联系。根据英伟达的说法BioNeMo使研究人员能够扩展到数十亿个参数，以捕捉和整合重要的特性，如分子结构、蛋白质溶解度等。
医疗设备和成像
在医疗设备和成像领域，AI的应用同样具有巨大潜力。
因为成像占医疗保健数据的90%左右。英伟达的Clara平台利用成像数据，通过计算机视觉构建医疗AI应用，帮助医生进行准确的早期检测、医疗分类和高级自动化的3D分割分析。此外，英伟达的混合计算传感器处理平台Holoscan可简化边缘医疗设备的人工智能和高性能计算应用的开发和部署。有了Holoscan，开发人员就可以开发出集成人工智能的设备，用于在手术室处理来自传感器的数据，进行人工智能推理，帮助医生做出决策。
分析师举例称：
例如，美敦力和英伟达此前宣布，两家公司正在合作加快人工智能的发展，并通过在 GI Genius人工智能辅助内窥镜系统中采用 Holoscan 和 IGX（工业级边缘人工智能硬件平台），将基于人工智能的解决方案带入患者护理领域。去年发表的一项最新研究显示，与标准手术相比，GI Genius AI 可将息肉漏诊率降低约 50%。
法国初创公司 Moon Surgical 用 Holoscan 在 18-24 个月内开发出一款机器人人工智能辅助设备并将其推向市场，大大快于一般的 5-8 年时间框架，这充分体现了已经架构好计算平台的优势。总体而言，英伟达有 30 多家合作伙伴与 Holoscan 平台合作， 利用英伟达的底层架构实现了符合 60601 标准的医疗级设备的快速开发。
数字医疗系统
分析师指出，AI技术还可以用来改造全球数字医疗系统。据英伟达副总裁Kimberly Powell，用类似于ChatGPT的大语言模型来更好地管理临床、手术和护理点的病历和数据检索可以让医疗机构的运转效率大幅提升 ：
以术后文书处理为例的流程，人工智能模型对手术本身的语义理解（通过机器人手术平台中的嵌入式计算，用基于视觉转换器的模型进行处理）可以为外科医生进行文本总结，不再需要医生自己手动总结。这样，繁重（且容易出错）流程的90%都可以实现自动化，让医生和员工可以专注于病人护理而非文书工作。
黄仁勋：AI+医疗，下一个黄金赛道
英伟达CEO黄仁勋一直都相信AI+医疗的巨大潜力。早在15年前，他就已经注意到了计算机辅助药物发现的能力。此前他还大张旗鼓地宣称，未来所有人都不必学编程，人类生物学才是最有用的学科。
在GTC大会的主题演讲上，黄仁勋称，十年后的AI不仅可以理解文本、视频，还可以理解蛋白质、基因和脑波，这才是生成式AI最重要的革命性之处：
我们识别文本，我们识别图像，我们识别视频和声音，我们不仅识别它们，我们理解它们的含义。这就是为什么我可以和你聊天的原因。AI可以为你总结。它理解文本。它不仅识别英语，它理解英语。它不仅识别像素，它理解像素......
如果你能理解这些东西，你还能理解你数字化的其他东西吗？我们之所以从文本和图像开始，是因为我们数字化了这些东西。但是我们还数字化了什么？蛋白质、基因和脑波......只要你能数字化这些东西，只要知道它们的结构，我们可能就能从中学到一些模式。如果我们能从中学到模式，我们可能就能理解它的含义。如果我们能理解它的含义，我们可能就能生成它。所以，生成性AI革命就在这里。
本文来自微信公众号“硬AI”，关注更多AI前沿资讯请移步这里
