详解去中心化人工智能和机器学习如何改变医学

1.什么是人工智能&机器学习？

它们就是所谓的21世纪的科技。

人工智能是计算机系统的理论与开发，能够执行那些通常需要人类智慧来完成的工作，例如视觉感知、语音识别、作决策及语言翻译等。

机器学习利用算法学习如何执行任务，比如在不经过明确程控的情况下实现预测或分类。从本质上来说，算法的学习过程是通过数据进行而非提前的规定。

以下是机器学习和纯理论人工智能的各种层次，包括：

• 监督式学习
• 非监督式学习
• 深度学习

每一层次都需要大量的数据储备，并且能够创建可关联的可用信息，而这些信息的速度和准确性堪比人类。这就是人工智能和机器学习的力量。

2.去中心化要如何应用其中？

去中心化技术有许多益处。

换句话说就是数据隐私和营造合作氛围的能力。这同样适用于去中心化人工智能。机器学习模型能确保数据安全及隐私性。这是如何做到的呢？它们反复通信并将数据保存在其他终端用户的设备上。另外，模型通过逐步学习而成熟之后，它们将对网络中的每个人开放并授予访问权。这样就不再需要集中式的私有组织。这非常重要，因为目前这样的权威机构是那些未来的命运最终决定者。

3.如何运作?

区块链能够实现多方交互。

这些交互基于一系列商定好的商业规则。而这些规则能够定义转移支付或被称为智能合约的通用类别规则集。去中心化对等网络持有这些规则集，用于验证智能合约中拟建的交易。合约能够用于规定各方在无信任、无许可情况下交互的方式。而且，这种网络类型能够为平台的创建奠定基础。而开发数据聚合和深度学习模型，中心化机构将不再需要承担过于昂贵的费用。

许多人用手机和平板电脑作为计算的主要设备。由于如今的时代，消费者总是与他们的移动设备在一起，丰富的用户交互与强大的传感器之间的联系造就了史无前例的数据量，而这些数据本质上趋向于私有形式。由于数据的敏感性，将其存储于集中位置需要承担一定的风险和责任。因此，通过用户数据得出的模型能够支持更多的智能应用程序，从而极大地提高实用性。

Doc AI就是这一运作方式的现实案例。

4.如何将该技术应用于医学?

这里有各种类型的用例。

在医学领域，有一些项目，已经开发出了一些有趣的beta测试产品，比如Neuron。这些产品将引导并教会用户如何培训他们的去中心化人工智能；换句话说，如何训练培训者。用户能够看到他们的健康数据集是如何构建的，以及在哪里、如何访问这些数据集。

具备计算机视觉的管理模块

Selfie2BMI产品利用人工智能和机器学习，让应用程序仅通过一张自拍就能自动完善你的身体数据。该模块使用最先进的深层神经网络和优化技术，通过脸部预测一系列解剖学特征，包括身高、体重、BMI指数、年龄和性别。除了这些重要剖析，它还能监测皮肤、后退的发际线、皱纹、牙齿等23个面部特征。

血液检测解码器

Neuron开发的另一创新用例是深度对话媒介，旨在提高血液检测后的体验，让使用者能够讨论并回答有关400个血液生物指标的任何问题。经过了成百上千的医药文献和一般的常见问题解答（FAQs）的锤炼，该媒介能够根据使用者的年龄、性别和预先设置的条件进行个性化对话，为他们提供相关答案以及利用交互式内容进行教育。

基因组学检测解码器

这是一个深度对话媒介，通过提供从简单的教育问题到复杂度个性化问题的答案，加强基因咨询体验。它能够记忆每一次访问和所给建议。而当它不知道的时候，它会在巨大的数据集中寻找答案。它还能将你的信息传递给相同碳基材料制成的设备。

医药解码器

这是针对药物用量、副作用和其他参考指南的管理模块，用于回答个性化的问题。如果有基因组的结果出现，它将会关联药物基因组学的推荐引擎。

5.为什么说这项技术至关重要?

它会使用户的医疗体验更具交互性和针对性。

去中心化人工智能能够处理几个关键问题，并为用户提供重新掌控自己的医疗健康的机会。

必要责任

这些解决方案能够引领参与者寻找并收集自己的医疗数据。大部分人并不能获取自己的医疗信息，他们不知道从何处着手，即使他们有意识去做，也会受到他们计算机科学知识的限制。这些解决方案还能培养并支持开源开发者社区，有助于革新工具平台堆栈应用上的工具，促进数据的集成和收集并提供解释数据的算法：它就是用于个性化生物学的去中心化Kaggle（平台）。

有机的、公正的数据

我们能够通过被用作第三方登陆账户的区块链来追踪和验证数据源。这样能够作出准确预测，并审核数据出处以及完成数据取证和KYD（了解你的数据）进程。

这项技术为用户创建了更安全的医疗保健服务，用于解决存在偏颇数据的问题。举个例子，来自随机对照试验的数据经常存在各种漏洞百出的偏颇。试验存在高度选择性，研究对象基本上无视妇女、老人及那些有附加医疗条件的人；孕妇也几乎完全被忽视。

隐私问题

人们对于在网络上分享他们的医疗数据会有所犹豫，因为那里潜伏着各种各样的陌生人。而这项技术能够将数据去中心化，分布于所有用户之中，对其进行加密，并使其无法更改。此外，为了满足HIPAA（健康保险流通与责任法案）上的要求，Neuron通过边缘设备而非云端或集中式服务商来保存信息。

抓住机遇

尽管医疗保健行业距离机器医生的实现还有很远，但医药行业存在通才（GPs）和专科医生。通才类似于GAI（综合性人工智能），目前的技术发展距离其实现还很遥远。而专科医生类似于纵向人工智能，更容易实现。ABMS（美国医学专业委员会）列举了超过150个医学专业及附属专业。Neuron已具备了成为这一领域领导者的潜力。

作者：John Patrick Mullin

翻译：cici@比特中文网

网址：https://cointelegraph.com/explained/how-decentralized-artificial-intelligence-and-machine-learning-change-medicine-explained

【声明：此文为本站原创翻译，如有不当之处请多指教！欢迎转载，转载请务必注明译者以及转自比特中文网！】

（免责声明:本文仅代表作者本人观点，不代表比特中文网立场）