所有后果的人工智能已经开始对我们的世界，是迄今为止最重要的 - 原因很明显 - 将其对人体健康的影响。AI已经成为一种新的工具，医务工作者，科研人员的生物技术，制药专业人士和现在连消费者都在利用。一个TechEmergence研究医疗保健行业的高管“发现，超过50％的预期大规模地采用AI到2025年”。女性，虽然只有约整个机器学习领域的13.5％，在人工智能的制药和医疗保健领域的大踏步前进。从生物技术公司的首席执行官机器学习的工程师，我型材七名女谁是解决一些医疗保健公司，从全球的医生短缺疾病的误诊，以使大数据的意义最大的问题。
芭芭拉·ê恩格尔哈特博士副教授，计算机科学与中心部统计和机器学习，普林斯顿大学 -@BeEngelhardt
“AI有可能影响我们思考的医疗产生深远的能力。我的群大致集中了一批在AI和医疗不同的领域。首先，我们正在开发的方法，在任何时候病人的状态模型。这意味着，在我们使用的车型而言，就是，在任何时间任何病人，我们注意到一组先前测量的生命体征和实验室结果，和我们使用我们所知道的这个患者和其他类似患者在重要的病人特征，如心脏速率，血压，或白细胞计数，也是我们在这些猜测不确定性的价值猜测。这些病人状态估计将使护理人员做出必要的测试，医疗干预或程序明智的决策。
我们工作的第二个方面涉及到确定治疗策略为患者。目前医院护理人员治疗特定病人提供指引，但这些广泛的准则往往错过患者与非规范演示或积极的诊断和不需要治疗的患者治疗。我们用机器学习方法来创建新的治疗策略。重要的是，这些政策都不是我们从医生看，这项工作的一个重要方面是找到一种方法，没有把患者的风险测试我们在医院的政策。我们在这方面的工作的相关线索包括考虑患者的具体措施如何回应，因为我们不希望暴露病人所有可能的干预措施，并把他们的风险这是一个重要的预测模型来构建。这种反应模式使我们能够发挥出了许多不同的治疗方案，为患者，看看哪一个将与最低毒性的最好的结果。”
纯美Cheplygina助理教授，医学图像分析组，埃因霍温科技大学，荷兰 -@vcheplygina
“我使用的机器学习来检测在医学扫描异常，例如CT扫描的肺部。问题是，机器学习方法需要大量的例子 - 在异常已经被人工勾画扫描 - 做到这一点。这增加了专家们的额外负担，所以我想办法解决这台机器学习可以从其他类型的（标）数据可用的学习。我特别感到兴奋众包的可能性，因为这“还可以帮助有关健康提高认识，什么机器学习可以或不可以做。
安妮E.匠博士，高级总监，成像平台，哈佛和麻省理工的博德研究所 -@DrAnneCarpenter
“我的实验室致力于提高药物发现的效率。我们创建的算法得到大多数生物图像。许多生物医学研究人员自动化显微镜的细胞的工作24/7捕捉图像。在细胞我们的软件“看起来”，并确定任何他们正在测试的药物是否有在这些细胞治疗疾病有益的作用 - 我与数百名生物医学研究人员，每个专门对特定疾病的工作。看到我们的工作的影响力是如此的满足 - 例如，递归制药是一个基于软件的方法和我的团队开发了推出了公司“。
杰基·亨特，CEOBenevolentAI-@benevolent_bio
“BenevolentAI正在改变药物发现和开发。利用其专有的AI平台，BenvolentAI的内部研究团队能够迅速提出从零散的数据集疾病的新疗法。该技术提供的60％的效率，节约，而且还减少了早期药物发现过程，四年对制药行业标杆。我们已经证明了ALS突破性的进展，以及另外18个新药研发项目的快速进展。我们的AI的潜在应用几乎是无限的 - 甚至超出了药物发现 - 它仅仅是重点，规模和紧迫性的情况“。
小贝辛普森，机器学习首席工程师，麦克斯韦MRI-@simmoroos
“在这个世界上的顶级医学专业知识的需求迅速超过了供给，在数据没有使用裁缝疾病预测，诊断或治疗方案，个体，麦克斯韦的目标是使医疗个性化，高品质，始终当人们需要它。To facilitate that, my work at Maxwell involves developing various deep learning models ranging from ‘patient embeddings’ (a learned mapping between all of a person’s data to how healthy they are) to identifying early indicators and risk of disease from medical imaging, genetics and more.”
卡琳Verspoor教授，系副主任，计算机和信息系统部，墨尔本大学 -@karinv
“我的工作包括从自然语言处理方法，以生物医学和临床文字的应用。它的目的是改变这个非常特殊的数据，由人产生的 - 研究人员或医务人员或患者自己 - 其他人阅读和理解，转变为可以在更典型的分析方法或复杂的预测模型中使用的结构化信息。因为这么多的医疗保健涉及的病人和他们的病史或症状仔细观察，而这些意见在自由文本通常捕获 - 也许无处！- 关键是要挖成文本并拉出的细节，可以帮助建立一个病人的健康更完整的画面“。
玛丽亚Dyshel，多学科的技术专家和福布斯30下30企业家，数字催化剂，赛诺菲
“我在AI路径从研究项目开始使用机器学习量化帕金森氏病的症状。从那时起，我追赶我的AI和单独的医疗激情：在我的论文集中在AI应用在能源，我已经参与了公共健康项目。我共同创立创世纪，一个非营利性，致力减少遗传性疾病发病率的贝都因人口和发展护士照顾在印度农村地区新生儿的移动应用程序的工作。我相信AI将继续改变我们互相关心 - 既要预防和治疗的医疗条件。最近，我加入了跨国制药公司赛诺菲，在这里我希望继续在应用先进技术，提高患者的生活成长我的知识“。
