专家谈内分泌治疗药物如何选择
你的医生让你服用三苯氧胺说明是受体阳性的可能性大，对于受体阳性的乳腺癌患者，术后辅助应用三苯氧胺，可以减少复发。但是在出现副作用后，应考虑换药。如果你是一个绝经后的妇女，可以考虑换用芳香化酶阻断剂。一项有近五千人参加的国际临床试验，IES031试验对比了术后应用三苯氧胺五年，和应用三苯氧胺两到三年后改用阿诺新，后者减少复发30％以上，且副作用较三苯氧胺更少。 江泽飞：单纯骨转移可以考虑改用阿诺新治疗，使用双磷酸盐类药物。 江泽飞：阿诺新是新的抗肿瘤药物，在大部分的专科医院和大型的综合医院都可以凭医生处方购药，目前国家医保和北京市医保都列入了报销范围。 江泽飞：如果是在三苯氧胺治疗后出现疾病的复发或者是恶化，这属于临床耐药，当然应该尽快地更换新一代的内分泌药物或者是化疗。为避免理论上可能产生的三苯氧胺耐药，应该在早期术后辅助治疗，没有出现疾病恶化时，提前更换新的芳香化酶抑制剂或失活剂。因为，国际临床研究已经证明在早期术后预防复发的临床研究中，服用两年三苯氧胺后，换用阿诺新三年，比连续使用五年三苯氧胺疗效更好。 江泽飞：骨转移的治疗目的应该是控制症状，预防骨折等骨相关事件的发生。完全消除骨转移有相当地难度，但在阿那曲唑治疗失败后的患者可以考虑使用另一种新的内分泌药物—阿诺新治疗。同时应该合理地使用双磷酸盐类治疗。 江泽飞：可以考虑换成阿诺新等新的芳香化酶抑制剂或失活剂。但换药的原因并不是因为内膜厚度，因为如果是绝经后妇女，内膜厚度到9毫米，并不是三苯氧胺使用的禁忌症。换药的目的是为了更好的内分泌治疗效果。当然48岁的患者应该通过检测激素水平来判定是否真正为闭经状态，如果激素水平没有达到绝经后水平，可以继续使用三苯氧胺，定期监测包括子宫内膜厚度等指标。 江泽飞：因为三苯氧胺是一个弱的雌激素类的药物，它可能会刺激内膜增厚。根据上述情况，应该考虑停用三苯氧胺，改用疗效更好，不良反应更低的芳香化酶抑制剂 孙强：目前我们的病理报告HER－2的结果是免疫组化法＋＋，还不完全确定为HER－2过度表达，还应再行免疫荧光法检测，若为阳性才提示HER－2过度表达。如果明确为HER－2过度表达用赫塞汀可以减少复发，但不是必须用的。 法乐通与三苯氧胺为同类药，如果三苯氧胺有明确的副作用可以考虑换用法乐通。 网友健康就好：我妈妈去年两侧乳房都行了根治术，术后只行了化疗没有放疗，前几天经 ECT扫描发现腰椎骨转移，绝经，PR＋－，ER＋＋，CerbB2＋＋＋， 孙强：如果你母亲为绝经后患者，可考虑应用芳香化酶阻断剂，如氟隆、阿诺新等。 如为绝经前患者，应使用药物性卵巢切除。如抑那通、诺雷德，一定要二到三个月复查骨扫描判断疗效。若病变进展提 示内分泌治疗无效，可考虑化疗。如果仅为一处骨转移，可考虑手术切除病变。
人工智能大势已来，未来发展会遇到什么难关？
先看一组数字： 1. 2020年我国人工智能市场规模将达710亿元 我国人工智能产业虽然起步较晚，但以百度、阿里巴巴、腾讯、科大讯飞等为代表的企业已经开始大规模地投入和布局，产业投资和创业热情高涨，技术研究、行业应用等快速发展。根据中国信息通信研究院的统计数据显示，2017年我国人工智能市场规模达到216．9亿元，同比增长52．8％，预测2020年这一数值将增加到710亿元。 2. 人工智能辅助诊断全程不超过2分钟 在医疗行业，医学影像科是医院诊疗系统中患者流量最大的科室之一，临床诊断的70％依赖于影像。然而，放射科医生4．1％的年增长速度远远赶不上影像数据30％的年增长率，这为影像人工智能医疗产业升级提供了动力——数据显示，智能医学影像市场将以超过40％的增速发展。越来越多的医院对人工智能辅助诊断寄予厚望。在上海市第一人民医院影像科办公室内，放射科医生会使用冠心病人工智能辅助诊断系统，为患者诊断动脉狭窄的程度。与以往需要耗费大量时间处理书写诊断报告不同，人工智能辅助诊断系统可以快速三维建模、判断狭窄程度、输出结构化报告，全程不超过2分钟。这款软件由国内企业数坤科技自主研发，已经服务于全国百余家医院。 上面这组数字，已经明确展示了人工智能未来的大发展，在数字经济下，人工智能作为第四次产业变革的引擎，已逐渐渗透到各行业中，为人类社会和经济发展带来变革。 不过，人工智能与数据息息相关，受到数据约束。人工智能产品的落地和聚焦领域的细分化，都对数据采集和标注提出了更多挑战——这能回答楼主，未来人工智能发展所需要解决的一个难关，就是数据关。 云测数据认为，目前，AI只是处于“弱智能”阶段，且大多只聚焦于某一领域，通用型的AI尚处于研发阶段，而且高度智能的“强智能”阶段是否会到来、需要多久才能到来，一切尚都是未知数。人工智能短期内一定会代替部分重复性劳动。AI本身其实带有一种温情和关怀，因为它代替的是高危和重复性劳动，这会节省很多人类的时间，让人与人之间的交互模式产生很大改观。而当前人工智能亟待突破的一大瓶颈就是数据。数据量尤其是专用领域的数据数量和质量不够，硬件工程化成本相对较高，缺乏应对场景等。 云测数据认为，人工智能的背后有数据、算法和算力来支撑，这三要素之间其实是一种相互促进，并且也相互制约的关系。其中，数据是人工智能发展的基础，没有数据，再强的算法也不可能有好的模型。“人工智能产业化落地的关键就在于数据，算法模型做得再好，数据从源头上就错了，那就得不到正确的训练成果。” 现在很多AI产品都处于落地阶段，对于模型的精确程度要求非常高，对应的要求数据的精度也就非常高了。而且为了提高模型识别精度，AI公司用到的数据也从单一化向多模态转变。以自动驾驶为例，从最早基于摄像头做感知的方案，到引入激光雷达，到之后可能会引入更多其他感知设备来提升感知算法。未来多传感器的解决方案将会普遍应用到我们所使用的AI产品中，它的感知模式将不仅仅是基于单一的图像、声音或文字，将会引入更多模态的数据。 为了算法的提升，AI企业不仅需要定制化的数据采集来获得长尾场景的数据；同时对于标注数据的精度也需要进一步提升。随着应用场景的不断挖掘，整个人工智能行业未来会出现聚焦领域越来越细分化的趋势。 目前AI在领域聚焦、细化、垂直化大趋势下，对数据的要求也更高，云测数据通过打造场景实验室等方式，为AI企业提供定制化、高效、安全的数据采集标注服务。
现在人工智能发展到什么程度了？
2017-11-30请点蓝字＞慎思行慎思行 文章来源中国人工智能学会，罗兰贝格公司 个人微信 helloSSX 人工智能概念介绍 人工智能是什么？人工智能是一门利用计算机模拟人类智能行为科学的统称，它涵盖了训练计算机使其能够完成自主学习、判断、决策等人类行为的范畴。人工智能、机器学习、深度学习是我们经常听到的三个热词。关于三者的关系，简单来说：机器学习是实现人工智能的一种方法，深度学习是实现机器学习的一种技术。机器学习使计算机能够自动解析数据、从中学习，然后对真实世界中的事件做出决策和预测；深度学习是利用一系列“深层次”的神经网络模型来解决更复杂问题的技术。 人工智能从其应用范围上又可分为专用人工智能(ANI)与通用人工智能(AGI)。专用人工智能，即在某一个特定领域应用的人工智能，比如会下围棋并且也仅仅会下围棋的AlphaGo；通用人工智能是指具备知识技能迁移能力，可以快速学习，充分利用已掌握的技能来解决新问题、达到甚至超过人类智慧的人工智能。 通用人工智能是众多科幻作品中颠覆人类社会的人工智能形象，但在理论领域，通用人工智能算法还没有真正的突破，在可见的未来，通用人工智能既非人工智能讨论的主流，也还看不到其成为现实的技术路径。专用人工智能才是真正在这次人工智能浪潮中起到影响的主角。我们的讨论范围将聚焦在更具有现实应用意义的专用人工智能技术，具体讨论现有专用人工智能技术能带来的商业价值。 人工智能发展历史与现状 人工智能的发展历史 人工智能的概念形成于20世纪50年代，其发展阶段经历了三次大的浪潮。第一次是50-60年代注重逻辑推理的机器翻译时代；第二次是70-80年代依托知识积累构建模型的专家系统时代；这一次是2006年起开始的重视数据、自主学习的认知智能时代。在数据、算法和计算力条件成熟的条件下，本次浪潮中的人工智能开始真正解决问题，切实创造经济效果。 本次人工智能浪潮的驱动因素 近年来，人工智能应用领域市场规模、人工智能领域的资金投入都迅速增长，反映了社会与市场整体对其认知程度与信心的高涨。驱动认知程度提高的一方面因素是技术本身的提高，包括数据、算法、算力，使得人工智能技术真正为商业应用创造了价值；另一方面，大数据、物联网、云计算等技术为人工智能的发展打下了良好基础。 高质量、大规模的大数据成为可能。1986—2007年，全球单日信息交换量增长了约220倍，全球信息储存能力增加了约120倍。海量数据为人工智能技术的发展提供了充足的原材料。 计算力提升突破瓶颈：以GPU为代表的新一代计算芯片提供了更强大的计算力，使得运算更快，同时在集群上实现的分布式计算帮助人工智能模型可以在更大的数据集上运行。 机器学习算法取得重大突破：以多层神经网络模型为基础的算法，使得机器学习算法在图像识别等领域的准确性取得了飞跃性的提高。 社会理解与接受程度广泛提升：随着社会信息化及互联网/移动互联网的普及，以及受AlphaGo等大量热点舆论事件影响，全社会对人工智能的态度已逐渐从怀疑、恐惧转变为好奇、接受和认同。 物联网、大数据、云计算技术提供了人工智能的发展基础 物联网、大数据、云计算技术为人工智能技术的发展提供了其所需要的关键要素。物联网为人工智能的感知层提供了基础设施环境，同时带来了多维度、及时全面的海量训练数据。大数据技术为输入数据在储存、清洗、整合方面做出了贡献，帮助提升了深度学习算法的性能。云计算的大规模并行和分布式计算能力带来了低成本、高效率的计算力，并降低了计算成本。 人工智能产业发展状况 技术方向方面 人工智能方向的企业目前主要分为两类：专注于技术研发的通用型人工智能企业，如DeepMind、 Facebook AI Research、Google Brain与Baidu AI等，以及专注于人工智能技术应用的专用型人工智能企业。通用型人工智能由于研发技术难度大，目前多由巨头互联网公司在进行布局，短期内没有明确的技术突破前景。专用型人工智能企业数量众多，但其发展仍然受制于需要人工标注的数据限制。 应用方向方面 从应用方向上来看，金融、医疗、汽车、零售等数据基础较好的行业方向应用场景目前相对成熟，相关方向企业的融资热度也较高。以自动驾驶领域为例，谷歌、百度、特斯拉、奥迪等科技和传统巨头纷纷加入；人工智能在金融领域的智能风控、智能投顾、市场预测、信用评级等领域都有了成功的应用；在医疗领域，人工智能算法被应用到新药研制，提供辅助诊疗、癌症检测等方面都有突破性进展，凡此种种，不一而足。 地域发展方面 纵观全球人工智能产业的发展，我们可以发现：全球领先的创新高点散落在各个国家，如美国纽约与硅谷、英国伦敦、以色列，以及中国的北京、上海与深圳。人工智能技术本身具有高流通、易传导的性质，在全球信息流通开放的大环境下，人工智能的发展不再受限于国家或地域。 借助于良好的人才基础、巨大的应用市场、强有力的风投基金支持，中国人工智能企业的发展势头良好，在全球处在优势领先地位。中国的人工智能企业数量、专利申请数量以及融资规模均仅次于美国，位列全球第二。在国内，计算机视觉、服务机器人、自然语言处理方向的人工智能企业占据了人工智能企业个数的一半以上。北京、上海、深圳作为国内人工智能创新的高地，其相关企业数量占据了国内企业总数的近80%。 人工智能未来发展的预测 我们认为，短期内构建大型的数据集将会是各企业与研究机构发展的重要方向。同时，机器学习技术会更注重迁移学习与小样本学习等方向，近期AlphaGo Zero在无监督模式下取得的惊人进步充分体现了此方向的热度。长期来看，通用型人工智能的发展将依赖于对人脑认知机制的科学研究，其发展前景目前尚处于无法预测的状态。 在商业应用方面，短期内，专用型人工智能将会在数据丰富的行业、应用场景成熟的业务前端(如营销、服务等)取得广泛的应用。长期来看，正如国际人工智能领域著名学者Michael I.Jordan所说，人工智能技术将能在边际成本不递增的情况下将个性化服务普及到更多的消费者与企业，从细分行业的特定应用场景应用到更加普世化的情景。 编辑 Yibin.P 推荐阅读