（1）医疗影像学“智能化”是元宇宙+医疗的第一步。
医疗影像学为元宇宙+医疗提供了丰沃的“发展土壤”。
医疗影像学在现代医学中占有重要地位，其发展同信息技术革命息息相关。
目前，医疗影像学已成为临床不可或缺的重要辅助诊断手段。
医疗影像学的关键在于成像与图像识别技术，成熟的医疗影像学是实现元宇宙+医疗的关键路径。
机器学习与深度学习方法已在医疗影像学等领域得到广泛应用。
深度学习模型可扩展到大型数据集，并且会随着更多数据的积累而不断完善，从而使其优于许多传统的机器学习方法。
深度学习系统可以接受多种数据类型作为输入，医疗数据就是具有明显的多种数据类型。
最常见的模型是使用监督学习进行训练，其中数据集由输入数据点（例如皮肤病变图像）和相应的输出数据标签（例如“良性”或“恶性”）组成。
根据艾瑞咨询统计整理，2012—2020年在医学文献中使用到的热门机器学习算法和深度学习算法包括：
①支持向量机（38%），主要应用于识别成像生物标志物和医疗影像分析； ②神经网络（34%），主要应用于生化分析、图像分析和药物开发； ③逻辑回归（4%），主要用于疾病风险评估和临床决策辅助系 |
2012-2020年医学文献中热门应用算法搜索比例
以深度学习为例，深度学习方法在大量诊断任务上取得了医生级别的准确率，包括识别黑痣和黑色素瘤，从眼底图像和光学相干断层扫描（OCT）图像中检测糖尿病性视网膜病变、判断心血管风险，提供转诊建议，以及从乳房X光片中检测乳腺病变、使用核磁共振成像进行脊柱分析。
甚至有研究证明单个深度学习模型在多个医疗模态中都很有效（如放射科和眼科）。
但是，这些研究的一个关键限制是人类医生与算法性能之间的对比缺乏临床背景，它们把执行诊断的情形限制在仅使用图像的条件下。
而这通常会增加人类医生进行诊断的难度，现实医疗环境中医生可以看到医疗影像和一些补充数据，包括病人的病史、健康记录、其他检测和口述等
我国AI技术应用与医疗多种场景
（2）新兴深度学习技术已在医疗领域得到应用。
2020年12月，谷歌AI团队DeepMind所研发的AlphaFold模型在生物学及医疗领域取得重大突破：通过神经网络模型，根据氨基酸精准预测并构筑蛋白质3D结构。
蛋白质由多个氨基酸序列组成，性质取决于其独特的3D结构。
由于氨基酸在构成蛋白质的过程中会发生长链折叠过程，传统的枚举法预测蛋白质3D结构需要138.2亿年。
此次AlphaFold成功预测蛋白质3D模型可在未来医疗领域中更好协助研究人员针对蛋白质的不同性质，针对性研发出特效药物，阿尔茨海默氏症、帕金森氏症、亨廷顿氏症和囊性纤维化等世界医疗难题也有望得到解决
Alpha Fold模型预测流程
3D蛋白模型的精准构建堪称元宇宙+医疗的一大里程碑。
技术层面看，3D蛋白利用深度学习算法，通过对各类蛋白质序列的学习，自动推演出蛋白质3D模型。
我们认为，未来该项技术不仅可以实现在元宇宙场景内模拟诊断各种疾病，更能够为虚拟药物研发提供支撑，降低试错成本。
医药研发是整个医疗产业中十分重要的一环，而当前新药研制主要受到高成本（10亿元+）、长研发周期（10—12年）、低成功率（13.8%）“三座大山”的限制。
据Deep Knowledge Analytics统计，药物研发的投资回报率从2010年的10.1%稳步下降至2018年的1.9%。
某些复杂疾病更是如此，比如肌萎缩性侧索硬化症，在过去半个世纪里超过50项临床试验未能显示出任何积极的疗效。
深度学习方法中的NLP、图像识别以及深度学习特有的神经网络结构能够缩短药物研发时间、降低药物研发成本、提高预测准确率及药效
医药的研发过程及困境
英伟达助力上层AI医疗算法。数据、算法和算力是AI领域不可或缺的三要素。
对于AI医疗领域，数据与算法近年来得到快速发展，然而高效的算法更需要强大的底层硬件提供算力的支撑。
AI医疗主要应用场景及代表性企业
在2020年中国GPU科技会议（GTC）上，英伟达首席科学家、研究院高级副总裁Bill Dally展不了Folding@Home和CyroSPARC如何基于GPU赋能AI医疗，Folding@Home借助分布式计算将无数GPU的闲置时间利用起来，并为新冠病毒研究贡献了1.5ExaFLOPS（lExaFLOPS=1024PFLOPS=1024×1024TFLOPS）的算力，总共花费了总计1个多月的计算时间，比其他传统方式快30倍左右。
