適用於醫療保健與生命科學的 Amazon SageMaker
如今，成千上萬的客戶，包括領先的醫療保健與生命科學 (HCLS) 組織，例如 GE Healthcare、Cerner、Bristol Myers Squibb、Roche 等，都在使用 Amazon SageMaker 進行機器學習 (ML)。HCLS 產業面臨著越來越大的壓力，需要提供更加個人化的治療，簡化流程，實現製藥價值鏈各個方面的現代化，並確保患者資訊私密且安全。機器學習透過自動識別 X 光片等醫學圖像中的異常、根據歷史資料和檔制定個人化醫療保健治療計畫以及識別可疑的醫療保健索賠來應對這些挑戰，這樣 HCLS 組織就可以以更低的成本提供更高品質、更全面的治療。SageMaker 使患者、供應商、支付方和研究人員能夠準備、建置、訓練和部署高品質的機器學習模型，並提供內建解決方案，以更快地開始使用機器學習。
Amazon SageMaker 的常見使用案例
從文件中擷取和分析資料
為了更快地做出決策，醫療保健與生命科學組織需要理解醫療檔 (例如患者表格) 中的文本。借助 Amazon SageMaker，您可以建置機器學習模型以自動提取、處理和分析手寫和電子文件中的資料，從而可以更快、更準確地處理文件。SageMaker 提供內建機器學習演算法，這些演算法針對文本分類、自然語言處理 (NLP) 和光學字元辨識 (OCR) 進行了最佳化，您可以隨時使用這些演算法來訓練和部署模型，也可以使用 Amazon SageMaker Autopilot 自動產生文本處理模型。
詐騙偵測
為了確保患者資料的安全，醫療保健與生命科學組織需要使用詐騙檢測模型來發現可疑的醫療索賠，以免其影響客戶。借助 Amazon SageMaker，您可以建置機器學習模型，在可疑交易發生之前對其進行檢測，並及時提醒客戶。SageMaker 提供內建的 ML 演算法，例如 Random Cut Forest 和 XGBoost，以便您用於訓練和部署詐騙偵測模型。此外，SageMaker 提供了一套詐騙檢測解決方案，只需點按幾下即可部署。
異常偵測
醫療保健與生命科學組織繼續尋找能自動識別異常和加速患者診斷的方法。借助 Amazon SageMaker，您可以建置計算機視覺模型來發現醫學影像中的異常，並自動標記以進行深入分析和診斷。SageMaker 提供了一套廣泛的為機器學習自訂的功能，包括為計算機視覺最佳化的內建演算法，如影像分類。這類演算法可以改善對患者的診斷，減少診斷中的主觀性，並幫助病理學家節省時間。
藥物開發
疾病理解和藥物開發可能是繁瑣而耗時的過程，因此生命科學公司不斷尋找加速藥物開發過程的方法。借助 Amazon SageMaker，您可以輕鬆地為各種使用案例標記訓練資料，從而縮短訓練和部署高度準確的機器學習模型所需的時間。透過使用 SageMaker 來自動執行這種繁瑣的工作，生命科學公司能夠加速藥物發現過程，更迅速地將藥物推向市場，並提供改變生活的藥物，為患者和社會創造價值。
客戶
利用 Amazon SageMaker 和 Amazon EC2 P3 實例，Celgene (現屬於 Bristol Myers Squibb) 加快模型訓練速度並提高了生產率，讓團隊能夠專注於突破性的研究和發現。
GE Healthcare 正在透過為提供商和患者交付更好的成果來對醫療保健進行轉型。借助 Amazon SageMaker，GE Healthcare 可以透過強大的人工智慧工具和服務來促進患者護理的改善。
AWS 協助 Novartis 透過整合對所有資訊的存取來轉變其製造流程，並使 Novartis 能夠快速、明智地做出關鍵決策。 他們正在使用 Amazon SageMaker 建置一個基於計算機視覺的模型，該模型將確定生產線的清晰度。
Propeller Health 將 ML 搭配諸如 Amazon SageMaker 和 Amazon Redshift 這些解決方案，同時採用建置在 AWS 之上的基礎設施，能夠根據當地的氣候條件、近期所使用的藥物以及其他因素，為患者預測其健康情形。
Amazon SageMaker