“我们正在利用人工智能的力量, 机器学习, 用计算机视觉解决现实世界的问题, 可能危及生命的挑战."
瑞秋正在使用尖端技术开发一种原型，该原型可以简化并最大限度地减少药物标签审查过程中的低效率. 她的目标? 减少因误读标签引起的不良反应和意外死亡.
问:你是做什么的?
A: 我正在领导一个与美国农业部合作的试点项目.S. 美国食品和药物管理局(FDA)称 电脑化标签评估工具，或CLAT. 我们正在使用包括机器学习和人工智能(AI)在内的技术，使审查处方药标签的过程更加高效.
问:为什么这很重要?
A: 自2013年以来, 已经超过1次了,600例与药品标签错误相关的严重伤害或死亡报告给FDA. 这些标签是FDA沟通药物信息的主要工具. 所以，当他们不清楚时，人们实际上会病情加重甚至死亡. 改进处方标签流程有助于医生, 护士, 医生, 药剂师, 病人也避免了严重的错误.
而现在，这个过程是高度手工、劳动和时间密集的. 通常, 审查员每年进行25到50次药品标签审查, 分析从标签的字体大小到文字位置的所有内容. 这还只是一位评论者.
我们的原型使用了一些业界领先的光学字符识别和对象检测工具来加速和简化药物标签审查员的这一过程，最终目标是使所有医疗保健消费者受益. 我们帮助回答这样的问题:如果一种药物有多种药效, 它的标签容易区分吗? 或者有人因为标签太相似而服用了错误的剂量?
每天，这个项目都会影响成千上万人的生活.
问:你对这个问题有什么不同的看法?
A: CLAT是我帮助构建的一个工具，它使用算法和机器视觉来读取药物标签，并精确定位供人类审查员检查的特定项目.
通过机器学习和高级算法, CLAT对成千上万的数据集和标签图像的识别和分类越来越准确. 例如，我们的团队还对可能代表特定药物类型的标准图像提出建议, 在所有治疗耳朵相关问题的药物上都有一个通用的耳朵图标. 这使得FDA的审查过程更容易，减少了患者和护理人员之间的混淆.
问:下一步是什么?
A: 市场上有成千上万种药物, 因此，我们将继续通过基于人工智能的审查收集数据，并完善我们的流程. 有了更好的数据，我们将能够为CLAT的机器学习提供更好的输入. 我们输入的越多，模型就越准确. 这将有望导致效率的指数级跃升. FDA继续探索如何将这种机器学习原型用于其他审查过程, 这是令人满意的.
问:这个项目与你的目标有什么联系?
A: 我喜欢挑战一成不变的做事方式. 作为科技皇冠hga030登陆的黑人女性，我有动力推动进步. 对我来说，重要的是要展示冒险和合理的风险是有回报的. 这就是我用CLAT能做的吗.
这是ICF和FDA第一个利用人工智能的项目, 机器学习, 用计算机视觉解决现实世界的问题, 可能危及生命的挑战. 这让我可以自由地跳出思维定势，以非常规的方式进行创新. 我很感激自己能够突破可能的界限，同时产生切实的影响.
