人工智能在慢性病管理中的应用面临五方面问题和挑战
2021年4月24日，国家卫生健康委员会医院管理研究所、《中国数字医学》杂志社、社会科学文献出版社共同发布了《人工智能蓝皮书：中国医疗人工智能发展报告（2020）》。
蓝皮书分析指出，尽管人工智能技术的快速发展和应用为人类社会带来了美好的医疗应用前景，但将人工智能技术应用到医疗服务领域，造福人类，仍面临巨大的挑战。
（一）数据低质化
大数据在中国的发展正处于起步阶段，数据低质化问题是目前我国大数据产业发展的主要障碍之一，同样也影响人工智能的发展。目前，我国健康医疗大数据利用率低。尽管我国医院的数据庞大，但大部分是非结构化数据，不能发挥出“大数据”的价值。而且我国很多医院尚未建立起统一的数据管理系统，各部门和科室间的数据都处于相互独立的状态，这种状态不利于数据的统一分析，对人工智能技术在医疗领域的应用造成了影响。
（二）规范标准和法律法规相对滞后
1. 缺乏应用的评估标准
我国目前对于人工智能在医疗领域的应用尚未制定统一规范的质量标准、准入体系、评估体系和保障体系，因此不仅无法有效评估人工智能算法、框架模型以及数据的有效性、隐私性，也无法对其在临床应用方面的安全性和可靠性进行有效验证以及量化评估，这使得人工智能技术无法获取客户以及用户的高度信任与认可，也对医疗人工智能产品投入市场造成了一定阻碍。
2. 相关政策法规体系尚未建立
作为医疗人工智能的基础，医疗大数据目前还没有健全的法律来进行规范，我国尚未出台相关法律法规对人工智能技术产业实施有力监管，数据的归属权、使用权、个人数据以及隐私保护等都没有明确的法律规制，存在诸多灰色地带。与此同时，虽然医疗人工智能技术已获得高速发展并且疾病诊断率甚至高于医生，但由于评估体系的不完善和客观因素，目前依然无法保证机器诊断结果百分之百可靠。换言之，医疗智能机器人存在造成一般性医疗事故甚至是重大医疗事故的风险，那么当发生医疗事故时如何进行责任划分是必须要解决的法律问题。目前支撑该类事故处理的法律仅有《医疗事故处理条例》以及《侵权责任法》，但二者并未就医疗人工智能产品和器械在医疗事故中的责任判定做出明确且合理的说明，而且即使是在第三方介入责任评估的过程中也存在诸多问题，这也是造成医疗人工智能产品无法全方面进入临床应用领域的主要原因之一。
3. 隐私保护面临挑战
信息技术、人工智能技术的快速发展，在给广大患者提供就医便利的同时，也给患者的隐私保护带来了巨大挑战，如果对个人数据信息管理不善，就有可能被不法分子利用。在人工智能技术快速发展及应用的过程中，智能移动终端和可穿戴设备的广泛使用，可以帮助医生收集人们的健康数据信息，但同时也给不法分子以及商业性公司提供了便捷途径，这方面的责任界定和划分依然没有相关法律文件支撑。因此，公民健康信息和患者隐私保护是医疗人工智能面临的一个重大挑战。
（三）人工智能技术创新面临的挑战
目前，人工智能技术发展仍处于初级阶段，主要表现在创新进度缓慢，研发存在瓶颈，辅助功能简单。特别是在医疗健康领域，实际的临床诊疗操作难以实现，人工智能在与人沟通、逻辑推理和复杂情景决策等高级功能方面亟待加强。人工智能技术仅依赖于人类现有知识的学习，对于未知的事物分析判断能力不足，难以超越人类现有的最高医疗水平，缺乏创新能力。
（四）医疗人工智能复合型人才短缺
一是医疗人工智能人才知识结构不合理，主要体现在大量人工智能技术人才知识储备单一，缺乏将健康医疗专业知识有机融合入人工智能技术的知识结构，这已经成为制约医疗健康领域人工智能技术发展的首要因素。二是医疗人工智能人才培养体系不健全，主要表现在人工智能人才缺乏在医疗领域的理论知识与实战经验，导致人工智能技术与医疗技术脱节，目前这种跨界融合的人才培养机制尚未真正建立。为此，亟待完善医疗人工智能的知识体系及创新人才培养机制。
（五）过度依赖人工智能
在当前的医疗行业中，人工智能技术的应用越来越广泛，但人工智能在给医务人员带来方便的同时也可能会造成其医疗技能的退化，就像长期使用计算器的人的心算能力退化一样。即便是有人工智能技术的辅助，医疗技能的退化对于医生来说也绝非好事。此外，医疗行业中不仅涉及医疗技术的问题，还可能涉及一些人文关怀问题。很多患者更愿意见到的是真正关怀自己的医生，而非冷冰冰的机器人。在人工智能技术应用越来越广泛的时代，如何在进一步发挥人工智能作用的同时尽可能不形成对其的依赖，不仅是医疗行业，也是各个行业的人员所要面临的问题。
（参见《人工智能蓝皮书：中国医疗人工智能发展报告（2020）》p303-306，社会科学文献出版社2020年12月）
人工智能对医疗服务的机遇与挑战
4、缓解医疗人力资源紧张局面
造成当前我国“看病难”、“看病贵”的原因之一是我国医疗卫生人力资源总体上不足，尤其是优质医疗人力资源欠缺。有了医疗人工智能的帮助，能从患者、医院、医师3方面提升医疗服务效率和质量。通过远程人工智能医疗方案，不仅能解决偏远地区看病就医问题，即便是在发达的城市如北京、上海、广州等，通过医疗人工智能系统，当地居民也能预先与医疗机构和医务人员联系和沟通，能大大提高看病就医的效率，提高医疗人力资源的使用效率。在常见病、多发病和慢性疾病复诊、随访等方面，大量的工作可以由医疗机器人协助完成或独自完成。这样既能大大提高现有医疗人力资源的使用效率，也能降低对医疗人力资源的总体需求，将使我国目前面临的医疗人力资源紧张局面得到缓解。
5、重构医疗服务模式
传统的医疗服务模式下，一个人如果觉得自己不舒服，感觉自己生病了，会到医疗机构寻求帮助，经过挂号、就诊、检查、取药或住院治疗等，在症状缓解、治愈或不治等情况下才离开医疗机构，重新回归社会和家庭。这种医疗服务模式主要围绕实体性的医疗机构开展，所有的患者信息、医疗服务、药品供应、医疗检查都在某一个特定区域开展，医患双方的交流与互动也是点对点进行，医疗机构和医务人员处于依患者请求而被动开展诊疗行为的状态。随着医疗人工智能技术的发展和相关配套政策的完善，将来的医疗服务模式会发生重大变化。在医疗人工智能技术和平台的支持下，人们可能还没有感觉到不舒服时，通过智能的可移动终端和可穿戴设备等的监测，医疗机构及其医务人员就能主动发现健康状况异常的个体和人群，提前给予健康风险提示和健康改进或医疗措施建议。对于初次发病的患者，首先想到的可能不是到某一地点的某个具体医疗机构寻找某个或某些医务人员的帮助，而是通过智能移动端对医疗人工智能系统或平台进行访问，与医疗人工智能系统的互动对自己的健康状况进行预评估。根据预评估结果自助开展相关检查或到专业检查机构进行相关检查，再决定是自己进行简单处理还是需要到某个特定医疗机构寻求进一步的医疗帮助。这种寻求医疗帮助的行为也会在医疗人工智能系统的引导或参谋下进行，特定医疗机构可能不是一所医疗机构，而是一组或一群相关的医疗机构和医务人员。当然，在不涉及个人隐私侵权的情况下，患者还可能和相关疾病的社会组织和病人群体取得联系，了解相关信息，获得他们信息、技术和心理层面的支持。在这种医疗服务模式下，医疗服务的提供对某一固定区域的实体性医疗机构的依赖程度大大降低，对虚拟的医疗人工智能系统医疗依赖程度会越来越高。在某种程度上，就像今天人们的信息交流主要依赖电子邮件系统或者微信、QQ等工具，而不像以前主要依赖邮局。医疗机构也不再处于被动请求状态，医患之间的沟通和交流也不再局限于在某个固定地点、固定机构点对点进行，可能是随时随地以面对面的方式进行。
二、医疗人工智能面临的挑战
尽管人工智能技术和相关配套政策的快速发展，为人类社会带来了美好的医疗应用前景，但将人工智能技术应用到医疗服务领域，造福人类，仍面临艰巨的挑战。
1、公民健康信息和患者隐私保护
在今天和未来，当移动互联网、大数据和机器智能三者叠加后，我们生活在一个“无隐私的社会”。信息技术、人工智能技术的快速发展，给广大患者提供就医便利的同时，也给患者隐私保护带来了巨大的挑战。信息技术的快速发展和应用，每个人在医疗方面的信息或隐私都在虚拟的网络系统中留下痕迹。如果管理不善，就有可能被不法分子所利用。在人工智能技术快速发展及应用的过程中，智能移动终端和可穿戴设备的广泛使用，对收集人们健康相关的信息提供了非常有效的手段，但同时也给不法分子提供了途径。公民健康信息和患者隐私保护是医疗人工智能面临的重大挑战，应对该挑战需从技术、法律制度等多方面着手，需要患者、医疗机构、人工智能公司、政府和社会各界共同努力。
2、医务人员接受程度
医疗行业是一个技术和准入门槛很高的行业，医务人员是医疗行业的核心和主体，医疗人工智能能否快速发展和应用，离不开医务人员的支持和推动。如果担心医疗人工智能的发展会抢了医务人员的“饭碗”，使大量医务人员失业，一些医务人员可能会抵制或消极对待医疗人工智能的发展，那将会极大地降低医疗人工智能的发展速度。因此，如何对医疗人工智能进行科学、合理的科普宣传，让医务人员认识到人工智能技术对医疗服务的意义和价值，让医务人员接受并主动应用和推广医疗人工智能技术也是医疗人工智能发展面临的挑战之一。
3、经费筹集
医疗人工智能快速发展给人们看病就医带来方便的同时，从长远来看，也会降低总的医疗费用。但医疗人工智能发展离不开大量的前期研发和基础设施建设，这些都需要大量的经费投入。尤其是医疗人工智能系统投入使用后，通过医疗人工智能系统进行看病就诊的相关费用能否得到社会医疗保险还是商业医疗保险的报销，更是影响医疗人工智能发展的重要方面。因此，如何通过科学、合理的途径筹集相应的经费也是制约医疗人工智能发展的重要方面。
4、风险责任规制
通过医疗人工智能系统或平台在进行看病就诊过程中，医患关系由原来的患者与医疗机构和医务人员之间的关系变成了患者、医疗人工智能系统或平台、医疗机构、医务人员三方或四方之间关系，法律关系的主体增加了一方。此外，很多看病就医行为是通过虚拟的信息系统或人工智能系统进行，可能发生医疗风险的主体、环节和因素增多了，医疗风险不可控性增强。因此，有必要加强医疗人工智能背景下的风险责任规制，确保患者和公众的健康权益。
5、医疗人工智能法律主体地位
医疗人工智能机器人能否获得法律的主体地位是一个极其复杂而深邃的历史命题。随着人工智能技术的快速发展，机器人拥有越来越强大的智能，机器人与人类的差别有可能逐渐缩小。未来出现的机器人将拥有生物大脑，甚至可以与人脑的神经元数量相媲美。是否赋予机器人以虚拟的“法律主体资格”，在过去的一段时期，美英等国的哲学家、科学家包括法学家都开展过激烈的争论。2016年，欧盟委员会法律事务委员会向欧盟委员会提交动议，要求将最先进的自动化机器人的身份定位为“电子人”，除赋予其“特定的权利和义务”外，还建议为智能自动化机器人进行登记，以便为其进行纳税、缴费、领取养老金的资金账号[14]。该项法律动议如获通过，无疑使得传统的民事主体制度产生动摇。2017年10月26日，沙特阿拉伯授予美国“汉森”机器人索菲亚公司生产的“女性”机器人索菲亚公民身份，更是将是否赋予机器人以虚拟的“法律主体资格”的讨论推向高潮。2017年科大讯飞与清华大学联合研发的人工智能“智医助理”机器人在国家医学考试中心监管下参加了临床执业医师综合笔试测试，2017年底，科大讯飞发布公告称，“智医助理”机器人以456分的成绩通过了临床执业医师考试。如果智能机器人能像“公司”一样获得法律拟制的“法人”式的法律人格，那将来也可能有依法执业的“机器人医生”，这将是医疗人工智能发展面临最重大最终极的挑战。
摘自《中国医院》杂志2018年第6期文章《人工智能对医疗服务的机遇与挑战》，参考文献略返回搜狐，查看更多
人工智能在医学图像处理中的研究进展与展望
自伦琴1895年发现X射线以来，医学图像已经成为诊断人体疾病的重要医学检查手段。如今，计算机断层扫描(CT)、磁共振成像(MRI)和超声等医学图像都是疾病诊断最直接、最常用的方法。然而，大量的医学图像需要临床医生和影像科医生花费很多时间和精力进行阅片分析，并且还可能会因医生个人主观经验或疲劳出现阅片错误，导致疾病错诊、漏诊和误诊等问题，因此，亟须有数字化、智能化的软件和程序来解决这个问题，提高阅片速度和效率，减少医生错诊、漏诊和误诊的出现概率。
人工智能(artificialintelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学，通常是指通过计算机程序来呈现人类智能的技术。根据2017年中华人民共和国国务院印发的《新一代人工智能发展规划》，人工智能已经成为我国科技的重要发展战略方向，其在我国各行各业都有重要体现。近年来，随着深度学习的发展，人工智能技术在医学领域取得了很多突破性进展，尤其体现在医学图像处理方面[1-2]，前期主要包括CT、MRI和超声图像中病灶的智能识别、自动分割、三维重建和三维量化，以及后期的疾病智能诊断和预后评估。本述评将从人工智能辅助医学图像分割和三维重建、疾病的智能诊断和预后评估三个方面探讨人工智能在医学图像处理中的研究进展，并对今后的医学人工智能的研究方向进行展望。
1人工智能辅助医学图像分割从MRI、CT、超声等多种模态的医学图像中，我们能够获取人体器官和病灶的二维生理学和形态学图像信息，但想要更直观地观察疾病病灶的三维形态和空间毗邻关系，实现对疾病的精准量化，为患者提供更准确的疾病信息、疾病诊断和最优治疗方案，则需要借助医学图像分割和三维重建技术，获得病灶及毗邻结构的三维数字化模型。传统医学图像的分割与三维图像重建主要依靠人工进行，存在耗时、繁琐、主观偏差(不同人员对知识的掌握与理解不同，导致分割与重建的误差)等缺点。
人工智能技术的运用对于医学图像分割具有重大的意义和应用价值，特别是基于深度学习的卷积神经网络算法有助于提高分割效率、缩短分割时间、减少主观偏差，可以将医生的精力从图像分割中解放出来。近几年一些研究表明，通过对经典卷积神经网络模型的改进可以在医学图像上对一些复杂组织结构达到很好的分割效果。香港中文大学LI等[3]于2018年提出的混合密集连接网络(H-DenseUNet)在肝脏分割方面取得了非常好的效果，很好地解决了同时分割肝脏和病灶的问题。同年，ZHAO等[4]研究团队通过将全卷积神经网络(fullyconvolutionalneuralnetworks,FCNN)和条件随机场(conditionalrandomfields,CRF)集成到统一框架中，开发了一种新的脑肿瘤分割方法，获得了具有外观和空间一致性的较好的分割结果。2019年巴西西拉联邦大学的ARAÚJO等[5]通过细胞分割深度学习技术的细胞学分析计算工具，在没有预分割的情况下排除包含异常细胞的低概率图像，从而提升了Pap测试检验效率，比现有的方法运行得更快，而且检测精准度不会受白细胞和其他污染物存在的影响。2020年山东师范大学XUE等[6]在快速采集的梯度回波图像上开发出一种基于深度学习的网络检测和分割方法，通过Dice测量自动和手动分割结果之间的重叠，证明该网络可以自动准确地对脑转移肿瘤病灶进行检测和分割，敏感性为(0.96±0.03)，特异性为(0.99±0.0002)，Dice值为(0.85±0.080)。在分割存在较大难度的肌肉组织方面，加拿大西蒙弗雷泽大学工程科学学院的DABIRI等[7]于2020年利用深度学习算法设计出包含第三腰椎(L3)轴向切片定位网络和肌肉-脂肪分割网络，将其运用在腹部CT图像上，实现了L3切片定位，其平均误差在(0.87±2.54)，完成了骨骼肌、皮下脂肪组织、内脏脂肪组织和肌肉间脂肪组织的自动分割，其平均Jaccard得分为97%、98%、97%、83%，定位和分割网络性能表明该方法具有高精度的全自动身体成分分析的潜力。2021年中国北京大学第一医院神经内科的YANG等[8]构建了卷积神经网络，用于分割MRI图像下肌肉结构，以获得肌肉在人体结构中的比值，用于诊断肌营养不良障碍，该深度模型在鉴别肌营养不良症患者方面表现出良好的准确性和敏感性，并通过与3名放射科医生对比，证明了该模型通过MRI图像诊断肌营养不良症方面存在潜在应用。
2人工智能辅助疾病的智能诊断医学疾病的诊断对患者预后评估以及治疗方案的选择至关重要，然而，医生对医学影像的准确解读需要较长时间专业经验的积累，有经验医生的培养周期相对较长。因此，人工智能辅助疾病的智能诊断非常重要和关键，不仅可以提高对医学图像的检测效率和检测精度，减少主观因素带来的误判，提高医生诊断速度，帮助年轻医生对比学习和快速成长，还能帮助缺少医疗资源的偏远地区、基层医院及体检中心提高筛查诊断的水平。这方面研究主要包括医学图像上疾病病灶的识别与分类，特别是在皮肤癌、肺癌、肝癌等常见疾病的诊断方面有突出进展。
早在2017年斯坦福大学的研究者[9]已经成功训练了一个可以诊断照片或皮肤镜下皮肤癌的深度学习算法，该算法不仅可以区分角质形成细胞癌和良性脂溢性角化病，还能准确识别出恶性黑色素瘤和普通的痣，该研究设计的深度卷积神经网络在测试时都达到了专家的水平。人工智能的皮肤癌鉴定水平已经达到了皮肤科医生水平，预计在不久的将来，具有该皮肤癌诊断算法的移动设备可以让皮肤科医生的诊断拓展到诊室之外，实现低成本的皮肤病重要诊断。
人工智能辅助肺癌的识别和诊断可显著减少过度诊断，主要的应用是在医学影像的基础上通过区分良性和恶性结节来改善肺癌的早期检测，因为早期识别恶性肺结节对于肺癌后期的手术、放化疗等治疗至关重要，同时决定了肺癌的预后。2019年ZHAO等[10]探索了利用最先进的深度卷积神经网络的3种策略包括修改一些最先进的卷积神经网路(convolutionalneuralnetworks,CNN)架构，集成不同的CNN构架和采用迁移学习，对CT图像上的恶性和良性肺结节进行分类，最后证明迁移学习的效果最佳。BONAVITA等[11]使用3D卷积神经网络评估肺结节恶性程度，并将其集成到自动化的端到端的现有肺癌检测流程中，提高了肺癌的预测效果。另外，美国德克萨斯大学西南医学中心WANG等[12]认为深度学习算法还将会影响肺癌的数字病理智能检测的发展。随着技术的进步，深度学习包括多任务学习、转移学习和模型解释等，都会对肺癌的诊断起着积极的影响效果。
随着越来越多研究的发表，人工智能技术在肝病诊断和治疗方面的应用也越来越多。CHOI等[13]利用来自7461例患者的大量CT图像数据集，开发了一个用于对肝纤维化进行分期的CNN模型，其性能优于放射科医生以及氨基转移酶-血小板比指数和纤维化-4指数等血液生化学指标，证明人工智能可以实现在CT图像上准确地诊断肝纤维化并对其进行分期。YASAKA等[14]使用来自460例患者的肝脏CT图像训练的CNN模型在肝脏肿块鉴别诊断中表现出较高的诊断性能。NAYAK等[15]开发了一种新的基于深度学习的肝脏三维分割和肝细胞癌(hepatocellularcarcinoma,HCC)检测系统，用于对肝硬化和HCC进行诊断分类，效果较好。HAMM等[16]使用434例HCC患者的MRI图像建立了一个CNN分类器对6个类别的具有典型成像特征的肝脏病变进行诊断分类，测试集性能显示平均敏感性为90%，特异性为98%，每个病变的计算时间为5.6ms。这些研究都表明人工智能深度学习可作为放射科医生最终决策支持工具的潜力，以及其能以省时的方式整合到临床工作流程的可行性。肝活检是目前检测、风险分级和监测非酒精性脂肪肝患者的标准，美国纽约州西奈山的伊坎医学院肝病科DINANI等[17]认为人工智能给诊断非酒精性脂肪肝及其表型风险分级带来希望，利用人工智能可以提高识别有非酒精性脂肪肝和晚期纤维化风险患者的能力，客观地评估肝脏疾病诊断并改进肝组织的组织学评估不足之处。
此外，人工智能在辅助膀胱癌的诊断上也有一些应用进展。2019年美国加州斯坦福大学医学院泌尿外科SHKOLYAR等[18]通过研究发现将人工智能中的深度学习算法用于增强的膀胱镜检查，可以改善肿瘤的定位精准度、肿瘤的识别率、术中导航效果和膀胱癌的手术切除效果。2020年德国美因茨大学医学中心病理学研究所WOERL等[19]尝试利用人工智能深度学习单独从传统的组织形态学中检测肿瘤组织外观，进而诊断侵袭性膀胱癌分子亚型，发现其诊断效果良好，类似或优于病理学专家，表明人工智能用于预测侵袭性膀胱癌的重要分子特征，有可能显著改善该疾病的诊断和临床管理。
3人工智能辅助疾病的预后评估通过患者信息和图像分析，提取肿瘤的大小、部位、形态、边界、质地等特征，预测疾病治疗反应，评估疾病的预后，可以帮助医生更好地选择合适的治疗方式，这方面的研究在不断发展，这也是医生和患者都关心的问题。2018年香港中文大学重点肿瘤实验室CHAN等[20]通过回顾性研究，分析3903例接受手术切除的早期肝细胞癌患者，构建了两个统计模型，用于预测切除后早期HCC的复发风险，模型经过广泛验证被证明适用于国际环境，临床医生使用后能够估计个别患者复发的风险，对指导监测随访和切除后辅助治疗试验的设计很有价值。通过近几年的发展，影像组学在肿瘤诊断、分期、预后以及预测治疗反应等方面也取得很多进展[21-22]。南京医科大学第一附属医院放射科的XU等[23]于2019年回顾性分析了总共495例肝癌手术切除的患者，构建的综合影像组学模型显示肿瘤大小和瘤内不均匀性与肿瘤微血管浸润相关，表明结合大规模的临床影像和影像组学特征构建模型，不仅能够有效预测HCC微血管侵犯风险，并可对患者术后复发及生存进行评估。2020年广州中山大学第一附属医院超声科LIU等[24]基于2008-2016年共419例患者(包括射频消融和外科手术切除患者)的肝脏对比增强超声，建立人工智能影像组学模型，预测射频消融和手术切除的无进展生存期，结果显示基于深度学习的影像组学模型可以实现无进展生存期的术前准确预测，可以促进极早期或早期肝细胞癌患者的最优化治疗方式选择。不仅如此，此研究团队还利用基于人工智能的影像组学方法在超声造影中准确预测肝细胞癌患者对经动脉化疗栓塞的反应，并在不同验证集中表现出高度可重复性[25]。由此可见，结合深度学习和影像组学的优势，可以更大程度地对疾病进行治疗反应预测和预后评估。2021年美国加利福尼亚州斯坦福大学医学院放射肿瘤科JIN等[26]通过多任务深度学习方法，充分利用治疗的动态变化信息，成功预测新辅助化疗后直肠癌出现病理完全缓解的可能性，在160例和141例患者的多中心验证中获得的受试者工作特征曲线下面积(areaundercurve,AUC)分别达到0.95和0.92，结合肿瘤血清标记物后，该模型的预测精度进一步得到提高，这项研究可用于改进治疗反应的评估和疾病监测，并有可能为个性化医疗提供信息。
4展望近年来，随着社会的数字化和智能化发展，虽然由于医学的严谨性和复杂性，人工智能在医学上的产品并不多，但是人工智能已在医学的研究上广泛普及。通过本述评对近几年国内外医学人工智能的研究和应用的分析，我们认为，医学院校的人工智能辅助医学图像处理方面的研究可主要聚焦于以下几个方面。
4.1医学影像和病理图像的智能分割人体正常结构和病灶详细信息的精准获取来源于人体结构的边界精准分割，而且人体结构三维图像和三维形态学参数的获取更依赖于二维影像学和病理学图像的分割，图像分割是后期疾病诊断、预后评估、治疗决策的基础，但是分割会花费医生大量的时间和精力。因此，亟须通过人工智能算法或工具，来解决手工分割耗时长、精度差、精度依赖于医生个体经验的问题。
目前，基于人工智能的深度学习算法常用于医学影像学图像如CT、MRI、超声和病理学图像的分析。一般在图像中选择一些具有一定准确几何形态规律的、相互变异较小的、边界比较清楚的人体组织结构，来进行深度学习算法或软件的训练，比如人体大脑、小脑、肝、肺、肾、脾、乳腺、甲状腺、骨骼肌等，尤其目前的研究在肝癌、肺癌等常见病、多发病的体现最多，往后的研究会逐渐向适合深度学习的而又为常见病多发病的实质性脏器疾病发展，如胰腺癌、食管癌、腮腺肿瘤等。然而，对于一些变异较大的结构如小肠、静脉，就不大适合使用深度学习算法进行分割，反而阈值法和区域扩增等传统算法可能会更加适合，因为目前的深度学习算法大多属于监督学习，需要医生的精准标注进行训练，而标注这些变异较大的结构会大大增加医生的工作量。因而，肉眼能识别和分割出来的结构，人工智能分割实施效果会较好，肉眼难以准确识别的结构，人工智能算法效果也会欠佳。因此，目前开展人工智能进行医学图像分割研究需要选择合适的分割结构和合适的临床疾病，但随着人工智能方法的不断更新，非监督学习的发展，医学图像的分割难题可能会得到解决。
4.2人工智能辅助疾病诊断疾病快速精准诊断是精准治疗的关键，传统的诊断存在医学诊断个体差异、耗时长、优势医疗资源相对匮乏等问题。人工智能辅助疾病诊断包括疾病病灶检测和疾病分类分期确诊，数据源主要来自人体影像学和病理学数据。在诊断效率上，人工智能在某些疾病的诊断上水平已经超过了医生，已经在临床上开始使用，比如肺癌、皮肤癌、乳腺癌等这几类都是常见的肿瘤，因为其训练样本达到了几千或几万病例。其他疾病如胶质细胞瘤、宫颈癌、直肠癌的智能诊断还处于发展阶段，主要原因是训练集样本量不够多，非多中心实验，这一部分研究仍可继续挖掘。还有一些如非肿瘤性的内科疾病比如感染性疾病、自身免疫性疾病等仍未作为研究的重点，这一部分的研究仍可继续开展。
人工智能辅助疾病诊断模型存在构建的通用性模型在特定任务中表现不理想的情况，如人体眼底彩色照片的眼底疾病的筛查和诊断中，使用通用性筛查模型往往在具体疾病的识别中表现就不够理想。同时，模型的构建，往往对图像的源数据质量要求比较高，如不同医院、不同医疗设备、不同操作技师所获取的数据就不一样，如果只用来自一家医院的数据，而不入组其他医院的，那么最后构建的模型，就不能精准智能诊断其他数据源的数据。因此，人工智能辅助诊断研究，早期可从单中心数据源选择入手，但在后期，则需要考虑多中心数据，这样，构建的智能诊断模型才能够具有通用性。
人工智能诊断疾病的技术路线要基于影像科或病理科医生，把他们的疾病诊断思路弄清楚、弄明白，才能更准确地让机器学习医生的诊断思路，进行智能诊断，从而达到疾病的精准诊断。如病理科医生诊断肿瘤，先判断细胞核的核分裂象和核异质性，再考虑细胞质的异常变化，另外皮肤科医师根据痣的大小、边界、颜色、质地均匀度、部位进行痣良恶性的判定，让机器按这样的思路学习才能事半功倍，实现精准诊断。
4.3人工智能辅助疾病预后评估人工智能辅助疾病预后评估，目前为临床医生和患者及家属最关心的问题。通常采用回顾性的研究分析方法，构建疾病智能预后评估模型，进行预后风险性评估研究和手术、放疗以及新辅助化疗风险性评估。目前，这一部分的研究逐渐成为医生和医学家关注的重点，比例在增高，甚至部分领域高于目前的人工智能辅助诊断研究。
疾病预后评估智能模型的构建及研究，同样需要结合临床医生的思维和诊断流程，比如肺癌、肝癌的智能预后评估，危险性主要跟其结节大小、部位、边界、质地均一度、供应血管丰富程度、与重要脏器的毗邻关系、与重要血管的毗邻关系和病理学结果，这样才能让机器学习到相关性强的深层特征。
总之，医学人工智能是数字医学发展的新方向，为现代医学研究的主流热点，是未来医学发展的必然趋势。现在医学人工智能尚处于弱人工智能时代，不具备沟通的功能和能力，仍然需要人工智能技术的不断提高和完善，以期早日实现人机智能交流。同时，由于医学问题的因果关系链复杂、精准度要求高、病人个体差异大，所以对医学人工智能产品的要求很高，虽然研究成果多，但产品产出慢，耗时长，耗钱多，我们需要有足够的耐心等待其发展。因此，医学人工智能的研究往往需要针对某一种疾病，制定一个短期、中期和长期的计划。短期计划，即利用较小的训练集样本库，完成人工智能初步模型的构建，获得较好的测试验证结果；中期计划，利用至少几百例、甚至是多中心的大样本训练集，对人工智能模型进行优化完善，并在临床前瞻试验中得到验证；长期计划，在较完善训练集模型的基础上，继续扩大样本量至几千例，提升模型的泛化能力和兼容性，以提高诊断和预后评估的精度准，降低错诊、漏诊和误诊的概率，达到产品上市的条件。
医学人工智能时代已经来临，我们亟须紧跟数字医学和人工智能时代步伐，激流勇进，为未来医学的创新和改革做出贡献。
医疗人工智能面临四方面的主要法律问题
2021年4月24日，国家卫生健康委员会医院管理研究所、《中国数字医学》杂志社、社会科学文献出版社共同发布了《人工智能蓝皮书：中国医疗人工智能发展报告（2020）》。
医疗人工智能面临的法律问题，其核心或者出发点是对大数据与核心算法的规制。因为大数据与核心算法是医疗人工智能的灵魂与表现形式。然后确立规制医疗人工智能的基本原则。医疗人工智能基本原则是安全、有益、平等，最终目的是以人为本。还有一个问题是医疗人工智能的知识产权问题。在确定了出发点与最终目的之后，就从以下几个方面进行规制。
1. 是否可以确立医疗人工智能（或者“机器人医生”）的法律人格
医疗人工智能的法律人格问题可以分为两个层面：一个是是否必须确定医疗人工智能法律人格的问题；另一个是如何确立医疗人工智能的法律人格的问题。人工智能通过深度学习，逐渐呈现出一些“自主性”的特征。“机器人是人吗？”这个问题变得越来越重要。因为人工智能的民事主体身份的确认是明确其法律行为、法律责任、归责原则等问题的基础。在传统的民法体系中，民事主体有自然人、法人、非法人组织、国家与国际组织。深度学习的强人工智能是否可以被赋予有限的民事能力，是否能以“机器人”的名义位列民事主体是一个重大的法律问题。
2. 如何设定医疗人工智能的诊疗规则
法律是以国家名义颁布的、以权利义务为内容的、以国家强制力保障的主体的行为规范。无论是设定医疗人工智能的民事主体身份，还是把医疗人工智能当作医生的医疗辅助手段，都必须有相关的法律文件对医疗人工智能的诊疗行为进行规制，例如，关于机器人手术的相关法规，2012年，国家卫计委印发的《机器人手术系统辅助实施心脏手术技术规范（2012年版）》和《机器人手术系统辅助实施心脏手术技术培训管理规范（2012年版）》。但实际上，手术机器人不仅做心脏手术，还做脑部、胸部、腹部、四肢等多部位手术，但其他的相关法律法规的设立还在摸索初期，国际公认的手术机器人标准也尚未形成。
3. 法律责任归责原则与承担方式
医疗人工智能导致医疗损害的责任认定要从两个层面去进行法律架构：一个是法律责任的归责原则；另一个是法律责任的承担方式。医疗人工智能有可能因硬件故障、程序漏洞、深度学习后的自主性等引发医疗事故，例如，在英国2015年首例“达·芬奇”手术机器人心瓣修复手术中，机械手臂乱动打到医生的手，还把病人心脏放错位置，戳穿了患者的大动脉。我国《侵权责任法》规定：“责任医师或医疗机构对患者在医疗服务中所受的损害有过错的，医疗机构应承担赔偿责任。医疗器械产品缺陷导致的医疗损害，由医疗机构和生产者承担连带赔偿责任，适用无过错责任原则。”很显然，《侵权责任法》考虑到了由医疗器械导致的损害的责任承担问题。但是在由具有自主性、独立性和拟人性的医疗人工智能导致的医疗损害的案件中，谁是责任主体、应用什么归责原则，却是一个新问题。
4. 风险防范问题
（1）隐私风险
患者个人的医疗数据包括个人基本信息，比如姓名、年龄、性别、住所、籍贯、工作单位、联系方式等，还包括身体指标、既往病史、诊疗记录、生物基因信息等健康信息。这些相关的隐私信息如何收集，如何储存，如何使用，如何在保障患者知情权的情况下，合法获取患者的疾病信息都是重要的法律问题。
（2）数据安全
医疗人工智能的深度学习需要收集并分析海量的数据资源。而这些数据资源关系到国计民生，甚至国家战略决策，一旦泄露后果不堪设想，例如，2015年我国深圳某基因科技服务有限公司、某医院与英国牛津大学开展合作研究，研究中国人类遗传资源。在合作过程中，中国公司把人类遗传资源信息通过网络传递到国外，且没有经过相关部门的批准与许可，因此收到科技部的行政处罚书。2016年，英国伦敦皇家自由医院为了研究肾脏医疗新方法，约160万名患者的相关信息被该医院交给“深度思维”公司，因为侵犯患者隐私，侵犯患者知情同意权，“深度思维”公司数据来源的合法性和正当性受到质疑，同时皇家自由医院也因传递患者信息这一行为被英国信息委员会要求整改。因此如何充分利用大数据以供人工智能的深度学习同时保护好大数据安全也是一个期待解决的法律问题。
（3）医疗人工智能深度学习后的“自主性”导致的风险
上海交通大学江晓原教授认为人工智能的发展的会对人类造成远期、中期、近期的三大威胁。“近期威胁是大规模失业与人工智能的军事化应用。中期威胁是人工智能的失控与反叛。远期威胁是至善全能的人工智能消解人类的生存意义。”人工智能通过大数据的喂养与“自主性”地深度学习，成为各个领域的实际控制者。民众不知不觉地被无形的、强大的算法技术管控与统治，无法抗拒。如被算法控制的打车平台、自动驾驶与导航系统、银行对个人或者企业的信任风险评估体系、互联网的广告分发系统、媒体软件的内容推送系统、犯罪预警系统、股票与基金模型等，其中一些具有偏见与歧视的算法被数据科学家称为“数学毁灭武器”。尤其是人工智能的反叛与失控可能会给人类带来毁灭性的打击，因此如何防范人工智能深度学习后的“自主性”导致的风险是一个极其重要的法律问题。
（4）伦理风险
人工智能有可能因为设计者的偏见与歧视，或者经过深度学习后习得了偏见与歧视，这种有意或者无意的偏见与歧视会导致不公平，或者对某些特定群体不利。因此我们要防止技术的滥用和异化，尽量避免歧视与偏见，避免损害生命体的尊严。在真实世界中，昂贵的医疗人工智能诊疗新技术的应用有可能侵犯贫困患者平等的生命健康权利；优生优育计算软件有可能剥夺某些缺陷胎儿的生存权利；利用医疗数据软件指导开发的某些药物与医疗器械有可能不利于某些特定人群、种族、性别等。算法的不透明，有可能严重影响消费者利益，甚至有可能通过辅助决策与执行影响公共政策。当然还有战争机器人的伦理问题等。
（参见《人工智能蓝皮书：中国医疗人工智能发展报告（2020）》p127-131，社会科学文献出版社2020年12月）