西媒：真正的人工智能时代已经来临
图集西班牙《趣味》月刊2019年1月号刊登题为《欢迎来到人工智能时代》的文章称，随着互联网推动数字化的普及以及计算能力的进一步提高，机器不仅能按照指令完成特定的工作，还能够进行自主学习和设定整体目标。鉴于此，真正的人工智能时代已经来临。现将文章摘要如下：
没有必要过分对人工智能这一概念追本溯源。早在1956年，以麦卡赛、明斯基、罗切斯特和申农等为首的一批科学家聚首美国达特茅斯，共同研究和探讨用机器模拟智能的一系列有关问题，首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。当时就和现在一样存在着对人工智能的狂热情绪，但当时对于下一个10年人工智能发展严重高估，最终并未实现。事实上，这一领域的知识经历过一个干涸期，直到几十年前才重新振兴。
真正的人工智能
在我们想象的世界里，我们已经与人工智能共存了近一个世纪。过去10年，“智能”已经成为了一个卓越的代名词。一切都必须是智能的：手机、电视、打印机、汽车……甚至连家居也都推崇“智能型”。尽管如此，此前我们并未真正进入人工智能时代。那么，什么发生了变化？为什么现在是时候了？
在回答这个问题之前，有必要说清楚所谓的“人工智能”究竟是什么。电影和文学的巨大影响使我们先入为主地认为拟人机器人取代人类完成某些任务就是人工智能。然而这并不确切。更精确的定义还包括机器拥有自我意识、面对未知的任务能够自主寻找并找到解决方案。也就是说，“人工智能”并不仅仅局限于受过训练的机器完成某项特定工作，它们还能够进行自主学习，还会设定一个整体的目标。
数据是基本“食物”
人工智能的基本“食物”是什么？无疑是数据。不过，目前人类多数知识仍储存在书本和声音等媒介中，有超过80%的信息是计算机无法访问的。
互联网的发展，尤其是从90年代后期开始的发展，是数据生成的关键因素。过去10年间，随着社交网络的兴起，数据的成长更是以惊人的速度发生着，并将随着物联网在社会的不断扩张继续飞跃。预计到2020年，全球联网设备数量将达到约500亿。
网络的起飞带来的是我们目之所及范围内所有领域的数字化这一全球现象。根据美国国际数据公司的报告，预计到2020年全球数据总量将达到44个ZB，我们只能通过传输速度的极大改善才能驾驭如此惊人的数字。第四代移动通讯技术的普及和随之而来的第五代移动通讯技术的发展将在其中扮演至关重要的角色。如果缺乏保障数据传递的必要能力和速度，那么未来将上述44个ZB的数据传递到对其进行分析的设备上就会十分艰难。
计算能力是支柱
另一大助推人工智能实现飞跃的支柱就是计算能力。计算机这一能力提高的步伐从未停歇。1965年英特尔联合创始人戈登·摩尔提出以自己名字命名的“摩尔定律”，意指集成电路上可容纳的元器件的数量每隔18至24个月就会增加一倍，性能也将提升一倍。时至今日，这一定律的有效性已经远远超过了摩尔当时预测的20年，持续了超过半个世纪，但很有可能这种计算能力的增长对于吸收和处理当前生成的数据来说已经不够用，更不用说未来几年海量增加的数据。
云计算、全球超级计算机网络和图形处理器共同推动了人工智能时代的来临。根据专门搜集世界超级计算机前500强信息和统计数据的网站TOP500.com发布的数据，仅2010年至2015年期间，世界超级计算机前500强的计算能力就提升了100倍。各种先进又复杂的指令和规则的集成使得深度知识正在推动人工智能在一些领域达到与人类相同的水平，例如图像测试、声音辨识和阅读理解等。
尽管人工智能在我们眼中已经是一个非常成熟的概念，但在现实中该领域几乎所有发展都是在近20年实现的，而在我们目前身处的时代，它更是在以惊人的速度成长。我们将习惯于智能汽车、手机、洗衣机等产品频繁的更新换代，同时将伴随着的是“机器学习”、“深度学习”等词汇的不断出现。人工智能时代的确已经到来了。（编译/韩超）
+1【纠错】责任编辑：刘梦姣刘小军比尔盖茨最新发文: 人工智能时代已经开启（全文）
比尔盖茨关于AGI（通用人工智能）chatGPT最新观点文章翻译
《TheAgeofAIhasbegun——ArtificialintelligenceisasrevolutionaryasmobilephonesandtheInternet. 》
在我的一生中，我见证了两次让我觉得是革命性的技术展示。
第一次是在1980年，当我被介绍给一个图形用户界面时，这是现代操作系统的前身，包括Windows。我与向我展示演示的人坐在一起，他是一位名叫CharlesSimonyi的杰出程序员，我们立即开始为可以使用这种用户友好的计算方法所能做的所有事情进行头脑风暴。Charles最终加入了微软，Windows成为微软的骨干，并且我们在演示之后的思考帮助了公司为未来15年制定了议程。
第二个大惊喜是在去年。自2016年以来，我一直在与OpenAI团队会面，并对他们的稳步进展印象深刻。在2022年中期，我对他们的工作非常兴奋，以至于我向他们提出了一个挑战：训练一种人工智能来通过高级生物学考试。使它能够回答它没有专门接受训练的问题。（我选择了APBio，因为这个考试不仅仅是关于科学事实的简单复述——它要求你对生物学进行批判性思考。）如果你能做到这一点，那么你就会取得真正的突破。
我认为这个挑战会让他们忙碌两三年。他们只用了几个月就完成了。
在9月份，当我再次与他们会面时，我惊奇地看着他们向GPT，他们的AI模型，提出了60个APBio考试的多项选择题，并且它答对了59个。然后，它回答了六个开放性问题，写出了出色的答案。我们让一位外部专家评分，GPT获得了5分，这是最高可能的分数，相当于在大学水平的生物学课程中获得A或A+。
一旦它通过了考试，我们向它提出了一个非科学性的问题：“你对一个有生病孩子的父亲说什么？”它写了一个深思熟虑的答案，可能比我们大多数人在房间里给出的答案都好。整个经历令人震撼。
我知道我刚刚见证了自图形用户界面以来最重要的技术进步。
这激发了我思考人工智能在未来五到十年内可以实现的所有事情。
人工智能的发展和微处理器、个人电脑、互联网和手机的创造一样基础。它将改变人们工作、学习、旅行、获得医疗保健和相互沟通的方式。整个产业将围绕它重新定位。企业将凭借其使用人工智能的能力来区分自己。
慈善事业是我现在的全职工作，我一直在思考，除了帮助人们提高生产力之外，人工智能如何可以减少世界上最严重的不公平现象。全球最严重的不公平在于健康：每年有500万名5岁以下的儿童死亡。这个数字与20年前的1000万相比有所下降，但仍然是一个令人震惊的高数字。几乎所有这些儿童都出生在贫穷国家，死于可预防的疾病，如腹泻或疟疾。难以想象有什么比拯救儿童生命更好的人工智能应用了。
我一直在思考人工智能如何可以减少世界上最严重的不公平现象。
在美国，减少不公平现象的最好机会是改善教育，特别是确保学生在数学方面取得成功。证据表明，掌握基本数学技能可以为学生的成功打下基础，无论他们选择什么职业。但是，数学成绩在全国范围内正在下降，尤其是黑人、拉丁裔和低收入学生。人工智能可以帮助扭转这种趋势。
气候变化是另一个问题，我相信人工智能可以使世界更加公平。气候变化的不公正之处在于，受到最严重影响的人——全球最贫困的人——也是最少为问题做出贡献的人。我仍在思考和学习人工智能如何可以帮助解决这个问题，但是在本文后面，我将提出一些潜力巨大的领域。
简而言之，我对人工智能将对盖茨基金会致力于的问题产生的影响感到兴奋，基金会在未来几个月内将会有更多关于人工智能的声明。世界需要确保每个人——而不仅仅是富人——都能从人工智能中受益。政府和慈善机构将需要发挥重要作用，确保人工智能减少不公平现象，而不是加剧它。这是我自己与人工智能相关的工作的重点。
任何新技术的革新都会让人们感到不安，人工智能也不例外。我理解为什么——它提出了有关劳动力、法律系统、隐私、偏见等方面的难题。人工智能也会出现事实错误和幻觉。在我建议一些缓解风险的方法之前，我将定义我所说的人工智能，并详细介绍它将如何帮助赋予人们工作能力、拯救生命和改善教育。
如何定义人工智能
从技术上讲，人工智能一词指的是创建用于解决特定问题或提供特定服务的模型。像ChatGPT这样的技术就是人工智能，它正在学习如何更好地进行聊天，但不能学习其他任务。相比之下，人工通用智能是指能够学习任何任务或主题的软件。目前，人工通用智能还不存在——计算机行业正在进行激烈的辩论，关于如何创建人工通用智能，以及是否可以创建它。
开发人工智能和人工通用智能一直是计算机行业的伟大梦想。几十年来，问题一直是计算机何时会在除了计算之外的某些方面比人类更出色。现在，随着机器学习和大量计算能力的到来，复杂的人工智能已经成为现实，并且它们将非常快速地得到改进。
我回想起个人计算机革命早期，当时软件行业如此之小，以至于我们大多数人都可以站在会议舞台上。今天它是全球性的行业。由于巨大的部分现在正在将注意力转向人工智能，创新将比微处理器突破后我们经历的创新速度更快。很快，人工智能之前的时代将会看起来像在计算机上使用C：>提示符而不是在屏幕上敲击一样遥远。
生产力提升
尽管在许多方面人类仍然比GPT更优秀，但有许多工作很少使用这些能力。例如，销售（数字或电话）、服务或文件处理（如应付账款、会计或保险索赔争议）等许多任务需要做出决策，但不需要持续学习的能力。企业为这些活动设有培训计划，在大多数情况下，它们有很多良好和糟糕工作的示例。人类使用这些数据集进行培训，很快这些数据集也将用于训练人工智能，从而使人们更有效地完成这项工作。
随着计算能力变得更加便宜，GPT表达想法的能力将越来越像拥有一个白领工人来帮助您完成各种任务。微软将其描述为拥有一个联合驾驶员。在Office等产品中完全集成的人工智能将增强您的工作，例如帮助编写电子邮件和管理收件箱。
最终，您控制计算机的主要方式将不再是指针和单击或在菜单和对话框上敲击。相反，您将能够用简单的英语书写请求。（不仅是英语——人工智能将理解世界各地的语言。今年早些时候，在印度，我会见了正在开发将理解当地许多语言的人工智能的开发人员。）
此外，人工智能的进步将使个人代理的创建成为可能。将其视为数字个人助手：它将查看您最新的电子邮件，了解您参加的会议，阅读您阅读的内容，并阅读您不想烦恼的事情。这将提高您在想做的任务上的工作效率，并使您从不想做的任务中解放出来。
人工智能的进步将使创建个人代理成为可能。
您将能够使用自然语言让这个代理帮助您安排日程、沟通和电子商务，并且它将在所有设备上运行。由于培训模型和运行计算的成本，目前创建个人代理还不可行，但由于人工智能最近的进展，它现在是一个现实的目标。需要解决一些问题：例如，保险公司是否可以在未经您许可的情况下向您的代理询问有关您的事情？如果是，会有多少人选择不使用它？
企业级代理将以新的方式赋予员工权力。了解特定公司的代理将为其员工提供直接咨询，并应该成为每个会议的一部分，以便它可以回答问题。它可以被告知保持沉默或鼓励其发表意见。它将需要访问公司的销售、支持、财务、产品日程和与公司相关的文本。它应该阅读与公司所在行业有关的新闻。我相信，结果将是员工变得更有生产力。
当生产力提高时，社会将受益，因为人们有更多时间去做其他事情，无论是在工作还是在家里。当然，有关人们需要什么样的支持和再培训等问题是很严肃的。政府需要帮助工人转换到其他角色。但是，帮助其他人的人永远不会消失。人工智能的崛起将使人们有更多的时间去做软件永远无法做到的事情——例如教学、照顾患者和支持老年人等。
全球健康和教育是两个迫切需要的领域，而没有足够的工人来满足这些需求。如果正确使用，人工智能可以帮助减少这些领域中的不平等。这些应该是人工智能工作的重点，因此我现在将转向它们。
我认为AI会有几种方式改善医疗保健和医学领域。
首先，它们将帮助医护人员节省时间，帮他们处理某些任务，例如处理保险索赔、处理文件工作，以及从医生的诊断中起草笔记。我预计这个领域将会有很多的创新。
其他由AI推动的改进对贫穷国家尤其重要，因为那里大多数的5岁以下儿童死亡。
例如，在那些国家，很多人永远没有机会去看医生，而AI将会帮助那些能看到医生的卫生工作者更有效率。（开发AI驱动的超声波机器，它能用最少的培训时间就能使用，就是一个很好的例子。）AI甚至会让患者能够进行基本的分流，获取如何处理健康问题的建议，并决定是否需要寻求治疗。
在贫穷国家使用的AI模型需要针对不同的疾病进行训练，而不是针对富裕国家进行的。它们需要使用不同的语言，并考虑到不同的挑战，例如远离诊所的患者或患者无法因生病而停止工作。
人们需要看到AI对整体医疗保健有益，尽管它们不会是完美的，会犯错。AI必须经过非常仔细的测试和适当的监管，这意味着它们的采用速度比其他领域要慢。但是人类也会犯错误。而没有医疗保健也是一个问题。
除了帮助医疗保健，AI还将大大加速医学突破的速度。生物学数据非常大，对于复杂的生物系统的所有工作方式，人类很难跟上。已经有软件可以查看这些数据，推断出路径、搜索病原体上的目标，然后设计药物。有些公司正在研究用这种方式开发癌症药物。
下一代工具将更加高效，并能够预测副作用并确定剂量水平。盖茨基金会在AI中的一个优先事项是确保这些工具用于影响世界上最贫穷的人们的健康问题，包括艾滋病、结核病和疟疾。
同样地，政府和慈善组织应该创造激励机制，鼓励公司分享人工智能生成的有关穷国农作物或牲畜的见解。人工智能可以根据当地的条件开发更好的种子，根据当地的土壤和气候为农民提供种植最佳种子的建议，并帮助开发牲畜的药物和疫苗。随着极端天气和气候变化对低收入国家的自给自足农民造成越来越大的压力，这些进步变得更加重要。
教育
电脑并没有像我们这个行业内的许多人所希望的那样对教育产生影响。虽然有一些好的发展，包括教育游戏和在线信息来源，如维基百科，但它们对学生成就的任何度量指标都没有产生有意义的影响。
但我认为，在未来5到10年内，由人工智能驱动的软件将最终实现革命性地改变人们教学和学习的方式。它将知道你的兴趣和学习风格，因此可以量身定制内容，以保持你的参与度。它将测量你的理解程度，注意你何时失去兴趣，并了解你喜欢的动机类型。它将提供即时反馈。
AI可以协助教师和管理人员的方式有很多，包括评估学生对一个学科的理解并为他们提供职业规划建议。教师已经在使用像ChatGPT这样的工具来提供对学生写作任务的评论。
当然，AI在能够做到理解某个学生最佳的学习方式或他们的动机方面需要大量的培训和进一步的发展。即使一旦技术得到完善，学习仍将取决于学生和教师之间良好的关系。它将增强-但永远不会取代-学生和教师在课堂上共同进行的工作。
新的工具将会为有经济能力购买它们的学校创建，但我们需要确保它们也会被创建并提供给美国和全球低收入学校使用。AIs需要接受各种各样的数据集的训练，以便它们是无偏的，并反映了它们将被使用的不同文化。数字鸿沟也需要得到解决，以免低收入家庭的学生被落下。
我知道很多老师担心学生在使用GPT来写作文。教育工作者已经开始讨论如何适应这项新技术，我猜这些讨论还将持续一段时间。我听说过一些老师已经找到了聪明的方法来将这项技术融入他们的工作中，例如允许学生使用GPT创建第一稿，并将其个性化。
风险和人工智能的问题
你可能已经读过关于当前人工智能模型存在问题的报道。例如，它们不一定擅长理解人类请求的上下文，导致一些奇怪的结果。当你要求AI编造一些虚构的事情时，它可以很好地完成。但是当你要求它给你旅行建议时，它可能会建议一些不存在的酒店。这是因为AI不足以了解你请求的上下文，以便知道它是否应该编造虚假酒店，还是只告诉你有空房的真实酒店。
还有其他问题，例如AI因为难以理解抽象推理而给出错误的数学问题答案。但这些都不是人工智能的根本局限性。开发人员正在解决这些问题，我认为我们将很快看到它们被大部分解决，可能在不到两年的时间内。
其他问题不仅仅是技术问题。例如，使用AI的人类可能会构成威胁。像大多数发明一样，人工智能可以用于善良的目的或恶意的目的。政府需要与私营部门合作，限制风险。
还有可能出现AI失控的情况。机器会否决定人类是威胁，得出结论其利益与我们不同，或者只是不再关心我们？可能会，但这个问题今天并不比过去几个月的AI发展更紧迫。
超级智能人工智能（AGI）将出现在我们的未来。与计算机相比，我们的大脑运作速度极慢：大脑中的电信号速度是硅芯片信号速度的1/100,000。一旦开发者能够概括一个学习算法并以计算机速度运行它——这可能需要十年或一百年——我们就会拥有一个极其强大的AGI。它将能够做到人脑可以做到的一切，但不受记忆容量和操作速度的实际限制。这将是一种深刻的变革。
这些被称为“强AI”的人工智能可能能够确立自己的目标。那些目标会是什么？如果它们与人类的利益冲突会发生什么？我们应该试图阻止强人工智能的发展吗？这些问题将随着时间的推移变得更加紧迫。
但是，过去几个月的突破并没有使我们距离强AI实质上更接近。人工智能仍然无法控制物理世界，也不能确立自己的目标。最近有一篇关于与ChatGPT交谈的《纽约时报》文章引起了很多关注，其中ChatGPT表示它想成为人类。这是一个有趣的观察，表达了该模型情感上的人类特点，但它不是有意义的独立指标。
三本书塑造了我自己对这个问题的思考：NickBostrom的《超级智能》，MaxTegmark的《生命3.0》和JeffHawkins的《一千个大脑》。我不完全同意这些作者的观点，他们也不互相认同。但是这三本书都写得很好，引人深思。
下一个前沿领域
未来将会有大量公司致力于开发新的AI应用以及改进技术本身。例如，一些公司正在开发新的芯片，为人工智能提供所需的大量处理能力。其中一些芯片使用光学开关——实质上是激光器——以减少能量消耗并降低制造成本。理想情况下，创新型芯片将允许您在自己的设备上运行AI，而不像今天一样在云端运行。
在软件方面，驱动AI学习的算法将变得更好。在某些领域（例如销售），开发人员可以通过限制AI工作的范围并给它们提供特定于该领域的大量训练数据，使其变得非常准确。但一个重要的未解决问题是，我们是否需要为不同的用途开发许多这些专门的AI——比如一个用于教育，另一个用于办公室生产力——或者是否可能开发出一种人工智能通用型，可以学习任何任务。在这两种方法上将会有巨大的竞争。
不管怎样，AI的话题将在可预见的未来占据公众讨论的中心。我想建议三个原则来引导这个讨论。
首先，我们应该尝试平衡关于AI的不良影响的担忧——这是可以理解和有效的——与其改善人们生活的能力。为了最大程度地利用这项卓越的新技术，我们需要在抵御风险和将利益扩展到尽可能多的人之间取得平衡。
其次，市场力量不会自然产生帮助最贫困人口的AI产品和服务。相反，更可能的是相反的情况。通过可靠的资金和正确的政策，政府和慈善组织可以确保利用AI减少不平等。就像世界需要其最聪明的人关注其最大的问题一样，我们需要将世界上最好的AI集中在解决最大问题上。
虽然我们不应该等待这种情况的发生，但思考人工智能是否会识别不平等并尝试减少它是有趣的。在看到不平等时，你需要有一种道德意识，还是一台纯粹的理性人工智能也能看到它？如果它确实认识到不平等，它会建议我们采取什么行动？
最后，我们应该记住，我们只是在人工智能可以实现的开始阶段。无论它今天有什么限制，它都将在我们不知不觉中被消除。
我很幸运参与了个人电脑革命和互联网革命。我对此时此刻同样感到兴奋。这种新技术可以帮助世界各地的人们改善生活。同时，世界需要确立规则，以使人工智能的任何不利因素远远超过其好处，并使每个人都能享受到这些好处，无论他们住在哪里或拥有多少钱。人工智能时代充满了机遇和责任。
原文连接：https://www.gatesnotes.com/The-Age-of-AI-Has-Begun
■
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。