医疗人工智能的历史发展与构成要素
摘要
近来人工智能(ArtificialIntelligence，AI)在医疗领域的应用成为健康产业的一个技术发展和商业热点，其背后蕴含着巨大的想象空间和产业价值。AI作为一个全新的技术如何在医疗这个具高度复杂性的领域落地，仍面临许多挑战。本篇将在总结医疗人工智能现状的基础上，介绍国内外在医疗人工智能领域的应用探索和商业实践创新，供关心这一领域的专家和从业人员参考。
一、医疗人工智能的发展历程与构成要素
人工智能(ArtificialIntelligence，AI)是计算机科学的一个分支，是通过对人的意识和思维过程进行模拟并系统应用的一门新兴科学。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。1956年夏季在美国达特茅斯(Dartmouth)大学举行的首次人工智能研讨会，McCarthy第一次提出“人工智能”的概念，标志着人工智能学科的诞生。
医疗人工智能即人工智能在医疗领域的应用，涉及医疗行业各个环节，其终极目标是人工智能代替人来为患者诊断、治疗，目前主要发展方向包括辅助诊断、医学影像识别、药品研发、健康管理、基因测序等。
1.1医疗人工智能的发展历程
早期的医疗人工智能探索
最早在医疗领域进行人工智能探索的尝试出现在上世纪70年代。1972年，由利兹大学研发的AAPHelp是资料记载当中医疗领域最早出现的人工智能系统。这个系统主要是用于腹部剧痛的辅助诊断以及手术的相关需求。
在随后的整个七十年代，又产生了不少新的成果。INTERNISTI于1974年由匹兹堡大学研发问世，主要用于内科复杂疾病的辅助诊断。MYCIN于1976年由斯坦福大学研发，能对感染性疾病患者进行诊断，开出抗生素处方。在其内部共有500条规则，只要按顺序依次回答其提问，系统就能自动判断出患者所感染细菌的类别，为其开出相应处方。此外，还有罗格斯大学开发的CASNET/Glaucoma，MIT开发的PIP、ABEL，斯坦福大学开发的ONCOCIN等。到上世纪80年代，已经有一些商业化应用系统的出现，比如QMR（QuickMedicalReference），还有哈佛医学院开发的DXplain，主要是依据临床表现提供诊断方案。
总的来说，医疗人工智能方面过早期的大多数探索都并不成功。不过，这样的现状只能说明医疗的高度复杂性，并没有阻止人类在医疗领域探索人工智能的尝试。
近期国外在医疗人工智能领域的发展
目前，医疗人工智能领域最知名的就是IBMWatson，并且Watson已经取得了不俗的成绩。例如在肿瘤治疗方面，Watson能够在几秒之内筛选数十年癌症治疗历史中的150万份患者记录，并为医生提供可供选择的循证治疗方案。目前癌症治疗领域排名前三的医院都在运行Watson，并且Watson已经正式进入中国。
除了IBM之外，谷歌、微软等科技巨头也在医疗人工智能领域取得了积极进展。2016年2月，谷歌DeepMind公布成立DeepMindHealth部门，将与英国国家健康体系（NHS）合作，帮助他们辅助决策，提高效率缩短时间。DeepMind还参与NHS一项利用深度学习开展头颈癌患者放疗疗法设计的研究。DeepMind还与Moorfields眼科医院的合作将人工智能技术应用于及早发现和治疗威胁视力的眼部疾病。
微软于2016年宣布将AI用于医疗健康的计划Hanover，帮助寻找最有效的药物和治疗方案，并且与俄勒冈卫生科学大学Knight癌症研究所合作，共同进行药物研发和个性化治疗。
苹果公司一方面计划自主开发人工智能芯片，另一方面则屡次收购人工智能公司。在2010年收购Siri之后，苹果公司近年来还在语音技术方面进行了几笔收购，其中包括VocalIQ和NovaurisTechnologies。
我国的医疗人工智能发展历史与现状
我国人工智能领域的开发研究始于20世纪80年代初，起步虽然较发达国家晚，但是发展速度迅猛。1978年北京中医医院关幼波教授与计算机科学领域的专家合作开发了“关幼波肝病诊疗程序”，第1次将医学专家系统应用到我国传统中医领域。此后我国有代表性的人工智能产品有“林如高骨伤计算机诊疗系统”、“中国中医治疗专家系统”、具有咨询和辅助诊断性质的“中医计算机辅助诊疗系统”等。进入21世纪以来，我国的医疗人工智能则在更多领域取得长足发展。
2016年10月，百度以“开启智能医疗新时代”为主题，正式对外发布百度人工智能在医疗领域内的最新成果——百度医疗大脑，对标谷歌和IBM的同类产品。作为百度大脑在医疗领域的具体应用，百度医疗大脑是通过海量医疗数据、专业文献的采集与分析，模拟医生问诊流程，依据用户的症状，给出诊疗最终建议。
腾讯则依托微信丰富的数据量和数据维度，探索发展医疗人工智能。如腾讯与中山肿瘤南山医院的合作，在广东汕头地区开展食道癌早期筛查系统的试点。腾讯通过人工智能图片处理，帮助开展食道癌前期筛查，在提升医疗机构医疗能力的同时，显著降低了人工投入。此外，腾讯的人工智能实验室还将和卓建、医联两家公司合作，开发面向未来的复诊系统。
阿里则在医疗智能诊断领域重点布局。2017年7月，阿里健康发布医疗AI“DoctorYou”，“DoctorYou”AI系统包括临床医学科研诊断平台、医疗辅助检测引擎、医师能力培训系统等。此外阿里健康还与多地政府、医院、科研院校等外部机构合作，开发打造包括糖尿病、肺癌预测、心理智能、眼底筛查在内的20种常见、多发疾病的智能诊断引擎。
1.2医疗人工智能的三个阶段
从技术发展的历程看，人工智能分为计算智能、感知智能、认知智能三个阶段。第一阶段机器开始像人类一样会计算，传递信息。第二阶段机器开始看懂和听懂，做出判断，采取一些行动。第三阶段机器能够像人一样思考，主动采取行动。
图表1医疗人工智能发展的三个阶段
图表来源：奇璞研究
从数据有效性和商业模式的发展来看，医疗人工智能应用也可以分为三个阶段：第一阶段为数据整合阶段。目前已存在深度学习等先进算法，但由于医疗数据标准化低，共享机制弱，导致人工智能在医疗行业的应用领域和效果受限。在共享机制尚未成熟前，拥有医疗大数据的公司具备竞争优势与议价能力。第二阶段是“数据共享+感知智能”阶段。当医疗数据融合到一定程度后，将会在辅助诊疗、图像识别等各领域出现辅助性的商用产品。在这个阶段，数据和算法优势都成为重要壁垒，有效数据将促进算法的实施得到进一步优化。第三阶段是“认知智能+健康大数据”阶段。在此阶段，人工智能整体上从感知智能向认知智能发展，健康大数据的获取成本也将降低，人类将步入个性化医疗时代。该阶段将出现替代人类医生的人工智能应用。
图表2按照数据和算法角度，医疗人工智能的发展阶段
图表来源：奇璞研究
1.3医疗人工智能构成的三个要素
人工智能的核心是算法，基础条件是数据及计算能力，因此，可以认为医疗与人工智能结合的关键要素是“算法+有效数据+计算能力”。
先进算法是实现医疗人工智能的核心，能够提升数据使用效率。随着先进算法的不断开发，人工智能从计算智能迈向感知智能，未来将会向认知智能迈进。先进算法能够提升从信息到“知识”的转化效率，提升智能化程度。
有效的医疗大数据是人工智能应用的基础。医疗数据的有效性包括三个方面：电子化程度、标准化程度以及共享机制。电子化程度强调数据和病历的供给量；标准化程度强调数据之间的可比性和通用型；共享机制强调数据获取渠道的便利性和合法性。只有满足上述三个方面的条件，医疗大数据才能得到有效搜集和应用，进而为人工智能打下基础。
计算能力是医疗人工智能的另一基础条件。未来随着量子计算以及速度更快的芯片的产生，将进一步推动人工智能应用的发展。
图表3医疗人工智能的三大要素
图表来源：奇璞研究
二、医疗人工智能的商业应用与模式创新
由于医疗人工智能的发展必须以有效的医疗大数据为基础，所以在医疗领域，凡是具备获取有效数据的领域，人工智能均有用武之地，比如在基因测序、辅助诊断、药品研发的方面，医疗人工智能均有不错的发展。
这里首先介绍医疗人工智能领域的代表公司——IBM的Watson，它主要的商业模式是通过在某一类疾病的数据和算法优势，扩展相关领域人工智能的商业模式。
2.1IBMWatson：深度聚焦肿瘤领域人工智能技术
IBMWatson是自2007年开始，由IBM公司的首席研究员DavidFerrucci所领导的DeepQA小组开发的人工智能系统，目前是医疗人工智能领域的龙头。Watson在医疗领域的商业战略分为三个方面：一是深度聚焦肿瘤领域，并向其他领域扩展；二是通过收购获取数据资源；三是通过合作扩展使用场景，输出生态能力。
Watson在2011年便开始了肿瘤领域的机器学习，充分训练后，形成WatsonforOncology产品。该产品可以辅助肿瘤医生快速了解相似病历，完成初步诊断，缩短诊断时间。接下来，Watson开始提供识别基于证据的辅助治疗方案。通过将患者文件中的属性数据与临床知识、外部数据相结合，Watson提供肿瘤解决治疗方案供医生参考。目前Watson对不同癌症种类的诊断准确率能达到70%-90%之间。
在合作模式上，一方面，Watson会给提供医疗数据的机构基于训练案例数的经济补偿。另一方面，Watson也会直接和医院签订销售合同，由医院支付系统采购费用。目前Watson已经广泛应用于多家癌症治疗机构。2016年8月，Watson进入中国，在国内有21家医院计划使用Watson肿瘤解决方案。
表格1Watson与医疗机构之间的合作
数据来源：公开资料整理，奇璞研究
除了肿瘤领域，Watson也在其他医疗领域推进相关产品，如临床试验匹配项目。
表格2Watson的功能扩展
数据来源：公开资料整理，奇璞研究
IBM通过资本收购，进一步积累“医疗大数据”。2015年4月IBM成立WatsonHealth部门，旨在向医疗行业提供数据分析服务，越来越大的收购金额也反映了IBM对于医疗数据的坚定投入的决心，逐步构筑其数据竞争壁垒。
表格3IBMHealth的收购
数据来源：公开资料整理，奇璞研究
Watson还通过业务合作，不断丰富应用场景。Watson一方面与各领域重要参与者合作，实现Watson人工智能分析能力的场景化输出，探索商用的方式。
例如，Watson与美国第二大零售药店CVS合作，预测用户患有疾病的风险，为用户制定健康问题解决方案。另一方面通过与各合作方的对接，搜集医疗健康领域的各类数据，完善自身的分析学习能力。例如，与苹果合作，将Watson应用软件整合至HealthKit和ResearchKit工具系统，允许应用开发者收集个人健康医疗数据，和在临床试验中使用这类数据；与美敦力合作，处理来自美敦力可穿戴医疗设备及其他情景化来源的数据，并提供个性化的糖尿病管理服务。
图表4Watson的商业模式图表来源：奇璞研究
医学领域的人工智能
医学领域的人工智能是使用机器学习模型搜索医疗数据，发现洞察，从而帮助改善健康状况和患者体验。得益于近年来计算机科学和信息技术的发展，人工智能(AI)正迅速成为现代医学中不可或缺的一部分。由人工智能支持的人工智能算法和其他应用程序正在为临床和研究领域的医学专业人员提供支持。
目前，人工智能在医学领域中最常见的职责是临床决策支持和医学影像分析。临床决策支持工具可让医疗服务提供方快速访问与其患者相关的信息或研究，从而帮助他们制定有关治疗、用药、心理健康和其他患者需求方面的决策。在医学影像方面，人工智能工具可用于分析CT扫描、X射线、核磁共振影像以及其他影像，以找出人类放射科医师可能会错过的病变或其他检查结果。
新冠病毒疫情为众多医疗系统带来严峻挑战，而这也促使全球许多医疗卫生组织开始实地测试人工智能支持的新兴技术，比如旨在帮助监视患者的算法以及用于筛查新冠患者的基于人工智能的工具。
这些测试的研究和结果仍在收集过程中，且有关在医学领域应用人工智能的总体标准仍在制定过程中。但人工智能已经让越来越多的临床医生、研究人员以及他们所服务的患者从中受益。在这个角度来说，人工智能无疑将成为数字化医疗卫生系统的核心，为现代医学的形成和发展提供支持。
以人工智能的下一步发展开辟医疗保健领域的新天地
自现代医学开始以来，创新的弧线已经带来了以前无法想象的突破和治疗，改善了健康状况，延长了寿命。我们现在正处在一个数字化转型的时代，它重新定义了组织处理病人参与、护理团队协作和提供者体验的方式。从通过电子健康记录（EHR）更好地获取病人数据，到通过远程医疗改善医疗服务，技术已经为提供者提供了解决方案，使其能够提高生产力，最重要的是，提高了病人的护理质量。
但是有机会做得更多。医疗保健行业仍然面临着挑战，而技术可以在解决这些挑战中发挥重要作用。下一代人工智能有可能彻底改变医疗保健，使临床医生能够专注于个性化的病人联系--加强医学中的人际互动，降低成本，并减轻供应商面临的管理和认知负担。这就是微软和Nuance在2022年联手的原因。
今天，我们将介绍一个新的解决方案、DragonAmbienteXperience（DAX™)Express这代表了医疗行业的下一个突破，也是我们大规模实现临床文件自动化历程中的一个重要里程碑。DAXExpress是一个集成到工作流程中的自动化临床文档应用程序，它是第一个将成熟的对话和环境人工智能与OpenAI的GPT-4的高级推理和自然语言能力相结合的解决方案。DAXExpress扩展了成熟的DragonMedical解决方案组合，并在2020年推出的市场领先的DAX环境解决方案的基础上，是Nuance长期使命的下一个里程碑，即减少行政负担，使临床医生有更多的时间照顾病人，减少文书工作时间。
今天在医疗保健领域工作的人工智能解决方案医生和护士已经被提供高质量护理所带来的行政要求压得喘不过气来。他们必须驾驭复杂的编码和计费要求，管理认知负担，以准确记录和回忆越来越多的病人数据，并治疗不断增长的老龄人口。因此，许多组织，包括美国外科医生和专业医疗协会，都在敦促开发能够无缝集成到临床工作流程中的全面、安全的解决方案，以减少临床医生的倦怠。
DAXExpress正视这一问题，将先进的自动化临床文件无缝集成到医生的工作流程中。这是微软和Nuance的解决方案的另一个证明点，在行业定义的人工智能的支持下，通过微软医疗云的力量放大，正在重塑护理服务，并取得可衡量的、不断增长的成果：
缓解劳动力倦怠--我们的解决方案被证明在解决这一看似棘手的问题方面处于行业领先地位--医生们报告说倦怠和疲劳感减少了70%。支持专业工作流程--从外科医生到放射科医生，我们的解决方案分析大量的病人数据，提供工作流程自动化，促进报告和沟通，并提供AI洞察力，支持更明智的决策、规划和治疗--将放射科医生的效率提高50%，将干预时间缩短74%。提高依从性--通过分析数据以发现问题，简化病人和医生的沟通，并提供全面的护理计划跟踪，我们的解决方案使随访依从性提高52%。增加获得护理的机会--我们的自动化临床文件解决方案将时间还给临床医生，他们通常选择看更多的病人，平均每个门诊日增加五个预约--使临床医生能够为更多人提供最好的护理。加强病人的参与度--由人工智能驱动的聊天机器人只是一个例子，说明人工智能如何利用内置的医疗知识库和分流协议为病人提供快速和可获得的信息，这可以触发从机器人互动到医生、护士或支持代理人的无缝交接。而且，通过提供一致的、与上下文相关的患者体验，医疗机构正在实现患者自助服务率提高30%，患者支持成本降低50%。医疗保健领域的共同使命和互补能力微软和Nuance带着重塑医疗保健的共同愿景走到了一起：利用我们独特的能力来解决行业的最大挑战，并使整个生态系统取得更大的成就。在我们的核心，我们相信像人工智能这样的技术与临床医生合作，在加速行业进步、使医生和病人的体验更加个性化和参与性、以及帮助增加获得护理的机会方面发挥着关键作用。我们的北极星是使临床医生能够将他们的注意力重新放在病人护理上--使用我们经过验证的解决方案，结合他们的判断，减少认知负担，支持更好的结果。
多年来，微软和Nuance在创新人工智能解决方案方面一直处于领先地位，而大小组织长期以来一直信任我们负责任、安全的应用程序和基础设施。微软多年来在研究、云计算和人工智能方面的战略投资--包括对Nuance的收购--使我们取得了今天的成就。通过微软医疗云，微软正在大规模地提供负责任的、集成的人工智能能力，使之更容易改善整个医疗体验。微软还在推动研究、孵化和月球计划，以推动整个医疗保健和生命科学领域的现实影响。例如，微软研究院与领先的组织合作，为新兴的精准医疗模式推进和建立基础设施，并通过人工智能赋予科学家权力，加快突破性药物的发现和开发。我们正在通过我们的AIforHealth慈善项目，使卫生组织能够应对全球卫生领域的一些最棘手的挑战。
同样，Nuance拥有数十年开发医疗保健解决方案的经验，这些解决方案被数十万从业者所使用，并被证明能够持续为医生、护士、放射科医生和患者提供价值。Nuance长期以来一直处于医疗保健领域对话式和环境式人工智能创新的前沿--最引人注目的是DragonMedicalOne和最近的DAX--多年来，Nuance利用在大型语言模型、自然语言处理和临床工作流程方面的专业知识，为全球的临床文档提供精致、可靠的人工智能解决方案。有了这项新的创新，Nuance医疗服务组合为客户提供了更大的灵活性，使他们能够利用DragonMedicalOne的准确性和可靠性、DAX的定制化全方位服务体验以及DAXExpress的即时性和速度，实现临床文档工作流程的自动化和增强。我们将微软Azure的力量、丰富的健康数据平台以及强大的工程和人工智能专业知识结合起来，大规模地提供以结果为中心的医疗应用，以改善医疗服务提供者和患者的体验。
DAXExpress代表了提供人工智能技术的下一步，它为医疗机构提供了一个即时、实用和高度可及的切入点，以大规模采用新一代人工智能驱动的解决方案，利用他们在值得信赖的Nuance解决方案上的现有投资。对于超过55万的DragonMedical用户来说，DAXExpress能在几秒钟内自动、安全地创建临床笔记草稿，在每次病人在检查室就诊后或通过远程医疗病人对话，可立即供临床审查和完成。临床医生将受益于DragonMedicalOne、DAXExpress和DAX的无缝功能，这些功能与电子病历紧密结合，从就诊前到就诊后开始，减少认知负担，帮助增加医疗的乐趣。
负责任的人工智能在医疗领域的应用DAXExpress的开发符合微软负责任的人工智能标准，并与我们对数据安全和隐私的长期承诺相一致，有助于确保人工智能系统和解决方案是值得信赖和安全的。微软和Nuance认为，虽然医疗领域的人工智能有可能对这个行业和它所服务的病人产生持久、积极的影响，但我们必须确保负责任和透明地使用这项技术。正如我们多年来所做的那样，我们将继续与医疗服务提供者和更广泛的行业密切合作，以帮助确保以符合道德和透明的方式使用AI。
微软和Nuance在利用人工智能的力量放大医疗行业提供有意义结果的能力方面具有独特的地位。我们很自豪能站在医疗创新的最前沿，我们期待着继续帮助该行业解决医疗的最大挑战。
标签人工智能，医疗保健
医疗人工智能的历史发展与构成要素
近来人工智能(ArtificialIntelligence，AI)在医疗领域的应用成为健康产业的一个技术发展和商业热点，其背后蕴含着巨大的想象空间和产业价值。AI作为一个全新的技术如何在医疗这个具高度复杂性的领域落地，仍面临许多挑战。本篇将在总结医疗人工智能现状的基础上，介绍国内外在医疗人工智能领域的应用探索和商业实践创新，供关心这一领域的专家和从业人员参考。
一、医疗人工智能的发展历程与构成要素
人工智能(ArtificialIntelligence，AI)是计算机科学的一个分支，是通过对人的意识和思维过程进行模拟并系统应用的一门新兴科学。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。1956年夏季在美国达特茅斯(Dartmouth)大学举行的首次人工智能研讨会，McCarthy第一次提出“人工智能”的概念，标志着人工智能学科的诞生。
医疗人工智能即人工智能在医疗领域的应用，涉及医疗行业各个环节，其终极目标是人工智能代替人来为患者诊断、治疗，目前主要发展方向包括辅助诊断、医学影像识别、药品研发、健康管理、基因测序等。
1.1医疗人工智能的发展历程
早期的医疗人工智能探索
最早在医疗领域进行人工智能探索的尝试出现在上世纪70年代。1972年，由利兹大学研发的AAPHelp是资料记载当中医疗领域最早出现的人工智能系统。这个系统主要是用于腹部剧痛的辅助诊断以及手术的相关需求。
在随后的整个七十年代，又产生了不少新的成果。INTERNISTI于1974年由匹兹堡大学研发问世，主要用于内科复杂疾病的辅助诊断。MYCIN于1976年由斯坦福大学研发，能对感染性疾病患者进行诊断，开出抗生素处方。在其内部共有500条规则，只要按顺序依次回答其提问，系统就能自动判断出患者所感染细菌的类别，为其开出相应处方。此外，还有罗格斯大学开发的CASNET/Glaucoma，MIT开发的PIP、ABEL，斯坦福大学开发的ONCOCIN等。到上世纪80年代，已经有一些商业化应用系统的出现，比如QMR（QuickMedicalReference），还有哈佛医学院开发的DXplain，主要是依据临床表现提供诊断方案。
总的来说，医疗人工智能方面过早期的大多数探索都并不成功。不过，这样的现状只能说明医疗的高度复杂性，并没有阻止人类在医疗领域探索人工智能的尝试。
近期国外在医疗人工智能领域的发展
目前，医疗人工智能领域最知名的就是IBMWatson，并且Watson已经取得了不俗的成绩。例如在肿瘤治疗方面，Watson能够在几秒之内筛选数十年癌症治疗历史中的150万份患者记录，并为医生提供可供选择的循证治疗方案。目前癌症治疗领域排名前三的医院都在运行Watson，并且Watson已经正式进入中国。
除了IBM之外，谷歌、微软等科技巨头也在医疗人工智能领域取得了积极进展。2016年2月，谷歌DeepMind公布成立DeepMindHealth部门，将与英国国家健康体系（NHS）合作，帮助他们辅助决策，提高效率缩短时间。DeepMind还参与NHS一项利用深度学习开展头颈癌患者放疗疗法设计的研究。DeepMind还与Moorfields眼科医院的合作将人工智能技术应用于及早发现和治疗威胁视力的眼部疾病。
微软于2016年宣布将AI用于医疗健康的计划Hanover，帮助寻找最有效的药物和治疗方案，并且与俄勒冈卫生科学大学Knight癌症研究所合作，共同进行药物研发和个性化治疗。
苹果公司一方面计划自主开发人工智能芯片，另一方面则屡次收购人工智能公司。在2010年收购Siri之后，苹果公司近年来还在语音技术方面进行了几笔收购，其中包括VocalIQ和NovaurisTechnologies。
我国的医疗人工智能发展历史与现状
我国人工智能领域的开发研究始于20世纪80年代初，起步虽然较发达国家晚，但是发展速度迅猛。1978年北京中医医院关幼波教授与计算机科学领域的专家合作开发了“关幼波肝病诊疗程序”，第1次将医学专家系统应用到我国传统中医领域。此后我国有代表性的人工智能产品有“林如高骨伤计算机诊疗系统”、“中国中医治疗专家系统”、具有咨询和辅助诊断性质的“中医计算机辅助诊疗系统”等。进入21世纪以来，我国的医疗人工智能则在更多领域取得长足发展。
2016年10月，百度以“开启智能医疗新时代”为主题，正式对外发布百度人工智能在医疗领域内的最新成果——百度医疗大脑，对标谷歌和IBM的同类产品。作为百度大脑在医疗领域的具体应用，百度医疗大脑是通过海量医疗数据、专业文献的采集与分析，模拟医生问诊流程，依据用户的症状，给出诊疗最终建议。
腾讯则依托微信丰富的数据量和数据维度，探索发展医疗人工智能。如腾讯与中山肿瘤南山医院的合作，在广东汕头地区开展食道癌早期筛查系统的试点。腾讯通过人工智能图片处理，帮助开展食道癌前期筛查，在提升医疗机构医疗能力的同时，显著降低了人工投入。此外，腾讯的人工智能实验室还将和卓建、医联两家公司合作，开发面向未来的复诊系统。
阿里则在医疗智能诊断领域重点布局。2017年7月，阿里健康发布医疗AI“DoctorYou”，“DoctorYou”AI系统包括临床医学科研诊断平台、医疗辅助检测引擎、医师能力培训系统等。此外阿里健康还与多地政府、医院、科研院校等外部机构合作，开发打造包括糖尿病、肺癌预测、心理智能、眼底筛查在内的20种常见、多发疾病的智能诊断引擎。
1.2医疗人工智能的三个阶段
从技术发展的历程看，人工智能分为计算智能、感知智能、认知智能三个阶段。第一阶段机器开始像人类一样会计算，传递信息。第二阶段机器开始看懂和听懂，做出判断，采取一些行动。第三阶段机器能够像人一样思考，主动采取行动。
图表1医疗人工智能发展的三个阶段
图表来源：奇璞研究
从数据有效性和商业模式的发展来看，医疗人工智能应用也可以分为三个阶段：第一阶段为数据整合阶段。目前已存在深度学习等先进算法，但由于医疗数据标准化低，共享机制弱，导致人工智能在医疗行业的应用领域和效果受限。在共享机制尚未成熟前，拥有医疗大数据的公司具备竞争优势与议价能力。第二阶段是“数据共享+感知智能”阶段。当医疗数据融合到一定程度后，将会在辅助诊疗、图像识别等各领域出现辅助性的商用产品。在这个阶段，数据和算法优势都成为重要壁垒，有效数据将促进算法的实施得到进一步优化。第三阶段是“认知智能+健康大数据”阶段。在此阶段，人工智能整体上从感知智能向认知智能发展，健康大数据的获取成本也将降低，人类将步入个性化医疗时代。该阶段将出现替代人类医生的人工智能应用。
图表2按照数据和算法角度，医疗人工智能的发展阶段
图表来源：奇璞研究
1.3医疗人工智能构成的三个要素
人工智能的核心是算法，基础条件是数据及计算能力，因此，可以认为医疗与人工智能结合的关键要素是“算法+有效数据+计算能力”。
先进算法是实现医疗人工智能的核心，能够提升数据使用效率。随着先进算法的不断开发，人工智能从计算智能迈向感知智能，未来将会向认知智能迈进。先进算法能够提升从信息到“知识”的转化效率，提升智能化程度。
有效的医疗大数据是人工智能应用的基础。医疗数据的有效性包括三个方面：电子化程度、标准化程度以及共享机制。电子化程度强调数据和病历的供给量；标准化程度强调数据之间的可比性和通用型；共享机制强调数据获取渠道的便利性和合法性。只有满足上述三个方面的条件，医疗大数据才能得到有效搜集和应用，进而为人工智能打下基础。
计算能力是医疗人工智能的另一基础条件。未来随着量子计算以及速度更快的芯片的产生，将进一步推动人工智能应用的发展。
图表3医疗人工智能的三大要素
图表来源：奇璞研究
二、医疗人工智能的商业应用与模式创新
由于医疗人工智能的发展必须以有效的医疗大数据为基础，所以在医疗领域，凡是具备获取有效数据的领域，人工智能均有用武之地，比如在基因测序、辅助诊断、药品研发的方面，医疗人工智能均有不错的发展。
这里首先介绍医疗人工智能领域的代表公司——IBM的Watson，它主要的商业模式是通过在某一类疾病的数据和算法优势，扩展相关领域人工智能的商业模式。
2.1IBMWatson：深度聚焦肿瘤领域人工智能技术
IBMWatson是自2007年开始，由IBM公司的首席研究员DavidFerrucci所领导的DeepQA小组开发的人工智能系统，目前是医疗人工智能领域的龙头。Watson在医疗领域的商业战略分为三个方面：一是深度聚焦肿瘤领域，并向其他领域扩展；二是通过收购获取数据资源；三是通过合作扩展使用场景，输出生态能力。
Watson在2011年便开始了肿瘤领域的机器学习，充分训练后，形成WatsonforOncology产品。该产品可以辅助肿瘤医生快速了解相似病历，完成初步诊断，缩短诊断时间。接下来，Watson开始提供识别基于证据的辅助治疗方案。
通过将患者文件中的属性数据与临床知识、外部数据相结合，Watson提供肿瘤解决治疗方案供医生参考。目前Watson对不同癌症种类的诊断准确率能达到70%-90%之间。
人工智能医疗发展史 大家好，作为一名医疗行业的医疗AI算法工程师，后面会给大家分享一些专业的知识，希望跟大家积极互动起来，接下来正文开始。1
来源：雪球App，作者：西瓜呱呱，（https://xueqiu.com/5653845579/242725469）
大家好，作为一名医疗行业的医疗AI算法工程师，后面会给大家分享一些专业的知识，希望跟大家积极互动起来，接下来正文开始。
1.人工智能发展史1946年，美国数学教Mauchly、Eckert等制造出世界上第一台通用计算机ENIAC。
1956年，计算机科学家约翰·麦卡锡在达特茅斯会议上说服了与会者接受“人工智能”作为该领域的名称。达特茅斯会议也被认为是人工智能正式诞生的标志。
1959年，IBM公司的计算机专家阿瑟·塞缪尔创造了“机器学习”一词。同年，约翰麦卡锡发表了文章《ProgramswithCommonSense》，提出了“AdviceTaker”的概念。
1964年，美国麻省理工学院（MIT）人工智能实验室的约瑟夫·维森保姆开发了最早的自然语言聊天机器人ELIZA。ELIZA是最早的人机对话程序，能够模仿临床治疗的心理医生。
1972年，知识工程MYCIN研发成功，该系统用于传染性血液的诊断和处方。该事件标志着人工智能进入“专家系统”时期。
1984年，人工智能寒冬来临。在1984年AAAI会议上，人工智能专家罗杰·单克和马文·明斯基警告“AI之冬”即将到来。
1997年，IBM公司的DeepBlue战胜国际象棋冠军Kasparov，成为首个击败世界冠军的系统。
2006年，诺伊大学香槟分校的计算机教授李飞飞建立ImageNET数据库。ImageNET是一个大型注释图像数据库，用于协助视觉对象识别软件开展研究。同年，Geoffrey提出深层神经网络逐层训练的高效算法，在当时的计算机条件下使神经网络模型训练成为了可能。
2016你那英国初创公司DeepMind研发的AlphaGo以4:1的比分战胜人类职业棋手九段李世石。AlphaGo的出现将世人对人工智能的期待提高到了前所未有的高度，人工智能迎来了最好的发展时代。
……
人工智能爆发的三要素是算法、算力和大数据。人工智能的概念从首次提出到现在已经有60余年，近几年才呈现出爆发的趋势，这不单单是因为算法改进和数据积累的推动，更重要的是计算能力发生了重大变革。GPU大大提升了计算机的性能，使其拥有远超CPU的并行计算能力。在算法方面，深度学习和强化学习是人工智能领域的核心算法。日渐成熟的大数据更是为算法、算力提供了巨量的数据特征，为其实现超期待的性能奠定了良好的基础。算法、算力和大数据是决定人工智能行业发展的三大要素，也是各大互联网巨头角力的三大山头。
2人工智能医疗发展史随着大数据大数据、互联网和信息科技的发展，人工智能被广泛试点应用于智慧医疗、智慧教育等领域。近几年全球各地纷纷提出“大健康”、医疗大数据等概念，将民生健康置于战略性地位，也促进了人工智能医疗领域的发展
2.1国外人工智能医疗发展历史20世纪70年代，国外开始出现了在医疗领域的人工智能探索尝试。
1972年，利兹大学研发的AAPHelp能根据病人的症状计算出产生剧烈腹痛可能的原因。1974年，资深医生诊断的准确率已经不如该系统。尽管AAPHelp运行耗时久，但在20世纪70年代计算机硬件条件下，AAPhelp的产生仍具有突破性意义。
在随后的几年内，不少新的人工智能医疗产品成果再次出现在人们的视野中。
1974年，匹兹堡大学研发出INTERNISTI，它主要用于辅助诊断内科复杂疾病。
1976你那，斯坦福大学研发出MYCIN系统，它能诊断出感染病患者并提供抗生素处方。MYCIN系统的内部共有五百条原则，只要按照MYCIN系统的提问以此进行回答，就能自动判断出患者所感染细菌的类别和开出相应处方。
此外，在七十年代，还有斯坦福大学开发的ONCOCIN，MIT开发的PIP、ABEL，罗格斯大学开发的CASNET/Glaucoma等。
20世纪80年代，一些商业化应用系统开始出现，比如QMR（QuickMedicalReference）和DXplain，主要是依据临床表现提供诊断方案。
20世纪90年代，CAD(ComputerAidedDiagnosis，计算机辅助诊断)系统问世，它是比较成熟的医学图像计算机辅助应用，包括乳腺X射线CAD系统
进入21世纪，IBMWatson是人工智能医疗领域最知名的系统，并且已经取得了非凡的成绩。例如在肿瘤治疗方面，Watson能够在几秒内对数十年癌症治疗历史中的150万份患者记录进行筛选，并提出循证治疗方案供医生选择。目前癌症治疗领域排名前三的医院都在使用Watson，并且中国也正式引进了Watson。
2016年2月，谷歌DeepMind宣布成立DeepMindHealth部门，并与英国国家健康体系(NHS)合作，辅助他们进行决策。DeepMind还参与NHS的一项利用深度学习开展头颈癌患者放疗疗法设计的研究。同时，DeepMind与Moorfields眼科医院开展将人工智能技术应用于及早发现和治疗威胁视力的眼部疾病的合作。
2.2国内人工智能医疗发展历史20世纪80年代初，我国开始进行人工智能医疗领域的开发研究，虽然起步落后于发达国家，但是发展迅猛。
1978年，北京中医医院关幼波教授与计算机科学领域的专家合作开发了“关幼波肝病诊疗程序”，第一次将医学专家系统应用到我国传统中医领域。此后我国加快开展了人工智能医疗产品的研发，具有代表性的产品有“中国中医治疗专家系统”、“林如高骨伤计算机诊疗系统”以及具有咨询和辅助诊断性质的“中医计算机辅助诊疗系统”等。
进入21世纪以来，我国人工智能在医疗的更多细分领域都取得了长足的发展。
2016年10月，百度发布百度医疗大脑，对标谷歌和IBM的同类产品。百度医疗大脑作为百度大脑在医疗领域的具体应用，"它大量采集与分析医学专业文献和医疗数据，通过模拟问诊流程，基于用户症状，给出诊疗的最终建议。2018年11月百度发布人工智能医疗品牌“百度灵医”，目前已有“智能分导诊”“AI眼底筛查一体机”、“临床辅助决策支持系统”三个产品问世。
2017年7月，阿里健康发布医疗AI系统“DoctorYou”，包括临床医学科研诊断平台、医疗辅助检测引擎等。此外阿里健康还与政府、医院、科研院校等外部机构合作，开发了20种常见、多发疾病的智能诊断引擎，包括糖尿病、肺癌预测、眼底筛查等。2018年9月，阿里健康和阿里云联合宣布阿里医疗人工智能系统“ET医疗大脑”2.0版本问世。
2017年11月，腾讯自建的首款AI医学影像产品“腾讯觅影”入选国家首批人工智能开放创新平台。通过图像识别和深度学习，“腾讯觅影”对各类医学影像(内窥镜、CT、眼底照相、病理、超声、MRI等)进行训练学习，最终达到对病灶的智能识别，用于辅助医生临床诊断和食管癌、肺癌、糖网病变等疾病的早期筛查。2018年11月，腾讯牵头承担的“数字诊疗装备研发专项”启动，该项目作为国家重点研发计划首批启动的6个试点专项之一，基于“AI+CDSS”(人工智能的临床辅助决策支持技术)探索和助力医疗服务升级。
3人工智能医疗应用领域有哪些人工智能与医学领域的结合点非常多，《中国人工智能医疗白皮书》中阐述了人工智能在医疗领域的五个主要应用方向，分别是医学影像、辅助诊断、药物研发、健康管理、疾病预测，分别如下:
(1)AI医学影像。GlobalMarketInsight的数据报告显示，人工智能医学影像市场是人工智能医疗应用领域的第二大细分市场，并将以超过40%的增速发展，预计2024年将达到25亿美元的规模，市场占比为25%。目前，在中国人工智能医疗应用领域中，医学影像是最热门的领域，投资金额最高、投资轮次最多、赛道公司最多、应用最为成熟。
(2)AI辅助诊断。AI辅助诊断概念广泛，通常来说是指能帮助医生进行疾病诊断和提出治疗方案的辅助产品，其中最主要的细分领域包括电子病历、导诊机器人、虚拟助理等，当然也包括上述的AI医学影像。其中，需要注意的是尽管手术机器人(如达芬奇手术机器人)和康复机器人(如Handy1)具有辅助诊断的功能，但是它们目前只能按照人类制定的程序进行指定性操作，本身并不具备较强的“人工智能”特性，不能与人类产生交流互动、无法进行自主判断。
(3)AI药物研发。全球人工智能医疗应用市场中，第一大细分市场是药物研发，占比达35%，国外创新药市场较为成熟，而我国AI药物研发相对落后，新药研发仍然以仿制药和改良药为主，且研发赛道公司不多，产业欠成熟。
(4)AI健康管理。相对于诊断就医环节，健康管理是把被动的疾病治疗变为主动的自我健康监控，主要产品为智能可穿戴设备。与传统可穿戴设备相比，智能可穿戴设备能够进行长时间的实时监测以及数据多维管理和分析，目前主要的应用领域为慢病管理、母婴管理、精神健康管理和人口健康管理。基于中国当前正加速进入老龄化社会和逐步实施放开生育政策的基本国情，未来健康管理的市场潜力巨大。
(5)AI疾病预测。这里的AI疾病预测有别于前文叙述的AI医学影像、AI辅助诊断、AI健康管理中人工智能应用于疾病预测的概念。主要指通过基因测序与检测，提前预测疾病发生的风险，也包括运用各种生化、影像、行为日常大数据来预测疾病发生情况。
今天就先介绍到这里，如果大家感兴趣，点个赞，下次深入阐述下《人工智能医疗的发展前景》
4.参考文献[1]中国人工智能医疗白皮书.2019
[2]FDA:thelongrunasnow:howFDAisadvancingdigitaltoolsformedicalproductdevelopment
[3]CBInsights:topAltrendstowatchin2018
医学影像人工智能发展的机遇与历程
2020年3月4日，中央明确指示要加快5G网络、数据中心等新型基础设施建设进度。新基建是构筑我国科技创新高地的重要基础，尤其是5G、数据中心等的高质量部署，将开启人工智能发展新空间，注入增长新动能，加固、升级人工智能长期发展创新的数字底座，为我国人工智能发展按下“加速键”，也带来新的机遇。
2016年，医学影像人工智能成为北美放射学会关注的焦点
2017年，RSNA大会主题为“探索、发明和转化（Explore，Invent，Transform）”，主流观点认为AI是一个重要的创新、赋能和提效的工具，开展了9个AI主题讲座，共49家公司参展，发表相关论文104篇。
2018年，RSNA大会主题为“明天的放射学（Tomorrow’sRadiology）”，主流观点认为AI可以提高影像科医生的工作效率，使其有更多时间可用于病人的人文关怀，大家要拥抱AI。开展了12个AI主题讲座，共105家公司参展，发表论文211篇。
到2019年，RSNA专门为AI领域设置了一个展馆，主题为“共见无限可能（SeePossibilitiesTogether）”，收录的AI相关论文达519篇，主题讲座扩展到23个，参展公司达166家，其中包括通用（GE）、西门子、飞利浦、富士、联影和东软等医疗设备厂商。
AI已经从医学影像辅助诊断扩展到整个行业的方方面面，未来将在影像科发挥巨大价值，这一点已成为业内共识。近五年，医学影像AI领域论文发表量逐年增加，现已共发表近6000篇，我国以近20%的占比仅次于美国（35%），位居世界第二，但我国在高质量文章方面与国际还有差距。神经、胸部、腹部等影像科亚专业及核医学在这一领域备受关注，发文量最多。2018年2月，Cell发表题为IdentifyingMedicalDiagnosesandTreatableDiseasesbyImage-BasedDeepLearning的论文，该文是我国研究团队首次在顶级生物医学期刊上发表的有关医学AI的研究成果，也是世界范围内首次使用如此庞大的标注好的高质量数据进行迁移学习，并取得高度精确的诊断结果。另外，中华放射学学术大会（CCR）在2015年至2019年间，收录相关论文1289篇，2018年和2019年两年中，相关论文呈爆发式增长，学者们关注的重点集中在胸部、神经及乳腺领域。
目前，我国有100多家医疗AI公司，其中约有一半从事医学影像AI产品开发
我国各医院部署的绝大多数AI系统，是与医学影像相关的。运用AI技术对影像数据进行深度学习和决策判断，已经成为智能医疗的核心。国内很多大学附属医院的放射学专家与科研院所及AI科研人员展开了深度合作，研发的部分技术处于世界先进水平。
2018年3月，中国食品药品检定研究院启动肺结节影像标准检测数据库建设，目的是评估进行肺结节检测、分类、分割和大小测量的AI产品。中检院和中华医学会放射学分会（CSR）心胸学组联合研究了肺结节的标注规则、标注流程、质量控制等，发布了《胸部CT肺结节数据标注与质量控制专家共识（2018）》，旨在统一对AI专用医学影像数据标注规则与方法的理解，鼓励全社会有序开发医学数据资源，促进医疗AI产业全链条协调发展。为促进我国医学影像AI相关产业技术的创新和发展，中国医学影像AI产学研用创新联盟（CAIERA）于2018年4月在上海成立。第一批加盟的有62家三甲医院、22所科研机构及45家AI创业公司，代表了国内医学影像AI领域权威的声音。联盟是我国医学影像AI领域最有影响力的跨学科创新型组织，其成立为我国医学影像AI产学研用链条的有机结合奠定了良好基础。同年12月，联盟主办了首届中国医学影像AI大会，政产学研资医等领域国内外众多领袖级专家、学者及AI相关行业代表出席大会，推动了医学影像AI行业的融合与发展。
2020年，我国人工智能医疗器械产品审批迎来了重大突破
目前已有4个与影像相关的产品获批。1月，科亚医疗的“冠脉血流储备分数计算软件”产品取得了第一张国家药品监督管理局（NMPA）人工智能三类医疗器械注册证，该产品适用于冠状动脉CT血管影像，功能包括图像基本操作、基于深度学习技术的血管分割与重建、血管中心线提取、基于深度学习技术的血流储备分数计算。6月，安德医智旗下BioMind“天医智”的“颅内肿瘤磁共振影像辅助诊断软件”成为首个NMPA批准的医学影像人工智能辅助诊断软件，该软件运用深度学习算法，能够实现颅内肿瘤（如脑膜瘤、听神经瘤、髓母细胞瘤、胶质瘤等）的人工智能精确诊断，并自动生成一份结构化报告，内容包括肿瘤位置、体积等精准信息，可帮助医生快速诊断，并提高影像科医生对脑肿瘤的诊断能力。8月10日，Airdoc等的“糖尿病视网膜病变眼底图像辅助诊断软件”正式获批NMPA三类注册证。
经过人工智能和影像医学领域几年间的磨合和碰撞，医学影像人工智能领域的研究逐步进入了“理性”和“务实”的状态。人工智能在医学领域的突破很可能率先发生在影像界，未来将与放射科医生的诊疗流程实现无缝融合，重塑医学影像服务的模式。影像医学作为医疗领域中新技术发展和应用最前沿的学科，将在第四次工业革命中迎来精彩的发展变迁。
以上内容引自《中国医学影像人工智能发展报告（2020）》
主编：刘士远
限时折扣中……
扫描即可下单
科学出版社赛医学（sci_med）
收藏
举报返回搜狐，查看更多
浅析医疗人工智能技术的发展前景
最早在医疗领域进行人工智能探索的尝试出现在上世纪70年代。1972年，由利兹大学研发的AAPHelp是资料记载当中医疗领域最早出现的人工智能系统。我国人工智能领域的开发研究始于20世纪80年代初，起步虽然较发达国家晚，但是发展速度迅猛。进入21世纪以来，我国的医疗人工智能则在更多领域取得长足发展。
从技术发展的历程看，人工智能分为计算智能、感知智能、认知智能三个阶段。第一阶段机器开始像人类一样会计算，传递信息。第二阶段机器开始看懂和听懂，做出判断，采取一些行动。第三阶段机器能够像人一样思考，主动采取行动。
从数据有效性和商业模式的发展来看，医疗人工智能应用也可以分为三个阶段：第一阶段为数据整合阶段。目前已存在深度学习等先进算法，但由于医疗数据标准化低，共享机制弱，导致人工智能在医疗行业的应用领域和效果受限。在共享机制尚未成熟前，拥有医疗大数据的公司具备竞争优势与议价能力。第二阶段是“数据共享+感知智能”阶段。当医疗数据融合到一定程度后，将会在辅助诊疗、图像识别等各领域出现辅助性的商用产品。在这个阶段，数据和算法优势都成为重要壁垒，有效数据将促进算法的实施得到进一步优化。第三阶段是“认知智能+健康大数据”阶段。在此阶段，人工智能整体上从感知智能向认知智能发展，健康大数据的获取成本也将降低，人类将步入个性化医疗时代。该阶段将出现替代人类医生的人工智能应用。
人工智能的核心是算法，基础条件是数据及计算能力，因此，可以认为医疗与人工智能结合的关键要素是“算法+有效数据+计算能力”。
先进算法是实现医疗人工智能的核心，能够提升数据使用效率。随着先进算法的不断开发，人工智能从计算智能迈向感知智能，未来将会向认知智能迈进。先进算法能够提升从信息到“知识”的转化效率，提升智能化程度。
有效的医疗大数据是人工智能应用的基础。医疗数据的有效性包括三个方面：电子化程度、标准化程度以及共享机制。电子化程度强调数据和病历的供给量；标准化程度强调数据之间的可比性和通用型；共享机制强调数据获取渠道的便利性和合法性。只有满足上述三个方面的条件，医疗大数据才能得到有效搜集和应用，进而为人工智能打下基础。
计算能力是医疗人工智能的另一基础条件。未来随着量子计算以及速度更快的芯片的产生，将进一步推动人工智能应用的发展。由于医疗人工智能的发展必须以有效的医疗大数据为基础，所以在医疗领域，凡是具备获取有效数据的领域，人工智能均有用武之地，比如在基因测序、辅助诊断、药品研发的方面，医疗人工智能均有不错的发展。