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
医学人工智能的发展
强大的医疗健康需求、丰厚的数据技术积累，让“AI+医疗”一直以来备受各界关注。
人工智能是当今科技界最热门的领域，而医学人工智能更是热门中的热门。谷歌、微软、IBM、百度等科技巨头都积极布局智能医疗产业，美国麻省理工学院、斯坦福大学、卡内基梅隆大学以及我国的清华大学等知名学府均把医学人工智能作为未来发展重点，美国、中国、日本、英国等世界各国人工智能计划也都把医疗作为重要的应用领域。
专家系统与智能诊断
专家系统(ExpertSystem，ES)是人工智能一个重要的分支学科，是一种根据专家专业知识和工作经验，用于求解专门问题的计算机系统。医疗诊断正是一项典型的专家任务。因此，医学专家系统是应用较早、使用广泛、卓有成效的人工智能技术。
●专家系统的发展
专家系统的发展曾红极一时，如今却沉寂无闻。专家系统一般包含6个部分：知识库、数据库、推理机、用户交互层、解释器和知识获取模块，因需求的不同而具有不同的结构。其中，知识库和推理机是系统结构的核心部分。知识库是将专家的知识准确、简明、有效地转换成机器理解的语言，常用的方法主要有产生式表示法、框架表示法和语义网络表示法。推理机是专家系统的“思考”结构，通过模拟专家思维过程进行问题求解，主要方式分正向推理、反向推理以及正反向混合推理。
专家系统技术上经历了孕育、产生、成熟和发展等4个阶段。1956年，美国达特摩斯(Dartmouth)学术会议召开，“人工智能(ArtificialIntelligence)”术语首次采用，标志着人工智能学科正式诞生。其后，人工智能分别在3个方向上迅速得到发展：一是机器思维，如机器证明、机器学习等启发程序，以及化学分析、医疗诊断等专家系统;二是机器感知，如机器视觉、机器听觉等文字、图像识别、自然语言理解，以及感知机、神经网络等;三是机器行为，如具有自学习、自适应、自组织特性的智能控制系统、控制论动物和智能机器人。1965年，美国斯坦福大学计算机科学家费根鲍姆(EdwardFeigenbaum)开始研制世界上第一个用于推断化学分子结构的专家系统DENDRAL，标志着人工智能学科中“专家系统”分支学科即将孕育而生。1968年，DENDRAL成功问世开启人工智能一个新的分支“专家系统”。
20世纪70年代，专家系统技术已经成熟，并广泛用于其他领域。斯坦福大学的肖特利夫(EdwardH.Shortliffe)等人自1971年开始。1976年完成了第一个用于血液感染病的诊断、治疗和咨询服务的医疗专家系统MYCIN。斯坦福研究所的杜达(RichardO.Duda)等人自1976年开始。1981年完成地质勘探专家系统PROSPECTOR。1977年，费根鲍姆提出“知识工程”概念，大大推动了基于知识的专家系统及其开发工具的发展，如骨架型专家系统开发工作EMYCN、KAS等，知识获取辅助工具TEIRESIES、SEEK等，通用知识表达语言LISP、PROLOG等。
20世纪80年代，专家系统开始走出实验室进入市场。1981年，英国赫特福德大学教授克洛克森(WilliamF.Clocksin)出版了《PROLOG语言编程》。1982年，第一个商用专家系统R1在数据设备公司(DEC)成功运行。1983年，美国斯坦福大学教授海斯罗思(BarbaraHayes-Roth)出版了《建立专家系统》。1985年，美国加利福尼亚大学教授哈蒙(PaulHarmon)出版了《专家系统：人工智能业务》。据统计，差不多1星期就会有一个这方面的公司诞生，专家系统及其工具在越来越商品化的过程中形成一门旨在生产和加工知识的知识产业，专家系统迎来了自己的“黄金时代”。
但是，由于专家系统应用领域过于狭窄，知识获取“瓶颈”和不确定性常识推理等困难，20世纪80年代后期商业需求锐减，以专家系统所代表的人工智能迎来历史最寒冷的“冬天”。20世纪90年代，专家系统开始进入缓慢发展时期，研究转向了与知识工程、模糊技术、实时操作技术、神经网络技术和数据库技术等相结合的发展方向。
●专家系统在医学领域的应用
医学一直是专家系统应用最有效的领域。人工智能几乎一诞生就应用于医学领域。1954年，美国华人科学家钱家其就使用计算机计算剂量分布、进行放射治疗。1959年，美国乔治敦大学教授莱德利(RobertS.Ledley)首次应用布尔代数和贝叶斯定理建立了计算机诊断的数学模型，并成功诊断了一组肺癌病例，开创了计算机辅助诊断的先河。1966年，莱德利正式提出了“计算机辅助诊断”的概念(ComputerAidedDiagnosis，CAD)。1968年，DENDRAL专家系统诞生。不久，MYCIN医学专家系统就研制成功。该系统首次采用知识库、推理机系统结构，引入“可信度”概念，进行非确定性推理，对用户咨询提问进行解释回答，并给出答案的可信度估计，形成了一整套专家系统的开发理论，为其他专家系统的研究与开发提供了范例和经验。
其后，医学专家系统逐渐成为医学领域内的一个重要分支领域，并在20世纪80年代达到高潮，出现了大量的综合医学专家系统。1977年，美国拉特格尔斯大学的韦斯(SholomWeiss)等人最早提出一个专家系统可用于多个领域，并把开发出的专家系统命名为CASNET，用于治疗青光眼疾病。1982年，美国匹兹堡大学的米勒(RandolphA.Miller)等人发明了著名的Internist-I内科计算机辅助诊断系统，其知识库包括了572种疾病，约4500种症状，以及10万种疾病与疾病表现之间的联系，拥有当时最大知识库。1991年，美国哈佛医学院的巴尼特(OctoBarnett)研制了DXplain软件，包含了2200种疾病和5000种症状。
20世纪90年代，医学专家系统逐步发展成为针对某一种或一类的疾病的专项专家系统。1990年，美国南伊利诺伊大学的乌姆博(ScottE.Umbaugh)开发的皮肤癌辅助诊断系统，使用自动感应工具产生规则来确定多变的皮肤颜色。1993年，美国哈佛医学院的研究人员构建了动态影响图的实时系统，用于诊断急性腹痛疾病。1994年，英国普利茅斯医学院的基思(RobertD.F.Keith)采用人工神经网络技术开发了智能胎心率宫缩描记图(Car-diotocography，CTG)计算机辅助分析系统，获得满意的效果。1995年，美国俄勒冈健康与科学大学伯恩多夫(NormanI.Birndorf)等人将规则和人工神经网络理论相结合，构建一个混合的专家系统用于评估小红血细胞性贫血疾病。1996年，美国巴特勒大学的林恩(LynnLing)建立了一个典型的艾滋病专家诊断系统。这些专家系统促进了医学科学的发展。进入21世纪后，专家系统进展缓慢，医学专家系统取得的成果也不多。
我国医学专家系统研究始于20世纪70年代末期。1978年，北京中医医院的关幼波与电子计算机室的科研人员，根据自己的辨证施治经验，研发出肝病诊疗程序，在国内率先把中医学与电子计算机技术结合起来，开创了我国第一个医学专家系统。1981年，中国科学院成都计算机应用研究所和成都中医学院共同研制成功了中医痹症计算机诊疗系统，完全符合率达96.88%。但是，以上两个系统没有明确的知识库和推理机概念，更多的是直接模拟诊断，缺乏灵活性。
20世纪80年代，专家系统在中医领域得到迅速的推广。1982年，宇文贤设计实现了基于滋养细胞疾病的诊治的一种计算机诊断医疗专家咨询系统。1983年，张志华利用计算机辅助实现基于医学上常见的盆腔子宫内膜异位症的诊断。此后，各种名称的中医专家系统如雨后春笋般涌现，达到鼎盛时期，据统计有140多个。
20世纪90年代，我国专家系统应用进入西医领域，发展渐缓。1990年，华西医科大学口腔医学院的魏世成等人开发出颞颌关节紊乱综合征专家系统。1997年，李雪荣等组建了一个儿童心理障碍标准化诊断与治疗的人工智能专家系统。1998年，张玉璞设计并实现了基于波形分析的心血管疾病诊断的专家系统。2000年，哈尔滨工程大学的刘长征等人研发神经内科疾病诊断与治疗专家系统，用于神经内科疾病诊断与治疗。2001年，南京大学生物医学物理研究所与江苏省人民医院的石晓东、仲远明等研发耳穴信息智能识别系统，通过识别人体耳穴电学特征量筛检上消化道癌。2002年，武汉理工大学的吴钊等人研发了模糊口腔癌症诊疗专家系统，用于口腔癌症诊断与治疗。2003年，山西医科大学的吕晓燕、郭建军等研发了胃癌诊断专家系统，用于胃癌的临床诊断。2005年，中国科学院沈阳自动化研究所与中国科学院研究生院的曾文、刘尚辉等人开发了结核病诊断专家系统。2006年，山西医科大学与中北大学的葛学军、李冰等人开发了口腔牙周病诊断专家系统，集合口腔牙科专家知识，用于口腔牙周疾病诊断。2008年，深圳市人民医院开发出了用于对于人体血气中酸碱度的检测分析计算机辅助专家系统。至此，短短30年，除西藏、宁夏、海南、香港、澳门之外，我国其他29个省区市都先后开展或涉足了中医专家系统的研究，开发了多种多样多功能的医学辅助诊断治疗系统，先后研制出220个中医专家系统和开发工具。但是，真正能够为医生所接受并且投入临床使用的医学专家系统少之又少。
机器学习与智能影像
机器学习与专家系统一样，都是人工智能机器思维研究进路的一个分支，主要是模仿人类学习的思维过程而实现自主学习，并做出判断与决策。医学影像数据的日益丰富、医学影像人员的极端匮乏以及数据分析的单调枯燥，使医学影像成为人工智能最热门的方向之一。
●机器学习的发展
机器学习的发展几经沉浮、如今再成热点。逻辑推理和类比联想是人类学习性思维的典型特点。模拟人的思维进行自主学习成为人工智能专家一直努力的方向。1949年，加拿大心理学家赫布(DonaldHebb)在其著作《行为的组织》中首次提出了基于神经心理的学习理论，标志着机器学习领域迈出了第一步。1952年，被誉为“机器学习之父”的塞缪尔(ArthurSamuel)设计了一款西洋跳棋程序，通过模拟塞缪尔本人及其他高手的下棋策略与方法，积累经验和教训，向高明的对手或通过棋谱进行学习，不断提高人工智能水平，终于在1959年击败了它的设计者，并在1962年战胜了美国一个州的跳棋冠军，在世界上引起了不小的轰动。1957年，美国康奈尔航空实验室的罗森布拉特(FrankRosenblatt)利用赫布理论模拟人脑的运作方式，创造了“感知机(Perceptron)”，能够进行简单的文字、图像和声音识别。感知机在20世纪60年代初期曾经盛行一时，据估计至少有近百个研究机构和公司从事感知机的研究与开发工作。
然而，无论是以“跳棋程序”为代表的逻辑符号主义学派，还是以“感知机”为代表的神经联结主义学派，都遇到了各自的技术瓶颈，并受到电子技术水平的限制，不仅使机器学习止步不前，而且使人工智能在20世纪60年代中期至70年末遭遇了第一次寒冬。感知机最大的问题就是对复杂图像的感知能力低、对非线性分类识别问题缺乏有效学习方法。1986年，美国科学家鲁姆哈特(DavidRumelhart)和维伯斯(PaulWerbos)研制出被称为“反向传播”神经网络(BackPropagation，BP)的多层感知机，解决了非线性感知与复杂模式识别的问题，给机器学习带来了新的希望，掀起了基于统计模型的机器学习热潮。
到了20世纪90年代，以BP为代表的浅层学习算法模型进入了黄金时代，各种各样的学习模型被相继提出，并得到实际运用。1990年，美国计算机科学家夏皮雷(RobertE.Schapire)最先构造出一种多项式级的Boosting框架算法。1995，俄罗斯统计学家瓦皮尼科(VladimirVapnik)和丹麦计算机科学家科尔特斯(CorinnaCortes)提出支持向量机算法(SupportVectorMachines，SVM)。1997年，IBM公司的超级计算机深蓝(DeepBlue)战胜堪称国际象棋棋坛神话的加里?卡斯帕罗夫，震惊世界。2001年，美国统计学家布赖曼(LeoBreiman)提出决策树模型(RandomForests，RF)。但是，BP算法也存在着随着神经网络层数的增加而梯度逐渐消失的严重缺陷。2006年，“神经网络之父”欣顿(GeoffreyHinton)提出神经网络深度学习(DeepLearning)算法，解决了这一问题，使图像、视频、语音和音频的处理带来了突破，引燃了深度学习在学术界和工业界的浪潮。2011年，微软公司首次将深度学习方法应用在语音识别领域中，取得了较好的效果。2012年，谷歌的X实验室开发了一种机器学习算法，可以自动浏览和找到包含猫的视频。2014年，Facebook公司开发了一种名为DeepFace的算法，能够识别或验证照片中的个人，其准确度与人类相当。2016年，谷歌旗下的DeepMind公司基于深度学习的算法开发研制了AlphaGo程序，战胜了围棋冠军李世石，掀起了机器学习发展和应用的浪潮。
●AI与医学影像的结合
AI与医学影像的结合起步很早却难有大的突破。医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。自第一张X光片出现后，随着20世纪科学技术的发展，逐渐形成了以X射线、CT、磁共振成像、超声和核医学等为代表的多种医学影像技术设备，成为医疗绝大多数数据的来源。
人工处理的困难与枯燥，使人们很早就想利用AI解决这些问题。1963年，美国放射学家洛德威克(GwilymS.Lodwick)等人提出X光片数字化的方法。1966年，莱德利正式提出了“计算机辅助诊断”的概念(CAD)，希望通过计算机来减轻医生的工作负担。1972年，CT的临床使用开创了医学影像数字化的先河。之后，MRI、CR、DR、ECT等数字化医疗设备的产生，推动了医学图像资料的存储、传输系统(PictureArchivingandCommunicationSystem，PACS)的发展。因此，1982年，美国放射学会(ACR)和电气制造商协会(NEMA)决定共同成立一个称为ACR-NEMA的委员会，致力于制订医学影像设备间共同的通信交流规范。1985年和1988年，ACR-NEMA发布了两套规范(ACR-NEMA1.0和ACR-NEMA2.0)，并于1993年发布了一套统一的规范，正式命名为DICOM3.0，详细地规定了医学图像及其相关信息的传输协议。
虽然图像存储与传输标准有所发展，但是AI与医学影像的结合仍然困难重重。例如，医学专家系统在诞生后，虽然在20世纪80年代红极一时，但一直难于应用在医学影像领域。造成AI与医学影像难以结合的主要原因是视觉系统成像模糊、人体组织结构或功能的复杂性及传统算法的局限性。2006年，深度算法的出现为图像识别带来突破性的进展。2012年，欣顿使用多层卷积神经网络结构，将图像识别错误率突破性地从26.2%降低到了3%，让深度机器学习进入工业和医疗的领域。2014年，国际知名的医学影像公司Enlitic成立，并开发出从X光照片和CT扫描图像识别恶性肿瘤的软件。2015年，美国西奈山医院使用的一种名为DeepPatient的AI技术，分析该院70万名患者的病历数据，表现十分优异。2017年，美国食品药品管理局(FDA)批准了第一款心脏磁共振成像人工智能分析软件CardioDL。2018年，FDA批准了全球第一款人工智能医疗设备IDx-DR。目前，中国有超过100家医疗人工智能公司，其中约有40家企业属于医学影像AI公司，近千家医院部署的人工智能系统中超过一半是医学影像人工智能系统。
智能机器人与智慧医疗
智能机器人是指具有视、听、触等机器感觉，行动、规划、决策等机器思维，机械手、脚的智能控制结构的机器人，是人工智能的又一个重要研究方向。作为一种新型的人工智能技术，会对整个医疗行业产生深远影响。
●机器人的技术发展
机器人从技术成长的视角看可分为3代：第一代为示教再现型机器人，第二代为具备感觉的机器人，第三代为智能机器人。1959年，第一台工业机器人诞生。1965年，世界上第一个带有视觉传感器的机器人诞生。1968年，美国斯坦福研究所研制的机器人Shakey具备了一定的人工智能，能够进行感知、环境建模、行为规划并执行任务，成为第一台智能机器人。1974年，美国辛辛那提?米拉克龙(CincinnatiMilacron)公司成功开发了多关节机器人。1979年，美国Unimation公司推出了PUMA机器人，它是一种多关节、全电机驱动、多CPU二级控制的机器人，采用VAL专用语言，可配视觉、触觉、力觉传感器，是当时技术最先进的工业机器人。
20世纪80年代，不同结构、不同控制方法和不同用途的工业机器人在发达国家进入了实用化普及阶段，日本把1980年称之为“机器人普及元年”，开始在各个领域推广使用机器人，传感技术和智能技术被广泛应用，智能机器人概念日渐深入人心。1985年以后在日本称为“智能机器人的时代”。短短20年时间，机器人实现了从第一代到第三代的大幅跨越。因此，第三次科技革命也可称为机器人技术发展的“黄金时代”。20世纪90年代，日本泡沫经济破灭、经济萧条，日本机器人市场逐步向全球市场转移，成为拉动日本机器人产业增长的重要力量。进入21世纪后，智能机器人、仿生机器人等新一代机器人纷纷亮相。2010年，日本发那科公司推出了第一台学习控制机器人。2014年，日本推出了高仿真人形机器人等。智能机器人技术和产业进入快速发展阶段。
●医疗机器人
医疗机器人是智慧医疗的重要特征之一。根据用途，医疗机器人大致可以分为外科手术机器人、康复机器人、医疗服务类机器人。智能机器人应用于医疗领域肇始于20世纪80年代。1985年，美国加利福尼亚州放射医学中心研制成功能自主定位的手术机器人(Puma560)，协助外科医生完成脑组织活检。1992年，美国IBM公司和加利福尼亚大学联合推出名为Robodoc的机器人系统，协助完成了人工骸关节和膝关节置换手术。1994年，美国ComputerMotion公司研制出第一台商业化手术机器人AESOP，并于1997年完成了世界首例腹腔镜下胆囊切除手术。1999年，美国IntuitiveSurgical公司开发出达?芬奇(DaVinci)外科手术机器人，被广泛应用于普通外科、胸外科、泌尿外科、妇产科、头颈外科以及心脏外科，成为目前国际上技术最为成熟和完备的外科机器人，几乎垄断了外科机器人市场。我国手术机器人的发展较晚。2010年，天津大学、南开大学和天津医科大学总医院联合研制的首台外科手术机器人“妙手A”系统成功问世，有望打破西方国家的垄断。
康复机器人主要用来帮助老年人和残疾人更好地适应日常的工作和生活，主要集中在康复机械手臂、智能轮椅、假肢和康复治疗机器人等方面。1987年，英国MikeTopping公司研制出了一款康复机器人，命名为Handy1，用以帮助一名11岁患有脑瘫的小男孩独立地用餐。2013年，我国上海交通大学成功研制出第一台智能轮椅机器人ROBOY，能对周围环境做出准确判断、自动规划最佳路径。
医疗服务类机器人主要包括救援机器人、转运机器人、医院办公机器人、护士机器人等。1985年，美国TRC公司研制出世界首个服务机器人“护士助手”，不仅能运送医疗器材、药品等，还能为患者提供送饭和送病历、报表及信件等服务，目前已在全球几十家医院投入使用。
此外，人工智能在健康和慢性病管理、急诊流程、就医流程引导等方面有着广泛的应用。随着大数据、物联网、人工智能的发展，人工智能无疑会对人类的未来医疗提供莫大帮助，产生越来越广泛深入的影响，有可能改变医疗模式、重塑医疗产业。生病还要不要看医生?未来医院是什么样的?医疗人工智能事故责任如何认定?这些也同样带给我们无限的想象和深度的思考。
作者：王国强，中国科协创新战略研究院研究员，博士，主要研究方向为科技史、科技政策和科技传播
本文来自《张江科技评论》杂志
生物医药：我国医疗人工智能发展现状和趋势
1.人工智能（AI）诞生
希腊神话和中国神话中都出现过机械人和人造人。SamuelButler的《机器中的达尔文》（DarwinamongtheMachines）一文（1863）探讨了机器通过自然选择进化出智能的可能性。至今人工智能仍然是科幻小说的重要元素。许多文明的历史都记载了创造自动人偶的杰出工匠，例如，偃师（中国西周）、希罗（希腊）等。已知最古老的“机器人”是古埃及和古希腊的圣像，信徒认为工匠给这些神像赋予思想，使它们具有智慧。
人工智能的基本假设是人类的思考过程可以机械化。哲学家拉蒙·柳利（1232～1315年）开发了一些“逻辑机”，试图通过逻辑方法获取知识。17世纪中期，莱布尼兹、托马斯·霍布斯和笛卡儿尝试将理性的思考系统化为代数学或几何学那样的体系。20世纪，数理逻辑研究上的突破使得人工智能呼之欲出。这方面的基础著作包括布尔的《思维的定律》与弗雷格的《概念文字》。邱奇-图灵论题暗示，一台仅能处理0和1这样简单二元符号的机械设备能够模拟任意数学推理过程。这里最关键的灵感是图灵机，其看似简单的理论构造抓住了抽象符号处理的本质。这一创造促使科学家们探讨让机器思考的可能。
第一批现代计算机是“二战”期间建造的大型译码机，包括Z3、ENIAC和Colossus等。后两个机器的理论基础是图灵和约翰·冯·诺伊曼提出和发展的学说。在20世纪40年代和50年代，一批来自不同领域（数学、心理学、工程学、经济学和政治学）的科学家开始探讨制造人工大脑的可能性。1956年，人工智能被确立为一门学科。最初的人工智能研究是20世纪30年代末到50年代初的一系列科学进展交会的产物。神经学研究发现大脑是由神经元组成的电子网络，其激励电平只存在“有”和“无”两种状态，不存在中间状态。控制论描述了电子网络的控制和稳定性。
信息论则描述了数字信号（高低电平代表的二进制信号）。图灵的计算理论证明数字信号足以描述任何形式的计算过程。这些密切相关的想法暗示了构建电子大脑的可能性。马文·明斯基1951年建造了第一台神经网络机——SNARC。在接下来的50年中，明斯基是AI领域最重要的领导者和创新者之一。1950年，图灵发表了一篇划时代的论文，预言了创造具有真正智能的机器的可能性。他提出了著名的图灵测试，图灵测试是人工智能在哲学方面第一个严肃的提案。1956年达特矛斯会议的组织者是马文·明斯基、约翰·麦卡锡和另外两位资深科学家克劳德·香农、内森·罗彻斯特（NathanRochester）。与会者接受“人工智能”一词作为本领域的名称。1956年达特矛斯会议上AI的名称和任务得以确定，这一事件被认为是AI诞生的标志。
2.AI研究高潮和低谷交替出现
第一次高潮（1956～1974年）。达特茅斯会议之后AI进入大发展的时代。20世纪50年代后期到60年代涌现了大批成功的AI程序和新的研究方向。AI研究的一个重要目标是使计算机能够通过自然语言（例如英语）进行交流。早期的一个成功范例是DanielBobrow的程序STUDENT，它能够解决高中水平的代数应用题。ELIZA是第一个聊天机器人，与ELIZA“聊天”的用户有时会误以为自己是在和人类而不是一个程序交谈。实际上ELIZA根本不知道自己在说什么，它只是按固定套路作答，或者用符合语法的方式将问题复述一遍。维诺格拉德（T.Winograd）设计的SHRDLU系统能用普通的英语句子与人交流，还能做出决策并执行操作。麻省理工学院（MIT）、卡内基-梅隆大学、斯坦福大学、爱丁堡大学这四个研究机构一直是AI学术界的研究中心。
第一次低谷（1974～1980年）。20世纪70年代初，AI遭遇瓶颈。即使是最杰出的AI程序也只能解决它们尝试解决的问题中最简单的部分，所有AI程序都只是“玩具”。AI研究者们遭遇了无法克服的基础性障碍。当时面临的具体问题包括：计算机的运算能力，当时的计算机有限的内存和处理速度不足以解决实际的AI问题；计算复杂性，除了那些最简单的情况，许多问题的解决需要近乎无限长的时间，这就意味着AI中的许多程序永远也不会发展成为实用的系统；
常识与推理，许多重要的AI应用，例如，机器视觉和自然语言，需要大量对世界的认识信息，当时没人能够提供如此巨大的数据库，也没人知道一个程序怎样才能学到如此丰富的信息。
第二次高潮（1980～1987年）。20世纪80年代，一类名为“专家系统”的AI程序开始为全世界的公司采纳，而“知识处理”成为主流AI研究的焦点。专家系统是一种程序，能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。专家系统仅限于一个很小的知识领域，从而避免了常识问题，其简单的设计又使它能够较为容易地实现编程或修改。实践证明了这类程序的实用性。直到此时AI才开始变得实用起来。专家系统的能力来自其存储的专业知识。这是20世纪70年代以后AI研究的一个新方向。1981年日本政府支持第五代计算机项目，其目标是造出能够与人对话、翻译语言、解释图像，并且像人一样推理的机器。1982年，物理学家JohnHopfield证明一种新型的神经网络（现被称为“Hopfield网络”）能够用一种全新的方式学习和处理信息。同时DavidRumelhart推广了反向传播算法，一种神经网络训练方法。1986年由Rumelhart和心理学家JamesMcClelland主编的两卷本论文集《分布式并行处理》问世，这一新领域从此得到了发展。20世纪90年代神经网络获得了商业上的成功，它们被应用于光字符识别和语音识别软件。
第二次低谷（1987～1993年）。20世纪80年代对AI的追捧与冷落符合经济泡沫的经典模式。AI发展低谷最早的征兆是1987年AI硬件市场需求的突然下跌。Apple和IBM生产的台式机性能不断提升，到1987年其性能已经超过了其他厂家生产的昂贵的Lisp机，老产品失去了存在的理由。最初大获成功的专家系统维护费用居高不下，它们难以升级、不易使用、脆弱（当输入异常时会出现莫名其妙的错误），其实用性仅仅局限于某些特定情景。到1991年，日本政府支持的“第五代工程”并没有实现预定目标，事实上其中一些目标，比如“与人展开交谈”，直到2010年也没有实现。
AI发展新阶段（1993年至今）。“实现人类水平的智能”这一最初的梦想曾在20世纪60年代令全世界为之着迷。
现已年过半百的AI终于在几个子领域实现了最初的一些目标，今天AI被成功地应用在技术产业中。1997年5月11日，“深蓝”战胜国际象棋世界冠军卡斯帕罗夫，成为打败人类的第一个计算机系统。2005年，斯坦福大学开发的一台机器人在一条沙漠小径上成功地自动行驶了131英里，赢得了DARPA挑战大赛头奖。2011年，IBMWaston参加《危险边缘》节目，在最后一集打败了人类选手。2016年3月，AlphaGo击败李世石；2017年5月，AlphaGo在中国乌镇围棋峰会的三局比赛中击败当时世界排名第一的中国棋手柯洁。越来越多的AI研究者开始开发和使用复杂的数学工具。人们认识到，许多AI领域要解决的问题已经成为数学、经济学和运筹学领域的研究课题。数学不仅使AI可以与其他学科展开更高层次的合作，而且使研究结果更易于评估和证明。AI已成为一门非常严格的科学分支，现已投入应用的新工具包括贝叶斯网络、隐马尔可夫模型、信息论、随机模型和经典优化理论。针对神经网络和进化算法等“计算智能”范式的精确数学描述也被发展出来。AI研究者们开发的算法开始变为核心业务系统的一部分。已经应用AI技术的领域有数据挖掘、工业机器人、物流、无人驾驶、语音识别、银行业软件、医疗诊断和Google搜索引擎等。进入21世纪，得益于大数据和计算机技术的快速发展，许多先进的机器学习技术被成功应用于经济社会的更多领域，例如，生态学模型训练、经济领域中的应用、医学研究中的疾病预测及新药研发等。深度学习（特别是深度卷积神经网络和循环网络）极大地推动了图像和视频处理、文本分析、语音识别等问题的研究进程。深度学习是机器学习的分支，它通过一个具有很多层处理单元的深层网络对数据中的高级抽象进行建模。根据全局逼近原理，对于神经网络而言，要拟合任意连续函数，深度性并不是必需的，即便是一个单层的网络，只要拥有足够多的非线性激活单元，也可以达到拟合目的。目前深度神经网络得到了更多关注，主要源于其层次结构能够对更加复杂的情况快速建模，同时避免浅层网络可能遭遇的缺点。深度学习（以循环神经网络为例）最常见的问题是梯度消失（在沿着时间序列反向传播过程中，梯度逐渐减小到零附近，造成学习停滞）。为了解决这些问题，很多有针对性的模型被提出来，例如，LSTM（长短期记忆网络）、GRU（门控循环神经单元）等。现在，最先进的神经网络结构在某些领域已经能够达到甚至超过人类平均准确率，例如，在计算机视觉领域，特别是一些具体的任务上，如MNIST数据集（一个手写数字识别数据集）、交通信号灯识别等。
3.医学与人工智能
纵观AI的历史，集医学、脑科学、认知学、心理学和生理学等为一体的综合科学对AI的产生和发展起着重要的作用。
AI从产生的第一天起，就与医学结下了不解之缘。早在12世纪末，西班牙神学家和逻辑学家RomenLuee就试图制造一台能像人一样解决各种问题的通用逻辑机。19世纪末，西班牙解剖学家Cajal和Golig创立了神经元学说，指出人脑中存在着由大量神经细胞构成的神经网络。在AI发展的进程中，20世纪60年代后期出现的以模拟人类医学专家思维过程为特点的专家系统。70年代初，斯坦福大学的传染病学家研制的用于诊断和治疗感染性疾病的MYCIN系统是世界上第一个将Al应用于医学领域的专家系统。美国医学界对它评价很高，曾两次对该系统进行严格“考试”，其成绩都在医学专家之上。MYCIN系统的问世是专家系统走向成熟的重要里程碑，也是AI理论应用于医学领域的重要里程碑。在MYCIN系统的影响下，20世纪70年代后期到80年代中期，出现了一系列新的医学专家系统。最著名的医学专家系统有三个：一是由罗格斯大学研制的用于治疗青光眼的CASNET系统；二是由匹兹堡大学研制的用于诊治内科疾病的INTERNIST系统，该系统包含3000多种疾病症状，能诊治500多种内科疾病，美国国家卫生学院曾对该系统进行严格临床试验，证明它能够应对美国临床病理学会提出的大多数病例；三是由斯坦福大学根据MYCIN系统开发的诊治肺功能失调的PuFF系统，美国医学界曾对该系统进行150个病例的测试，结果90%符合呼吸科专家的意见。我国类似研究起步较晚，我国专家吸取了MYCIN系统的优点，相继研制了不少医学专家系统，尤其是肝病诊治系统等一批中医专家系统，具有很高的学术水平和实用价值。我国的中医专家系统在国际上一直处于领先地位。
在神经生理和神经解剖学研究成果的基础上，Hopfield网络模型问世，AI研究者开始研究以人脑连接机制为特点的人工神经网络（ANN）。ANN是AI的一个新领域，具有以下特点：一是并行性好；二是自学习自适应性强；三是联想性好，人的思想很易“由此及彼”，ANN能从不完全知识中通过“联想”推出正确解；四是容错性高，ANN的信息分布储存在整个网络的连接点上，它像人的大脑一样，某些神经元出现故障不会影响整个网络正常工作。ANN的研究始于20世纪40年代的神经元模型。据统计，目前世界上著名的ANN模型已有50多种，其中有相当数量应用于生命科学中。面对大脑的强大功能和复杂结构，怎样使AI研究取得实质性的突破，这是当今医学向AI提出的挑战。生命科学家的新发现将不断向AI提出新课题；反过来AI在医学中应用的深入和发展，也向生命科学家提出更高要求，生命在运动，大脑还在进化，许多新问题有待生命科学家去探索。要彻底揭开大脑智能之谜，单靠任何一方面都是不可能完成的。我们相信，生命科学的深入发展必将对AI产生深远影响；反之，AI的！
智能应用于医疗领域已经成为现代科技热点。基于大量数据的人工智能算法为医疗服务提供了快捷、优化的途径，人工智能在医疗领域的应用带来的不仅有技术革新，还有医疗服务模式的转变。美国的顶尖医院如梅奥、克里夫兰等都开始与人工智能公司合作，希望成为医疗人工智能应用领域的中心，对疾病进行监测、诊断、治疗和管理。人工智能可以在医疗行业多个环节发挥作用，如医学影像、健康管理、疾病风险预测、虚拟助理、药物设计、临床诊疗、精神疾病、病理学和营养学等。目前医疗活动中比较成功的AI应用包括影像AI、药物研发AI、医疗机器人和IBMWaston等。AI在医学影像中取得了较好的应用成效，如基于钼靶影像的乳腺病变检测、基于皮肤照片的皮肤癌分类诊断、基于数字病理切片的乳腺癌淋巴结转移检测、基于眼底照片的糖尿病视网膜病变检测、基于胸部X线片的肺部炎性疾病。借助深度学习，药物研发AI在心血管药、抗肿瘤药和常见传染病治疗药等领域取得新突破，缩短了药物研发时间、提高了研发效率且控制了研发成本。医疗机器人中的达·芬奇机器人早已在各大医院推广应用，其他类型的机器人也随着AI的发展逐步进入医疗市场。在智能诊疗领域，IBMWaston展示了AI诊断和治疗人类疾病的可行性。
健康医疗大数据是在人们对自身进行日常健康管理的过程中产生和形成的。智能可穿戴设备和家庭智能健康检测监测设备的研发和应用，实现了动态监测个人健康数据，利用这些数据进行人工智能计算，可以对个人健康进行精准把握，规范、准确地预测疾病风险，管理个人健康。人工智能可以在血糖管理、血压管理、用药提醒、健康要素监测等方面给予精准的指导，为患者提供高质量、智能化、日常化的医疗护理和健康指导，为人群提供全方位、全周期的健康服务。这种方式对于提高患者的依从性、提高慢病管理效率、节约医疗成本具有重要的社会意义。2008年，谷歌推出流感预测服务，通过检测用户在谷歌上的搜索内容有效地追踪流感爆发的迹象。人工智能定时收集样本并据以找出疾病的高风险人群。利用大数据分析和深度学习技术，人工智能已经能够预测阿尔兹海默病、心血管疾病、癌症、精神疾病等。这些预测能够用于有效防控公共疫情和提高个人健康水平。
目前，我国科学研究者也积极参与到医疗AI产品的研发中，包括病理辅助诊断、眼部疾病、皮肤疾病、医学影像、中医药、心电监测、手术机器人、肿瘤治疗等领域。AI在医疗领域中的应用主要有三个角度。①AI比医生做得更好，可以用来提高诊断的准确度和治疗的效果。有些信息在诊断图像和其他数据中隐藏得比较深，或者隐藏在高维空间中，医生的肉眼无法辨别，而AI可以精确找到。②AI不比医生做得更好，但是比医生做得更快，可以用来提高效率。③AI不比资深医生做得更好，但可以通过学习资深医生、大医院的经验，来帮助年资低的医生和基层医疗机构的医生提出更准确的诊断和治疗方案。未来，人工智能将成为建立新型医疗服务体系的重要支撑，结合信息化的发展全面构建优质高效的新型医疗服务体系。
二、我国医疗人工智能发展现状分析
1.政策现状
国际上主要发达国家和地区近年来积极制定人工智能战略规划，医疗人工智能是主要研究和应用领域之一。
同发达国家一样，我国近两年高度重视人工智能在医学中的应用，在不同等级的政策文件中都提出了医疗人工智能研究的重点方向。
主要国家和地区在医疗领域应用人工智能的重点略有差异。美国近年医疗人工智能规划重点在可穿戴设备、记忆辅助系统、医疗诊断等方面，欧盟更加关注各种机器人的研发和精准医疗，英国的重点研究领域包括病情诊断支持、影像诊断支持、潜在流行病的早期发现和发病率追踪等，日本则更加关注实用化机器人技术、手术机器人、医疗辅助系统等。我国近年的医疗人工智能政策重点包括可穿戴设备在健康管理中的应用、医用机器人、智能影像识别、智能诊疗、智能康复等。
2015年以来，我国出台的涉及医疗人工智能的主要政策文件有《国务院关于积极推进“互联网+”行动的指导意见》（2015年7月）、《中华人民共和国国民经济和社会发展第十三个五年规划纲要》（2016年3月16日）、《国务院办公厅关于促进和规范健康医疗大数据应用发展的指导意见》（2016年6月）。
此外，《“十三五”国家科技创新规划》（2016年7月）《智能硬件产业创新发展专项行动（2016～2018年）》《“十三五”国家战略性新兴产业发展规划》《“互联网+”人工智能三年行动实施方案》等相关文件，都有关于人工智能在医疗健康领域应用的内容。
2017年，“人工智能”首次被写入我国的政府工作报告，并上升为国家重要战略，而人工智能在医疗健康领域的应用也是国家关注的重点。同年7月，国务院发布《国务院关于印发新一代人工智能发展规划的通知》，各省份相继出台当地人工智能发展规划，掀起了人工智能研究和应用的热潮。12月14日，工业和信息化部发布《促进新一代人工智能产业发展三年行动计划（2018～2020年）》，具体落实规划内容。
2018年4月，《国务院办公厅关于促进“互联网+医疗健康”发展的意见》等文件的发布推动医疗人工智能研究和应用进入高潮。全国各省份积极响应国家政策号召，发布了多项与医疗人工智能应用相关的政策文件，截至2018年10月，各省份医疗人工智能政策发布数量达到峰值。通过各地区政策发布数量可以看出，华东和华北地区医疗人工智能发展较快。华东地区以长三角为依托，以江苏、上海和浙江为代表，该地区经济发展实力强大，技术创新资源雄厚，为医疗人工智能的发展提供了有利条件。华北地区以京津冀为依托，这里是我国人才最为密集的区域，拥有众多科研机构、科研院校和创新创业园区，会集了大量高科技人才。京津冀地区利用其独有的知识资源优势，带动人工智能在医疗健康产业中的发展。
2.临床应用研究现状
面对医疗市场迫切的需求，在技术和政策的推动下，目前，中国医疗人工智能产业进入高速发展时期。
根据相关机构的研究报告，近两年，我国“人工智能+医疗”市场规模快速增长，获得投融资的医疗人工智能创业企业数量和资金量上升。然而，我国医疗机构应用人工智能技术的态度和现状如何，尚缺乏数据。
本书以国家卫健委网站公布的二级以上医疗机构目录为依据，通过抽样调查（共发放问卷300份，最终收回有效问卷213份）发现：①我国各级医疗机构对于人工智能的应用表现出积极的态度，并对利用人工智能提升诊疗水平寄予厚望，但在医疗人工智能实质性投入方面，大部分仍呈观望态势；②医疗人工智能技术应用水平呈现明显的区域差异，表现为我国三级医院人工智能技术应用程度远高于二级医院，人工智能应用和建设程度呈现区域阶梯状，即东部＞中部＞西部，基层医院和偏远地区医疗机构在医疗人工智能应用方面尚处于落后状态；③在已有的临床应用研究中，自然语言处理技术应用程度最高，结构化数据补充成为其主要用途，影像辅助诊断技术中CT、肿瘤应用范围最广，技术成熟度最好，辅助诊断方向是医院最为关注的应用领域；④由于在标准制定、产品落地等方面存在短板以及复合型人才短缺，医院的人工智能应用和建设主要采用“拿来主义”模式，希望用产品购买的方式直接获得医疗人工智能应用的成熟产品。
在儿科人工智能应用方面，通过对北京、上海、广州等20个城市的52家儿童专科医院的调查和部分访谈，发现在儿科领域人工智能应用范围相对较窄，主要集中在医学影像和疾病诊断预测方面。专注儿科人工智能的公司数量也非常有限，产品多数还处在学习优化、更新迭代的层面，与真正应用落地仍有一定差距。人工智能产品在儿科落地的最大阻碍是医院对产品的期待与人工智能公司对市场的估计存在断层，加强临床参与才能为医疗人工智能落地提供助力。
通过对皮科大夫的调查发现，我国不同性别、学历、职称、医疗机构的皮肤科医生对于人工智能均表现出极高的关注度，绝大部分皮肤科医生认为人工智能的功能为“辅助皮肤科医生日常诊疗活动”，皮肤科医生更希望将人工智能应用于皮肤肿瘤的诊断与治疗中。近年来我国皮肤科领域相继成立了多个人工智能组织，也已出现多款人工智能产品，未来需要将更多资源融入其中，包括政府部门关注、主管部门经费投入、专家团队建立、企业资源汇聚等，才能进一步推动我国皮肤科人工智能的快速发展和应用。
3.学科发展和技术现状
近年来，我国医疗人工智能领域科研经费投入持续增长。在科技产出方面，近10年我国医疗人工智能领域中文科技论文发文量逐年快速增长，说明医疗人工智能是我国学者重点关注的研究领域。通过医疗人工智能领域中文科技论文的学科分布情况可以看出，我国医疗人工智能领域中文科技论文涉及的主要学科包括生物医学工程、自动化技术、临床医学、肿瘤学和计算机软件及计算机应用等。人工智能在医学中的主要应用领域包括肿瘤、神经性疾病、心血管疾病、精神疾病、内分泌腺及全身性疾病、感染性疾病及传染病等方面。
我国医疗人工智能领域外文科技论文产出在2008～2016年呈现线性增长趋势，截至2017年，我国医疗人工智能领域外文科技论文产出累计达到34655篇。发文量排名前5的机构为中国科学院、上海交通大学、浙江大学、清华大学和香港中文大学。医疗人工智能领域外文科技论文涉及的学科主要为计算机科学、数学计算生物学、工程、数学、放射学、核医学等，其中在计算机科学领域发表的科技论文数量最多，为32359篇，放射学、核医学等医学图像处理领域的发文量为18480篇。此外，医疗人工智能科技文献也出现在生物化学、分子生物学、细胞生物学、遗传学、肿瘤等医学学科中。
近10年来，医疗人工智能领域的专利申请和专利公开都呈现逐年增长的趋势，2017年的专利数量和申请人数都有较大幅度增长，能够确定当前该技术领域正处于技术成长期阶段。其中，广东、江苏、北京、上海和浙江的医疗人工智能相关专利申请量都在200项以上，说明这五个省市是医疗人工智能领域技术研发的核心区域，专利活动活跃，其中广东省的专利申请量更高达453项，居全国首位。
利用大为Innojoy专利搜索引擎自带的聚类分析功能，通过设置相关参数及定义停用词过滤标准，绘制医疗人工智能领域技术研发的科学知识图谱，可以发现，目前医疗人工智能的技术研发热点及人工智能在医学领域的应用方向主要包括脑电信号的处理与分析、心电信号的处理与分析、肌电信号的处理与分析、康复训练、医疗机器人、疾病诊断、病人监测和药物控制等。
4.产业现状
向300多家医疗人工智能企业发出调查问卷，回收有效调查问卷45份。调查发现，超过75%的企业处于融资的不同阶段，只有25%的企业不需要融资，因此资本是现阶段行业发展的重要推动力。调查中，2018年有12家企业累计融资金额1亿～10亿元，而2016年基本融资金额最多只达到千万元级，可以看出资本持续看好医疗人工智能行业的发展，整体投资处在加速阶段。
目前医疗人工智能应用按场景可分为医学影像、辅助诊疗、虚拟助理、健康管理、智慧医院等。在医学影像场景，根据临床数据采集内容的不同，可细分为CT、视网膜眼底图、X射线、病理、超声、内窥镜、皮肤影像等应用。辅助诊疗基于医院电子病历等系统，通过对患者信息的推理，自动生成针对患者的精细化诊治建议，供医生决策参考。虚拟助理是指通过语音识别、自然语言处理等技术，将患者的病症描述与标准的医学指南做对比，为用户提供医疗咨询、自诊、导诊等服务的信息系统。人工智能在健康管理中的应用包括：通过对日常健康行为的监测管理实现健康监控并提前进行疾病预测；使用电子通信软件和人工智能技术监测慢病患者日常生活习惯，智能给出用药指南，提醒患者服药；监控智能检测设备数据，对数据进行评估，及早发现异常并发出预警。智慧医院基于医院信息系统、临床数据中心和集成平台，结合人工智能、云计算、医疗大数据、物联网、移动互联网等技术，优化患者就医流程，节省患者时间和医疗资源，持续改善患者就医感受。
人工智能在我国医疗领域的应用刚刚起步，成长过程中遇到了来自各个层面的问题。当前阻碍医疗人工智能发展的因素中企业选择最多的五个因素是：缺少医疗人工智能复合型人才、医学数据标注及共享困难、缺少多病种病症的国家标准数据库进行模型验证、商业模式及各方权责不明确、缺少合作的医疗机构。超过50%的企业表示其产品已经在全国数十家甚至上百家医疗机构进行临床研究，由于产品认证的问题，大部分应用都是服务科研，即使应用于临床也只是给医生诊断提供参考。
5.社会认知和伦理现状
采用问卷调查法，随机调查了224个城市的2500位不同年龄、职业人群，了解我国民众对医疗人工智能的认知现状。目前，民众对人工智能在医疗领域的影响力感受度偏低，但对医疗人工智能持支持态度的占比达到78.44%，整体抱有相当大的期待。民众认为人工智能在医疗领域应用的最大优点是提高诊断效率，但对智能仪器应变能力也存在担心。医学影像是民众最能接受的人工智能医疗应用领域。大多数人认为医疗人工智能未来的发展趋势是医疗人工智能与传统模式相结合。随着医疗人工智能的发展，相信并使用医疗人工智能将逐渐成为主流，AI时代的到来是无法阻止的，也是势在必行的。医疗人工智能发展前景广阔，同时拥有很大的空间，需要相关领域研究人员继续挖掘潜力。
我国尚未出台医疗人工智能应用的伦理性的相关文件。根据关于我国居民对人工智能的伦理认知的调查，当医生和人工智能的诊疗意见不一致时，更多人选择相信医生。民众“最担心的伦理问题”包括：没有充分的知情告知，个人隐私数据泄漏”“因无须人体试验，单纯从药物大数据中即可研发出新的药物，从而涉及禁忌药物的研发”“算法运作的不可知导致数据读取过程中运算结果的出乎预料或者出错”等。超过半数的人认为现阶段不可以赋予人工智能医生法律主体资格，并认为当人工智能技术造成医疗损害时，应厘清医生与设计者、制造者、人工智能等各方的责任，让相关责任方承担应尽的责任。人工智能带来医疗水平的提高和人类健康保障的进步，随之而来的一系列伦理风险不容忽视。医学界需要前瞻性地评估医疗人工智能的利弊和风险，加强对其的掌控能力，趋利避害，进一步促进医疗保健事业的发展。
三、医疗人工智能发展中面临的问题和挑战
1.政策与监管的挑战
2017年7月，国务院发布《国务院关于印发新一代人工智能发展规划的通知》，人工智能上升为国家战略，国家对医疗人工智能的发展提出了更高要求，医疗人工智能进入全新的高速发展轨道。国家的医疗人工智能发展要求包括提出医学大数据、医学信息化、智能医学等多个方面的具体应用需求，对医疗人工智能基础研究的政策支持，以及对大健康、老龄化等方面的医疗人工智能应用的大力支持。
基于以上纲领性文件，针对医疗人工智能的发展提出具体落实行动，将成为相关部门政策制定的重点，预计将发布一大批具体的推进方略，下大力气促进医疗人工智能领域的发展与提升。2018年以来，围绕医疗人工智能发展的重点政策领域包括：满足民营医院的设备需求，鼓励各级医院采购国产高端医疗设备；着力构建大数据云端医疗数据库，推动医学大数据的开发与落地，大力加强医疗信息化基础建设；鼓励民间资本投资远程医疗和第三方检验中心，全面推进分级诊疗的落地；大力发展网络医学影像平台、高端影像设备、第三方影像中心、大力推进影像信息化等。
2.技术和人才的挑战
据相关研究，医疗人工智能处在人工智能热潮的中心地位，有非常快的发展速度。医疗人工智能的技术和人才水平高，有可能尽快实现产业化，相关原因包括：第一，医疗人工智能研究机构与国内的各大医院合作开展了科学研究、临床实验、产业转化等工作；第二，医疗人工智能的研究机构众多，包括科研单位、高校、大企业、创业企业等，造就了一大批奋战在一线的医疗人工智能科研机构；第三，医疗人工智能有较好的投资盈利预期，得到资本方面的追捧；第四，医疗人工智能是人工智能应用的热门领域，在多种维度的医学图像识别领域，拥有丰富的技术和设备等资源。医疗人工智能的快速发展来自迅速增长的医学大数据规模、快速提高的GPU速度和医疗人工智能理论基础的飞跃，决定于医疗人工智能的算法、算力、数据等关键技术因素。
第一，高性能、低功耗的人工智能芯片的发展。各家医疗人工智能的研究机构都在绞尽脑汁开发高性能、低功耗的人工智能芯片。医疗人工智能芯片的优劣主要决定于计算能力和能耗比例。现在市场上的主要医疗人工智能芯片巨头制造商包括英特尔、英伟达（NVIDIA）、华为海思、寒武纪、百度企业、苹果、谷歌等，竞争非常激烈。
第二，深度学习软件和平台大大加速了医疗人工智能应用的开发。人工智能包括但不限于卷积神经网络、循环神经网络等，其核心思想是神经网络的理论和实践。与影像组学不同，医学深度学习通过自动得到各个层次的特征量，以自动的方式生成规模特别巨大的特征量，实现了在人工智能方面的巨大飞跃。
近年来，深度学习神经网络在医学影像识别领域已经取得长足的进步，卷积神经网络的识别错误率已经降至非常低的水平，甚至低于人眼识别的错误率。深度学习通过反向传播、权值共享、感受野等策略，最终大大超过人眼的性能。
同时，医疗人工智能通过基础平台等方式提供给医生使用，复杂的医疗人工智能理论被打包成界面友好的产品和服务，促进了卷积神经网络的理论和工程技术体系的成熟。大量的医疗人工智能软件大大减少了医生们使用卷积神经网络的困难，业界企业也大量开展医疗人工智能的研发和产品开发，极大降低卷积神经网络算法开发的难度，专注于临床应用领域的软件和平台的研发。深度卷积神经网络非常适用于医疗人工智能的临床场景。通过卷积神经网络方法，深度学习就能从医学影像中找出许多非常繁杂且不可能详尽描述的医学影像特征。在医疗人工智能的快速发展之中，基于医疗人工智能最新进展的医学影像的判定和识别，可能会在分级诊疗、妇幼保健、远程医疗、互联网医疗等领域大规模应用示范，并形成产业化条件。
我国医疗人工智能应用的最热门领域是医学影像，数据取决于医学设备的人工智能应用程度，其核心是芯片技术。
当前人工智能芯片的技术路径主要有三种类型。
一是美国谷歌等企业布局的基于专用处理器ASIC架构的人工智能芯片。美国谷歌是张量处理器（TPU）的发明者。TPU广泛应用于美国谷歌的产品之中，包括AlphaGo、AlphaZero等明星人工智能应用。美国谷歌已经推出第二代TPU，为该企业的人工智能战略打下坚实的基础。
二是美国英伟达等企业布局的基于GPU架构的人工智能芯片。美国英伟达等企业是主要的GPU生产商之一，已经推出了多款世界上最强大的具有优良的人工智能算法处理性能的GPU显示卡。美国英伟达总裁黄仁勋先生在2018年度GPU技术大会上表示，与老款的GPU显示卡相比，该企业最新款GPU已经获得数倍性能提升。
三是美国英特尔等企业布局的基于CPU架构的人工智能芯片。美国英特尔为了进军人工智能领域，先后收购了Mobileye、NervanaSystems、Altera等企业。因为FPGA的功耗要远远低于CPU和GPU，美国英特尔希望以其在人工智能领域通过多年积累的CPU芯片技术和业务作为基础，研发CPU和FPGA混合构架的人工智能芯片，抢占日益蓬勃的人工智能芯片市场。现阶段，医疗人工智能设备选用了FPGA、CPU、GPU等处理器进行设备控制、重建和影像后处理，有着非常明显的优势。现在，有很多医疗设备制造商都采用专用处理器，包括DPU等芯片，进行医学影像的后处理工作。具有高速高效计算性能的GPU服务器，能够提供比CPU等计算部件快数倍的计算性能。当临床医生需要实时查看患者资料的时候，实时检查的CT和核磁共振的影像能够快速传递到电脑终端，或者通过平板电脑等传送给医生。通过GPU服务器提供的医学信息，医生可以快速得到患者的相关信息。以GPU为例，现在，越来越多的医疗器械，包括病理影像仪器、内窥镜、CT、超声波诊断设备、MRI等医疗器械都搭载了美国英伟达生产的GPU，分析处理效率得到了极大提升。特别是在一些应用之中，影像工作站和服务器需要分析高密度、高精度CT和核磁共振影像，GPU大大提高了影像工作站和服务器的计算能力。
综上所述，医疗健康领域已经成功使用了CPU、GPU、ASIC等人工智能芯片，使医疗器械更加智能化，极大地提高了医生们的工作效率和工作质量，大大方便了患者的就诊与治疗。
3.数据库建设的挑战
高质量数据获取、标注和更新是医疗人工智能企业的关键能力。我国拥有十多亿人口、上万家医院，每年产生规模巨大的医疗健康数据，其中包括医学影像数据。但是，在如此大量的医疗健康数据中，绝大部分是非结构化数据，标准化、统一化、智能化程度非常低，难以进行综合利用，对政府部门、医院、科研院所、高校等机构来说也并非有效的价值体系。
训练集合的质量和数量是决定人工智能算法的性能（performance）的主要因素之一。其中，训练数据的质量和标注的质量决定着人工智能算法的学习能力，而训练数据的数量决定人工智能算法的泛化能力。在美国英伟达不断推出高性能GPU服务器，提供更大的人工智能计算能力的前提下，高质量和大规模的医学数据就变得更加重要起来。
医疗人工智能的大发展推动健康大数据时代的来临，全球医疗数据呈现爆炸式增长的趋势。医疗健康行业的数据量非常大，建设中的三个“国家医学数据中心”的量级都在EP级别，单个患者的医疗全过程数据也达到TB级别。近年来，我国医院信息化能力大大提升，其使用电子病历的比例也大幅增加了。在医疗人工智能领域，获取和标注高质量的医学影像数据有非常大的难度，具体表现如下。
第一，医学影像数据的前处理和标注的代价巨大。
在医疗人工智能领域，医学影像数据前处理和标注的代价巨大，占据开发成本的绝大部分。
然而，在医疗人工智能算法开源的时代，医学影像数据前处理和标注的质量对医疗人工智能的性能有着举足轻重的影响。按照多中心来源的要求，医学影像数据的来源多种多样，需要进行前处理，以保证医学影像训练数据的有效性。
现有的医学影像数据主要通过人工的方式进行标注，工作量巨大，耗费大量的人力、物力和财力。
第二，医学影像数据获取的代价巨大。
由于现代医学影像技术的飞速发展，医学影像数据的产生技术也变得越来越复杂，客观上加大了医学影像数据的获取和使用难度。同时，因为医学影像数据具有私密性，医疗人工智能数据的拥有方在医学影像数据的保护方面不遗余力，这也加大了医疗人工智能研发单位获取数据的难度。
第三，我国幅员辽阔、人口众多，基层医院和研究型医院的差异巨大。为了在多种多样的场景下获得足够的灵敏度和特异性，医疗人工智能算法和软件的泛化能力面临巨大的挑战。政府、医院等各方面需要携手合作，解决获取医学影像数据代价巨大的问题。从政府层面来讲，由国家卫健委牵头的国家健康医疗大数据中心正在修建之中，预计建成以后数据储量为1000ZB。国家健康医疗大数据中心的构成方式为“一个国家中心，三个国家队”，即该中心包括中国健康医疗大数据股份有限公司、中国健康医疗大数据产业发展集团公司和中国健康医疗大数据科技发展集团公司三个主体。国家健康医疗大数据中心的数据中心包括华东数据中心、华北数据中心、东北数据中心、西南数据中心和各省市级中心，其中各省市级中心的设置地点包括宁波、山东、四川、江西、辽宁、广东、贵州、甘肃、安徽、黑龙江、云南、内蒙古、陕西。国家健康医疗大数据中心的建设将极大推动我国医疗人工智能事业的迅速发展。
4.商业模式与运营的挑战
医疗人工智能企业如何获得利润？这是社会各方面，包括政府部门、投资机构、医疗人工智能企业、医院、医疗人工智能运营机构共同关注的问题。随着医疗人工智能的不断发展，多款医疗人工智能产品已经开发出来，包括基于眼底照片的糖尿病筛查、基于薄层CT的肺部结节筛查等。这些医疗人工智能产品即将获得国家许可，其走向市场可能的商业途径主要包括两个方面：
第一，将医疗人工智能产品出售给大型运营机构，包括政府部门、投资机构、医疗人工智能企业、医院、医疗人工智能运营机构，实现盈利；第二，与第三方运营机构，包括政府部门、投资机构、医疗人工智能企业、各级医院、医疗人工智能运营机构合作，实现盈利。
5.法律与伦理的挑战
（1）成果转化周期长、难度大。
针对医疗人工智能产品的审评与注册问题，2014年2月，国家食品药品监督管理总局开辟快速通道，《创新医疗器械特别审批程序（试行）》（食药监械管〔2014〕13号）提出，对符合以下规定的创新医疗器械设置快速审批通道。
①我国原创发明
具体的准入条件是：主要工作原理/作用机制为国内首创，产品性能或者安全性与同类产品比较有根本性改进，技术上处于国际领先水平，并且具有显著的临床应用价值。
②对创新医疗器械设置拥有发明专利
具体的准入条件是：审批申请人经过其技术创新活动，在中国依法拥有产品核心技术发明专利权，或者依法通过受让取得中国的发明专利权或其使用权，或者核心技术发明专利的申请已由国务院专利行政部门公开。
③产品基本完成
具体的准入条件是：申请人已完成产品的前期研究并具有基本定型产品，研究过程真实和受控，研究数据完整和可溯源。
（2）医疗人工智能数据保护
医疗人工智能软件需要大量使用数据，包括训练数据和患者临床的数据。在美国，医疗人工智能产品需要符合《隐私法案》及HIPAA的规定。但是，我国尚未出台相关法律，医疗人工智能的数据保护工作还没有法律规定可以规范。
关于医疗人工智能软件牵涉的患者临床数据的安全保障规定，可以参考我国颁布的《网络安全法》第四十一条和第六十四条。我国颁布的《网络安全法》第四十一条规定：“网络运营者收集、使用个人信息，应当遵循合法、正当、必要的原则，公开收集、使用规则，明示收集、使用信息的目的、方式和范围，并经被收集者同意。
网络运营者不得收集与其提供的服务无关的个人信息，不得违反法律、行政法规的规定和双方的约定收集、使用个人信息，并应当依照法律、行政法规的规定和与用户的约定，处理其保存的个人信息。我国颁布的《网络安全法》第六十四条规定：“网络运营者、网络产品或者服务的提供者违反本法第二十二条第三款、第四十一条至第四十三条规定，侵害个人信息依法得到保护的权利的，由有关主管部门责令改正，能根据情节单处或者并处警告、没收违法所得、处违法所得一倍以上十倍以下罚款，没有违法所得的，处一百万元以下罚款，对直接负责的主管人员和其他直接责任人员处一万元以上十万元以下罚款；情节严重的，并能责令暂停相关业务、停业整顿、关闭网站、吊销相关业务许可证或者吊销营业执照。”
（3）法律法规滞后，监管无法可依
医疗人工智能产品的注册、使用、监管等法律法规正在制定之中，有待完善。以医疗人工智能产品的注册为例，根据我国《医疗器械注册管理办法》的规定，在中华人民共和国境内销售、使用的医疗器械，应当按照本办法的规定申请注册或者办理备案。因此，医疗人工智能产品需要办理注册和备案。为加强医疗器械产品注册工作的管理、指导和技术审评工作，国家食品药品监督管理总局制定了相应医疗人工智能产品的注册指导原则。国家卫生与健康委员会、国家发改委、工信部等机构也在积极调研、起草和制定医疗人工智能产品的使用、监管等法律法规，确保医疗人工智能造福于民。
（4）医疗人工智能的知识产权判定
在我国现有的法律体系中，医疗人工智能的知识产权还难以清晰判定。
我国的知识产权判定依据的主要法律是《著作权法实施条例》，尚没有对医疗人工智能的知识产权的判定做出详细规定，在实践操作中有相当大的难度。
四、医疗人工智能前景展望与预测分析
尽管目前人工智能在医疗健康领域还没有形成规模化、常态化的应用，而且还受到一些政策、法律和伦理等方面的限制和约束，但不可否认的是，随着人工智能研究的深入，以及医疗资源匮乏弊端的显现，医疗人工智能应用将越来越广泛和深入，其产业也将越来越成熟。
1.人工智能在医疗健康领域的应用会越来越广泛
随着医疗健康信息化的快速发展，医疗机构及各类医疗健康服务型企业会产生大量的医疗健康数据，包括医疗图像、电子病历、健康档案等，人工智能技术能够对这些医疗大数据进行语义分析和数据挖掘，并实现对部分疾病的早期预警或自动诊断。这些应用主要体现在九个细分领域，包括疾病筛查和预测、医院管理、健康管理、医学影像、电子病历/文献分析、虚拟助手、智能化医疗器械、新药发现、基因分析和解读。
疾病筛查和预测：利用人工智能技术，依据历史就医数据以及行为、医学影像、生化检测等多种结果进行综合分析和判断，或者依据某个长期形成的单一数据进行疾病预测。譬如，骨关节炎发展预测，卡内基-梅隆大学通过收集大量人群10年间的软骨MRI影像数据，并利用人工智能技术进行图像数据的学习，从而发现正常人软骨中的异常，可以预测其未来3年患有骨关节炎的概率。基于各类医疗健康大数据的采集和汇聚，类似的疾病预测将会越来越普遍，预测精度也会越来越高。
医院管理：人工智能在医院管理上的应用主要包括优化医疗资源配置、弥补医院管理漏洞和提升患者就医体验。人工智能可以部分甚至完全代替人工在医院管理和服务中的某些角色和工作，譬如，病人管理、智能导医等。
健康管理：
随着各种检测技术（如可穿戴设备、基因检测等）的发展，个人健康数据越来越多、越来越复杂，包括生物数据（如基因等）、生理数据（如血压、脉搏）、环境数据（如每天呼吸的空气）、心理状态数据、社交数据以及就诊数据（即个人的就医、用药数据等）等。这些数据汇聚在一起，利用人工智能技术进行分析，可以对潜在健康风险做出提示，并给出相应的改善策略，最终可以实现对健康的前瞻性管理。
医学影像：
目前人工智能在医学影像领域应用得较为广泛和深入。由于各种成像技术（包括直接成像或间接成像）在医疗健康领域的广泛应用，医疗诊断对影像的依赖程度越来越高。医学影像已经成为医疗诊断的重要依据。庞大的影像数据量为深度学习系统提供了数据基础。利用人工智能技术可以帮助医生对医学影像完成各种定量分析、历史图像的比较或可疑病灶的发现等，从而高效、准确地完成诊断。
电子病历/文献分析：
人工智能主要是利用机器学习和自然语言处理技术自动抓取病历中的临床变量，智能化融汇多源异构的医疗数据，结构化病历、文献生成标准化的数据库，将积压的病历自动批量转化为结构化数据库。目前电子病历/文献分析的应用场景主要有三类：病历结构化处理、多源异构数据挖掘、临床决策支持。
虚拟助手：
虚拟助手是人工智能技术在医疗健康领域最先尝试应用的领域之一，它利用人工智能技术，通过对医疗健康大数据的学习或挖掘，在“理解”用户需求的前提下，按照要求输出相关的医学知识和信息，辅助人们进行健康管理或就医问药。虚拟助手较多地应用于个人问诊、用药咨询、导诊机器人、分诊和慢性病管理、电子病历语音录入等。
智能化医疗器械：
智能化医疗器械是指现代通信与信息技术、计算机网络技术、行业技术、智能控制技术、人工智能技术在医疗器械上的应用。但智能化医疗器械不只是拥有智能功能的普通医疗器械，它可以摆脱对医生操作的依赖，通过机器学习等底层技术实现自我更新迭代。智能化医疗器械能够在两个方面大大提升医疗效率：首先，智能化医疗器械能够帮助医生节省工作量；其次，智能化医疗器械能够提高器械使用的精准度。
新药发现：
新药的开发流程可分为药物发现、临床前开发和临床开发三个部分。而现代药物发现在技术上又可以分为三个阶段：靶点的发现和确证、先导物的发现、先导物的优化。人工智能在新药研发上的应用主要有两个阶段：一个是新药发现阶段，另一个是临床试验阶段。共有7种不同应用方向。
基因分析和解读：
基因检测技术不断发展和完善，检测价格不断下降，基因检测趋向大众化发展。随着数据的不断积累，分析能力和大数据库是遗传解读和咨询的关键，信息的解读与整合成为基因相关企业的核心竞争力。人工智能便依靠其强大的数据处理能力和学习能力给基因分析和解读带来了人类不曾拥有的能力。基因检测由专业检测机构完成，结果分析交给人工智能，临床医师只需要最终结论，用这个结论去指导治疗并进行精准的健康管理。
2.医疗AI产品将正式被批准成为医疗器械
在美国，FDA（食品药品监督管理局）于2018年4月批准了世界上第一款人工智能医疗设备IDx-DR，该设备可以在没有医生帮助的情况下诊断疾病，其内置摄像头用于拍摄患者眼睛的照片，再通过算法评估该照片，确定患者是否有糖尿病视网膜病变的迹象；5月24日，Imagen公司的OsteoDetect软件也获FDA批准，该软件利用机器学习技术，分析二维X光图像，通过识别患者手腕前后和侧面X光图像判断该患者是否骨折。
11月19日，国内的乐普医疗自主研发的心电图人工智能自动分析诊断系统“AI-ECGPlatform”获得FDA注册批准，成为国内首项获得美国FDA批准的人工智能心电产品。截至目前，FDA已经批准了12个泛AI类医疗产品进入临床应用。
由于AI医疗器械初期需要大量高质量、已标注的医学数据进行模型训练和学习，而目前一方面高质量的数据因为各种原因难以获得，另一方面一些算法模型还不够准确，导致很多AI产品在实际应用中会产生误诊、错诊、漏诊等问题。
医疗健康行业事关人民身体健康，来不得半点马虎。著名的IBMWatson人工智能产品就因为错诊，开出不安全药物而不断受到质疑，美国得克萨斯大学MD安德森癌症中心这样的顶级医疗机构在投入6700万美元之后还是选择放弃该项目。
但让AI产品成为医疗器械，并让其为患者带来真正的福音的努力并没有停止。国家食品药品监督管理总局（CFDA）为了更好地规范国内发展迅速的智能辅助诊断产品，2017年9月发布了新版《医疗器械分类目录》，2018年8月1日起开始施行。该新版目录新增了与人工智能辅助诊断相对应的类别，具体为对医学影像与病理图像的分析与处理。按照最新的分类规定，若诊断软件通过算法提供诊断建议，仅有辅助诊断功能，不直接给出诊断结论，则可申报二类医疗器械，如果对病变部位进行自动识别，并提供明确诊断提示，则按照第三类医疗器械管理。2018年11月19日，国家药品监督管理局医疗器械技术审评中心发出通知，公开向境内外征集生产人工智能医疗器械产品的企业信息，这表明其开始为我国AI医疗器械审批做准备。预计最晚到2020年，我国将会出现首批基于人工智能的医疗器械产品并应用于医疗诊断服务中。
如果各医疗人工智能公司要走医院采购这条路，那么获得国家药监局认证是必经之路，如果要认证三类医疗器械，那么大量真实的临床应用数据将会为公司的申请提供巨大的帮助。为此，目前医疗器械人工智能产品第三方评测机构已经开始开展工作，包括构建智能产品评测数据库，建立智能产品评测标准和明确评测步骤等，以便为企业提供真实可靠的评测环境。
3.医疗智能化应用的监管将越来越规范和严格
由于医疗数据涉及患者本人的隐私，在道德伦理和法律层面上都属于非常敏感的问题。另外和其他领域的AI产品对比而言，医疗智能化产品及服务，尤其是诊断和治疗方面的产品和服务，对人类医生专家的决策势必会产生一定的影响，一旦出现判断失误，患者的生命健康会面临严重的威胁。
在美国，医疗器械根据其风险程度被划分为三类，其中第Ⅲ类为具有高风险的医疗器械，具体指拟用于支持或维持人类生命或预防人类健康受损，或可能导致潜在的不合理疾病或伤害风险的医疗器械。根据美国联邦法律，第Ⅲ类设备除需进行一般监管外，还需进行上市前审批（PMA）。但同时FDA也鼓励企业医疗AI产品进行更新迭代，为此它有着全新的加速审批通道。FDA局长ScottGottlieb在华盛顿举行的2018HealthDatapalooza大会上表示，在保护患者的前提下，FDA正在扩大数字医疗工具获批的机会，并积极开发新的监管框架，用新的方法来审查人工智能。
可见FDA在人工智能医疗器械方面有较多的审核方式，而国内监管部门对于利用人工智能技术提供诊断功能的审核则更为严格，《医疗器械分类目录》对医疗AI产品的界定是：若诊断软件通过其算法提供诊断建议，仅有辅助诊断功能不直接给出诊断结论，则按照二类医疗器械申报认证；如果对病变部位进行自动识别并提供明确诊断提示，则必须按照第三类医疗器械进行临床试验认证管理。此外，国家卫生和计划生育委员会于2017年2月发布的《人工智能辅助诊断技术管理规范（2017年版）》和《人工智能辅助治疗技术管理体系规范（2017年版）》还对医疗机构及其医务人员应用AI辅助诊断和治疗提出了极具操作性的要求，具体包括医疗机构的硬件设施、医务人员的资质要求以及技术管理和培训管理制度等。
未来全球仍然需要推动医疗领域相关制度的制定和完善，各个国家和地区根据自身的法律法规和道德环境，加速制定关于人工智能产品的一系列制度标准，包括产品的开发、生产、评估和定价等各个方面。作为监管部门，当下的重点是制定一套科学、合理、明确的产品分类分级标准。目前，世界各主要国家几乎都将AI辅助诊断和治疗产品作为医疗器械加以监管，AI辅助诊断和治疗产品如需上市，必须根据医疗器械的等级分类标准获得监管部门相应的许可和认证。对于高风险的AI产品，提高审核标准、严格把关，最大限度降低出现医疗事故的风险；对于低风险的AI产品，可以采用鼓励和引导的监管方式，减少认证的周期，从而加速其产品和技术的迭代和发展。此外，监管部门对相关的医疗事故责任主体、各方责任权利范围要仔细地划分，这样才能保证医疗AI产品快速稳定地被社会认可。
4.对人工智能理论和技术的研究将更加深入
人工智能技术发展迅猛，在很多研究项目上取得了一定的成果。然而，医疗卫生行业不同于其他行业，它对于实验结果的可信度、可解释性的要求还是很高的。例如，对医学影像进行基于深度学习的数据分析，尽管这类技术能够取得很高的准确率，但是模型本身属于“黑箱技术”导致其结果缺乏判断依据，人类医生和患者往往很难相信实验结果的可靠性，最后产品难以投入实际使用。另外，很多研究内容都是针对单病种或者少量病种的分类、检测，多病种任务的人工智能分析还需要算法的进一步提升，在保证模型实验精度的基础上提高其本身的泛化能力。就医疗领域的硬件设备而言，发展中国家与发达国家相比缺乏核心研发技术，创新能力十分薄弱，在人工智能的部署方面存在较大难度。
由此，针对未来的医疗人工智能，还需要进行理论技术上的推动和创新。人工智能不仅是计算机科学的前沿，还是数学、软件工程、脑神经科学等学科的新方向，其在医学领域的未来发展要计算机软硬件专家、医学专家和统计学家等的共同努力，需要进行跨学科、跨领域的通力合作。一方面，使用更为成熟的人工智能理论来提升各个系统模块的思维逻辑能力，让专家系统在尽可能复杂的环境下准确而又迅速地提供诊疗方案；另一方面，继续加强人工智能技术的实践，使其具备更强的学习、自组织、泛化及训练能力，加快从“弱人工智能”到“强人工智能”的转化。例如，在深度学习中的可解释性问题，目前已经有学者试图通过注意力机制和可视化方法对这类技术进行分析。当然，未来仍然需要科研人员进一步探究这些“黑箱技术”内部的实现原理和技术细节。返回搜狐，查看更多
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。