人工智能在医疗领域的应用建议：普惠、精准，打通“最后一公里”
02
发展人工智能医疗应用面临的问题
当前，人工智能在医疗领域的应用已取得了一些进展和突破。
较高准确率的医疗影像识别可以辅助医生进行癌症诊断；智能诊疗工具可以根据病历和症状及大量医疗数据和知识帮助医生改善诊断结果，制定个人化、精确化的治疗方案；人工智能在新药研发中的应用可以显著降低研发成本、缩短研发周期，辅助发现新药；机器人辅助手术可以提高手术的精度和成功概率；虚拟护士、可穿戴设备可以实现健康自我管理；人工智能用于医院管理，可将行政管理工作和重复性工作自动化，提高医院运行效率并优化各方面流程，为医护人员和病人节约时间；此外，人工智能还可用于预测、防控重大流行疾病，实现精准医疗，等等。
但医疗数据开放共享程度不高、人工智能医疗应用缺乏政策支持和配套法规、面临公众信任和伦理挑战、缺少复合型人才等问题，制约了人工智能技术与医疗健康产业的深度融合。
健康医疗大数据的质量和开放共享程度不高大数据是以深度学习为代表的人工智能技术的基础。发展人工智能医疗应用需要大量可以开放共享的高质量医疗数据的支撑。
虽然我国出台的《“健康中国2030”规划纲要》和《关于促进和规范健康医疗大数据应用发展的指导意见》对健康医疗大数据的开放和应用作出了部署，但当前医疗数据质量不高，开放程度仍然有限。
比如，医疗健康行业信息化程度不够，医疗数据开放的方式、质量、标准、隐私保护、使用条件等缺乏国家法规政策依据，以及卫生计生、社保、公安、民政等政府部门之间、医疗机构之间及医疗机构和社会第三方机构之间均存在不同程度的数据壁垒，导致数据重复生产、采集、归档等，阻碍了健康医疗大数据的系统性建设和开放。
此外，按照当前医疗领域政策，民营企业等第三方依然难以有效利用医疗健康数据，进行医疗健康服务创新，开发人工智能医疗产品和服务。
人工智能医疗应用领域缺乏政策支持和配套法规一方面，医疗行业历来受到政府严格监管，所以人工智能技术在医疗行业的应用和发展离不开政府的政策支持。
另一方面，与人工智能在医疗行业广泛应用形成强烈反差的是，相关的政策法规相对落后。比如，人工智能代替或辅助医生进行诊疗或手术，一旦造成医疗事故，权利义务和责任承担如何配置。智能诊疗软件的监管和认证需要创新。数据使用和算法模型中的问题，可能导致人工智能的诊疗结果影响个人权益，或者对某些群体造成歧视。
面临技术瓶颈、公众信任和伦理挑战当前，我国在人工智能基础理论、核心算法、关键设备等方面与发达国家存在较大差距，人工智能技术在医疗健康领域尚未取得大规模突破；手术机器人柔性控制模块、传感器等软硬件技术尚不成熟；深度学习决策过程的不透明性和不可解释性，可能限制其在医疗领域的大规模应用。
在公众信任方面，虽然人工智能医疗应用不断趋于成熟，但调查发现，其尚未获得公众信任，很多消费者对此存远观和怀疑态度，不愿意接受人工智能诊疗、手术等，仅希望用人工智能进行常规指数监测、心率监测、健身监测等非治疗环节。
此外还有伦理挑战，包括人工智能医疗应用研发、部署和使用的伦理规范，改变传统的医患关系，冲击医疗健康领域就业，人工智能医疗产品和服务价格加剧患者之间机会不平等。
人工智能医疗应用领域缺乏复合型人才人工智能等新技术与医疗的融合刺激了对复合型人才的需求，但当前高校的医疗教育培养模式还比较传统，与人工智能等新技术的结合不够，导致相应人才供给出现断层，输出的人才数量远不及市场需求量。而医疗健康产业的智能化转型，依赖于复合型人才的持续供给。
03
对发展人工智能医疗应用的建议
多维度建立相关政策法律体系及配套机制首先，国家层面可考虑出台战略性的引导和支持政策。人工智能与医疗健康服务的融合能够带来显著的社会经济价值，实现医疗健康产业智能化转型，保障健康中国战略的实施，为此，可以考虑出台战略性政策，明确相关研发、应用和产业发展的方向和重点并提供多种引导和支持，推动人工智能医疗产品和服务大众化，惠及每一个国民。
其次，建立健全医疗数据开放共享机制并强化信息安全和隐私保护。国家层面加快制定统一的医疗数据开放共享政策和标准，统一医疗数据互联互通标准，确保医疗数据开放的集中管理，并明确医疗数据开放的对象、方式、条件等。为健康医疗大数据的开放共享和多主体参与数据增值利用提供依据，推动电子病历和健康档案个人可携，支持医疗健康服务模式创新。此外，鉴于医疗数据的敏感性，探索制定特别法规保障医疗数据安全和个人隐私保护。
最后，探索与人工智能医疗应用相关的前瞻性法律法规，指导和引导人工智能医疗应用的发展。制定并完善人工智能参与临床医疗的评测标准。建立灵活的安全认证体系，不断优化CFDA认证流程，并出台过渡政策，完善市场准入机制。构建安全评估、追溯与保障体系，国家层面制定测评标准，建设医疗领域人工智能测试平台，提高公众信任度。探索医疗领域人工智能算法开源、透明、可解释、验证和审计标准，建立追溯体系。此外，在民事方面，确定人工智能相关医疗损害的法律责任主体，明确研发者、运营者和使用者各自的权利和义务，并探索建立人工智能医疗责任保险制度，解决受害者的赔偿问题。
支持人工智能医疗应用的技术难题、社会经济影响及伦理研究国家支持人工智能关键共性技术研发，探索解决人工智能可解释性等技术难题，推动建立国家人工智能医疗开放创新平台，降低技术研发、获取和使用门槛。支持有关人工智能系统的社会经济影响的基础性研究，形成评估、理解人工智能系统的社会经济影响的科学方法，为其在医疗领域的部署提供早期预警和依据。通过制定辅助诊断的衡量指标、规范数据的收集与分析、引入顶级专家的知识逻辑、建立垂直领域的权威标准平台等方式，防止数据带来的歧视和偏见。
此外，加强研究人工智能、基因编辑、神经技术等新技术在医疗健康领域的应用带来的算法歧视、隐私保护、个人身份、“神经权利”、医疗不平等、医患关系等伦理问题，为相应政策法律制定提供依据，确保人工智能医疗应用惠及每一个国民。
引导公众接纳新技术，消除偏见和恐惧由于夸大或不当宣传，人工智能引发了人们的恐惧，比如，人工智能可能导致普遍失业，人工智能可能超越人类智能进而可能失控并威胁人类生存。这导致了公众对人工智能新技术的敌视和消极态度。
政府应加强对公众的引导和教育，消除人们对人工智能的偏见和恐惧，帮助公众科学认识人工智能新技术，了解如何实现人工智能的益处，以及如何应对潜在的负面影响。因为公众的接纳不仅是技术推广的重要前提，而且能为人工智能医疗应用的未来发展提供良性循环。
加强复合型人才培养和医务人员再培训一方面，应加强复合型人才培养，促进跨学科的交流和互动，重点培养一批既精通人工智能技术又懂医学的复合型人才，同时加强产学研合作共建学科的人才培养新模式，鼓励高校、科研院所与企业等机构合作开展人工智能医疗应用相关学科建设，开展创新型专业人才继续教育。
另一方面，由于人工智能医疗应用需要新的知识和交互方式，以及由于医务人员的既有工作和任务可能受到影响或者发生变化，故应加强对医务人员再培训，使其能够掌握所需的新技能和新知识，适应医疗健康领域的新变化和新模式。返回搜狐，查看更多
2023年人工智能领域发展七大趋势
2022年人工智能领域发展七大趋势
有望在网络安全和智能驾驶等领域“大显身手”
人工智能已成为人类有史以来最具革命性的技术之一。“人工智能是我们作为人类正在研究的最重要的技术之一。它对人类文明的影响将比火或电更深刻”。2020年1月，谷歌公司首席执行官桑达尔·皮查伊在瑞士达沃斯世界经济论坛上接受采访时如是说。
美国《福布斯》网站在近日的报道中指出，尽管目前很难想象机器自主决策所产生的影响，但可以肯定的是，当时光的车轮到达2022年时，人工智能领域新的突破和发展将继续拓宽我们的想象边界，其将在7大领域“大显身手”。
增强人类的劳动技能
人们一直担心机器或机器人将取代人工，甚至可能使某些工种变得多余。但人们也将越来越多地发现，人类可借助机器来提升自身技能。
比如，营销部门已习惯使用工具来帮助确定哪些潜在客户更值得关注；在工程领域，人工智能工具通过提供维护预测，让人们提前知道机器何时需要维修；法律等知识型行业将越来越多地使用人工智能工具，帮助人们对不断增长的可用数据中进行分类，以找到完成特定任务所需的信息。
总而言之，在几乎每个职业领域，各种智能工具和服务正在涌现，以帮助人们更有效地完成工作。2022年人工智能与人们日常生活的联系将会变得更加紧密。
更大更好的语言建模
语言建模允许机器以人类理解的语言与人类互动，甚至可将人类自然语言转化为可运行的程序及计算机代码。
2020年中，人工智能公司OpenAI发布了第三代语言预测模型GPT—3，这是科学家们迄今创建的最先进也是最大的语言模型，由大约1750亿个“参数”组成，这些“参数”是机器用来处理语言的变量和数据点。
众所周知，OpenAI正在开发一个更强大的继任者GPT—4。尽管细节尚未得到证实，但一些人估计，它可能包含多达100万亿个参数（与人脑的突触一样多）。从理论上讲，它离创造语言以及进行人类无法区分的对话更近了一大步。而且，它在创建计算机代码方面也会变得更好。
网络安全领域的人工智能
今年1月，世界经济论坛发布《2021年全球风险格局报告》，认为网络安全风险是全世界今后将面临的一项重大风险。
随着机器越来越多地占据人们的生活，黑客和网络犯罪不可避免地成为一个更大的问题，这正是人工智能可“大展拳脚”的地方。
人工智能正在改变网络安全的游戏规则。通过分析网络流量、识别恶意应用，智能算法将在保护人类免受网络安全威胁方面发挥越来越大的作用。2022年，人工智能的最重要应用可能会出现在这一领域。人工智能或能通过从数百万份研究报告、博客和新闻报道中分析整理出威胁情报，即时洞察信息，从而大幅加快响应速度。
人工智能与元宇宙
元宇宙是一个虚拟世界，就像互联网一样，重点在于实现沉浸式体验，自从马克·扎克伯格将脸书改名为“Meta”（元宇宙的英文前缀）以来，元宇宙话题更为火热。
人工智能无疑将是元宇宙的关键。人工智能将有助于创造在线环境，让人们在元宇宙中体会宾至如归的感觉，培养他们的创作冲动。人们或许很快就会习惯与人工智能生物共享元宇宙环境，比如想要放松时，就可与人工智能打网球或玩国际象棋游戏。
低代码和无代码人工智能
2020年，低代码/无代码人工智能工具异军突起并风靡全球，从构建应用程序到面向企业的垂直人工智能解决方案等应用不一而足。这股新鲜势力有望在2022年持续发力。数据显示，低代码/无代码工具将成为科技巨头们的下一个战斗前线，这是一个总值达132亿美元的市场，预计到2025年其总值将进一步提升至455亿美元。
美国亚马逊公司2020年6月发布的Honeycode平台就是最好的证明，该平台是一种类似于电子表格界面的无代码开发环境，被称为产品经理们的“福音”。
自动驾驶交通工具
数据显示，每年有130万人死于交通事故，其中90%是人为失误造成的。人工智能将成为自动驾驶汽车、船舶和飞机的“大脑”，正在改变这些行业。
特斯拉公司表示，到2022年，其生产的汽车将拥有完全的自动驾驶能力。谷歌、苹果、通用和福特等公司也有可能在2022年宣布在自动驾驶领域的重大飞跃。
此外，由非营利的海洋研究组织ProMare及IBM共同打造的“五月花”号自动驾驶船舶（MAS）已于2020年正式起航。IBM表示，人工智能船长让MAS具备侦测、思考与决策的能力，能够扫描地平线以发觉潜在危险，并根据各种即时数据来变更路线。2022年，自动驾驶船舶技术也将更上一层楼。
创造性人工智能
在GPT—4谷歌“大脑”等新模型的加持下，人们可以期待人工智能提供更加精致、看似“自然”的创意输出。谷歌“大脑”是GoogleX实验室的一个主要研究项目，是谷歌在人工智能领域开发出的一款模拟人脑具备自我学习功能的软件。
2022年，这些创意性输出通常不是为了展示人工智能的潜力，而是为了应用于日常创作任务，如为文章和时事通讯撰写标题、设计徽标和信息图表等。创造力通常被视为一种非常人性化的技能，但人们将越来越多地看到这些能力出现在机器上。（记者刘霞）
【纠错】【责任编辑:吴咏玲】人工智能在先天性心脏病学中的应用
谢稳1,2，姚泽阳1,2，邱海龙2，徐小维2，庄建1,2
1.华南理工大学附属广东省人民医院心外科（广州510100）；2.广东省华南结构性心脏病重点实验室广东省心血管病研究所广东省人民医院广东省医学科学院心外科（广州510100）
通信作者：庄建，Email：Zhuangjian5413@tom.com
关键词：人工智能；先天性心脏病；机器学习；深度学习；神经网络
引用本文：谢稳,姚泽阳,邱海龙,徐小维,庄建.人工智能在先天性心脏病学中的应用.中国胸心血管外科临床杂志,2020,27(3):343-353.doi:10.7507/1007-4848.201911085
摘 要
人工智能属于计算机科学领域，在过去的几十年里，人工智能在医学领域展现了广泛的应用前景。但直到最近几年，随着计算机技术的进步，医生和计算机专家才真正开始发现其应用于临床的潜力，尤其是在先天性心脏病领域。当前，人工智能已成功应用于先天性心脏病的预测、智能诊断、医学图像分割和识别以及临床决策支持等领域。本文综述了人工智能在先天性心脏病学中的应用。
正 文
先天性心脏病（congenitalheartdisease，CHD）是指出生时即存在的心脏结构性缺损，是最常见的先天性心脏畸形疾病，占所有先天性畸形疾病的三分之一。文献[1]报道每1000名活产婴儿中有4.1～12.9例CHD患儿。在一项研究中，vanderLinde等[2]使用固定效应模型分析了近100年CHD的发病趋势，发现随着时间的推移CHD发病率越来越高，由1930年的1/1000例活产婴儿到近年来的9/1000例，并且不同地区的人群发病率不同。国内报道发病率由1996年的6.15/10000上升至2000年的11.40/10000，南方发病率明显高于北方，且与孕产妇保健系统和产前诊断水平密切相关[3]。研究[4-5]显示每1000名活产婴儿中6～19例可能有中度到重度先天性心脏缺陷，如果包括出生时出现的微小肌肉性室间隔缺损（ventricularspetaldefect，VSD）和其他小病变，所有类型的CHD发病率都将增加至75/1000[6]。
随着人们对心血管系统疾病的认识逐渐加深，外科技术和介入手段的快速发展，CHD患者生存率快速上升，甚至可存活至成年。过去几十年中成人先天性心脏病患者（adultcongenitalheartdisease/defect，ACHD）数量稳步上升，到2010年，ACHD占患有严重CHD患者的60%，占患有其他类型CHD患者的66%[7]，且长期生存率较低[8-9]。CHD的治疗方式主要为外科手术和导管介入手术，复杂CHD患者以外科治疗为主。心脏外科的手术治疗费用昂贵，治疗周期长，需要面临高死亡率和再次手术的风险[10]，许多家庭都难以承担。据Apfeld等[11]关于先天性缺陷患儿住院期间费用的研究显示，与其他重症患儿相比，需要外科治疗的先天性畸形疾病在美国医疗保健系统中成本过高。Russo等[12]也指出2004年美国先天性缺陷住院费用可高达26亿美元，其中剖宫产和CHD相关的住院费用约占14亿美元。同样国内也有报道，每新发CHD病例生命周期的经济负担平均是9.7万元，2003年全国新发病例的生命周期总经济负担可达28.88亿元[13-14]。先天性心脏畸形病种类型多且变异度大，其直接或间接产生的社会和家庭经济负担以及政府对于公共卫生健康管理所面临的一系列应对措施等问题，对CHD医疗健康领域的长远发展来说是一个巨大的挑战。
与此同时，人工智能（artificialintelligence，AI）技术得到了迅猛发展。一方面，在摩尔定律[15]理论支持下，计算机性能不断突破，基于高性能计算和云运算的强大能力，尤其是图形处理单元（graphicprocessingunits，GPU）的不断升级使得许多理念和算法成功实行[16]，这对机器学习应用于大量相关领域有重要推动作用。另一方面，AI作为多领域交叉学科的研究方向，在图像识别、语音分析、自动驾驶、药物合成等领域已经展现了超越人类的潜能，将极大提升上述领域的自动化和智能化水平。
AI技术的发展为心血管系统疾病诊疗的高效自动化和经济节约化提供了一个可行的方案。一方面，AI通过使用计算机的算法优化流程和决策的能力已成功被应用于智能诊疗、医学影像分析、电子健康病历的大数据管理、精准医疗、分子生物学及新药研发等方向，极大地改善了医疗环境。另一方面，AI在心血管疾病的诊治上已经展现了一定的潜力：它可以通过使用高效的算法从大量成像数据中检测和“学习”特征，帮助医师减少诊断和治疗相关错误并促进个性化医疗，从而达到指导临床实践的目的。此外，AI可以用于识别疾病特有的模式并关联新的特征，以获得具有创新性的科学见解。
本文综述了AI技术在心血管领域的相关应用，并进行了具体的分类分析。同时对文献中相关的AI技术进行了介绍。本文旨在通过对AI技术的介绍和相关工作的总结分析推动AI在心血管领域应用中的进一步发展与完善。
1 人工智能
AI是计算机科学的一个分支，旨在模拟人类的思维过程、学习能力和知识储备。AI还诞生出一些子学科，包括机器学习（machinelearning，ML）/人工神经网络（artificialneuralnetwork，ANN）、计算机视觉（computervision，CV）、自然语言处理（naturallanguageprocessing，NLP）、深度学习（deeplearning，DL）、专家系统（expertsystem）/临床决策支持系统（clinicaldecisionsupportsystem，CDSS）以及机器人学（robotics）等领域（图1）。
图1人工智能的各学科领域介绍
1.1 机器学习/人工神经网络
ML是指计算机执行预定义任务并从经验和输入中学习更多观察的过程[17-18]。1943年，Warren和Walter基于神经细胞生物过程的原理提出了神经元的M-P模型[19]，这是历史上首次提出的神经元数学模型，开创了ANN的研究时代。之后的研究陆续提出了有关神经网络的Hebb学习规则[20]，以M-P模型为基础的感知器（perceptron）[21]以及自适应线性神经网络（adaptivelinearneuron）[22]等算法，促进了ANN的研究应用和发展。ANN的设计类似于人的大脑，由许多层相互连接的数据处理器组成，这些处理器具有不同的权重，通过学习算法（例如反向传播）训练网络的权重，呈现成对的输入信号和期望的输出决策，模仿大脑依赖外部感觉刺激来学习实现特定任务的条件以反映决定目标输出或触发动作的相互依赖关系[23-24]。ANN的发展和演变使我们更接近于复制机器在人类中学习的方式，更多的是要考虑到有多种算法可以用来满足不同目标的需要。单个模型不能应用于全局，因为这样会导致次等结果，同时可能无法满足主要用户的需求。所有机器学习算法的基础都建立在预测建模的三个步骤上：数据准备、数据拟合的模型选择和模型验证。ANN可以学习的数据越多，它就能更好地通过算法结构微调整扩大其预测能力。
1.2 深度学习
DL是ML的一个分支，它能够使计算机通过层次概念来学习经验和理解世界[25]。基于ANN的知识结构和学科应用，DL将AI技术向前推进了一步。DL与传统ML的不同之处在于如何从原始数据中学习到模型表示，即表示学习（representationlearning），使用ML来发掘表示本身，而不仅仅把表示映射到输出[26]。与ANN相比，它们的主要区别在于深度神经网络具有多隐藏层的维度、多隐藏层的连接以及学习有意义的抽象输入的能力。DL的神经网络具有多个隐藏层，一个层由一组节点组成，有时称为“特征”或“单元”，这些节点通过边缘连接到更早和更深的层[27]（图2）。此种算法可以自动设计具有适合多种任务的特性，并为一个或多个特定任务自定义这些功能。事实上，DL被证明擅长在高维数据中发现复杂的结构，能够从大量数据，特别是无监督数据中提取高级、复杂的抽象和数据表示[29]，并在图像领域[30-32]、语音识别[33]、自然语言理解[34]和翻译[35]等方面拥有显著的目标检测性能。DL在医疗保健方面也取得了较大进展，包括眼底视网膜检查[36-37]、临床影像图像重建与分割[30,38]、病理图像检测与识别[39-40]、基因组学[41-42]以及电子健康病历（electronichealthrecord，EHR）管理[43-44]等相关专业领域。
图2深度神经网络简化示意图
输入信息由输入层馈送，输入层又馈入一个或多个隐藏层，这些隐藏层最终链接到输出层，输入层以逐层非线性的方式处理馈入，以预先训练（初始化）后续隐藏层中的节点，从而学习“深层结构”和可概括的表示，之后这些表示被馈入到监督层中，并使用反向传播算法对整个网络进行微调，使其朝向针对特定端到端任务而作优化的表示[28]
1.3 专家系统/临床决策支持系统
专家系统是为解决某一特定领域的复杂问题而开发的计算机应用程序，具有最高水平的人类智慧和专业知识。在神经网络发明之前，人们使用专家系统旨在利用知识系统的推理能力来解决复杂的问题。早期开发创建的专家系统被应用于医学和生物学诊断的计算机辅助系统[45]，但由于其使用传统方法（概率论[46]或流程图[47]）而存在很大的局限性。1965年斯坦福大学利用列表处理（listprocessing，LISP）语言开发并推出了第一个专家系统DENDRAL[48]，旨在确定化合物分子结构。后来又创建了基于反向链接原理的MYCIN专家系统[49]，该系统可以识别引起严重感染的各种细菌，推荐可使用的抗生素并根据患者体重调整合理的使用剂量。这两个系统的推广使专家系统在医学领域迅速发展，在这个基础上后续也有其他系统推出，如INTERNIST-I（一种计算机辅助诊断系统）[50]、CADUCEUS（一种内科诊断咨询系统）[51]和CASNET（描述疾病过程的因果关联的网络模型，主要用于青光眼的专家咨询计划）[52]等专家系统，但由于存在诸多问题而没有实现相关专业人员的常规使用[53]。优秀决策的要求分为三点：准确数据、相关知识、适当解决问题的能力。数十年来基于计算机的决策辅助工作为临床医师提供了强大的动力[54]，专家系统的领域局限性和被动性使人们意识到CDSS的重要性。CDSS的不同之处在于它是以EHR的广泛普及为基础发展而成[55]（图3），同时融合了管理科学、运筹学、控制论和行为科学等多门学科，以计算机技术、仿真技术和信息技术为手段，支持决策活动的具有智能作用的人机系统，强调人机交互也是支持CDSS与从业人员工作流程相融洽的重要维度。近年来，越来越多地将其作为实用性工具，DNN技术的革新和医疗保健的复杂性及其成本不可避免地增长，以及引入医疗保健立法手段都促进了CDSS的发展[58]。
图3CDSS的基本工作流程
CDSS分为基于知识的系统和基于非知识的系统，前者主要包括三个部分：知识库、推理引擎和通信机制[56]。知识库包含编译数据的规则和关联，这些关联和规则通常采用If-then规则运行；推理引擎使用健康记录，专业术语以及带有CDS规则的用户输入来执行决策支持逻辑；通信机制的功能是向用户界面显示警报时，接受临床医生的输入。基于非知识的CDSS是一种使用ML的人工智能形式，旨在从过去的经验中学习和/或在临床数据中找到相关模式。基于非知识的CDSS有三种算法：支持向量机、ANN和遗传算法[57]CDSS：临床决策支持系统；EHR：电子健康病历；CDS：临床决策支持
1.4 自然语言处理
NLP是AI的一个子领域，强调计算机与人类（自然）语言的交互，通过编写计算机程序来处理和分析人类书面和口头语言的能力。计算机认知程序通过应用NLP来阅读快速增量的科学文献进行医学知识的学习和储备，利用医生的笔记和处方以及医学图像以提取有意义的见解和医疗保健的相关内容，并整理各种年份的电子病历从而致力于影响医疗实践来完善EHR大数据精准而快速的管理[59]。
1.5 计算机视觉
CV是一个跨学科领域，同时也是21世纪发展速度最快的领域之一。CV涉及如何使用机器从数字图像或视频中获得高层次的认知和理解，它以人类的方式从视频或图像中获取和学习信息。与医疗领域相关的主要内容包括医学图像和病理组织切片的自动扫描识别和分析[60-61]，利用虚拟现实（virtualreality，VR）系统实现人体解剖结构的三维可视化功能从而为患者制定个性化手术方案[62]，并且能为术者提供复杂手术的模拟指导导航功能[63]，三维重建后的医学图像可通过3D打印模型用于术前手术策略规划、模拟手术的操控练习、医患之间病情沟通以及解剖指导教学资源[64-66]。
2 人工智能技术在先天性心脏病学中的应用
早期AI应用于医学主要是通过使用计算机，将几种数学技术用于辅助医学诊断的某些方面：向医生提供与数据分析和鉴别诊断相关的定量方法；在诊断测试过程的各个阶段，协助评估最佳替代行动方案；定期记录和评估个体生理规范，以更敏感地确定个体相对于疾病预防的健康趋势[67]。受限于算法模型和计算机性能的不足，早期诊断只能做到预估计算机正确诊断的后验概率，同时还要获得每种疾病的概率（即患者群体中患有每种疾病的人口比例）和给定疾病的每种症状子集的概率（即患有疾病的人也具有症状组合子集的比例）[68]。随着数据矩阵的细化，计算机诊断的准确性仍在不断提高。计算机准备数据和接受计算机以鉴别诊断形式反馈的经验对于医生的诊断效率和正确性提高也有一定的作用。
2.1 智能诊断应用
智能诊断在CHD领域主要用于心脏杂音识别诊断和产前胎儿识别诊断。产前胎儿识别诊断主要用于CHD胎儿的妊娠期快速筛查，对于CHD的疾病防控和管理具有重要社会学意义。目前智能诊断技术主要依赖于ML和DNN模型。
2.1.1 心脏杂音识别诊断
CHD部分病种的心脏杂音可辅助诊断，虽然该方法的诊断准确性不及影像学，但可作为一种初筛的手段用于推广普及至各个医院和诊所。该领域于八十年代推出专家系统[69]。基于CHD不同病种心脏杂音的特异性，已经开发出了许多心脏杂音识别的智能模型。Barschdorff使用神经网络进行心脏缺陷的语音记录并分析心音信号，从而实现类似于医生听诊心音信号后作出的主观解释[70]。神经网络的正确识别率可达70%，若进一步积累数据可以提高诊断的准确性[71]。隐马尔科夫模型（hiddenMarkovmodels，HMM）作为NLP应用程序中最常使用的统计模型，对于心脏杂音的识别，其总体分类正确率可达96%，特异度98%，该模型可快速筛选并进行特异性缺陷检测[72]。Thompson等[73]运用心脏听诊记录数据库选择病理性杂音、功能性杂音和无杂音的病例，研究基于AI的心脏杂音检测算法进行全面客观评估，加入算法确定性度量、患者年龄、心率、杂音强度、胸部记录位置和病理诊断等特征，准确率可达88%（95%CI85%～91%）。这是首次利用大型数据库进行心脏杂音检测的全面评估，高敏感度和特异性使其可成为CHD潜在有用的筛选工具，并阐述了此类技术对于临床实用性的解释。
2.1.2 产前胎儿识别诊断
利用算法模型建立的诊断识别系统，对于产前诊断也具有重要意义。产前诊断有几率筛查尚未出生但患有复杂先天性心脏缺陷的胎儿，若病情严重可以考虑及时终止妊娠。Haghpanahi等[74]设计了一种从非侵入性胎儿心电图信号中检测胎儿峰值的算法，该算法对临床遇到的各种不同形态和强度的信号都能很好地检测出胎儿QRS波的位置，可以帮助临床医生在分娩过程中做出更合适的决策方案。Yeo等[75]报道了一种利用智能导航技术对9种标准胎儿超声心动图图像进行可视化的新方法，该方法可标记包括胎儿心脏的七个解剖结构，简化了获取超声心动图视图所需的步骤，更少地依赖于操作人员，同时简化了对胎儿心脏的检查流程。通过超声智能导航检查胎儿心脏和无创胎儿心电图可以简化操作流程，使用较少的步骤即可得到需要的结果。临床医生运用ML或CV专业知识可以从不同的角度去实现此类技术，从而达到专业化诊断识别平台的目的。利用产前胎儿识别诊断技术和多中心区域化网络联合建立起CHD防控平台，有望从根源上降低CHD的发病率及患病率。在算法不断优化升级的同时，需要审核者拥有专业的基础知识并消除或规范主观偏见以避免误诊，做到客观公正、统一泛化的标准。
2.2 专家系统/临床决策支持系统
心音图（phonocardiogram）在早期应用是很多见的，其他的识别特征还有年龄、X线检查、心电图、症状以及体格检查等，利用收集的所有患者资料推导出条件概率方程以表示临床医生从临床数据作出诊断的逻辑过程，并计算出每种疾病代表任何特定患者的正确诊断概率[76]，或使用基于贝叶斯概率模型用于CHD的诊断[46,77-78]，疾病的诊断精度可与该领域经验丰富的专家相媲美。智能分类系统的设计是一个包含2500多个条目的知识库，用于描述CHD领域内的异常、治疗、并发症等，结合特定领域知识和术语的目的是为数据输入和数据收集分析提供一个有用的工具[79]。Vanisree等[80]利用MATLAB的图形用户界面特性，结合反向传播神经网络设计开发的一种用于CHD诊断的决策支持系统，其诊断精确度高达90%。Leãot等[81]使用决策树算法通过专家知识获取致力于建立一个CHD诊断研究专家系统，试图推理出医生诊断12种常见CHD的启发式规则。Fallot模型旨在解决诊断多个相互作用缺陷的难题，单一缺陷的诊断正确率表现很完美，合并缺陷的正确诊断率也能接近专家水平，此方法的分类和分析可用于其他具有复杂相互作用的诊断任务[82]。基于病例推理与神经网络相结合的诊断系统在解决新问题时，神经网络用于做出假设并指导病例推理模块搜索之前类似病例并支持其中一个假设，混合诊断系统可以解决神经网络无法以高精确度解决的问题，此系统已用于开发CHD的诊断系统[83]。对于医疗行业而言，智能风险检测是一个具有挑战性的领域，Moghimi等[84]推出了可以实时智能检测并与医疗保健环境中的决策支持相结合的CHD智能风险监测模型，模型的决策过程分为3个阶段，医生和患者父母都可以参与决策，包括手术过程和术后护理记录以及病历档案记录，所有决策结果和医疗记录都会帮助患者进行实时风险监测并辅助作出相应的临床决策。医疗保健模式的转变促进了CDSS的发展和升级，这些系统将与临床医生一起工作而非替代或转换。此外，基于计算机的EHR、互联网以及共享的决策流程和现行法规也有助于完善CDSS。临床医生也越来越多地为这些工具开发做出贡献，而不仅仅是参与用户体验。新技术包括互联网和软件的联合使用，将彻底改变未来提供决策支持的方式。
2.3 预测
近年来，诸如DL的技术正在快速发展，尤其是ML方法更加适用于临床数据结构的预测和评估。ML可以利用诊断系统比人类更快、更准确地检测疾病。Laitinen等[85]基于回归和ANN的方法通过CHD患者术前氧分压预测耗氧量，但由于CHD患者个体间生物学变异性大，进行建模以预测耗氧量较为复杂，导致不能准确预测CHD患者的术前耗氧量。此外，可预测紫绀型CHD术后患者的脑容量以评估手术对青少年患者的大脑发育和长期功能的影响[86]，或是通过预测CHD手术后运动和认知结果对风险较高的患者尽早实施干预[87]。预测不仅仅适用于临床数据，同样也可用于基因组数据。Bahado-Singh等[88]报道了人工智能结合表观基因组学首次用于CoA的预测，并取得了较高的准确率。利用基于ML方法的线性支持向量机预测修复后法洛四联症患者的心室大小和功能的恶化，从而研究心脏磁共振成像衍生的基线变量预测值，并提供识别有恶化风险患者的模型[89]。ML方法适合基于现有数据做出预测，但是对于遥远未来的精确预测往往是不可能的。因此，临床实现的最终关键一步落在了更为紧要的目标上：足够早地预测事件，利用精确、适当的干预影响医疗决策与结局。
2.4 图像智能识别和分割
卷积神经网络系统（convolutionalneuralnetworksystem，CNN）对于图像识别有出色优势，它们的容量可以通过改变深度和宽度来进行控制，并且它们也能对图像的性质做出强有力且基本正确的假设[90]，所以诸如DL之类的ML技术迅速发展。
各种成像方式为CHD患者提供诊断信息。心脏磁共振（cardiacmagneticresonance，CMR）和心脏计算机断层扫描血管造影（computedtomographyangiography，CTA）以及超声心动图（ultrasoniccardiogram，UCG）是最常用的工具。Vitanovski[91]提出了一种基于鲁棒性ML算法的分层框架来估计个性化模型参数用于自动分割胸主动脉和主要分支腔脉，主要用于主动脉缩窄（coarctationofaorta，CoA）和主动脉瓣二瓣叶畸形（bicuspidaorticvalvedefect，BAVD）的患者，基于个性化模型的精确测量有助于选择最佳治疗方案、术者决策和修复时机。在超声心动图中，ML方法已经被应用于心肌运动速度评估[92]、左心室边界分割[93]、M型和B型超声心动图中心脏参数的测量[94]、自动检测左心室边界[95]、自动识别超声心动图视图[96]以及室壁异常运动的量化[97-98]等方面。右心室分割是一个不易解决的问题，与左心室相比，右心室的分割存在许多困难，例如复杂的新月形结构、小梁化心肌的存在和相对较薄的心室壁。受到CNN强大的图像处理能力的启发[99]，研究人员提出了基于CNN的右心室分割方法。Luo等[100]提出一种利用深度CNN解决CMR中右心室分割问题的新方法，基于兴趣区域定位进行右心室心肌分割，该方法在一定程度上提高了分割精度和计算效率。Tran等[101]提出了一种基于完全CNN用于短轴CMR心脏分割的方法，可以同时处理左心室和右心室的分割问题。还可使用扩展CNN自动分割CHD心血管MR图像，该方法能够准确地分割心肌和血池而无需任何专业人员的干预[102]。许多心脏测量工具可以实现心室划分和自动分割的模式，并且它们已经提高了诊断质量，用于复杂CHD患者的潜在诊断和长期随访检查工作[103]。在心脏医学图像方面进行智能识别和分割分析的基础上，目前已经实现心脏三维结构的VR和增强现实用于CHD复杂手术的规划指导和导航功能[104-105]。VR部分的主要应用是VR系统，增强现实部分的主要应用是3D打印（又叫增材制造），二者的结合应用称为混合现实（mixedreality，MR）技术。这两个部分都非AI领域的发展学科，但借助于CV技术的强大功能可以具现出临床医生需要的虚拟或实体三维心脏解剖模型，对于先天性心脏病学具有重要意义。无论是VR系统或是3D打印，都需要心脏CTA、超声心动图或CMR的图像经过分割和重建才能具现出一个三维立体数字可视化模型，用于不同的途径（图4）。此技术作为心脏三维结构模型的基础，借助深度学习神经网络的强大功能可以实现自动化心脏图像分析[106-110]，从而实现CHD不同病种的自动化诊断功能。
图4心脏医学影像的三维建模用于VR系统或3D打印的简化示意图
a～d：心脏CTA或CMR及超声心动图的影像数据收集后，利用建模软件的智能图像识别和分割功能生成三维立体数字化模型；e：使用VR系统读取生成后的心脏图像建模数据，头戴显示器与主机连接，通过空间定位器进行感应，利用控制手柄操控虚拟空间中的三维模型；f：VR系统操作下演示1例冠状动脉瘘病例的手术部位标记；g：3D打印机和心脏三维模具打印；h：心脏3D打印模具效果演示；VR：虚拟现实；CTA：计算机断层扫描血管造影；CMR：心脏磁共振
在临床影像数据量足够的前提下，ML可以通过调整训练集和测试集的比例以学习并识别医学图像，对于复杂性和变异性高的疑难病例，图像分割技术可以帮助机器做出判断，优化机器在识别过程中的质量和速度，从而达到专业人员的判读标准。图像智能识别技术可以帮助影像从业人员快速阅读医学图像的结果，并作出正确的判读决定，同时减少从业人员的工作强度以服务于更多的患者。不同学科领域应用AI的效果和途径都有所不同，在医学方面应用AI比较成功的肺癌领域，医学成像和AI有望通过区分良性结节和恶性结节，在提高肺癌的早期发现和定性方面发挥重要作用，可以很好地改善大部分患者的预后，以降低肺癌死亡率[111]。根据研究结果显示，使用深度CNN在低剂量下胸部CT扫描发现恶性肺结节的模型曲线下面积（areaundercurve，AUC）高达94.4%，在没有CT的条件下，模型的表现优于放射科医师；而在拥有CT的条件下，模型的性能可与放射科医师相当[112]。究其原因在于肺癌的筛查基本手段是使用低剂量胸部CT进行扫描检查，可以有效降低肺癌死亡率[113-114]，并且因为低剂量的缘故对人体产生的辐射危害较小且阳性筛查率高，目前已经取代胸部X线片检查手段。而心脏CTA需要使用血管造影剂才能清晰显现出各个部分的心脏组织，因为CHD多发于儿童，需要对造影剂的剂量控制得更加精确并在最大程度上减少辐射对患儿的危害。AI在肺癌方面的成功应用值得我们借鉴学习，CHD的医工结合之路任重而道远。
３ 总结
正在进行的AI技术革命为CHD领域提供了一个积极的引导趋势，我们希望AI，包括但不限于ML以及DL，可以对医学领域的各个学科产生积极深远的影响。但为了做到这一点，需要尽快弥补AI虚拟世界与临床医学现实之间的差距，AI技术应用如此广泛，与医疗领域相互交叉形成多门学科，二者相互学习，但医学的复杂性和伦理限制需要更多的发展空间去迎合和接受AI技术的改造，我们应当抱以合理的期望和严谨的态度。未来的智能软件将占据更加主要的地位，比如更加真实且易于操作的多维VR技术，方便临床医师理解和使用，同时以科学合理的方式重复多次使用神经网络来更快更高效地做出决策，并减少相关学科操作人员的工作，使他们能够专注于自己的核心竞争力，可以将更多的时间用于照顾患者。使用AI的目的并非替代临床工作人员，二者应该通过相互学习从而促进双方共同进步，通过深度神经网络学习系统和AI相结合的强大推理能力用以改善CDSS的可靠性和稳定性。AI正在医学领域创造一个从基础研究到临床应用的转变，但仍有一些技术挑战有待解决，需要谨慎对待。数据安全和对抗性攻击等漏洞对AI技术的应用构成了潜在的威胁，在这些漏洞中，恶意操纵输入可能会导致完全的误诊，从而被用于谋取欺诈性利益等不正当行为[115]。在强调人机交互和用户反馈的同时，也要注重加入关键技术以保护用户和患者的隐私安全。为了并行AI与先天性心脏病学专业的发展进程，完善医疗行业的AI相关伦理法规和市场安全监管是非常必要的。不同于AI在肺癌方面的成功应用以及广泛普及，CHD各个病种分型数目可达上百种之多，不同中心对于不同病种的手术策略也各有异同。我们应该专注于自身的专业特性，未来的CHD方向应该是以医工结合的方式快速发展，通过各种智能识别诊断模型建立起CHD多中心区域化防治防控网络以降低发病率，使用CNN智能图像处理和分析技术实现自动化重建心脏三维可视化模型，辅助心脏外科医师制定个性化手术治疗方案和术前病情讨论及规划，同时利用各种术前术后的临床大样本数据辅助医师做出临床决策并结合患者的当前病情做出风险预估评测。AI在先天性心脏病学领域具有强大的临床诊疗价值和应用潜力。
利益冲突：无。
参考文献略。
（本文封面图片来自网络，如侵删）
人工智能技术在医药研发中的应用
鉴于人工智能技术在医药领域内得到越来越多的关注，以及在未来新药研发的重要位置，有必要对目前的研究及应用现状进行归纳总结。本文首先概述人工智能的主要方法，论述人工智能的特点，综述人工智能在医药研发各专业领域中的应用情况，讨论国内外实践经验，归纳人工智能应用的关键问题，最后提出建议并总结。
1
人工智能概述
1．1人工智能的主要应用领域
人工智能的主要应用领域包括机器学习、进化计算、图像识别、自然语言处理、认知计算等。除此之外，其他领域仍在持续性发展中。目前机器学习的主流研究方向也是人工智能的重要应用领域，机器学习可以通过计算获得经验来提高系统本身的性能。机器学习可以分为传统机器学习和高级机器学习，传统机器学习包括无监督学习和有监督学习等，高级机器学习则包括深度学习、强化学习和迁移学习等［9－11］。
1．2人工智能的主要发展过程与自身特点
自从1956年人工智能诞生以来，它经历了从高潮到低潮的各个阶段。最近的低潮发生在1992年，当时日本的第五代计算机并未取得成功，其后人工神经网络热潮在20世纪90年代初退烧，人工智能领域再次进入低潮期。直到2006年，GeoffreyHinton提出了深度学习的概念并改进了模型训练方法，突破了神经网络的长期发展瓶颈，人工智能的发展迎来新一轮浪潮。此后，国内外众多知名大学和知名IT企业开展了深度学习、强化学习、迁徙学习等一系列新技术的课题研究。同时，智能医疗、智能交通、智能制造等社会发展的新需求驱动人工智能发展进入了一个新阶段。
人工智能基于先进的机器学习、大数据和云计算，在感知智能、计算智能和认知智能方面具有强大的处理能力。它以更高水平接近人的智能形态存在，主要特点包括:①从人工知识表达到大数据驱动的知识学习技术。②从多媒体数据的子类处理到跨媒体交互。③从追求智能机器到高层人机协作。④从关注个人智能到基于网络的群体智能。⑤从拟人机器人到更广泛的智能自我处理系统。
内容由凡默谷小编查阅文献选取，排版与编辑为原创。如转载，请尊重劳动成果，注明来源于凡默谷公众号。
2
人工智能在医药研发领域的应用现状
本文为全面了解目前研究现状以及关注热点，借鉴杨超凡等［12］的方法，通过Scrapy(爬虫)，在百度学术以“artificialintelligenceanddrugdiscovery/research”为关键词进行英文文献搜索，得到共361篇英文文献，爬取到了每一篇文献中摘要、关键词、研究点分析以及发表时间。在进行文献搜集时只搜集了英文文献，因为一方面，人工智能在药物研发领域国外研究起步较早且研究体系相对成熟，形成对比的是国内在该方面领域研究较少;另一方面，本文要爬取信息并对文本进行分词处理，英文由标点符号、空格、单词组成，所以只用根据空格和标点符号便可将词语分开，进行处理时更为便捷和精确。
作为抽象信息的视觉表达手段，信息可视化可用于文档处理和数据挖掘。本文主要使用Python的Pandas数据分析软件包进行文献的可视化处理和可视化分析，为了符合科学的测量原理，使研究结论更加具有时间敏感性，首先需要进行数据清理。为了更形象、更直观地展现出人工智能在医药研发方面的发展趋势，将对本文年度发表文章数使用Matplotlib绘图库进行绘图分析。通过数据清洗后，分析年度相关发表论文量与发表文章数量趋势，见图1和图2。
通过以上可视化分析，可以清楚了解到人工智能在医药研发方面的研究发展趋势，与上文分析人工智能发展趋势基本一致，同时也能发现近5年人工智能在医药研发方面研究趋于减少乃至于停滞，亟须整个行业进一步投入以及寻找发展新活力。为了确认人工智能在医药研发重点应用领域，利用Python对爬取到的数据中关键词、摘要、研究点分析进行了系统的词频统计，见表1。
从上述表1关键词频可以直观看到，关键词词频数越大，说明该主题在人工智能医药研发方面中的关注度越高，研究越热。高频词中机器学习(MachineLearning)、药物研发(DrugDiscovery)、医疗保健(HealthCare)、数据库(Databases)、数据挖掘(Datamining)、数据分析(DataAnalysis)、数据可视化(DataVisualization)、数据交流(DataCommunication)、归纳逻辑编程(Inductivelogicprogramming)、癌症(Cancer)、神经网络(NeuralNetworks)、药物制剂(PharmaceuticalPreparations)、计算机科学(Computerscience)、医药制造业(PharmaceuticalIndustry)由于研究内容过于宽泛抑或与在医药研发方面的研究相关性不足所以被剔除。通过词频分析、清洗无关研究领域的词汇、综合近义词汇后最终确定了7个频次靠前的人工智能在医药研发重点研究领域:靶点药物研发(DrugTargetsDevelopment)、药物挖掘(DrugMining)、化合物筛选(CompoundScreening)、预测ADMET性质(PredicationofADMETProperties)、药物晶型预测(CrystalStructurePrediction)、病理生物学研究(Pathophysiology)、药物重定位/药物再利用(DrugＲepurposing)。人工智能的主要应用领域包括机器学习、进化计算、图像识别、自然语言处理、认知计算，7个频次靠前的人工智能在医药研发重点研究领域在这5个主要应用领域各有涉及，具体关系如图3所示。
2．1人工智能技术在医药研发的应用现状概述
2．1．1靶点药物研发
研究和开发新药的关键是寻找、确定和制备药物筛选目标分子药物靶点。靶点药物是指药物在体内的结合位点，包括生物大分子，比如基因座、受体、酶、离子通道和核酸等，而识别新的有效的药物靶点是新药开发的重中之重，因此发现和验证大量分子靶标所涉及的工作极大增加了药物开发的负担［13］。利用机器学习算法可以组合设计并评估编码的深层知识，从而可以完全应用于旧时的单目标药物发现项目［14］。研究人员首先研究了靶点选择性结合均衡小分子的可能性来确定那些最易于化学处理的靶点，对于双特异性小分子，设计过程类似于单一目标药物。关键的区别在于功效必须同时满足2个不同的目标。初创公司Exscientia是AI公司这方面的典型代表，Exscientia针对这些靶点药物通过AI药物研发平台为GSK公司的10个疾病靶点开发创新小分子药物，来发现临床候选药物［15］。Exscientia系统可以从每个设计周期的现有数据资源和实验数据中学习，这些原理近似于人类自我学习的过程，但AI在识别多种微妙和复杂的变化以平衡药效方面更具效率。Exscientia首席执行官霍普金斯表示，其人工智能系统已经可以用传统方法的1/4时间和成本得到新的候选药物［16］。目前，公司已与众多国际知名制药公司建立了战略合作关系，如Merck公司、Sunovion公司、Sanof公司、Evotec公司、强生公司。
2．1．2药物挖掘
医学、物理学或材料科学领域的专业论文非常广泛，但这些专业论文中有大量独立的专业知识和研究结果，快速且有针对性地组织和连接这些知识和发现的能力对于药物挖掘是极其重要的。使用人工智能可以从大量的科学论文、专利、临床试验信息和非结构化信息中生成有用的信息。通过自然语言处理算法的深度学习优化，分析和理解上下文信息，然后进一步学习、探索、创建和翻译它所学到的知识以产生独特结论。该技术通过寻找可能遗漏的连接使以前不可能的科学发现成为可能:可以自动提取药学与医学知识，找出相关关系并提出相应的候选药物，进一步筛选对某些疾病有效的分子结构，使科学家们能够更有效地开发新药。2016年BenevolentAI公司曾通过人工智能算法在1周内确定了5种假造药物，用于治疗肌萎缩侧索硬化。BenevolentAI使用AI算法建模来确认化合物对睡眠的潜在影响，这是解决帕金森病相关嗜睡症状的一大机会。该公司目前的药物研发产品组合表明，它可以将早期药物研发的时间缩短4年，并有可能在整个药物研发过程中将药物研发的平均效率提高60%［17］。
2．1．3化合物筛选
化合物筛选是指通过标准化实验方法从大量化合物或新化合物中选择对特定靶标具有较高活性的化合物方法，这样通常需要很长的时间和较多的成本，因为要从数万种化合物分子中选择与活性指数相匹配的化合物。Atomwise是硅谷的一家人工智能公司，开发了人工智能分子筛选(AIMS)项目，该项目计划通过分析每种疾病的数百万种化合物来加速拯救生命药物的开发。同时，该公司开发了基于卷积神经网络的AtomNet系统，该系统已经学习了大量的化学知识和研究数据。该系统分析化合物的构效关系，确定药物化学中的基本模块，并用于新药发现和新药风险评估。目前，AtomNet系统已经掌握了很多化学知识和研究资料，2015年AtomNet只用1周时间已经可以模拟2种有希望用于埃博拉病毒治疗的化合物［18］。
2．1．4预测ADMET性质
ADMET性质是衡量化合物成药性最重要的参考指标［19－20］，化合物ADMET预测是当代药物设计和药物筛选中十分重要的方法。药物的早期ADMET特性主要使用人或人源化组织功能蛋白作为药物靶点，体外研究技术结合计算机模拟研究药物与体内生物物理和生物化学屏障因子之间的相互作用。为了进一步提高ADMET性质预测的准确性，部分企业通过深度神经网络算法探索了结构特征(包括处理小分子和蛋白质结构)的有效提取，加快了药物的早期检测和筛选过程，并大大减少了研发投入和风险。典型的公司包括晶泰科技等［21］。
2．1．5药物晶型预测
多晶型现象是一种物质可以存在于2种或更多种不同晶体结构中的现象，对于化学药物，几乎所有固体药物都具有多态性。由于晶型的变化可以改变固体化学药物的许多物理性质和化学性质，因此存在几种由于晶型问题而导致上市失败的药物，因此，晶型预测在制药工业中具有重要意义。使用人工智能有效地动态配置药物晶型可以完全预测小分子药物的所有可能的晶型，与传统的药物晶型研发相比，制药公司不必担心缺少重要的晶型。此外，晶型预测技术大大缩短了晶体的发展周期，更有效地选择了合适的药物晶型，缩短了开发周期并且降低了成本［22］。
2．1．6病理生物学研究
病理生物学是一门研究疾病发生、发展和结果的规律和机制的科学。它是传播临床医学和基础医学的“桥梁”学科。病理生物学研究是医学研究和发展的基础。肌萎缩侧索硬化症(ALS，也称为渐冻症)是一种毁灭性的神经退行性疾病，确切的发病机制尚不清楚。ALS的突出病理特征是一些ＲNA结合蛋白(ＲBPs)在ALS中发生突变或异常分布。人类基因组中至少有1542个ＲBPs，并且仅发现了与ALS相关的17个ＲBPs。IBMWatson是认知计算系统和技术平台的杰出代表。IBMWatson基于相关文献中的广泛学习，构建模型以预测ＲBPs和ALS相关性。2013—2017年Watson对引起突变的4个ＲBPs进行了高度评价，证明了该模型的有效性，然后Watson筛选了基因组中的所有ＲBPs，成功鉴定了5个ALS中发生变化的新ＲBPs［23］。
2．1．7药物重定位
多年来，研究人员逐渐认识到，提高疗效的最佳策略是基于现有药物治疗某些疾病，发现新的适应证并用于治疗另一种疾病。Visanji博士与IBMWatsonforDrugDiscovery合作，使用Watson强大的文献阅读和认知推理技巧，在几分钟内筛选出3500种药物，并按最佳匹配顺序排列。然后研究人员根据这个“药物排名表”提出了6种候选药物，并在实验室进行了测试。第一种药物(已经得到FDA批准，但该适应证不包括帕金森病)已经在动物实验中初步验证［24］。
2．2人工智能技术
在医药研发方面国内发展现状我国在这方面起步相比于国外较晚，2015年百度公司和北京协和医院开展了癌症研究，结合北京协和医院医学研究优势与百度大数据、人工智能技术，找到了一个重要标志物用于早期诊断与中国大样本密切相关的食管癌，为食管癌提供早期筛查和诊断，为食管癌药物的开发提供靶标，这是中国医学研究和发展领域的重要一步［25］，这是我国人工智能在医药研发领域迈出的重要一步。
目前国内相关研究企业数量较少，仍处于起步状态。比较著名的企业有晶泰科技和深度智耀及冰州石生物技术公司。晶泰科技是谷歌与腾讯两大科技巨头共同投资的第一家人工智能公司，它也是中国第一家宣布与世界顶级制药公司进行战略合作的人工智能药物算法公司。该公司在过去严重依赖于实验和误差的一些药物研发步骤上使用药物晶型预测，以极其准确和快速的算法预测结果，帮助制药公司提高研发效率，最后加速药物开发。深度智耀是以人工智能为基础的药物研发和决策平台，以“决策大脑”为核心产品，同时公司已推出10款产品，并于近日发布了新一代人工智能药物合成系统，该系统通过大量学习公共专利和论文数据库，大大提高了科学家的工作效率［26－27］。
另外，深度智耀还推出智能化医学写作，是在自然语言处理等助力下，自动写作绝大多数药物注册类文档。冰洲石生物科技(AccutarBiotech)利用人工智能针对生物药进行药物筛选，已经利用人工智能平台进行了药物设计，其中一款药物针对乳腺癌，适用于乳腺癌常用药物tamoxifen后3～5年复发的患者，已经经过了细胞验证和初步小鼠动物实验，正在美国申请相关专利，并计划推进新药临床研究申请。
但人工智能在我国医药研发方面仍存在部分难点:
其一人才支持是一大问题，全世界大约有22000名具有博士或以上学历的人工智能从业者和研究人员，而在中国只有约600名。另外，国内人工智能人才几乎被几家主要的龙头企业所垄断。数据显示，未来中国人工智能人才缺口高达500万［28］。人才集中是任何行业进一步发展的重要基础，也是人工智能在医药行业应用的关键因素。
目前，人工智能与药学的融合提升了对人才的需求。目前，高校培训与市场需求存在差距，产出人才远远少于市场需求。国家要重视复合型人才的培养，注重培养综合人工智能理论、方法、技术、产品和应用的垂直复合型人才，以及掌握经济、社会、管理、药学的复合型人才。当地政府也需要进一步加强产学研合作，鼓励高校、科研院所和企业合作开展人工智能学科建设，开展创新型专业人才的继续教育，建立公平合理的人才评估机制。
其二，国内创新药研发起步较晚，与国外相比，对于优质数据的积累还有一定距离。但利好消息是某些国内企业比如晶泰科技，在数据积累上颇为优秀。晶泰科技的数据来源是公共数据和私有数据结合，这其中包括晶泰科技在国内外工业、学术界的合作伙伴的积累。同时，晶泰科技通过量化计算算法也可以自行生成大量高质量的数据，这是其一大优势。总体大环境上，中国的医药大数据存在数据不完整、数据质量低、数据共享水平低等问题，医药数据的数量和质量将成为制药行业人工智能发展的主要障碍。
制药行业的专业门槛很高，而且链条很长。此外，中国长期的“多头管理”制度也是导致国内药品数据极度分散的重要原因。此外，医药领域的监管政策和体制改革也很频繁，使得获得连接历史药物数据变得困难。这些都会导致医药数据统计在完整度和精准度上的不足，从而影响相关决策。因此，国家应该在原有的标准管理体系框架内，加强信息和标准的整合，加强国家、行业现有相关标准的普及推广，并出台一系列激励和惩罚措施来推动标准的应用和落地。建立一套有效、完备、真实可靠的数据评估体系，进一步提升数据质量。同时应该加快完善数据共享开放机制，发挥数据应用价值，为人工智能在医药行业应用提供有质有量的数据支撑。
其三，与当前人工智能在医药领域发展火热形成鲜明对比的是政策法规的制定相对滞后。国内目前尚未有人工智能在医药研发方面的立法，但它已经受到学术界和医药行业的关注。2018年1月6日，第一届全国“人工智慧与未来法治”研讨会在西北政法大学举行。
参会者认为，未来人工智能将不能单独提出提供人性化的法律服务，仍然需要人们完成一些辅助工作。展望未来，人工智能法律建设将涉及人格权、知识产权、财产权、侵权责任认定、法律主体地位等方面［29］。目前，人工智能创作的知识产权归属问题、人工智能研发人员法律权利和义务定义问题、人工智能可能需要监管等，都没有明确的法律法规规定［30］。缺乏法律支撑的人工智能在医药行业的前景并不明朗。为了解决以上问题，国家应该加强人工智能知识产权保护，当前许多应用由医院、科研院所、人工智能企业等多方联合开发，最终知识产权归属需要进行明确。另外，建立追溯体系，保证算法的透明，使人工智能的行为及决策全程处于监管之下，明确研发者、运营者和使用者各自的权利和义务是重中之重。
3
人工智能在医药研发中的应用总结
由大数据支撑的广泛互联、高度智能、开放互动和可持续发展的医药产业，是未来发展的趋势，借助人工智能技术推动医药产业发展具有重要意义。虽然人工智能技术在医药产业各专业领域已有较多的应用研究，但总体上还停留在初级研究阶段，在可靠性与准确性方面仍存在部分问题，离实际广泛应用尚有差距。但是，人工智能技术为医药研发带来了无限可能，还需众多医药产业相关人员与政府能够紧抓历史机遇，积极投入，深入开展相关研究工作。
参考文献
详见中国新药杂志2020年第29卷第17期
免责声明
我们尊重原创作品。选取的文章已明确注明来源和作者，版权归原作者所有，如涉及侵权或其他问题，请联系我们进行删除。
内容由凡默谷小编查阅文献选取，排版与编辑为原创。如转载，请尊重劳动成果，注明来源于凡默谷公众号。返回搜狐，查看更多
人工智能在医疗领域的5大应用
原标题：人工智能在医疗领域的5大应用来源：智能前沿技术
随着AI+医疗的进一步融合、深入，政策和资金层面的大规模投入，AI辅助技术也在多个医疗细分领域提供了帮助。未来，基于大数据的深度学习将改变医疗行业，对疾病提供更快速、准确的诊断和治疗，将变得不再可怕。本文引用地址：http://www.eepw.com.cn/article/202002/409991.htm人工智能在医疗领域的应用，意味着全世界的人都能得到更为普惠的医疗救助，获得更好的诊断、更安全的微创手术、更短的等待时间和更低的感染率，并且还能提高每个人的长期存活率。从医疗行业发展状况和人工智能的特点优势来看，可以预想，未来人工智能在医疗领域将在至少以下5个方面影响我们的生活。1、智能诊疗智能诊疗就是将人工智能技术应用于疾病诊疗中，计算机可以帮助医生进行病理，体检报告等的统计，通过大数据和深度挖掘等技术，对病人的医疗数据进行分析和挖掘，自动识别病人的临床变量和指标。计算机通过“学习”相关的专业知识，模拟医生的思维和诊断推理，从而给出可靠诊断和治疗方案。智能诊疗是人工智能在医疗领域最重要、也最核心的应用场景。2、医学影像智能识别传统医疗场景中，培养出优秀的医学影像专业医生，所用时间长，投入成本大。另外，人工读片时主观性太大，信息利用不足，在判断过程中容易出现误判。有研究统计，医疗数据中有超过90%的数据来自于医学影像，但是影像诊断过于依赖人的主观意识，容易发生误判。AI通过大量学习医学影像，可以帮助医生进行病灶区域定位，减少漏诊误诊问题。3、医疗机器人机器人在医疗领域的应用非常广泛，比如智能假肢、外骨骼和辅助设备等技术修复人类受损身体，医疗保健机器人辅助医护人员的工作等。目前，关于机器人在医疗界中的应用的研究主要集中在外科手术机器人、康复机器人、护理机器人和服务机器人方面。国内医疗机器人领域也经历了快速发展，进入了市场应用。4、药物智能研发依托数百万患者的大数据信息，人工智能系统可以快速、准确的挖掘和筛选出适合的药物。通过计算机模拟，人工智能可以对药物活性、安全性和副作用进行预测，找出与疾病匹配的最佳药物。这一技术将会缩短药物研发周期、降低新药成本并且提高新药的研发成功率。5、智能健康管理根据人工智能而建造的智能设备可以监测到人们的一些基本身体特征，如饮食、身体健康指数、睡眠等。对身体素质进行简单的评估，提供个性的健康管理方案，及时识别疾病发生的风险，提醒用户注意自己的身体健康安全。目前人工智能在健康管理方面的应用主要在风险识别、虚拟护士、精神健康、在线问诊、健康干预以及基于精准医学的健康管理。