2023年人工智能医疗市场发展现状分析 医疗机器人迅速发展【组图】
当前位置：前瞻产业研究院»经济学人»研究员专栏2020年人工智能医疗市场发展现状分析医疗机器人迅速发展【组图】UVc分享到：肖丽洒•2020-09-2515:00:28来源：前瞻产业研究院E11095G0中国互联网+康复医疗行业商业模式创新与投资机会深度研究报告近年来，在数字经济不断推进的大背景下，人工智能发展迅速，并与多种应用场景深度融合，逐渐成为推动经济创新发展的重要技术，医疗作为社会经济和人民生活最密切的场景之一，人工智能与医疗应用场景之间的联系愈发紧密，人工智能医疗越来越受重视。目前，我国人工智能医疗处于成长期，投融资市场发展迅速，项目以A轮和天使轮为主。医疗机器人作为人工智能医疗主要细分应用领域之一，2019年市场规模达43.2亿元，其中康复机器人、手术机器人、辅助机器人和医疗服务机器人占比分别为47%、17%、23%和13%。
政策“自上而下”持续传导发酵，重点发展诊断辅助和疾病预防
我国人工智能医疗政策的发展呈现出“由上到下”的特点，即从国家宏观层面出台指导性文件和发展规划，为人工智能研发和应用提出指导路线，各地政府根据中央指导意见出台相关执行文件，在工信部印发的《促进新一代人工智能产业发展三年行动计划(2018-2020年)》中提出在医疗影像、智能服务机器人等细分行业的发展目标，明确发展方向。由于人工智能发展水平的限制，我国目前人工智能医疗的重点发展方向与国外基本一致，集中于诊断辅助和疾病预防等方面。
行业处于成长期，资本热度高
近年来，我国人工智能医疗领域投融资项目数量增长较快，热度提升明显，且大部分企业融资轮次较为靠前，整个行业处于成长期。根据鲸准数据库，截至2020年6月30日，共收录349个人工智能医疗相关项目。其中，A轮项目126个，天使轮项目103个，B轮和C轮项目共50个，而E轮及以后的项目共2个。
从投资案例看，2012-2020年上半年，我国人工智能医疗领域股权投资热度呈现先增后降趋势，其中股权投资热度较高的年份为2016年、2017年和2018年。2019年，受到资本寒冬影响，人工智能医疗领域投资热度有所回落，投资案例数下滑至52起，投资金额为15.46亿元。2020年上半年，由于新冠疫情的影响，投资案例数量依然处于低位，未有明显回升，上半年投资数量为14起，投资金额为9.17亿元。
人工智能+医疗机器人发展迅速，康复机器人占比最高
医疗机器人为人工智能医疗主要应用场景之一。随着人口老龄化加剧，医疗机器人的应用需求逐渐增加，多种不同功能的医疗机器人均已得到应用。从市场规模来看，当前我国医疗机器人装机分布主要集中在三级甲等综合性医院及部分公立医院，市场普及率处在较低水平，市场规模仅占全球医疗机器人市场规模的5%左右。根据中国电子学会的统计，2019年我国服务机器人市场规模约为153亿元，其中医疗机器人43.2亿元，占服务机器人市场规模的28.2%。
根据国际机器人联合会(IFR)分类，医疗机器人具体可分为手术机器人、康复机器人、辅助机器人以及医疗服务机器人四大类。从市场结构来看，2019年康复机器人占比最高，为47%;手术机器人占比为17%;辅助机器人占比为23%;医疗服务机器人占比为13%。
以上数据来源于前瞻产业研究院《中国互联网+康复医疗行业商业模式创新与投资机会深度研究报告》，同时前瞻产业研究院提供产业大数据、产业规划、产业申报、产业园区规划、产业招商引资等解决方案。
更多深度行业分析尽在【前瞻经济学人APP】，还可以与500+经济学家/资深行业研究员交流互动。
前瞻产业研究院-深度报告REPORTS中国互联网+康复医疗行业商业模式创新与投资机会深度研究报告目前，互联网+康复医疗行业的竞争，已经进入商业模式竞争阶段。无论是互联网巨头在互联网+康复医疗领域的投资布局，上市康复医疗企业的互联网转型，还是创业公司在互联网...
查看详情
本文来源前瞻产业研究院，内容仅代表作者个人观点，本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：service@qianzhan.com）品牌合作与广告投放请联系：0755-33015062或hezuo@qianzhan.com在招股说明书、公司年度报告等任何公开信息披露中引用本篇文章内容，需要获取前瞻产业研究院的正规授权。如有IPO业务合作需求请直接联系前瞻产业研究院IPO团队，联系方式：400-068-7188。
p43q0我要投稿
UVc分享：标签：康复医疗发展现状康复医疗趋势分析康复医疗行业医疗行业机器人行业人工智能行业品牌、内容合作请点这里：寻求合作››
产业规划
园区规划
产业招商
可行性研究
碳中和
市场调研
IPO咨询
前瞻经济学人专注于中国各行业市场分析、未来发展趋势等。扫一扫立即关注。前瞻产业研究院中国产业咨询领导者，专业提供产业规划、产业申报、产业升级转型、产业园区规划、可行性报告等领域解决方案，扫一扫关注。相关阅读RELEVANT重磅！2022年中国及31省市外骨骼机器人行业政策汇总及解读（全）康复医疗为主要应用领域
2023年全球医疗机器人行业市场现状分析：市场规模超百亿美元销量超万台【组图】
重磅！2023年中国及31省市医疗机器人行业政策汇总及解读（全）：引导智能化发展攻克关键技术
预见2023：《2023年中国医疗机器人行业全景图谱》(附市场现状、竞争格局和发展趋势等)
【最全】2023年中国医疗机器人行业上市公司全方位对比(附业务布局汇总、业绩对比、业务规划等)
2023年中国医疗机器人行业市场现状分析：注册备案活跃主要集中在康复机器人【组图】
2023年中国远程医疗行业市场现状及发展前景分析 未来五年市场规模将突破800亿元
1、2020年5G助力中国远程医疗进入发展新阶段开拓应用新场景
我国的远程医疗开始相对较晚，1988年，解放军总医院通过卫星与德国一家医院进行的神经外科远程病例讨论，是我国首次现代意义上的远程医疗活动。随着计算机技术、通讯技术、数字化医疗设备技术、医院信息化管理技术等一系列远程医疗核心技术的发展，我国远程医疗高速发展。
2020年初，新冠疫情爆发期间，我国远程医疗在5G技术的支持下，得到更加广泛的应用和发展：中兴通讯与四川电信助力四川大学华西医院与成都市公共卫生临床医疗中心首次实现两例新型冠状病毒肺炎5G远程会诊;
5G远程医疗小推车在武汉火神山医院启用;中国移动在一些地方推出了“5G红外热成像测温”应用，实现对多人同时扫描测体温等。
我国远程医疗经过多年的发展，已经形成了远程预约挂号、远程咨询、远程会诊、远程医学教育、远程协助等几种应用场景。5G技术带动之下，远程医疗应用场景得到新的拓展。
2、利好政策推动我国远程医疗建设
近年来，国家在远程医疗方面不断的出台相关政策，从2009年的《关于深化医药卫生体制改革的意见》到2018年4月的《国务院办公厅关于促进“互联网+医疗健康”发展的意见》，可以看出我国政府对远程医疗事业的重视。其中《国务院办公厅关于促进“互联网+医疗健康”发展的意见》明确提出鼓励医疗联合体向基层提供远程会诊、远程心电诊断、远程影像诊断等服务。
3、2025年中国远程医疗行业市场规模突破800亿元
在国家政策推动下，我国远程医疗市场规模出现明显增长。2018年，我国远程医疗(包括远程患者监测、视频会议、在线咨询、个人医疗护理装置、无线访问电子病例和处方等)市场规模达到114.5亿元，前瞻初步估计2019年市场规模约155亿元。
受2020年新冠疫情影响，远程会诊咨询需求进一步扩大。2020年，1月31日晚，武汉火神山医院首个“远程会诊平台”调试成功。此外，疫情加速“互联网+医疗”发展，2020年2月上海市徐汇区中心医院贯众互联网医院挂牌成功，成为上海市首家获得互联网医院牌照的公立医院。“云挂号”“云咨询”“云问诊”加上“云处方”“云配药”，整个医环节被全部打通，开启人们全新的就医模式体验。
以上数据来源及分析请参考于前瞻产业研究院《中国远程医疗行业市场前瞻与投资战略规划分析报告》，同时前瞻产业研究院提供产业大数据、产业规划、产业申报、产业园区规划、产业招商引资等解决方案。
5G在智慧医疗领域的应用与发展
图15G智慧医疗技术架构
3.1感知层
由智慧医疗体系中不同应用场景的各种传感器、仪器、终端和车辆等组成，针对不同医疗场景及监测对象的需求，对相关数据和信息进行采集。随着AIoT、5G的快速发展和对感知层的融合，感知层相关传感装置和终端设备在计算能力、传输能力方面有显著提升，感知层具备更强大的边缘计算能力和传输能力，不仅具备对数据、信息的持续、快速的采集能力，还具备更强大的实时数据分析和业务处理能力，典型代表产品有无线医疗设备、医用机器人、医护类手持终端设备等。
3.2传输层（网络层）
在实现智慧医疗体系中，不同应用场景的各种传感器、终端设备等所获取的数据向平台层的传输。传输层因为应用场景差异较大，分为室内、室外、高速运动过程及中低速运动过程等，各种通信技术对应不同的应用场景和需求。随着5G的快速发展，以5G技术为基础，为智慧医疗提供了高速、高可靠、低时延、安全稳定的接入网络，实现了智慧医疗不同应用场景的信息交互和传输。
3.3平台层
随着5G网络的商用，5G网络重点应用的紧急救援、省际病患运输、远程诊疗等场景将产生海量数据，平台层对数据的承载、存储、分析面临很大的压力，数据中台的作用变得更加重要。数据中台将成为医院实现数字化转型的重要基础，核心是打破医院内部的组织壁垒和信息孤岛，构建面向医院运营、管理的数据平台，重构医院的信息化结构体系和业务架构。通过多源数据的采集、汇总能力的构建、医院数据仓库体系的建设、基于医院不同科室业务特征的数据建模能力、数据分析能力以及数据可视化能力等，构成医院的数据中台，为智慧医院业务中台的运营提供可靠、稳定的数据支撑。
3.4应用层
AIoT+5G与智慧医疗结合后，实现多样化、定制化、人性化服务的集中体现。根据5G的三大业务特征及切片网络、大规模MIMO等技术特点可支撑不同的应用场景，例如紧急救援、远程手术、医疗设备监管等。
3.5安全建设
5G时代，网络组网架构变得更加灵活、功能更加开放、业务应用极大丰富，催生了智慧医疗的诸多场景。随着医院内外无线网络的全面覆盖，连接网络的场景关联到了越来越多的仪器设备，数据流量也千倍增长。但随之而来的问题是，各种联网设备种类越来越杂，网络基础设施下沉分散，边缘不可靠的环境导致外部攻击和入侵更为容易，打破原有电信网络能力封闭的特点，开放端口也成为数据泄露的脆弱点。
医院的网络体系分为外网和内网两部分，外网主要由Web端门户、APP、微信公众号等组成，内网由医院HIS系统、PACS、RIS和办公等业务系统组成，为了安全起见，两部分物理隔离或通过网闸进行连接。因为移动智能设备会带来医疗信息泄露风险，这就需要建立多重安全防御机制，并结合主动防御体系形成医院信息安全的最后防线，包括主机微隔离、端设备的管控、防止对Web端的后门入侵以及通过锁定运行环境防护智能设备等手段来保障智慧医院的信息安全和数据安全。
45G技术在智慧医疗领域的应用场景
在医疗健康领域，5G网络所具备的大带宽、高速率、高可靠、低时延、边缘计算、MassiveMIMO和网络切片等5G关键技术，为智慧医疗的众多应用场景提供了可行性。国际电信联盟无线电通信组定义了5G应用的三大业务类型，包括增强移动宽带（eMBB）、海量机器类通信（mMTC）、超高可靠低时延通信（uRLLC）。eMBB适用于对带宽需求较高的业务场景，mMTC适用于对连接密度要求高的业务场景，uRLLC适用于对时延极其敏感的业务场景。
5G技术与智慧医疗融合后，衍生出的应用场景主要分为3类：一是基于新型智能终端的远程操控类场景，包括机器人远程手术等；二是基于高清视频、影像的远程指导和诊疗类场景，包括远程查房、远程会诊、远程急救指导、远程教学和远程超声诊断等；三是基于医疗健康传感器和设备数据的远程监控类场景，包括患者实时定位、远程输液监控、慢病远程监控等。5G技术在智慧医疗领域三大应用场景的分类参见表1。
表15G技术在智慧医疗领域的应用场景分类
4.1增强移动带宽
在5G的三大使用场景中，优先商用的是增强移动带宽（eMBB）。eMBB主要围绕个人应用，侧重多媒体类应用场景，对于带宽有极高需求的、超大流量的移动宽带业务，主要用于连续广域覆盖和热点高容量场景。在广域覆盖场景下，支持实现用户体验速率达100Mbit/s、移动性500km/h；在热点高容量场景下，用户体验速率达1Gbit/s，小区峰值速率达20Gbit/s，流量密度达10Tbit/s/km2。此类使用场景是5G网络建设初期的核心业务类型。
eMBB在5G智慧医疗领域的主要应用场景包括病患急救转运过程中的信息传递。在急救车运输病患的过程中，可以通过5G网络将患者的体征信息、高清视频和图像实时传送到定点医院或医疗智慧中心，某些患者信息，如超声波检查必须是实时、动态、高清的，一旦在传输过程中出现画面卡顿或丢失，均有可能造成漏诊和误诊。基于5G高速率和低时延的特性，将急诊部分工作关口前移，力争实现上车即入院，争取到宝贵的救治时间。
对于来不及转运必须进行就地急救或手术的患者，可以通过5G网络将移动急救记录仪、移动急救设备、移动工作站进行连接，实时传输高清音视频、多媒体病历、急救地图等。还可以在现场搭建临时急救站，通过架设高清、全景视角的摄像系统，将现场的影像数据实时无损地传送到千里之外的医院急救中心。急救中心的专家可以通过远程会诊平台或佩戴AR眼镜或VR头盔等设备了解病人信息，为现场救护人员提供实时指导。
2019年5月，由中国移动（成都）产业研究院自主研发的5G应急救援系统在四川省人民医院急救中心正式投入临床应用，既为急救车加装了医疗急救的助推器，同时也依靠5G网络的高速率特性，实现对货仓内重要物资包括疫苗、毒株等在转运过程中的实时监测。
2020年1月，四川省卫生健康委将5G+双千兆网络技术首次应用于新型冠状病毒感染肺炎的临床诊治。四川大学华西医院和成都市公共卫生临床医疗中心的多位专家一起，进行了肺炎急重症患者的远程会诊并为患者的治疗提出了指导意见。此次远程诊疗，充分利用了5G网络大带宽、低时延的技术特性，在新冠疫情防控的关键时期，让医护人员的诊治变得更加高效便捷。
4.2大规模机器类通信
大规模机器类通信（mMTC），即低功耗、大连接，支持连接数密度100万/km2，针对连接密度较高、连接规模较大的物联网业务领域，适用场景为所需连接的终端或传感器数量大，但每个终端或传感器所需传输的数据量较少，且对时延要求较低的场景，真正实现万物互联。
mMTC场景分为医院建筑物内场景和医院建筑物外场景。三甲医院一般有门诊楼、住院楼、行政办公楼、后勤保障中心等基本楼宇，这些建筑物内有数千种医疗仪器设备、大量医护人员电子终端设备，医院和各科室对以上医疗设备的位置追踪、使用监管存在实际需求。医院建筑物外场景包括院区出入口、急救车停车位、社会车辆停车位、路灯、井盖等。为了提高医院运营效率，提升安全应对水平，对室内外场景的监测和数据采集可以通过5G的统一接入方式，打通室内的Wi-Fi网络或专网环境，实现医院的数据中台对医疗设备、医疗器械的统一管理，实现对所有设备的数据联网。通过制定具备边缘计算能力的医疗物联网解决方案，把非核心数据和需求传输到云端进行处理，将部分应用场景的计算需求通过边缘网关在本地计算进行处理，大大降低对带宽的占用（见图2）。
图2具备边缘计算能力的医疗物联网解决方案
医院内的医疗废物是重要的潜在污染源，对医疗垃圾桶的存放、称重、清运和处置等环节进行有效监管和追踪的重要性不言而喻，尤其是对污染性废物、损伤性废物、药物性废物和化学性废物的追踪。通过与5G结合，可以将上述4类废物的处置过程进行全程监测和数据采集，通过打通医院、医疗废物处置中心、环保部门3方的数据管理平台，对医疗废物的管理和处置实现可视化、规范化管理，数据更加规范、准确、统一，并能够对医疗废物的意外泄露、非法倾倒等行为进行及时发现和处置。
4.3超高可靠低时延通信
超高可靠低时延通信（uRLLC）主要针对时延、可靠性等要求极高的场景，这类场景是为机器到机器（M2M）的实时通信而设计的。uRLLC低时延、高可靠的通信技术，能够让生活变得更高效、更便捷、更安全、更智能，尤其是在医疗领域具备更广泛的应用前景。
uRLLC在智慧医疗领域的典型应用场景包括院内无线监护、远程监测和远程手术等。无线监护收集大量病患生命体征信息，在管理后台进行统一监管，提升了现有ICU病房医护人员的效率。远程手术包括远程B超等对于监测技术有较高要求，能有效消除远程监测医生与患者间的物理距离，实现远在千里之外的实时监测和手术。另外，在交通条件落后或路况不佳的医疗应用场景，无人机结合5G技术可以部分解决关键货物的配送问题，某些无人机的飞行半径达到了120km，时速达到了100km/h，能够为偏远或陆路交通不便到达的诊所提供血液、药品的配送服务。
在抗击新冠疫情期间，无人机系统作为疫情防控的措施之一被广泛应用。各种类型的无人机充分发挥了高速、灵活、跨地形作业的特点。实现了包括定点区域巡逻、疫情宣传喊话、消杀、防控检测等工作，为抗疫提供了有力的支持。
5G的通信模组进一步成熟之后，结合边缘计算应用，无人机的飞行控制、高清图像和视频等各种数据和信息的进一步整合将成为可能，无人机可以飞抵疫情爆发地，及时将实景传送到千里之外的疾病管控中心。
5面临的问题和挑战
国内大部分医疗机构都已经使用信息系统进行诊疗管理，提升诊疗效率，降低患者等待时间。随着5G和相关技术的发展，更多的医疗健康领域不断涉及，更多的用户场景成为现实，更多的仪器设备相互关联，5G技术在医疗领域全面应用还面临一系列的问题和挑战。
5.15G的网络覆盖面积以及网络的稳定性
医疗领域的众多应用场景对网络的覆盖范围、稳定性要求极高。5G网络的建设速度很快，虽然在北京等一线城市已经实现五环内室外信号覆盖，但是因为智慧医疗的主要应用场景是在室内，如果仅仅是对现有建筑物内部的3G/4G室分系统进行升级，很难完成5G信号的室内完全覆盖。这需要运营商根据医院的不同建筑结构、不同科室的功能分区，重新布设5G室分系统，并在医院的院区内架设5G皮基站，或通过共享杆等方式，实现医院室内、室外5G信号全覆盖。
5.2智慧医疗的建设标准及评价体系
当5G与医院和医疗体系融合之后，新的医疗应用场景出现，与之对应的是新的终端设备和仪器的互联互通。要建立完善仪器设备的质量标准体系、技术标准体系、数据标准体系、接口标准体系等，需要通过逐步完善5G智慧医疗、5G智慧医院相关的技术标准体系，才能有效地对新式医疗健康终端设备、仪器进行检测和质量把关，才能加快5G技术与医疗行业的相互融合。
5.3安全体系的升级问题
医疗工作涉及到人民群众的海量健康数据、诊疗数据、用药数据，加强智慧医院、智慧医疗领域的数据监管是保护患者隐私的重中之重，建立健全智慧医疗领域的安全监管体系，才能确保智慧医疗的可持续发展。
6结束语
智慧医疗作为5G的重要应用领域，发展前景广阔。智慧医疗与5G的结合，将加速远程医疗的发展和落地，有利于优质医疗资源向地方医院、隔离区或交通不畅的地方输出，有效缓解地方医院或诊所尖端医疗人才和高端医疗仪器不足的现状。同时，获取不同健康应用场景的数据，对实现互联互通，推动智慧医疗、智慧医院、智慧健康领域的云化，起着至关重要的作用。随着运营商对5G网络建设的加快，智慧医疗、远程医疗等将充分发挥其移动、实时、多样化的特点，以临床需求为导向，解决具体问题，在临床过程中积极发现新的应用场景，并推出更多试点示范应用，通过将5G+智慧医疗的试点逐步放大，逐渐丰富和完善5G智慧医疗的应用场景，让5G与医疗融合在一起，为广大人民求医问诊提供便利，为我国医疗健康卫生事业的快速发展作出贡献。
作者简介
葛涵涛，中国信息通信研究院泰尔终端实验室战略规划部副主任，IoT行业首席研究员，主要从事AIoT+5G领域研究以及智能家居、智慧社区和智慧园区领域的行业研究。
联系方式：gehantao@caict.ac.cn返回搜狐，查看更多
智慧医疗的发展具有重大研究意义
我国医疗行业信息化发展二十余载，取得了一定的成绩，但同其他行业相比，医疗行业的信息化进程的发展仍然相对较为滞后。从20世纪70年代后期至今，即便信息化系统在专项医疗和管理方面有深度应用，但是与金融电信和互联网等行业相比，医院信息化建设依然相距甚远。
医疗大数据是指在医疗相关各行业运行过程中产生的大量数据，这些数据中集聚着各行业发展本身的多种特征，对智慧医疗的发展具有重大研究意义。在大数据技术的发展推动下，医院信息化系统产生的海量数据通过可视化分析、数据算法挖掘等方式实现数据的增值，结合医疗大数据挖掘、人工智能技术等，有望基于对这些医疗大数据的高效解析利用，辅助实现日常复杂繁琐医疗行业工作的精准化、便捷化、智能化。例如，随着大数据时代的开启，网上问诊、在线预约、远程医疗等新型诊疗技术的发展打破了医疗资源空间分布的不均匀性，实现医疗资源的优化整合和信息资源共享。
利用人工智能+大数据对患者进行系统化记录、健康管理和辅助诊断等可有效缓解临床医疗资源不足等问题。基于生物医学制药行业中的海量数据，利用机器学习和人工智能技术，不断增加模型计算能力和大型数据集的扩散，可以有效缓解传统药物研发耗时长、成本高、风险大、回报率低等行业痛点，辅助实现药物研发的科研突破，加速药物的研发和入市，从而产生巨大的社会价值和经济价值。
随着医疗的变革，以及云计算、互联网、大数据的技术融入，医院出现了更多的以患者服务为宗旨的应用系统，这些系统由于数据量大、业务灵活、扩展需求多，导致传统的基础架构不能满足其需求。据此，我们可以将医院业务系统划分出“稳/敏”两种业务形态。
随着物联网、大数据等技术在医疗领域的应用，形成了一种新型的智慧医疗服务模式。智慧医疗的建设和发展通过信息化手段实现远程医疗和自助医疗，有利于缓解医疗资源紧缺的压力;有利于医疗信息和资源的共享和交换，从而大幅提升医疗资源的合理化分配;有利于我国医疗服务的现代化，提高医疗服务水平。在国家政策支持下，智慧医疗平台建设发展迅速，我国智慧医疗建设已有成效。本文旨在通过文献和案例分析，梳理我国智慧医疗平台发展历程和建设现状，剖析发展存在的问题，并提出相应的对策建议。
智慧医疗作为近些年才出现的新兴产物，面临着用户的接受和利用问题。以MMC为例，通过访谈得知很多患者没有真正理解MMC是什么、有何作用，医务人员也仅仅是完成患者入组和基本信息录入等任务，医务人员使用积极性比较低。同时，医务人员也没有教患者如何使用患者端甚至没有将APP推荐给患者，而有研究显示，医生推荐会促进患者使用。因此，这些应用并没有真正落实到患者。席海玲等在2017年对移动医疗健康应用程序使用及需求现状调查结果显示，使用过医疗APP的患者仅占38.9%。
智慧医疗要实现可持续健康发展，除了研究技术提升，满足使用者的健康需求至关重要。应根据使用者和智慧医疗领域独有特征，构建使用者对智慧医疗服务的评价体系，根据用户评价结果对智慧医疗服务进行动态调整，多方位满足使用者需求。对于公共产品，政府将用户评价结果纳入相关机构的绩效考核，推动研发机构做出能惠及民生的好的平台。
总而言之，智慧医疗的确堪称传统医疗卫生信息化的“革命性升级”，不仅全面提升了医疗领域的技术能力、服务水平，也将成为推动健康中国建设的重器。智能医疗领域衍生出更多应用的趋势正越来越明显，科技向善，技术创造出更美好生活。这当然值得我们拥有更饱满的信心，因为这里面藏着的，是人类医疗事业的未来，是解决人类健康问题的新答卷。
商业智能在医疗卫生领域的应用与前景
一、商业智能在医疗卫生领域的应用商业智能技术从2000年左右开始导入中国，通过多年在电信、金融、零售、制造业等的实践与探索，商业智能技术已经比较成熟。这几年随着医院信息化建设的逐步成熟，商业智能技术开始在一些国内外的医院进行试点推广应用。在四川地区，随着四川省人民医院、华西附二院等标杆性医院对商业智能技术的应用推广，引领了医疗卫生行业其他用户的陆续加入，例如：温江区人民医院、三六三医院、四川省肿瘤医院等等。随着医院用户需求的增加，医疗政策的变化，基于商业智能技术的“院长决策分析系统”在内容上更加丰富，在功能和性能上都更加完善，基本满足了医院决策者的管理需要，在一定程度上解决了医院信息化的相关难题。在国外，杜克大学医学中心（DukeUniversityHealthSystem）利用商业智能解决患者安全和财务管理等方面的问题，取得了显著的效益；缅因州医学中心（MaineMedicalCenter）则采用SAP商业智能，以达到符合联合委员会持续专业实践评价（OPPE）。
总的来说，其在我国的研究与应用主要集中在卫生机构管理、临床决策、政府管理服务以及公共卫生领域几个方面：(1)卫生机构管理，卫生机构的管理主要是通过结合数据仓库、OLAP和数据挖掘技术从而实现对医院管理信息流的监控处理，并将其与医院业务相结合，从而为医院实现高效的发展提供辅助决策。(2)临床决策，临床决策支持系统是我国学者研究的重要内容，主要是如何利用人工智能技术结合临床知识从而实现临床诊疗辅助以及临床用药辅助系统的设计和构建。(3)卫生行政部门事务管理，通过对卫生行政部门决策的主题进行研究，实现相关主题数据仓库的设计、决策内容的分析以及系统模型的设计等内容，并将卫生信息平台上收集的数据进行导入汇总分析，从而为区域内卫生事业发展提供决策依据。(4)公共卫生领域，主要是针对地区内已建好的公共卫生系统基础上进行分析和控制，包括系统的设计、系统构成、功能设置和应用情况。从卫生领域决策支持系统国内外研究现状可以发现卫生决策支持系统的研究已经有了成功的经验，相关技术已经发展较为成熟。但目前已有的系统设计者常是计算机或软件工程专业背景，对医疗卫生领域复杂性和关联性了解不够，难以从实际匹配出发进行开发，导致模型在初始构建时，未能很好反应卫生业务数据之间的关联关系。
二、商业智能在医疗卫生领域的前景商业智能技术可以为医院决策者提供智能的信息化技术支持。通过商业智能技术手段，整合医院业务系统的数据，建立医院级多维分析模型，让医院决策者快速有效地了解掌握各个科室过去和现在的业务情况，分析业务发生异常变化的原因，从而在管理上加以监督和控制，使用医院朝着大家期望的方向发展。因此，从某种意义上来说可以实现对医院未来的宏观预测。
（非商业用途，仅个人学习使用，如有侵权，请告知我，我会删除。）
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。