1月7日，Nature旗下顶级医学期刊Nature Medicine杂志同期刊登8篇论文，全部聚焦人工智能（AI）在医学领域的应用，当属史无前例。

其中一篇由美国Scripps研究所发布的文章指出，在医学方面，AI（特别是深度学习）开始在三个层面产生影响：临床医生将更快速、准确地进行图像分析；卫生系统将通过改善工作流程减少医疗差错；患者能够处理自己的数据，促进健康。

1月9日，上海交通大学人工智能研究院联合上海市卫生和健康发展研究中心、上海交通大学医学院发布《人工智能医疗白皮书》，通过对AI在医疗领域应用情况的分析，提出包括医学影像、辅助诊断、药物研发、健康管理、疾病预测在内的五大应用领域。

1月11日，在2019年中国医学大会上，IT计算与医学这两个看似存在巨大鸿沟的领域的专家齐聚一堂，对AI在医学领域的应用与发展前景展开热议。

多点开花

经过60多年的演进，AI加速发展，正在呈现深度学习、跨界融合、人机协同、群智开放、自主操控等新的特征。在中国科学院自动化研究所所长徐波看来，人工智能发生从“不能用”到“可以用”的重大转变，专用人工智能开始逼近甚至部分超越人类智能水平。

广州医科大学第一附属医院院长何建行与加州大学圣地亚哥分校人类基因组医学研究所所长张康在最新一期Nature Medicine上发文表示，在医疗健康领域，AI发挥重要影响的应用将涵盖四大方向：诊断、治疗、人口健康管理、监督和调控。

首先作为分诊和筛查工具，AI可以降低医疗系统的压力，把资源分配给最需要医疗帮助的患者。例如，通过深度学习，AI工具可以检查视网膜图像，确定哪些患者有致盲性眼病，并及时转诊给眼科医生。

另外，AI技术还可以在一些理论上不复杂但时间紧、耗人力的任务上作为替代，让医疗工作者可以去处理更复杂的任务。例如，自动化分析射线成像，估测骨龄；自动化分析心血管图像，量化血管狭窄和其他指标；等等。

医学影像是AI应用的典型实例，徐波以小肠胶囊影像识别为例称，运用AI技术之前，一个病例要耗费影像医生3～6小时的读片时间，出诊断报告时间不少于7个工作日，而运用基于深度卷积神经网络的小肠胶囊影像识别方法后，平均16毫秒就可以识别一张图像，病变识别准确率高达99.5%，采集的同时进行识别，可实时出结果。

“深度学习还使得语音识别在识别率上向类人听觉迈进一大步，甚至在某些数据集上超过人类，达到工业可用的标准。”徐波举例说，“医疗语音输入可彻底解放医生的双手，人工智能语音识别、自然语言处理技术，结合定向麦克风，让医生在诊疗的同时实现病历的结构化录入，以此实现提高医学文书工作效率和病历质量。”

中国医学科学院医学信息研究所所长池慧也举例说，云知声就在国内首次提出智慧医疗语音录入系统，该系统基于深度定制的医疗语音识别模型，可根据不同科室、不同病种的整段病历资料运算出关键词句语料，为临床和医技科室提供分场景支持。

而在辅助诊疗方面，由中山大学与西安电子科技大学合作研发的CC-Cruiser系统，可用于诊断先天性白内障，其利用深度算法预测疾病的严重程度，并提出治疗决策建议。由雅森科技与北京宣武医院、北京大学人民医院、北京协和医院合作研发的脑功能多模态人工智能，通过对核磁共振、脑电等数据的分析，应用于阿尔茨海默氏症、癫痫、帕金森病等脑功能疾病的量化分析、诊断和预测。

池慧表示，在药物研发方面，AI技术也大有可为。2018年深度智耀对外宣布代号为“菩提”的人工智能药物合成系统，通过大量学习公开的专利和论文数据库，能够协助化学家进行化合物合成，该系统能够将化合物合成环节效率提高50%以上。

挑战犹存

虽然医疗相关的AI技术不断实现突破，但把技术“转化”为真正实施于临床的应用，目前还存在一定距离。

徐波指出，目前，智慧医疗产品大多处于试验阶段，距离符合临床业务场景并落地还有一定距离。首先是缺乏验证标准，需要对智慧医疗产品进行算法软件评审、临床试验以及第三方测评数据库评估。另外，智慧医疗应用场景广阔，但目前产品大多聚焦在局部效率提升，缺乏全局性重大产品，难以形成带动效应。目前为止，国内还少有真正的智慧医疗产品通过CFDA的认证，用于临床。

徐波还强调，面向医疗健康的专用AI平台对数据共享、数据关联、数据安全、数据标注、软件套件、基准测试等方面均提出了更高的要求，但目前，国内外均无面向医疗的数据、标注、训练、基准的专用AI训练平台。

池慧也指出我国医学人工智能发展面临的很多问题，首当其冲的就是缺乏合理的数据共享和流通机制，数据隐私保护和数据安全问题都亟待加强。张康也表示，无论是对AI的初始训练还是对算法的验证和改进，数据都是核心依托。要在医疗健康领域更广泛地采纳AI技术，数据共享的程度还需要进一步加大。

另外，张康还在文章中指出，鉴于医疗保健数据的复杂性和大规模性，AI技术要有效利用各种方式收集的数据，在初始开发阶段就应做好数据标准化的工作，将数据转化为在不同工具和方法中都能被理解的通用格式。

以AI辅助放射学为例，用于检查操作的算法、研究优先级、特征分析和提取，以及自动化生成报告，可能是由不同的供应商提供的产品，算法之间需要创建一套工作流互操作性标准进行整合，并让算法可以在不同设备上运行。如果不尽早优化互操作性，AI技术实际应用的效果会受到严重制约。

发展建议

“医疗是人、患者、设备技术、医院、监管部门等共同参与的，人工智能技术的加入，使得医疗过程中的各种关系产生了深刻的变化，需要重新建立一套可信、可靠、高质量与高效率的医疗系统，需要政策、科研、技术、应用和产业等协同。”徐波强调说。

池慧建议，我国应以国际通用标准为基础，抓紧时间建立医学人工智能标准体系，协同行业组织、标准化组织、研究机构、企业、高校、医疗机构等主体，集合相关领域专业人员共同参与技术标准制定。

另外，她还建议推动医学人工智能复合型人才的培养，注重开展医学与人工智能交叉型学科建设，培养跨界人才，鼓励高校、科研院所与企业开展合作，建立实训基地和地方试点，并完善复合型高端人才的引进机制。

张康等人预期，放射学、病理学、眼科学和皮肤病学等将是最早实现AI技术转化的临床领域，这些主要基于影像的领域适合训练AI技术实现自动分析或诊断预测。而在需要整合多种类型数据的领域（例如内科）或以手术程序为必要组成的领域（例如外科专业），AI技术可能需要更长的时间才能融入实际应用。

研究人员也提醒，虽然AI有望提高生产力，但它们和创造它们的人类一样并非绝对可靠，研究者、开发者和决策制定者都有必要以批判的眼光评估和实施AI技术，记住它们的局限性。在政策方面还需要尽快制定AI的应用规范，明确监管措施，慎重考虑伦理道德等方面可能出现的问题。

摘自《中国科学报》