其實人工智能（AI）服務醫療最好的例子，已經在《超能陸戰隊》這部電影中得到很好的詮釋：電影中標準的大白形象，非?？蓯?，它的眼睛可以認為是兩個攝像機，身體相當于傳感器。當大白遇到小宏（電影中男主）的時候，它的眼睛很快會捕捉到服務對象體征、健康數據、甚至包括情緒等等，當小宏情緒低落的時候，大白就會去安慰，如果發現小宏身體不適，它就會進行輔助性治療，這就是AI服務醫療最好的例子。

在科學家眼中，AI服務醫療可以包括很多內容：例如健康管理、輔助醫療研究平臺、疾病風險預測、輔助診療、醫學影像分析、藥物挖掘等，都是人工智能服務醫療的一些場景。

跌宕起伏的人工智能發展史

“人工智能”的起源可追溯到文藝復興時期——17世紀，萊布尼茲等數學領域的達人已經開始嘗試將理性的思考系統化為代數學或幾何學體系，他們提出了形式符號系統的假設，這也成為后來人工智能研究的指導思想。1956年，“人工智能”在達特茅斯會議上首次被提出將作為這一領域的專用名詞。

時間到了20世紀70、80年代，人工智能在這一時期非常好的一個應用是手寫體的識別：通過模式識別的方式，把手寫體識別應用到郵政方面。但由于當時計算機的計算能力很差，差到什么程度呢？舉個簡單的例子，現在一部iPhone手機的計算能力，大約是阿波羅登月時所用計算機的計算能力的1萬倍。因受制于計算能力，人工智能進入了第一次低谷。

20世紀的中后期，科學家正式提出了“專家系統”，再加上當時神經網絡技術的提高，人工智能進入了一個比較快速的發展時期。IBM公司的“深藍”電腦擊敗了人類的世界國際象棋冠軍更是人工智能技術的一個完美表現。國際象棋相對來說策略簡單，當時基本靠暴力計算的，大家都非常振奮，認為人工智能的第二春來了。然而大概在90年代，人工智能卻陷入了第二次的低谷，原因是算法出現了問題，無法解決。當時DARPA（編者注：美國國防高級研究計劃局）提出了一個非常宏偉的計劃，要做人工智能計算機，但最終也失敗了。

2006年，Hinton等提出了深度學習的概念，；2010年后，人工智能進入了新的一波小高潮； 2012年，人工智能在圖像識別上大獲成功；2015年，微軟通過152層的深度網絡，將圖像識別的錯誤率降到3.57%，這意味著機器圖像識別率已經超過了人類。

雖然人工智能在持續發展，但民眾大規模知道“人工智能”這一理念，卻是直到阿爾法狗戰勝了所有的圍棋世界冠軍才開始的，與之同時也引發了一個很重要的話題：人工智能這么厲害，醫生是不是很快就要被取代了？那個時候，很多醫生都會問我這個問題，但我的回答是：現在的人工智能只能稱為“弱人工智能”，它尚且局限于“非常專注完成某一特定任務”的階段。對于弱人工智能來說，所有的模型、數據、規則的建立都是由人設定的，本質上是通過監督學習的方式來學習人類的智能，進而完成某一個特定的任務，因此在這個階段，人工智能與人之間相差還是比較遠的。

之前業內科學家曾預測，到2050年左右，人類會進入強人工智能時代。強人工智能意味著人類能干的腦力工作AI都能干。你可以認為強人工智能像人類的孩童時期一樣，具有學習、語言、推理、認知、判斷等能力。實際上對于強人工智能，我希望它在一種弱監督學習的情況下，能進行不斷自我學習，最終達到與人差不多一樣的水平。在整個過程中，因為它不斷具有人的認知能力，有可能會出現具有人格定義的人工智能。

未來，人類或將進入超人工智能的階段。超人工智能相對人工智能，已經跨越了一個基點。到那個階段，機器將擁有人類難以想象的數據及計算力，思考問題方式與邏輯已經完全超出我們的認知。超人工智能，我覺得它更像一個“神”。

人工智能為何能應用在醫療中？

人工智能為什么能應用在醫療上呢？因為人工智能有非常好的三種技術，可以分別對應到醫療場景下的三種數據：第一個是圖像數據，第二個是文本數據，第三個是語音數據。圖像對應的是計算機視覺，文本對應的是自然語言處理，語音對應的是語音處理。

計算機視覺包括圖像分類、物體檢測和物體分割。上面這兩張圖，左邊是變色鳶尾，右邊是山鳶尾，這兩者的相似度很高，普通人都難以分辨，但計算機能通過大量的學習，從而判斷這兩張圖分別是什么。

再比如現在各地檢測外地車牌的這項工作，但靠人類肉眼肯定無法完成，而通過AI技術能自動地檢測車牌，并將號碼提取出來。

另外，圖像分割在醫療上具有非常重要的應用，比如醫生要做一臺肝部手術，可以利用人工智能把肝部分割出來，假如手術要避開大血管，這項技術也能把大血管的位置分別分割出來。

自然語言處理如何在醫療上應用呢？我們都知道，醫院有大量的電子病歷，如何分析電子病歷，是件非常重要的事。如果我們能夠把醫院的電子病歷輸入到人工智能系統中，就能分析出醫生在診斷的時候有沒有犯錯誤，畢竟醫生是人，工作很累，給病人開藥時可能會失誤選擇藥物，通過文本識別技術，假如醫生開的藥和疾病是相違背的，系統就能及時通知醫生進行修正。

問答系統在醫療中同樣作用很重要。大家到醫院后一般會到問導臺咨詢：自己是哪里不舒服，需要掛什么科之類的，假如有一個問答系統，我們在家的時候就可以把掛號確定了。輸入自己的體征問題，系統會告訴你大概是哪一大類的疾病，并智能地推薦你去哪家醫院，把最適合的專家推薦給你，所以問答系統將會在醫療中有很好的應用前景。

語音識別應用場景同樣廣闊，例如在影像科，醫生看一個片子，基本上二分之一的時間在讀片子，剩下二分之一的時間在敲文字，如果能把語音識別技術應用起來，醫生可以直接對著話筒說話轉成文字記錄，能夠省下將近一半的時間。

為什么醫療領域需要人工智能？

人工智能在醫療領域有很好的應用前景，那么反過來醫療領域需要人工智能嗎？答案是肯定的。現在最大的投資風口是影像分析，目前醫院很大一部分收入是從影像檢查來的，并且影像檢查數據每年以30%的速度增長，但影像科醫生每年卻只有4%的增長速度，醫生缺口非常大。

上圖是整個醫療工作流程，包括篩查、診斷、治療、隨訪和評估。我們現在的體檢篩查包括第三方體檢中心、社區醫院、三甲醫院，由圖我們可以直觀地發現：在不同等級的醫療中心篩查階段做完所有的檢查，最后出口卻都是三甲醫院。出現這種現象的原因很簡單，對于花同樣的錢，人們更愿意去三甲醫院。那么人工智能又可以在這一整套流程中發揮起到什么作用呢？它可以去輔助基層醫院的醫生，提高他們診斷能力，從而達到三甲醫院醫生一樣的水平。

解決方案該如何做呢？我們從預防到診斷、治療、隨訪，通過人工智能的方式支撐各個環節的流通，讓工作流、數據流更加智能化、規范化，這是我們的目標。

第一步就是篩查，假如患者得了腫瘤，最希望聽到就是你的腫瘤是良性的，所以篩查首先把腫瘤分為良性還是惡性，這項工作人工智能可以做。

乳腺癌是中國城市女性當中患病率最高的一個癌癥，而且中國女性切乳率非常高，之前的數據是90%左右，而同樣的情況在美國大概是34%，也就是說接近56%的中國婦女其實并不一定需要切乳，而造成中美切入率這一對比差異的原因是什么呢？因為我國乳腺癌早期篩查做得相對比較差，我們希望通過人工智能的方法對乳腺癌篩查進行判斷。上圖左邊的病灶，大概有85%的惡性概率，右邊有80%惡性概率，這些數據就能幫助醫生做初步的判斷。

另外，我們經常說起糖網，即由糖尿病所引起的視網膜病變，現在對于A型糖網識別準確率已達到97%，同時糖網分期準確率也達到了85%。超過85%是什么概念呢？意味著這個數據在臨床上可以使用了。

第二個階段：診斷。舉例如果一位患者去醫院后，發現腫瘤是惡性的，這時患者就希望有一個精準的判斷：腫瘤的分期和分型。腫瘤是早、中期，還是晚期？亞病種的分型，是高分化還是低分化？另外，量化會對整個疾病進行分析，在目前階段，醫院的診斷、量化做得還不是很好，當病人的各項檢測報告出來后，醫生看了數據，并不能確定做完手術后，患者到底還可以活2年、3年還是5年。

原因很簡單，量化的特征隱藏在數據里，不一定能直觀看得出來，或者可以這么說，現在醫學的科學研究并沒有把臨床上粗淺的特征與手術之后的療效相結合起來，但這一步，人工智能是可以幫助做一些事情的。

另外，在診斷這一步，我們希望通過數據分析的方式，去進行三件事：一是風險預測、二是療效評估、三是愈后分析。

舉個簡單的例子，如果患者去做放射治療（編者注：放射治療是對于治療腫瘤非常重要的治療手段），一個療程大概放射20次左右，但有些患者，可能對放射治療并不敏感，那么放射2到3次以后，就不應該再放射治療了。

化療也是同樣的情況，化療也有好幾個療程，但對于化療藥劑，有的患者也不敏感，化療之后根本沒有效果。在這種情況下，假如通過量化分析，發現患者對治療手段不敏感，可以及時更換方式，盡最大可能減少副作用，而在這個過程中，人工智能就可以很好地進入到診療方案里。

那些基于AI的醫療融合產品

IBM曾經出品過一款AI參與智能診斷的產品：IBM沃森機器人，從我個人的角度來看真是一款非常好的產品，這款機器人收集了大量的數據，來獲取相關的臨床知識，并針對不同患者，個性化地提出不同診斷。

但很不幸，這個產品失敗了，原因是什么呢？并不是產品不好，而是太過于依賴準確的數據輸入，因為一旦源頭信息輸入錯誤，就會導致非常嚴重的后果，這相對應地要求醫院信息系統的建設標準要很高，但目前在中國符合這個標準的醫院很少。所以IBM沃森我個人覺得有點太超前了，如果再過30年，我們的下一代去醫院的話，一定會接受類似的系統進行問診，在這個基礎上進行下一步精確地診斷跟判斷，相信再過50年，所有的醫院一定會有這個系統。

亞馬遜也出過一個Alexa平臺來回答相關的醫療問題，這也是一款不錯的產品，可以根據患者的問題智能推薦藥物。

上圖是醫學影像輔助診斷一個很好的例子——大家體檢時都會拍胸片，因為胸片是二維投影，大量肋骨投影在胸片上（如左圖），這時一些病灶可能會被掩蓋掉，而通過人工智能技術我們可以把骨頭、肉分開，硬組織、軟組織分開（分離效果為中圖、右圖），這樣醫生一眼就能看出哪個地方有病灶，同時也可以看出來哪個地方有骨折，這個工作是我們團隊目前正在做的。

上圖是肺結核方面的診斷工作，在我國的一些偏遠地區，肺結核患者數量不少，肺結核的診斷非常重要，因此醫學影像輔助診斷對于很多需要實時病理檢測的疾病而言意義重大。

譬如說腫瘤手術，在手術中就需要把腫瘤的切片拿去立刻做冰凍，做病理診斷，然后立刻把結果拿回來，醫生要根據病理診斷來決定下一步的手術如何進行。肺葉上有一個腫瘤，如果腫瘤是良性，醫生直接切除挖掉即可，如果腫瘤是惡性的，那么肺端這個地方就都得切掉，因此在術中，病理需要非常快地診斷出來。

我前兩天去手術室看到的一位病人，病理需要40分鐘才能診斷出來，在這種情況下，醫生把病人開胸手術卻需要等待40分鐘后才能繼續進行，如果能有非?？斓牟±碓\斷，2分鐘出結果，病人就不用白白等待40分鐘。

診斷之后，第三個階段就是治療，治療包括方案的規劃、手術的引導跟三維重建。

上圖實際是一個放療靶區勾畫圖，放療靶區勾畫很有意思，患者有鼻煙癌，如果要做放療，有放療靶區、腫瘤靶區、正常組織跟淋巴結引流區，正常做手術大概需要2-3小時，但如果用4個MI序列跟一個CT序列進行勾畫，基本可以做到整個算法大概一分半鐘跑完，2—3個小時與1分半的差距還是非常大的。

上圖是影像引導與手術機器人的案例，對于影像引導，最著名就是達芬奇機器人，通過手術機器人來替代醫生的手。

上圖是三維重建與介入治療，介入治療實際上是通過消融或者是支架進入人體內，把工具放進去，整個過程需要操作非常精細，術前醫生希望通過三維重建大體了解患者整體的身體結構，三維重建后，醫生在術前就知道整個治療路徑怎么走，如何進行操作。

另外，基于人工智能還有其他醫療應用場景，例如基于AI技術的藥物研發，之前的藥物研發非常耗時、耗錢，十年，十億美元是一個藥物研發基本所需要的時間和費用。

上圖是傳統藥物研發的過程，流程非常慢，如果第三期臨床試驗沒過，前面流程的投入就基本白費了。

上圖是新的藥物研發方式，通過機器學習，會從傳統的藥物里學習新的分子結構，然后匹配，現在用AI來進行藥物研發是很大的風口，目前也有很多的公司都開始做相關的工作。

從我個人的角度，我相信人工智能就像一把手術刀一樣，能夠成為醫生非常好的輔助工具。因此，我們團隊的目標也非常明確，希望用人工智能的技術連接各個數據孤島，能夠讓整個醫療的過程，工作流、數據流規范化與智能化。讓我們共同期待人工智能這項技術未來能更好地服務于醫療行業、輔助醫學領域長足發展！