1996年夏季的一天，瑞典蘭德大學附屬醫院，冠狀動脈特護病房的五十歲的漢斯.沃林主任坐在辦公室里。他的辦公桌上堆著2240份心電圖。他獨自一個人在辦公室里審閱他們。他把代表疾病發作的心電圖挑選出來。為了避免疲倦帶來的疏忽，他每兩個小時休息一次。這就是醫學界的深藍大戰。沃林就是心臟病學的棋王卡斯帕羅夫，他將與電腦進行閱讀心電圖的世紀對決。

對醫學院的學生來說，心電圖看起來很復雜，難以理解，圖中包含了十二導聯，每一個導聯都會產生一種不同的曲線記錄，每一種曲線都有英文字母做標識。心電圖實在太復雜，有些細微的變化很容易被忽略掉，即使是專家的判斷也不能保證百分之百正確。

瑞典的拉爾斯.伊登布蘭特發起了一個實驗。他將一萬多名病人的心電圖資料輸入他的電腦系統，并告訴電腦哪種情況代表心臟病發作，哪種情況代表正常，直到電腦通過學習變成專家。電腦甚至可以讀懂最復雜的心電圖。接下來，他邀請沃林參與試驗。沃林是瑞典頂尖的心臟專科醫生，每年閱讀上萬份的心電圖，伊登布蘭特從醫院病歷檔案中挑選了2240份心電圖，其中恰好一半是有心臟病疾病的。他將這些心電圖分別交給電腦和沃林去診斷，1997年秋天實驗結果被低調的發表出來，沃林正確的挑出了620份，電腦在正確的挑出了738份，電腦以20%的優勢擊敗了專家。

醫學界的這場深藍大戰的結果告訴我們，醫生的直覺和經驗有時候是靠不住的，它可能會帶來比電腦更多的錯誤。不僅是醫學，在眾多領域都有足夠多的證據支持這個結論。過去的四十年內，認知心理學家不斷證實，在預測和診斷方面，電腦系統常常勝過最頂尖的人類專家的判斷，包括預測每一件事，從一個公司是否會破產，到一個肝病患者還能活多久，每個領域都有涉及，幾乎所有的案例分析大戰中，電腦要么與人類戰平，要么勝過人類。

人工智能在醫療領域的應用歷史

上世紀三四十年代，Wiener、弗雷治、羅素的數理邏輯，和Church、圖靈的數字功用以及計算機處理促使了1956年夏的AI學科誕生。20世紀60年代以來，生物模仿用來建立功能強大的算法。這方面有進化計算，包括遺傳算法、進化策略和進化規劃。

1992年Bezdek提出計算智能。他和Marks(1993年)指出計算智能取決于制造者提供的數值數據，含有模式識別部分，不依賴于知識;計算智能是認知層次的低層。今天，計算智能涉及神經網絡、模糊邏輯、進化計算和人工生命等領域，呈現多學科交叉與集成的趨勢。

人工生命以進化計算為基礎，研究自組織、自復制、自修復以及形成這些特征的混沌動力學、進化和環境適應，具體包括生命現象的仿生系統、人工建模與仿真、進化動力學、人工生命的計算理論、進化與學習綜合系統以及人工生命的應用等。

20世紀60年代，羅森布拉特研究感知機，Stahl建立細胞活動模型，Lindenmayer提出了生長發育中的細胞交互作用數學模型。這些模型支持細胞間的通信和差異。

70年代以來，Conrad等研究人工仿生系統中的自適應、進化和群體動力學，提出不斷完善的“人工世界”模型。

80年代，人工神經網絡再度興起促進人工生命的發展。其主要研究方法有信息模型法和工作原理法。其研究途徑分為工程技術途徑和生物科學途徑。

專家系統在90年代興起, 模擬人類專家解決領域問題,知識庫的改進與歸納是其重點。醫療專家系統(Medical Expert System，MES)是人工智能技術應用在醫療診斷領域中的一個重要分支。在功能上，它是一個在某個領域內具有專家水平解題能力的程序系統。醫學診斷專家系統就是運用專家系統的設計原理與方法，模擬醫學專家診斷疾病的思維過程，它可以幫助醫生解決復雜的醫學問題，可以作為醫生診斷的輔助工具，可以繼承和發揚醫學專家的寶貴理論及豐富的臨床經驗。

當今21世紀，人工智能技術的醫學虛擬應用不僅要對特定病人進行模擬，而且要對整個治療過程中可能出現的反應和問題有一精確的預測和提出相應的對策。這就是21世紀醫學虛擬現實的最后目標。

在醫療領域AI能做什么?

虛擬助理

醫療虛擬助理的官方定義是，利用語音識別、自然語言處理技術，將患者對自己病癥的描述與標準醫學知識庫進行對比，從而完成患者自診、導診、咨詢等服務的信息系統。

與 Siri、Cortana 等通用虛擬助理不同的是，當用戶與通用虛擬助理進行對話時，可以自由表達，由虛擬助理理解用戶意圖(當然理解能力還有待加強);但當用戶與醫學虛擬助理對話時，由于患者的描述基本不是標準的醫學術語，因此很難與標準醫學知識庫進行對比從而得出結論。目前，醫療產業界的普遍做法是，以選擇題的方式與用戶溝通，了解問題并分診。

病歷與文獻分析——幫助醫生提高效率

提到人工智能與醫療的結合，最常見的要數醫生通過語音輸入電子病歷。面向醫療場景的語音輸入技術已經成為科大訊飛、云知聲等人工智能公司的搶灘重地。

語音輸入技術解放了醫生的雙手，這對牙科醫生來講尤其重要。口腔科醫生在手術臺上往往是一個人，雙手都被占用了，沒有手來書寫病歷。用語音識別的方式能夠對患者的基本信息、手術情況進行一些基本的記錄，提高醫生工作效率。

在解放醫生雙手的同時，電子病歷也起到了醫療人工智能發展的數據基石作用。在語音識別層面之下，如何利用自然語言處理技術將非結構化的自然語言轉化為結構化的數據，以便后續進行數據挖掘，是一個重要課題。利用自然語言處理技術將病歷上的非結構化數據轉變成結構化數據主要分為以下幾個步驟。首先，要對句子中的命名實體進行識別，簡單地說就是哪些詞是疾病、哪些詞是藥品、哪些詞是癥狀、哪些詞是手術名，也就是對各種各樣詞語類別的分類。然后，需要查找語義之間的關聯，也就是說誰修飾了誰、誰約束了誰、誰否定了誰等，也即定義詞語和詞語之間的線性關系。“語義關聯為什么在醫療領域尤其重要?比如你光知道這個人疼，不夠。你還要知道疼痛的部位、嚴重程度、時間、急慢性等附屬信息，這些信息才是重要的。”

在醫療領域的自然語言處理技術中，常常需要面對輸入不標準的情況。每個醫生都有自己的病歷書寫習慣，比如心肌梗塞這一種疾病，有的醫生會寫心肌梗塞，有的醫生會寫心肌梗死、心梗，甚至寫英文 MI(Myocardial Infarction)。

對于機器來說，在存儲時必須知道這些詞代表著同樣的意思，后續的工作才能進行。否則就連一個最簡單的檢索任務都進行不了，因為關鍵詞沒法匹配。另外，自然語言處理技術還能夠幫助醫生提高科研效率。

醫療影像輔助診斷——減少誤診漏診率

人工智能在醫療健康領域中的應用領域包括虛擬助理、醫學影像、藥物挖掘、營養學、生物技術、急救室/醫院管理、健康管理、精神健康、可穿戴設備、風險管理和病理學。其中人工智能+醫療健康各細分領域中，醫學影像項目數量最多。

從上圖可以看出，醫療影像領域的投融資交易數量最高。有需求就有市場，病患多醫生少、醫療壓力巨大是造成這種結果的最大的原因。再加上現在圖像識別技術的成熟、電子膠片的普及、放射科醫師的缺乏是推動市場發展的主要因素;影像輔助診斷的使用和普及存在巨大的益處，對于患者而言，在影像輔助診斷的幫助下，和以往傳統的醫療手段相比較，將快速完成健康檢查，同時獲得更精準的診斷建議和個性化的治療方案;對醫生而言，可以節約讀片時間、降低誤診率并獲取提示(副作用等)，起到輔助診斷的作用;醫院在云平臺的支持下可建立多元數據庫，進一步降低成本。

影像輔助診斷的主要技術原理主要分為兩部分：圖像識別和深度學習，首先計算機對搜集到的圖像進行預處理、分割、匹配判斷和特征提取一系列的操作，隨后進行深度學習，從患者病歷庫以及其他醫療數據庫搜索數據，最終提供診斷建議。目前來說影像輔助診斷的準確率較精準，相較于放射醫師，對臨床結節或肺癌診斷的準確率高出50%，可以檢測整個X光片面積0.01%的細微骨折。

診療結果預測——提早預估風險

人工智能的輔助診斷并不僅僅體現在醫療影像方面，在診療結果的把控方面也已經有所應用。

AI能夠建立包括手術、麻醉、體外循環等在內的一套最佳的治療方案，還能夠預測病人術后的出血風險、出血量、在 ICU 的停留時間、以及術后綜合癥的風險等。當醫生需要更改手術方案的參數時，系統還能自動計算參數修改后這幾個風險因素的變化。

AI與藥物開發

近期我國藥政頻發使創新藥物研發獲諸多“政策紅利”，目前我國新藥研發面臨研發時間、成本及資金三座大山。人工智能助力藥物研發，可大大縮短藥物研發時間、提高研發效率并控制研發成本。

人工智能助力藥物研主要體現在臨床前和臨床研究上。在臨床前通過深度學習，提高藥物篩選效率并優化其構效關系，在臨床研究過程中結合醫院數據，可快速找到符合條件的受試病人。

人工智能在臨床醫療診斷中的應用

人工智能在臨床醫療診斷中常用于醫療專家系統[6],主要是運用專家系統的設計原理與方法模擬醫學專家診斷、治療疾病的思維過程編制的計算機程序，它可以幫助醫生解決復雜的醫學問題，作為醫生診斷的輔助工具，繼承和發揚醫學專家的寶貴理論及豐富的臨床經驗。

概括來說，人工智能在醫療領域有如下作用：

1、可以為醫生提供完整和有效的信息，從而為疾病的診斷和治療提供科學、可靠的依據。

2、可以極大地提高醫學數據的測定和分析過程的自動化程度，從而大大提高工作速度，減輕人的工作強度，并減少主觀隨意性。

3、可以集中專家的知識，輔助醫生做出更為可靠和正確的診斷;隨著病例的增多，還可以豐富系統的知識，自動地或在人工干預下進行知識的積累和分析，提高醫療水平。

可以從大規模的醫學歷史數據中發現規律和知識，從而為未來疾病防控提供決策支持。

人工智能醫療智能診斷系統中的應用

人工神經網絡理論的發展為醫療智能診斷系統提供了一條新的有效途徑。基于這一思路，人們將人工神經網絡與專家系統進行了有效的結合，建立了人工神經網絡式的醫療智能診斷系統。該系統知識獲取的特點是向現實世界學習，它是將大量的樣本(病例)，通過特定的學習算法得到網絡各種神經元之間的連接權而獲得的。這種方式與人腦存貯知識十分相似，具有聯想、并行處理和容錯的功能，可以將醫療智能診斷系統提高到一個新的水平。然而，目前用這種方法建立醫療診斷系統的成果仍是有限的。這主要是由于建立人工神經網絡模型所需要的算法在解決規模稍大、特征較多的疾病診斷問題時，往往學習算法不能計算出正確的結果。經研究，本文提出了一種“非梯度學習算法”，即單參數動態搜索算法(簡稱為SPDS算法)。這種學習算法對于規模稍大、特征較多的實際問題可上百倍地快于以往的學習算法。在一些實際問題中，該算法已見到明顯效果，并開始引起人們的重視。相信將這種學習算法用于醫療智能診斷系統，必然會帶來新的突破。

人工神經網絡在中醫學中的應用

中醫學辨證施治過程，實質上是對一大堆數據信息作出處理，提取規律的過程。人工神經網絡有較好獲得數據規律的能力，應用于中醫學具有可行性。

中醫學中的“辨證論治”中的“證”具有模糊性、不確定性的特點，主觀性較強，所以中醫的診斷和治療與醫師的經驗、水平有較大關系，多年來對“證”的研究思路和方法主要集中在實驗研究、臨床觀察、文章整理、經驗總結上。 人工神經網絡的應用可以替代部分“辨證”過程，選擇適當的中醫癥狀作為基本輸入和適當的人工神經網絡模型，人工神經網絡能夠根據已有的學習“經驗”進行分析，綜合提出中醫診斷。人工神經網絡由神經元結構模型、網絡連接模型、網絡學習算法等幾個要素組成，是具有某些智能***功能的系統。 從網絡結構劃分，人工神經網絡有許多不同的種類，如感知器、BP 網絡、Hopfield 網絡等 ，其中 BP 網絡是目前應用最為廣泛的神經網絡之一。 BP 網絡是一種前向網絡，通過網絡的結構與權值表達復雜的非線性 I/O 映射關系， 同時 BP 網絡具有優良的自學習功能，可以通過誤差的反向傳播方法，對照已知樣本進行反復訓練，調整網絡的權值，直至網絡的 I/O 關系在某一訓練指標下最接近樣本。

基于人工神經網絡技術的專家系統

基于人工神經網絡技術的專家系統在建造知識庫時[16]，首先根據應用來選擇和確定神經網絡結構，再選擇學習算法，對與求解問題有關的樣本進行學習，以調整系統的連接權值，完成知識自動獲取和分布式的存儲，構建系統的知識庫。 然而若輸入的信息不十分明確導致系統性能降低， 這必然也會降低診斷的準確性。 而基于神經系統結構和功能模擬基礎上的神經網絡，可以通過對實例的不斷學習，自動獲取知識，并將知識分布存儲于神經網絡中， 通過學習不斷提高神經網絡中神經元之間連接權值的調整過程。 系統將根據神經網絡當前所接收到的實例問題的相似性確定輸出。 當環境信息不十分完全時，仍然可以通過計算得出一個比較滿意的解答。

目前，已建立了心肌梗塞、心絞痛疾病及其并發癥的醫療智能診斷系統。根據醫生的建議，系統提供了三個人機對話界面：

1、錄入主訴、病史和臨床癥狀。包括性別、年齡、發病時間、前驅癥狀、病史、消化系統癥狀、呼吸系統癥狀等60余項。

2、錄入體征。查體征所能得到的信息，包括心界、心音、磨擦音、濕羅音等20余項。

3、錄入輔助檢查結果。包括心電圖、心肌酶、心臟彩超、漂浮導管等心內科輔助檢查手段的結果300余項。

人工智能技術在醫學影像診斷中的應用

盡管人工智能技術可應用于臨床領域中的各個方面(組織病理學、傳染病學、內科學、精神病學等)，但在醫學影像領域中，放射科專家大部分情況下還是主要依賴于臨床醫生建立起來的主觀印象。 制約影像專家系統發展的難點在于高級視覺系統本身，如從醫學掃描器上獲得的數據可能是噪聲或者是模糊的，而代表解剖結構上的或功能上的分區常常是復雜的和不確定的，當處理這些被稱作為證據不確定的非精確信息時，大大增加了專家系統設計的復雜性。

目前，隨著微電子技術和計算機技術的快速發展，很多制約醫學專家系統發展的因素也相繼得到解決，應用到醫學影像學方面的初級特征提取技術及成像設備(CT，MRI，PET，X 線，超聲等 )得到廣泛應用和研究 。 例如，在乳房 X 線照片中自動檢測叢生的小鈣化點的線性濾波和閾值匹配方法，已經被證實可提高放射學專家的診斷精確率。 其他應用，如肺部腫瘤的計算機檢測，心臟大小的計算分析，胸部放射片上腔隙性疾病的定性，血管角質瘤影像的自動跟蹤，紋理分析應用到超聲掃描，X 射線照相術和 CT 圖像等已經在一些實例中較成功地得到證明。

人工智能在醫療記錄的應用

醫學的任何表達包括實驗室數據，都可以或者都必須轉換為描述語言，因為醫學的任何判斷和結論都必須人的直接參與，沒有任何一種單純的物理信號或數字信息可以完整描述人。醫學的描述性特點也使醫學的意義更依賴于給患者的醫療記錄，沒有一種記錄能像醫療記錄那樣把人、學術、生活、俗務、法律、科學等聯系得更緊密。所以醫療記錄的繁雜也托負著眾望，日益艱巨起來。

后來隨著電子文本記錄法的出現，推進了工作方式乃至觀察方式發生改變。上世紀70年代開發的醫學信息系統RMIS，它使用了一種就醫表格：其右方是患者的主訴、病史描述等，采用文本處理方式，都是先用手寫，再由專人輸入電腦;其左上方是診斷列表，列出醫生診斷的疾病名;左下方是結構化數據列表，記錄重要生理參數和檢驗參數等;RMIS至今還有人使用。近些年SDE有電子版面世，它發揚表格結構輸入法的優點，不但能用直接模型處理類似試驗設備所產生的簡單數據，而且能用間接模型處理有專業依賴性的復雜數據。SDE的結構化數據來源于詞典，它的知識編輯器可以起到規范輸入詞匯的作用。這種特征是電子病歷輸入方法的一種進步，在中國，有中國特色的文本模板編輯法或半結構化的摘字換句法，都展現了醫療記錄向醫學人工智能的規范化方向合流的趨勢。將電子病歷系統嵌套在醫學知識決策系統之中;再將知識決策系統嵌套在整體的智能化數字醫院體系之中，醫療決策和醫療記錄熔為一爐，既完成對患者的醫療全過程本身，又完成醫療過程在醫院中充當的角色。具體的思路是：醫生應用基于知識庫的智能化診療平臺為患者看病，醫生看病的軌跡被自動記錄下來，成為電子病歷。形成電子病歷的技術過程非常簡單，電子病歷的內容有賴于知識庫;人工智能的看病模型非常簡單，即計算機+知識庫，把智能化的技術難點轉嫁給知識表達。

人工智能在醫療領域的應用前景

醫學人工智能是人工智能發展出來的一大分支，它將為醫學診療問題提供解決方案，研究最多成果最顯著的是醫學專家系統。醫學專家系統是一個具有大量專門知識與經驗的程序系統，它應人工智能技術，根據某個領域一個或多個人類專家提供的知識和經驗進行推理和判斷，模擬人類專家的決策過程，以解決那些需要專家決定的復雜問題。專家系統是目前人工智能中最活躍、最有成效的一個研究領域。

隨著現代科學技術的發展，未來的醫學專家系統發展趨勢可能會具備以下幾個特點：

1、醫學專家系統應以解決一些特殊的問題為目的。這些特殊的問題在計算機視覺和人工智能方面沒有被研究過。人類對可視圖案的認識不同于常規的推理，并且代表明確的領域知識常常在視覺認識過程中下意識地忽略了被用到的那些因素。

2、醫學專家系統的模型可能會是以多種智能技術為基礎，以并行處理方式、自學能力、記憶功能、預測事件發展能力為目的。目前發展起來的遺傳算法、模糊算法、粗糙集理論等非線性數學方法，有可能會跟人工神經網絡技術、人工智能技術綜合起來構造成新的醫學專家系統模型。這些技術必將會推動醫學專家系統一場新的革命，因為人工神經網絡技術具有強大的自適應、自處理、自學習、記憶功能等，如Yu ji等人基于螺旋CT圖像的冠狀動脈鈣化點的診斷系統，就是神經網絡在醫學專家系統中應用的一個很好例子。

人工智能是一門通過計算過程力圖理解和模仿智能行為的學科。可實現判斷、推理、證明、識別、感知、理解、通信、設計、思考、規劃、學習和問題求解等思維活動的自動化。半個世紀以來，人工智能的飛速發展令人瞠目。醫學人工智能，以計算機為工具，最終目標直指疾病。實現目標的邊界條件是：不改變醫學的學術現狀，不企圖取代醫生。主要方法是：抽象醫學思維，并將其模型化，以利計算機實現。中間目標是：搭建知識平臺，運用智能方法，輔助醫務人員擴大視界，更好地發揮聰明才智。