人工智能医学技术发展的聚焦领域与趋势分析

2018-07-12李志勇李鹏伟高小燕崔泽实

中国医学装备 2018年7期

李志勇　李鹏伟　高小燕　孙湛　麻良　崔泽实*

现代综合科技与计算机、移动互联网技术的融合发展催生人工智能(artificial intelligence， AI)问世，并迅速扩布[1]；AI与医学结合又派生出一个新的产品领域-AI医学装备，而后者运用到医疗健康流程中转化出AI医疗健康新医学技术模式[2-4]。有学者认为，未来的医学时代是AI诊疗[5]。AI医学装备技术的发展对卫生健康事业和健康产业将产生双重影响，AI医疗健康产品的研发、生产成为新兴产业形态，推向市场也将对医学装备市场及医疗服务的格局产生影响。AI医学装备与医学事业间的相互作用，在从整体上促进人类医疗、预防以及保健水平的同时，更应注意其在改变传统的医学模式、医学理念、医疗行为等方面的作用[6]。因此，有必要对AI医学技术发展的现状、热点领域及其发展特点、规律与趋势进行研究。

1　资料与方法

1.1　数据挖掘

以“人工智能”和“AI”分别组合“医学装备”、“医疗设备”、“医疗器械”及“医学”，以多重检索策略对中国知网(CNKI)、万方数据知识服务平台(WANFANG DATA)及维普期刊资源整合服务平台(VIP)进行文献检索，检索时限设2008年1月1日至2017年12月31日。

1.2　文献计量与可视化分析

对检索文献条目做查重处理，确定样本文献并下载，进行常规文献计量学分析。结合文献评阅提取关键词，使用书目信息共现分析系统(bibliographic item CO-occurrence matrix builder，BICOMB)统计关键词频次，根据累积频次设定阈值截取高频关键词，做词篇共现分析，构建词-篇共现矩阵；利用明尼苏达大学图形聚类工具包(graphical clustering toolkit，gCluto)对其进行双聚类可视化分析[7]。根据文献计量学与可视化分析结果，分析我国期刊AI医疗健康装备技术研究与报道的热点专题。

2　结果

2.1　文献计量

检索出文献547篇，剔除重复文献及无有效数据可采集文献42篇，获得样本文献505篇。

(1)文献年代分布。年度文献总量在2009年呈现下降后维持在一个相对平缓期，从2015年起开始攀升，在2017年达到128篇，为2008年的2倍。2008-2017年样本文献分布如图1所示。

(2)文献类别分布。近10年间，在期刊论文、学位论文及会议论文中；期刊论文共333篇，占发文总量的65.94%，年代分布与总体论文趋势基本一致；学位论文151篇，占发文总量的29.90%，发映出AI医学技术是一在高校与科研单位较关注的立项研究领域，年代分布在2008-2015年期间，基本在10～20篇波动，而在2016年后出现下滑；会议论文21篇，占发文总量的4.16%，某种程度上映射出专业会议交流不甚活跃，可能与该领域的跨学科特征以及缺乏对应的行业组织有关。

图1　AI医学技术文献年代分布(2008-2017年)

2.2　关键词频次

共获得1174个关键词，经剔除宽泛词、合并同义词，最终确定为908个；设≥5次为阈值截取高频关键词97个，在样本文献中出现频次较高的关键词，能够反映该领域的研究热点(见表1)。

2.3　双聚类可视化分析

对97个高频关键词进行词-篇共现分析，形成97(行)×505(列)的词篇共现矩阵，带入gCluto软件进行双向聚类，根据聚类效果确定为5类。可视化山丘如图2所示。

图2　AI医学技术文献高频关键词可视化山丘图

双聚类可视化分析结果表明，我国期刊在AI医学装备技术领域的研究与报道的热点专题聚焦在：①基于图像的AI技术在医学影像学(X射线摄影、CT、MRI、核医学、超声等)、临床病理学、放射治疗图像配准与靶区勾画等方面的研究；②计算机辅助外科相关AI医学技术在微创外科、骨外科、口腔科、康复等领域里的研发、应用；③深度学习、贝叶斯网络、支持向量机、小波转换等AI模式与算法在生理学信号分析、心理、脑神经、皮肤、眼科等方面的应用；④在探索AI技术与信息技术融合、电子健康档案等大数据利用的基础上，AI在远程医学、移动医疗、慢病管理、健康管理、可穿戴设备等方面的研究；⑤临床检验、基因学检测、电子病历及知识库、中医药文献、循证医学等大数据的数据挖掘，推理机、关联分析等AI技术在临床辅助诊治决策支持、医学专家系统、疾病预测、药物发掘等方面的研究。

表1　2008-2017年中文文献AI医学技术关键词词频

3　讨论与分析

3.1　AI医学成像

基于医学影(图)像为样本的AI医学成像研究是最为活跃的领域[8-9]。涉及文献量最多，汇集表1中“计算机辅助诊断、图像处理、图像分析、图像识别、医学图像数据库、病理诊断、细胞图像”等高频关键词；主要涉及医学影像学、临床病理学、临床检验学3个临床学科(见表1，如图3所示)。

图3　可视化矩阵0类示图

3.1.1医学影像学

医疗数据中有90%来自于医学影像，且现期我国医学影像数据正以30%的年增长率增长[10]。我国期刊最早的AI医学影像文献见于1986年，要归功于数字化图像技术的突破与图片存档及通信系统(picture archiving and communication system， PACS)的建立[11]。X射线摄影由银基胶片向数字化成像转变是AI医学影像的先决条件，而PACS可以认为是临床医学中最早建立的医学影像专业数字资源平台[12]。近代PACS在传统认识上的放射影像学(X射线摄影、CT、MRI等)的基础上，逐步实现与核医学、超声乃至窥镜等全医学影像系列集成，经长期积累而形成的医学图像大数据为AI研究提供了丰富的数据源。因此，有学者认为，医学影像与AI技术结合是最有发展前景的领域[13]。

样本文献中有193篇为医学影像学专题研究论著，占文献总数的38.22%。按研究病灶，文献分布数量由高至低分别为：①以肺结节、肺肿瘤研究为主的肺部影像76篇，其中按图像来源设备为CT65篇、PETCT8篇，余为数字化X射线摄影(digital radiography，DR)等；②乳腺影像62篇，乳腺X射线机32篇、超声成像设备20篇，余为乳腺CT、MRI、远红外成像等；③MR成像21篇，主要集中在脑部成像AI技术的应用研发(19篇)，2篇为心脏研究；④甲状腺影像11篇，全部为超声成像设备。其他文献散布在前列腺、肝脏、胃肠等脏器。AI技术应用主要为两个方面：一是图像识别，二是深度学习。我国学者广泛运用图像识别、深度学习以及神经网络、支持向量机、图像分割、图像特征提取、3D重建等AI算法与模式技术进行了大量研究，为临床医学提供3方面的技术支持。

(1)影像学辅助诊断。较典型的辅助诊断功能是通过PACS与临床流程紧密结合，在完成对急诊、门诊和住院患者的图像采集后，实时上传到云端AI数据分析平台进行图像识别等AI技术处理，完成分选、标识；医生在PACS终端上对AI处理结果进行审读、完成诊断并出具报告。此外，在糖尿病及皮肤病的AI辅助诊断上也取得长足进展；长征医院基于超过18万张来自EyePACS的眼底彩照构建了辅助诊断糖尿病视网膜病变的AI深度学习算法模型[14]。

(2)基层医疗机构常见病的影像学诊断、筛查。目前，对影像学诊断能力较弱的县乡医院的技术支持有两种方式：①通过远程专家系统，由上一级医院的专业影像医生提供远程诊断[15-16]；②尝试通过AI技术平台提供常见病影像学诊断或疾病筛查。随着医联体、互联网+医疗等新型医疗服务模式的逐步开展，可能会给AI医学影像技术的推广应用带来机遇[17]。有学者认为，AI是辅助全科医生提高诊疗水平的途径，可提高基层医疗运行效率[18-19]。

(3)辅助放射治疗计划。恶性肿瘤放疗靶区和危及器官的勾画占用了放疗科医生和物理治疗师大量的时间和精力，建立肿瘤靶区和危及器官勾画自动化智能化模型，将有效提高放射治疗工作效率。智能化勾画一般包括肿瘤多模态(式)影像重建、去噪、增强、配准、融合等预处理，CT、MRI等肿瘤影像特征自动提取，采用深度学习、机器学习、几何水平集和统计学方法等AI技术进行肿瘤放射治疗靶区和危及器官的智能化勾画等3个主要步骤[20]。图像轮廓的智能提取将是自动勾画的发展方向，Pinnacle等放射治疗计划系统运用Atlas模板库，初步实现了感兴趣区域(region of interest，ROI)自动勾画；四川大学开展了基于深度卷积神经网络的靶区勾画。

3.1.2基于显微镜图像的AI辅助诊断

基于显微镜图像的AI辅助诊断是AI医学图像研究的又一热点领域，临床实验室诊断中，临床病理的常规组织病理学诊断、液基细胞等细胞病理学诊断、免疫荧光检测等，血液学诊断，遗传学的荧光染色体原位杂交、染色体分型检测，以及临床检验的血涂片、尿液、粪便等样本检测，均是借助光学显微镜镜检完成。AI在显微镜图像诊断上的应用，很大程度上依赖于数字CCD等图像记录与全切片数字化图像(whole slide images， WSI)技术[21]。我国病理学者在20世纪80年代就开展了对血细胞、肺组织切片、脱落细胞等样本应用图像识别技术进行早期疾病筛查的积极探索，可以认为是病理学与AI技术结合的雏形。病理是临床疾病诊断的“金标准”，以病理诊断大数据为依托，AI结合病理诊断，期待可在提升诊断效率、诊断准确率上发挥作用，为精准诊断铺平道路。

文献检索共获得13篇报道基于体液图像AI临床检验研究的文章。有报道认为，最早的AI医学检验设备可为1983年应用图像法检测和识别尿中有形成分，在建立体液图像数据库的技术上，采用数字成像技术，提取体液样本中颗粒的多种形态特征参数，先通过人工鉴别让仪器学习，然后建立识别模型和算法。在检测未知颗粒时，首先提取颗粒特征参数，通过神经网络与数据库已知数据进行计算、比对而判断报告结果[22]。此外，AI在精液、粪便、阴道分泌物和宫颈细胞、血细胞、微生物、染色体分析与检测、标本自动传输管理等方面的应用研究也取得较明确的进展。

3.2　计算机辅助外科相关AI技术

可视化矩阵1类中聚集的“医疗机器人、计算机辅助外科、骨科和(或)创伤、微创外科和(或)内窥镜”等高频关键词展现了AI技术在微创外科、骨外科、口腔科、康复等领域里的研发和应用(如图4所示)。

图4　可视化矩阵1类示图

3.2.1外科手术机器人(surgical Robot)

衍生于工业机器人技术，借助PUMA260工业机器人平台于1985年首次开展了机器人辅助定位的神经外科活检术，成为医疗机器人起步的标志[23]。手术机器人是AI控制技术应用在医疗器械上的典型代表，其顺应了最小侵伤外科(minimal invasive surgery，MIS)的发展，将经腔镜微创手术向智能化、精准化推进了一大步。手术机器人也为远程医疗提供了可能，借助高速而稳定的互联网，医生可以通过显示屏实时了解患者的状况，遥控机械臂在千里之外完成手术。目前，手术机器人已在腹外科、神经外科、胸外科、骨外科、血管介入、颅面外科等手术中得到广泛应用[24-27]。据报道，2014年手术机器人全球市场额为33亿美元，预计2019年将达到46亿美元，5年年复合增长率为7%，而同期亚太地区将高达13.4%[23]。

经过数十年的快速发展，医疗机器人的功能覆盖了导诊[28]、手术、诊疗(诊断、介入、放疗、胶囊)、康复机、运送、护理、残疾和老年辅助等医疗保健流程。

3.2.2计算机辅助外科(computer-assisted surgery，或computer aided surgery， CAS)

CAS从PACS采集与决定外科手术路径、定位与周围组织器官关联的医学图像，利用多模态技术进行图像融合，利用AI算法进行3D可视化处理，导入外科医生的手术思维并由系统给出实施路径，最大限度地实现外科需要的解剖形态学信息可视化，并与3D打印技术结合实现实物化，在临床医学中显示出4个主要应用趋向。

(1)辅助制定手术方案与术中指导。传统的手术规划主要依据二维影像学数据，外科医生凭借术前获得的二维CT等图像信息构思形成3D立体解剖学结构图进而实施手术，手术质量更多取决于医师的决断力[29]。利用CAS制定手术方案、进行手术前精细规划，并在术中可随时调出CAS方案指导或辅助手术，极大提高了手术的精准性。CAS包括创建虚拟手术部位图像、进行AI图像分析与深度处理、建立手术前规划与手术步骤模拟、手术导航配合、肿瘤消融、实施手术等基本步骤。此技术的运用过程也带动了数字化手术室建设[30]。

(2)手术导航。手术导航是空间导航追踪技术、医学影像技术、AI技术以及临床手术技术的集成，实时显示手术操作数据信息，通过导航数字化达到手术精确化。可见，手术导航是导航追踪技术与CAS结合的产物，导航追踪方法主要有红外光学定位法、电磁定位法、超声信号定位法、机械定位法4种。导航系统接收预置在特定部位的信号对定位器进行追踪，再根据所采集到的特定解剖部位的运动轨迹，通过AI图像处理技术描绘出手术区域的空间形态，医生手持带有定位装置的器械，在实时监测手术操作的位置是否准确的进程中实现术中“导航”进而完成手术。

(3)辅助教学。CAS构成的虚拟仿真场景无疑为临床教学、年轻临床医生培养提供了重要技术支持，显示出较其他教学媒体技术更高的优势，解决了掌握现代手术器械技术难、高年资医师更多地依赖于手术经验，有时精确性并不可靠等问题。CAS系统还可以作为带教医师的一种示教工具，发挥临场感外科手术(telepresence surgery)作用。此外，CAS系统可实时地反馈操作数据对操作者进行评价，北京大学第三医院骨科报道了“计算机导航系统在骨科膝关节置换术教学与培训中的应用”，极大提升教学与培训质量[31]。

(4)患者及家属宣教。利用虚拟手术系统及3D打印实物，更便于向患者及家属形象化讲述手术过程、进行健康宣教，促进术后康复[32]。

值得注意的是，CAS的研发与应用更体现临床医学以及解剖学等基础医学学者与工程技术单位密切结合、联合开发的重要性。例如，青岛医学院在从事“国家十二五科技支撑计划”项目的研究中与海信公司合作研制出Hisense CA，实现了小儿肝脏肿瘤精准手术[33]。CAS应用领域现已扩展到耳鼻喉、颌面、创伤、口腔等外科相关领域。

3.3　AI算法与生理学信号检测

可视化矩阵2类，一方面集中反映了各种AI算法与模式在医学数据、医学信号处理上的基本知识体系及其运用，另一方面是生理学信号检测的AI分析技术(如图5所示)。

图5　可视化矩阵2类示图

3.3.1AI医学技术的知识体系

AI是计算机科学的一个分支学科，随着数学、计算机科学的发展，诸多AI算法、技术模式运用到AI医疗健康研究中。有学者绘制了1991-2013年共引文献网络AI知识图谱[1]的结果表明，3篇论述遗传算法、贝叶斯网络与模糊集合理论的文献在AI技术发展的进程中起着导向作用。提取样本文献中的AI算法、技术模式与应用场景，构建两者的关系矩阵，可初步勾画出AI技术应用图谱。AI应用在医疗健康领域的主要技术路线表现在查询方法、自然语言处理、感知处理与深度学习4个方面。在各AI医疗健康专题AI模式、算法的应用如图6所示。

图6显示，在各医疗健康领域AI技术的应用并不均衡，某种程度上折射出研究的集中度及活跃度。

图6　AI技术在医疗健康领域的应用(项)示图

3.3.2AI技术与神经科学

AI和大数据技术是神经科学发展的“加速器”，而显微光学切片断层成像(micro-optical sectioning tomography， MOST)、功能MRI等技术的日臻成熟，为绘制人脑结构和功能信息的3D空间分布的脑连接图谱、开展脑空间信息学研究提供了技术条件。有学者认为，脑空间信息学研究将为理解脑功能与防治脑疾病打下坚实基础，并预测2030年神经科学和类人脑AI将迎来第一轮重大突破，革新原有AI的算法基础，人类社会初步进入“强”AI时代[34]。到2050年，神经科学和类人脑AI迎来第二轮重大突破、类人脑AI进入升级版，人类社会将全面进入强AI时代[35]。

3.3.3AI生理学信号分析

基于心电、脑电、心音、血压等生理学信号分析的AI研究较为广泛，是AI进入较早的领域，自动分析心电图仪就是典型实例；运用到可穿戴设备技术领域，将促进健康管理、移动医疗的开展。

3.4　AI与健康信息管理及新型卫生健康模式

可视化矩阵3类反映了AI技术与信息技术、互联网技术融合在助力电子健康档案(electronic health record，EHR)建设以及促进卫生健康信息利用的同时，协同可穿戴设备等技术实现远程医学、移动医疗、慢病管理等方面的研究(如图7所示)。

图7　可视化矩阵3类示图

3.4.1AI与健康信息管理

队列分析等AI数据分析工具与信息管理结合，在盘活日益积累形成的卫生健康大数据源、促进健康信息管理的效应已毋庸置疑。另一方面，在慢性疾病管理、疾病预测与风险评估及生活方式干预方面应用研究取得的进展令人瞩目。

(1)慢性疾病管理。慢性疾病已成为影响全人类健康的头号因素，我国慢性疾病具有“患病人数多、医疗成本高、患病时间长、服务需求大”的特点。AI技术将创新慢性疾病管理模式，以糖尿病管理为例，在搜集病例、患者血糖、用药等数据后建立专家知识库，通过AI引擎分析为患者提供指导，实现对血糖的控制。无创血糖监测技术的突破结合智能可穿戴设备技术，将为慢性疾病管理开辟新天地。

(2)疾病预测。慢性疾病通常伴随较为严重的并发症，管理不当就会引发风险危及患者生命，如果能在早期预测疾病风险并采取干预性的措施，可以避免风险、保护生命。AI能够处理人类无法处理的大数据样本，从数据中发现风险因子和有价值的信息，提高预测效率，开发实时的AI医疗健康预测预警技术将有益于疾病防治[36]。

(3)生活方式干预。有效干预慢性病患者的饮食、运动、用药等生活方式的自我管理以及环境因素控制，是慢性疾病管理成功与否的重要环节。基于机器学习的方法从海量数据中挖掘每个患者个体的风险水平及征兆，识别出需要干预的人群，并通过用户偏好的渠道(如自动呼叫、人工呼叫、邮件、短信、网站等)在精确的时间发送用户恰好需要的健康管理、健康食谱、运动建议、用药建议等有针对性干预措施。我国已有企业开展此项业务(如蓝信康公司)，结合AI在移动慢性疾病检测、健康风险评估、智能药事服务和生活方式干预4个方面进行健康服务。

3.4.2新型卫生健康模式

(1)健康宣教与虚拟辅助。利用多媒体技术与信息技术构建的健康宣教系统已在对住院患者及家属的健康指导、提升就医体验等方面发挥了较好作用，某种程度上成为医护流程的延伸[37]。AI技术进入健康宣教领域，综合利用健康数据源必将赋能健康宣教智能化，为提升医疗质量、增强慢性疾病管理服务能力等方面注入活力。AI虚拟辅助技术还可成为慢性疾病患者的虚拟助手，如利用语音技术，将患者语音提问准确转化为文本，再经过自然语言处理解析，进一步从知识库中找出匹配患者问题的答案，而后通过语音合成技术以语音等方式进行回答。

(2)AI与可穿戴设备技术。可穿戴设备与AI两者结合构成可穿戴智能设备，在加强人体生理学信号远程监测分析能力的基础上，使得人体感知能力进一步补充和延伸，情景感知将会是下一个智能硬件科技新趋势，可穿戴智能设备将具备某些“情景感知”功能的应用软件，心脑血管、呼吸、慢性疼痛等疾病将会得到有效控制，初步实现AI健康管理。因此，研究面向穿戴设备及智能家居的新一代感知智能语音交互核心技术，可能是AI技术产品发展的重要内容之一。此外，智能可穿戴设备技术与医疗卫生机构及区域电子健康信息平台间的衔接，将在健康信息的交互利用等方面发挥巨大潜力。

(3)AI与医院管理。AI在医学领域的广泛应用，也带动了在医院综合管理上的应用。我国学者对“人工智能助力医院精细化管理”、深度机器学习辅助医院智能化管理、医院信息化管理中智能信息处理技术的应用研究、基于遗传算法的医院仓库路径优化研究以及不良事件管理等做了专题研究，对提升医院管理水平起到重要作用[38]。

3.5　数据挖掘与医学专家系统

矩阵4类中所包含的数据挖掘、大数据(中医药)、电子病历、医学专家系统、知识库、知识发现、关联分析、推理、基因学诊断、中医证候等高频关键词，集中反映了AI技术在构建临床辅助诊治、医学专家系统等方面的研究与应用(如图8所示)。

图8　可视化矩阵4类示图

3.5.1AI医学技术与大数据

大数据是开展AI医学技术研发的智慧源泉，数据挖掘是开展此项工作的基础性技术，包括数据发现和数据分析两个主阶段。能够采集到有效且足够数量的数据并经分析整合为有一定规律的数据项，才能为之后的机器学习等AI技术的运用铺平道路。当然，AI技术也可辅助数据挖掘，并寄希望于实现真正意义上的自动获取知识，技术路径体现在下述两方面。

(1)从数据库、互联网上挖掘发现知识。首先要解决被发现知识的自然语言表达以及数据挖掘算法的效率与可扩展性、数据的时序性等问题[8]。

(2)利用智能接口技术进行文字识别、语音识别、语音合成、图像识别、机器翻译以及自然语言理解等作为数据挖掘与机器学习等AI技术的衔接。此类研究的前期多建立在综合利用电子病历及医学影像(PACS、RIS)、临床检验、生命体征信号监测等数据源进行数据挖掘的基础上，形成辅助诊断系统、中西医专家系统、药物发掘、医院管理等专题领域。

3.5.2AI辅助诊断

辅助诊断的第一步是通过自然语言处理(natural language processing， NLP)学习、理解和归纳医疗信息，包括医学书籍、期刊文献、诊疗指南和病历等海量信息，自动构建一个大规模的“医学知识图谱”，形成类似机器大脑的“医学知识库”；第二步采用深度学习技术去学习海量临床诊断案例，再对比数十万项机器与专家的诊断数据后持续优化模型，不断提升其诊断能力，得出基于医学影像、检查检验结果和病史等多个维度的深度诊断，给出具体病症的辅助诊断结果。在临床工作中，病理诊断、临床检验、影像学诊断等数据的综合分析利用是一项繁重的工作。而这些信息传递后到临床诊治决策之间，主要由临床医生在收集到各种检测报告信息资料后独立完成分析用于临床诊治，存在着信息利用效率和利用度问题。因此，寄托于建立AI辅助诊断系统医生诊断发挥辅助作用，为医生提供了更好的决策基础，提高临床数据的利用度和诊断效率。根据AI辅助诊断的发展进程与现状，大致可分为两类：①专业或专科或某种疾病的AI辅助诊断，如放射学图像辅助诊断系统、临床检验辅助诊断新系统、乳腺疾病辅助诊断系统等；②综合AI辅助诊断系统，样本文献中多为专科或专病AI辅助诊断，而综合AI辅助诊断系统的报道较少，但后者应当是发展方向，因临床诊断需要综合各类检查结果进行判定，1个就诊病例也可能涉及多种疾病。

诸多AI技术公司角逐AI辅助诊断领域，新技术、新产品不断推陈出新。例如，2017年8月，腾讯公司推出了首款把图像识别、大数据处理、深度学习等AI技术与医学跨界融合研发出的AI医学产品“腾讯觅影”，辅助医生进行疾病筛查和诊断。随后又进一步将腾讯觅影的功能由单一病种扩展到多病种，从早期食管癌筛查到肺结节、糖尿病视网膜病变、乳腺癌、胃癌等疾病筛查，并落地100余家三甲医院。

3.5.3医学专家系统

医学专家系统(medical expert system，MES)通过AI技术完成智能数据提取、智能分析指导临床，是AI技术在临床诊断、治疗领域中的一个最富有代表性和最重要的应用事例。MES是在某个医学领域内具有专家水平的智能推理系统，设计原理与方法是在吸收了大量的知识和经验，模拟医学专家诊断疾病的思维活动、推理判断以及治疗方案与路径，得出与人类专家一样的结论，籍以帮助医生解决复杂的医学问题，作为医生诊疗的辅助工具[39-40]。区别于AI辅助诊断，MES应当能够综合诊断、治疗乃至预防、保健多方面内容，在从疾病诊断、治疗、随访、预防、疾病风险预测预警、健康信息管理与指导等系列AI卫生健康的功能节点上发挥效应。

1976年，美国Stanford大学成功研制的一种用于诊断和治疗细菌感染疾病的人工智能医学专家咨询系统(MYCIN)，用于血液感染诊断和抗菌素类等治疗药物的选用；匹兹堡大学在1982年开发出内科计算机辅助诊断系统(Internist-I)；哈佛医学院1991年开发出包含2200种疾病和5000种症状的“DXPLAIN”软件。随后，相继出现了用于青光眼、贫血、艾滋病、皮肤癌、乳腺癌、肺癌、肝病等的MES。1978年，北京中医医院与计算机科学领域专家合作开发了“关幼波肝病诊疗程序”，将医学专家系统应用到我国传统医药领域。中山大学中山眼科中心联合西安电子科技大学的研究团队，利用深度学习算法，于2017年2月建立了“CC-cruiser先天性白内障人工智能平台”[2]将检查数据同步到CC-cruiser平台，对大量先天性白内障图片进行分析和深度学习，并不断反馈提高诊断的准确性；将此程序嵌入云平台后，通过云平台上传图片，即可获得先天性白内障的诊断、风险评估和治疗方案。在与3家医院合作成功完成临床试用后，进一步连接西藏、新疆、云南、青海等边远地区，在医学AI应用场景下，平台对上传的病例数据及图像AI程序进行初筛，再经专家复核，效率提升70%以上。中南大学湘雅二院等单位联合开发的“皮肤病人工智能辅助诊断系统”、浙江德尚韵兴公司开发的“DE超声机器人”[41]等也取得了较好的临床应用效果。

3.5.4药物发掘

AI技术较早就涉入了药物发掘(或称药物发现drug discover)领域，颠覆了传统药物设计观念，且取得较好进展。传统的药物研发模式周期长、成本高、成功率低，利用AI技术先在计算机上进行预测、模拟药筛，然后进行有针对性的实体筛选，从而极大地降低药物研发成本，提高研发效率。

AI利用大数据和机器学习方法，即从论文、专利和临床试验结果的大量信息中提取出药物靶点和小分子药物的结构特征，根据已有的药物研发数据提出新的可以被验证的假设，自主学习药物小分子与受体大分子靶点之间相互作用机制，根据学习到的各种信息预测药物小分子的生物活性，设计出上百万种与特定靶标相关的小分子化合物，再根据药效、选择性、药物动力学(absorption， distribution，metabolism， excretion， ADME)等其他条件对化合物进行筛选；对筛选出来的化合物进行合成并经过实验检测，然后将实验数据再反馈到AI系统中，用于改善下一轮化合物的选择；经过多轮筛选，最终确定可用于进行临床研究的候选药物。使用AI极大加速了药物研发过程，并可对新药的有效性和安全性进行预测。

沈建苗[42]报道了英国独角兽(Benevolent AI)等9家初创公司运用AI计算进行药物发现的事例。在中药学研究方面，中国药科大学[43]在应用全息图谱(性状图谱、显微特征图谱、基因图谱、化学全成分图谱、主成分含量图谱、血清药化学图谱等)控制中药材质量的基础上，利用计算机图像识别技术与专家系统，建立一套具有计算机视觉、中药模式识别、中药评测专家系统、机器学习以及分布式智能处理体系5个功能的中药材质量检测人工智能系统。

4　结论

AI医学产生于综合科技高速发展，计算机科学、信息技术、互联网技术与积累丰厚的人类医学知识深度融合的时代，是备受关注的技术领域。文献分析与双聚类可视化分析结果表明，我国文献在AI医学装备技术领域的研究与报道聚焦在基于医学图像的医学影像学、临床病理学、放射治疗图像配准与靶区勾画等的AI辅助诊治技术；医疗机器人与CAS；AI算法及模式研究与应用；AI技术与电子健康档案等健康大数据结合，在远程医学、移动医疗、慢性疾病管理等方面的应用；基于临床数据、知识库、中医药文献等大数据在构建临床辅助诊治、医学专家系统等方面AI技术的研发应用；基本上映射出我国AI医学技术研究报道的热点。我国AI医学技术起步具备较好的科技基础、呈现出良好的发展态势。

4.1　围绕我国发展医学人工智能战略的顶层设计开展研究、加强支撑体系建设

2017年7月8日，国务院下发《国务院关于印发新一代人工智能发展规划的通知》(国发[2017]35号文)，文件强调发展我国“人工智能产业进入全球价值链高端。新一代人工智能在智能制造、智能医疗、智慧城市、智能农业、国防建设等领域得到广泛应用”和“推广应用人工智能治疗新模式新手段”。为贯彻落实规划，加强支撑体系建设，中国医学装备协会联合有关单位发起成立“中国医学装备人工智能联盟”，联盟将在AI医学装备的研发、生产、应用领域搭建政产学研用协同平台，促进AI科技成果转化，推动AI医学装备的应用，双向提高产业发展能力与卫生健康服务水平。

4.2　规范采集数据、科学分类数据、有效利用数据

大数据是发展医学装备AI技术的重要基础条件，数据采集过程的规范、质量有否，决定着数据整合的可行性及数据分析的有效性。因此，必须在大数据利用的源头抓起，建立行业标准，实现统一规范的数据信息互联互通、资源共享；同时，建立基于循证医学的数据整合集成标准、信息安全标准，最大程度的兼容、推广转移研究成果；AI技术产品的科技创新应与我国卫生健康的需求相一致，应当在分级诊疗相关的临床路径、慢性疾病管理、基层医疗适宜技术、家庭保健、医养结合等环节找到AI医学技术的落脚点，使研究成果有效服务于我国卫生健康事业。