医疗领域中的AI

很多医疗领域内，人们正在对AI的用途进行发掘，如通过学习电子病历系统等健康管理系统得到有用的信息，并指导医师进行治疗决策。在很多专科，AI已经崭露头角，表现不亚于甚至超过人类专家。

眼科：已有多项研究评估了AI筛查糖尿病视网膜病变（俗称“糖网”）的能力，后者是全球范围内增长最快的致盲原因之一。如近期的一项研究中，接受了128 000张视网膜图像数据的训练后，一种深度学习算法在检测有临床意义的糖尿病视网膜病变方面显示出了较高的敏感度及特异度。

心内科：有研究者使用284 335例患者的视网膜眼底图像数据集训练了一种深度学习算法，该算法预测个体未来5年内心血管风险的准确率为70%。值得注意的是，该算法基于年龄、性别、吸烟状态、收缩压等高危因素评估风险，而这些风险过去被认为無法在视网膜图像中加以量化。另外，英国研究者评估了一种机器学习算法对个体未来10年内首发心血管事件风险的预测效力，并将其与基于美国心脏病学会（ACC）风险评估指南的预测进行了比较。结果显示，该算法可显著提高心血管风险预测的准确性。

放射科：Thomas Jefferson大学医院放射科的研究者训练了两种卷积神经网络（CNNs）——AlexNet和GoogleNet，并用于鉴别150张胸片是否存在结核。结果显示，CNNs准确识别结核存在与否的曲线下面积（AUC）为0.99，且两种网络相结合时表现最好，识别准确率达96%。

卒中：ALADIN研究比较了一种AI算法与两名训练有素的神经科医生识别300张CT片大动脉闭塞的表现。该算法的敏感度为97%，特异度为52%，准确率为78%。

外科：AI技术加持下的外科机器人已问世多年，最有名的可能是达芬奇手术机器人系统，2000年获FDA批准用于腹腔镜手术。此外，McGill大学的研究者研发了一种名为“McSleepy”的麻醉用机器人，可分析患者的生物学资料及识别功能异常，同时“见机行事”。

皮肤科：一项研究中，研究者比较了深度CNNs与21名认证皮肤科医师在2 000张图片中识别皮肤癌的能力，真实患病情况已通过尸检加以确认。结果显示，CNNs的表现不亚于皮肤科专家。

病理科：同样是与人类专家进行比较，一种CNN在显微镜下成功识别出92.4%的乳腺癌淋巴转移，而病理科医生的敏感度为73.2%。