人工智能在辅助医疗领域现状与未来发展趋势概述

许家睿

【摘要】    人工智能技术自上个世纪五十年代被提出来之后，已经经历了近半个世纪的高速发展，在各行各业有着广泛的应用价值。以专家系统为代表的人工智能技术与医疗领域结合后，取得了令人瞩目的应用成果。近年来，计算机视觉、深度学习等人工智能新兴技术与医疗领域的结合更为广泛，为“人工智能+医疗”带来了新的前景，但目前人工智能在医疗领域的应用仍以辅助功能为主，缺乏自主诊断的能力，也存在一定的法律和伦理风险。本文介绍了医学专家系统、医学影像、知识图谱、计算机视觉、深度学习等技术在医疗领域的应用，最后从国家政策和医疗体系等方面对人工智能医疗的未来进行了展望。

【关键词】    人工智能    医疗    应用    未来展望

引言

人工智能是当今拥有广阔发展前景的新兴科学技术，为人类的生活方式带来了诸多影响和改变。现如今，人工智能技术，包括图像识别、自然语言处理、知识图谱、计算机视觉等，已经在生产、生活的各个场景下得到了广泛应用，掀起了新一轮工业革命。人工智能的概念早在上世纪50年代就被提出，诞生之初便与医疗系统拥有紧密的关联，70年代初，由美国斯坦福大学开发的MYCIN系统，协助医生对血液感染患者进行诊断，并具备推测断可能的致病菌、为患者选用合理的抗菌素类药物进行治疗等功能。进入二十一世纪，人工智能在医疗领域受到了更为广泛的关注与应用。由IBM研发的新一代人工智能平台，具有逻辑推理程序，是专家系统在医学人工智能领域的翘楚。自2011年开始，被用于美国安德森癌症医院进行肿瘤循证诊断。人工智能所特有的快速处理且相对独立的特性决定了其在医疗领域拥有广阔的发展前景，近年来衍生出许多基于人工智能技术的前沿医学技术和医疗器械。本文论述了人工智能在辅助医疗领域的现状与未来发展趋势，探索人工智能的医用价值。

一、人工智能在辅助医疗领域现状与问题

1.1 医学专家系统

专家系统可以看作引入了专业领域知识并可以进行推理的特殊程序，用于模拟某个领域专家的工作，是早期人工智能领域的一个重要分支。传统专家系统主要由知识库和推理机组成。知识库是专家系统最重要的组成成分，知识的质量直接影响专家系统的表现。知识库包含基本事实，相关理论，经验知识和推理规则等信息。医疗专家系统需要利用病历信息、书籍、论文以及专家传授的经验构建高精度的知识库，才能达到较好的诊疗效果。推理机按照某种策略，根据知识库中的规则和已知事实推断得出结论。一般有两种推理策略：前向推理，从已知的事实出发，在知识库中寻找匹配的知识，将推理出的新事实作为下一步的已知事实，重复这一过程直到得出结论。临床诊断中，医生根据患者的症状和检查结果，与已知疾病的症状进行比较，分析患者疾病并开出相应药物，这个过程就是前向推理。后向推理是前向推理的逆推理，先提出假设，再匹配结论与假设相吻合的规则，根据所需的条件又提出新的假设，直至所有假设都能从用户得到，从而确证最初的假设。相同的病症可能有多种病因，事实和结论之间通常不是绝对的关系，这是就需要统计推理，选择可信度较大的结论。随着深度学习的发展，专家系统也与自然语言处理、计算机领域等相结合，成了更加复杂、功能更加强大、交互性更好的系统。

沃森是目前影响范围最广的医疗专家系统之一，2012年，IBM决定将其应用于医疗健康领域，解决全世界范围的难题——癌症。利用自然语言处理和深度学习算法，从百万页的医学论文、期刊和临床实验报告和上万本病例中提取并理解数据，并结合专家的经验，给出多份治疗方案，为主治医师提供多种选择。而这个项目并没有按照预期规划进行发展，在近几年陷入困境。在臨床的实验中，医生发现沃森开出了危险的治疗意见，给有出血症状的癌症病人开了可能引起严重出血的药品，严重时可致患者死亡。此外实际的使用和对系统的训练中，也是困难重重，虽然沃森具有强大的学习能力，但其不具备分辨能力，其知识库中只有少部分论文包含有价值的信息，如果不加以筛选，可能会得到错误的治疗方案。

1.2 医学影像

医学影像借助于电磁场、超声波等介质，以非侵入的方式将人体内部组织结构以影像形式呈现出来。随着大型医学成像技术与设备的普及，医学影像检查已经成为提供医疗诊断关键信息、协助医师评估患者身体健康情况的一门医疗技术。医学影像可以分为成像和图像分析两部分的工作。成像过程，人工智能技术不仅可以加快成像速度，减少成像时间，避免患者不自主运动对成像质量的影响，还可以去除噪声，实现成像质量的提升。在对影像的分析中，人工智能可以从海量数据中提取有价值的信息，帮助医生提高影响识别的准确率，避免主观因素的影响。基于人工智能的医学影像研究对包括皮肤、脑部疾病和眼底病变等展开研究，对于部分疾病，人工智能的准确率达到了专家水平，但是也面临着一些问题。

Google的DeepMind Health团队将深度学习应用到糖尿病性视网膜病变问题中，通过检测测试者视网膜眼底图像，进行病情预警和诊断。在理想的实验室环境下，这套系统的诊断准确率高达90%，相当于人类专家水平。但是在临床上的表现却不尽如人意，与泰国的合作中，十一家诊所中只有两家具有满足条件的影像室，由于光线问题，超过20%的图像都不能正常识别，网络问题导致患者等待处理结果数个小时。Google的经验说明，人工智能在医疗领域，要能真正落地应用，不仅需要技术上的改进，使之能够适应临床环境，还需要从医生和患者的角度出发，去满足他们的需求。

1.3 知识图谱

知识图谱在图书情报界又被称为知识域可视化和知识领域映射地图，其概念最早于2012年由谷歌公司提出。知识图谱本质上是一类融合自然语言处理、信息可视化技术、计算机科学等技术的自然语义理解网络，以事件、实体作为节点及事件联系作为边的基本单位储存数据、通过在于语义层面建立“实体——关系——实体”的三元连接以综合分析处理多学科的知识并可视化展现。

基于专业知识库的知识图谱可以辅助医生进行医疗诊断以及提供合理的用药建议，提高现代医疗的效率与水平。就专业知识的知识图谱的构建步骤而言，可以合理选用具有较高学术价值的相关专业知识领域的数据库及热点交叉领域的文献进行可视化分析整合，进而广泛地呈现病情的可能发展方向、为医师提供具有合理性的用药指导。

基于专业知识图谱建立咨询系统，可以有效率地分析病情并针对特定情况提出健康建议，通过知识图谱强化医疗系统的服务职能。在对于搜索内容本身的语义发掘、计量其中共现词的分析下，可以一定程度上反映出在特定疾病领域投入关注较多的各国家和地区医疗领域研究主力与热点研究方向，侧面反映所采用数据的对象数据质量的研究深度与专业程度，所得的可视化分析结果可以直观清晰地供给对于世界医疗体系在全球化趋势下研究领域侧重方向与发展现状的探讨，对于明确医疗疾病领域科研建设性、领导性的纲领、形成国际社会统一的具有普适性的医疗手段具有良好的推动作用。

二、人工智能在辅助医疗领域的应用

2.1 人工智能在乳腺癌领域的应用

徐琰、胡保全简述了人工智能在乳腺癌诊断、病理诊断、辅助抗癌药物开发等方面的作用，梳理了筛查乳腺癌的CAD、人工智能技术与乳腺癌针吸细胞学病理诊断等相关应用。基于目前全球范围下人工智能在乳腺癌领域的应用实例，两人提出了乳腺癌领域的工作内容与医学影像学和病理学领域密切相关，而这两个领域正处于人工智能发展较为迅速的潮流之下;而目前人工智能尚处于“弱人工智能”阶段，距离全面融入临床医师日常工作、全球范围大规模使用、切实缩小不同地区间医疗水平差距等目标尚有很长的路要走。

2.2 人工智能在中医骨伤科领域的应用

刘军等人对于人工智能在中医骨伤科领域的应用进行了研究，在数据挖掘 （data mining，DM）、图像处理与模式识别技术、华佗（WATO）全膝关节置换手术机器人系统等实例佐证下提出了精准医疗的应用典范。主要探究了数据挖掘在骨伤科研究方面的应用、图像处理与模式识别与中医中“望、闻、问、切”诊疗手段的关系，以及基于计算机视觉的医学影像和基于智能机器人的医疗机器人在智能诊断和智能治疗环节的应用价值，并提出了现阶段我国人工智能与中医骨伤科领域相结合的诸多问题。

2.3 人工智能在血管外科的应用

赵纪春介绍了辅助诊疗方面，人工智能与医学影像等技术融合后在血管外科的实际应用场景。医学影像人工智能产品早已投入多种血管癌病种的筛查中，对于在动脉瘤先兆破裂或紧急破裂等紧要情况下可以快速辅助医生进行决策，减少病人的死亡率。同时，人工智能也在提高医生的工作效率、保护一生的工作健康中起到很大的作用，如血管介入机器人在血管介入手术中的实际应用可以减少医生辐射下的工作时间，保障医护人员的工作健康。

2.4 人工智能在医疗领域的应用问题

在人工智能医疗技术为医疗领域分担压力、提高工作效率的同时，我们也需要关心其潜在的隐私问题。在患者通过人工智能医疗系统进行病理诊断时，会在系统中留下与自身身体数据隐私和病情相关的生理、心理健康等相关信息，除患者的基本公民信息以外还包括基因检测等对于患者具有严格的隐私性的数据。如果这些数据不被安全合理地管理和保存，被通过不法途径取得，会侵犯患者的权利，会造成民众内对于医疗领域人工智能技术的信任下降，对于人工智能辅助医疗的广泛应用具有反推的作用。因此，对于现阶段医疗领域人工智能技术的实际运用，需要探究相关的法律责任机制和医疗伦理问题。

三、人工智能在辅助医疗领域未来发展趋势

3.1 国家政策支持

要将人工智能应用到辅助医疗领域，需要医学领域的专业人士与程序开发者的共同努力。受限于人工智能算法的原理，目前算法的可解释性较差，鲁棒性较差，研发难度大。产品从设计到落地有很长的研发周期，需要大量的资金支持。而大部分企业无法承担这样的研发费用，限制了人工智能在医疗领域的发展。而一旦成功应用，可以很大程度解决医疗资源分配不均的问题，扩大医疗服务普及范围，让优质医疗资源更加公平。因此国家应该加大对相关企业的投资力度，鼓励支持企业对于人工智能医疗领域应用的研究。出台政策加强校企合作，充分学术界和产业界的资源，共同研发，攻克这一难题。

3.2 完善医疗体系

医疗体系需加强合作、完善，形成各医疗机构间数据共享。无论是专家系统知识库的构建，医学影像系统数据的标注，还是建立统一的医学标准术语，都需要具有丰富临床经验的医学专家的参与和指导。而且需要各个医院共享医疗数据，医药、医疗器械相关的企业也应该提供相应的帮助。然而目前优质医疗资源匮乏，符合条件的医生没有额外的精力投入到相关科学研究中。

四、结论

人工智能与医疗的结合自医学专家系统开始，已有了数十年的发展历程。现阶段，受限于人工智能技术的发展瓶颈和医疗数据共享的壁垒，人工智能在医疗领域更多承担起辅助的作用，并不具备自主诊断、提供个性化医疗方案等高级能力。以计算机视觉、知识图谱为代表的新兴技术正在为“人工智能+医疗”带来更多的应用场景。目前，人工智能在医疗领域的应用还存在诸多问题，如个人医疗信息的泄露风险，以及辅助医疗技术的伦理与法律问题，都会对人工智能医疗的应用前景产生影响。因此，要从国家政策和医疗体系等方面进行统筹建设，为未来“人工智能+医疗”高速发展奠定良好的基础。

参  考  文  献

[1]赵峥. “互联网+”医疗模式的构建研究[J]. 网络安全技术与应用，2020，（05）：131-133.

[2]  刘军，韩燕鸿，潘建科，曾令烽，梁桂洪. 人工智能在中医骨伤科领域应用的现状与前景[J]. 中华中医药杂志，2019，34（08）：3608-3612.

[3]  李明杰. 人工智能生成内容的著作权研究[D].北京化工大学，2019.

[4]  周海辉，张海霞，严婷婷，葛卫红. 肿瘤大数据在抗肿瘤药物应用中的研究进展[J]. 现代药物与临床，2018，33（11）：3079-3082.

[5]  赵一鸣，左秀然. PACS与人工智能辅助诊断的集成应用[J]. 中国数字医学，2018，13（04）：20-22.

[6]  徐琰，胡保全. 浅谈人工智能在乳腺癌领域的应用进展[J]. 大数据时代，2018，（01）：59-63.

[7]  陈权，谭鸣. 一起“乳腺癌”病理報告失误导致的医疗事故分析[J]. 外科研究与新技术，2012，1（03）：169-170.