人工智能（Artificial Intelligence， AI）自1955年由约翰 麦卡锡提出以来，虽然经过了几个兴奋和幻灭的周期，但自2010年以来，随着深度学习取得的巨大成功，通过从样本输入构建模型，产生了无需明确编程就能学习的系统。在此基础上，近年来产生了能够在某些特定任务上超越人类的AI系统，例如围棋和危险游戏中的成功，其中图像分析尤其适合深度学习技术。据报道，2017年，深度神经网络在皮肤癌图像分析中的成功使用比皮肤科医生更准确，并且能够通过视网膜图像诊断糖尿病性视网膜病变^[1]。从此人工智能为医疗保健带来变革的限制可能转变为对于大规模、高质量、结构良好的数据的内在要求。

截止目前，虽然出现了很多令人欣喜的AI技术成果，但用于临床的却只有小小一隅。在技术上将已有信息成功转化为有意义的临床信息是下一个巨大的挑战。大量的健康数据仍然被记录为文本，使用自然语言处理方法提取具有临床意义的信息是一项具有挑战性的任务。

1 AI在医学领域的应用

1.1 肿瘤成像上的应用

AI擅长识别图像中的复杂模式，因此提供了将图像解释从纯粹的定性的主观任务转变为可量化和轻松再现的客观任务的机会。此外，AI可以量化图像中人类无法检测到的信息，从而补充临床决策。AI还可以将多个数据流聚合到强大的集成诊断系统中，这些系统涵盖射线照相图像、基因组学、病理学、电子健康记录和社交网络。目前，AI在肿瘤成像中主要执行三大临床任务，分别为肿瘤的检测、表征和监测。基于AI的检测工具能够减少观察疏忽，并且作为防止遗漏的初始屏障；表征表示广泛地捕捉肿瘤的边界、诊断以及分期。它还可以扩展到包括基于给定疾病的预测以及基于特定治疗方式的结果预测；基于AI的监测能够捕获图像随时间推移的大量区别特征，它在监测肿瘤随时间的变化方面发挥着越来越大的作用^[2]。

1.2 病理学上的应用

近一个世纪以来，病理医生的工作模式几乎没有太大进展，近年来出现的数字化病理切片以及相应的AI系统却离不开背后病理专家们进行手动标注。

这一切在2019年迎来了重大突破，终于出现了首个临床级别的AI系统。数据科学家Thomas Fuchs团队公布：基于15000名癌症患者的4万余张数字化病理切片的新AI系统，对前列腺癌、基底细胞癌和腋窝淋巴结转移乳腺癌的测试曲线下面积（AUC）均高于0.98^[3]。并且，该系统在学习过程中使用的是来自于常规病理报告的数据（未经过事先处理，且无需手动标注），不仅可以纳入的数据量有了前所未有的增加，对临床上各种形态的肿瘤病理也获得了更高的辨识度。据统计，该系统若投入临床，在100%的灵敏度条件下，可以减少65%~75%的病理医生读片工作，极大程度地提高工作效率。

1.3 医学教育上的应用

1.3.1 辅助课程设计

可以使用逻辑回归模型的AI辅助进行课程设计和管理，比传统方法拥有更大的优势。早在2010年就有研究表明，采用人工神经网络和支持向量机建模方法进行课程评估可以获得更高质量关于课程有效性和学生满意度的评估结果。

1.3.2 辅助学习

AI的辅助学习可以有效提高学生对于医学知识的学习效率。可以为受训者提供良好的模拟环境进行仿真训练，目前已经有包括TOUCH系统，LANYSTOTRAIN和EchoComJ等良好的AI虚拟现实仿真模拟系统应用于包括外科手术训练、实验操作训练等各个方面。

2 AI应用的思考与展望

2.1 评估AI系统的性能

一项技术的发展必然离不开对性能的评估，这对于AI技术来说却尤为困难。因为深度学习系统中的抽象概念会使得如何完成任务的过程藏于“黑箱”之中，我们只能得到结果进而难以开发一个框架来评估和比较AI技术的性能。当越来越多的AI技术出现时，缺乏评估体系必然会导致竞争关系的失衡，不仅会给医疗服务技术的进步带来影响，也会成为全民健康水平提升的绊脚石。

2.2 数据安全与伦理

AI应用中对于隐私的保护和数据的安全性也需要得到重视。2018年英国的《数据保护法》以及2012年新加坡的《个人数据保护法》的颁布都说明了保护数字化信息的重要性。特别当AI技术用于商业用途并获利时，对于个人信息数据的保护显得尤为重要。就目前AI技术的发展情况而言，仍需要健全的数据模型来评估和获取各类数据库用于开发AI在医学领域的应用。

2.3 AI技术提升与实际工作需求的适配

AI技术的发展需要大量样本作为数据支持，同时如何使用自然语言解构实际工作数据成为一大挑战，也是阻碍AI应用于临床工作的一个重要原因。因此需要包括工程师、科学家、临床工作者以及患者建立紧密的配合，并提升工作的相关性，进行更加有效的合作。各种AI系统应用于医学领域无疑标志着医学技术正在经历着重大变革。其他行业深入学习的成功经验激发了临床研究的兴趣。临床医生和数据科学家之间由此产生的伙伴关系，在不断增长的临床信息学力量的支持下，正开始产生积极的结果。随着这一变化，理解大型数据集信息学所需的技能以及从中获得的见解，已经与循证医学一起成为临床实践的重要支柱。毫无疑问，医疗保健领域的人工智能仍然被夸大，并面临商业利用的风险，但从混战中，高质量的合作研究正在出现。人工智能要求在纳入常规临床护理之前进行彻底和系统的评估，但与过去的其他变革性技术一样，其潜在影响不应被低估。

参考文献

[1] BATES D W, AUERBACH A, SCHULAM P, et al. Reporting and Implementing Interventions Involving Machine Learning and Artificial Intelligence [J]. Ann Intern Med, 2020, 172(11 Suppl): S137-S44.

[2] BI W, HOSNY A, SCHABATH M, et al. Artificial intelligence in cancer imaging: Clinical challenges and applications [J]. CA: a cancer journal for clinicians, 2019, 69(2): 127-57.

[3] CAMPANELLA G, HANNA M G, GENESLAW L, et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images [J]. Nat Med, 2019, 25(8): 1301-9..