人工智能醫學技術發展的聚焦領域與趨勢分析

李志勇　李鵬偉　高小燕　孫 湛　麻 良　崔澤實*

現代綜合科技與計算機、移動互聯網技術的融合發展催生人工智能(artificial intelligence， AI)問世，并迅速擴布[1]；AI與醫學結合又派生出一個新的產品領域-AI醫學裝備，而后者運用到醫療健康流程中轉化出AI醫療健康新醫學技術模式[2-4]。有學者認為，未來的醫學時代是AI診療[5]。AI醫學裝備技術的發展對衛生健康事業和健康產業將產生雙重影響，AI醫療健康產品的研發、生產成為新興產業形態，推向市場也將對醫學裝備市場及醫療服務的格局產生影響。AI醫學裝備與醫學事業間的相互作用，在從整體上促進人類醫療、預防以及保健水平的同時，更應注意其在改變傳統的醫學模式、醫學理念、醫療行為等方面的作用[6]。因此，有必要對AI醫學技術發展的現狀、熱點領域及其發展特點、規律與趨勢進行研究。

1　資料與方法

1.1　數據挖掘

以“人工智能”和“AI”分別組合“醫學裝備”、“醫療設備”、“醫療器械”及“醫學”，以多重檢索策略對中國知網(CNKI)、萬方數據知識服務平臺(WANFANG DATA)及維普期刊資源整合服務平臺(VIP)進行文獻檢索，檢索時限設2008年1月1日至2017年12月31日。

1.2　文獻計量與可視化分析

對檢索文獻條目做查重處理，確定樣本文獻并下載，進行常規文獻計量學分析。結合文獻評閱提取關鍵詞，使用書目信息共現分析系統(bibliographic item CO-occurrence matrix builder，BICOMB)統計關鍵詞頻次，根據累積頻次設定閾值截取高頻關鍵詞，做詞篇共現分析，構建詞-篇共現矩陣；利用明尼蘇達大學圖形聚類工具包(graphical clustering toolkit，gCluto)對其進行雙聚類可視化分析[7]。根據文獻計量學與可視化分析結果，分析我國期刊AI醫療健康裝備技術研究與報道的熱點專題。

2　結果

2.1　文獻計量

檢索出文獻547篇，剔除重復文獻及無有效數據可采集文獻42篇，獲得樣本文獻505篇。

(1)文獻年代分布。年度文獻總量在2009年呈現下降后維持在一個相對平緩期，從2015年起開始攀升，在2017年達到128篇，為2008年的2倍。2008-2017年樣本文獻分布如圖1所示。

(2)文獻類別分布。近10年間，在期刊論文、學位論文及會議論文中；期刊論文共333篇，占發文總量的65.94%，年代分布與總體論文趨勢基本一致；學位論文151篇，占發文總量的29.90%，發映出AI醫學技術是一在高校與科研單位較關注的立項研究領域，年代分布在2008-2015年期間，基本在10～20篇波動，而在2016年后出現下滑；會議論文21篇，占發文總量的4.16%，某種程度上映射出專業會議交流不甚活躍，可能與該領域的跨學科特征以及缺乏對應的行業組織有關。

圖1　AI醫學技術文獻年代分布(2008-2017年)

2.2　關鍵詞頻次

共獲得1174個關鍵詞，經剔除寬泛詞、合并同義詞，最終確定為908個；設≥5次為閾值截取高頻關鍵詞97個，在樣本文獻中出現頻次較高的關鍵詞，能夠反映該領域的研究熱點(見表1)。

2.3　雙聚類可視化分析

對97個高頻關鍵詞進行詞-篇共現分析，形成97(行)×505(列)的詞篇共現矩陣，帶入gCluto軟件進行雙向聚類，根據聚類效果確定為5類。可視化山丘如圖2所示。

圖2　AI醫學技術文獻高頻關鍵詞可視化山丘圖

雙聚類可視化分析結果表明，我國期刊在AI醫學裝備技術領域的研究與報道的熱點專題聚焦在：①基于圖像的AI技術在醫學影像學(X射線攝影、CT、MRI、核醫學、超聲等)、臨床病理學、放射治療圖像配準與靶區勾畫等方面的研究；②計算機輔助外科相關AI醫學技術在微創外科、骨外科、口腔科、康復等領域里的研發、應用；③深度學習、貝葉斯網絡、支持向量機、小波轉換等AI模式與算法在生理學信號分析、心理、腦神經、皮膚、眼科等方面的應用；④在探索AI技術與信息技術融合、電子健康檔案等大數據利用的基礎上，AI在遠程醫學、移動醫療、慢病管理、健康管理、可穿戴設備等方面的研究；⑤臨床檢驗、基因學檢測、電子病歷及知識庫、中醫藥文獻、循證醫學等大數據的數據挖掘，推理機、關聯分析等AI技術在臨床輔助診治決策支持、醫學專家系統、疾病預測、藥物發掘等方面的研究。

表1　2008-2017年中文文獻AI醫學技術關鍵詞詞頻

3　討論與分析

3.1　AI醫學成像

基于醫學影(圖)像為樣本的AI醫學成像研究是最為活躍的領域[8-9]。涉及文獻量最多，匯集表1中“計算機輔助診斷、圖像處理、圖像分析、圖像識別、醫學圖像數據庫、病理診斷、細胞圖像”等高頻關鍵詞；主要涉及醫學影像學、臨床病理學、臨床檢驗學3個臨床學科(見表1，如圖3所示)。

圖3　可視化矩陣0類示圖

3.1.1醫學影像學

醫療數據中有90%來自于醫學影像，且現期我國醫學影像數據正以30%的年增長率增長[10]。我國期刊最早的AI醫學影像文獻見于1986年，要歸功于數字化圖像技術的突破與圖片存檔及通信系統(picture archiving and communication system， PACS)的建立[11]。X射線攝影由銀基膠片向數字化成像轉變是AI醫學影像的先決條件，而PACS可以認為是臨床醫學中最早建立的醫學影像專業數字資源平臺[12]。近代PACS在傳統認識上的放射影像學(X射線攝影、CT、MRI等)的基礎上，逐步實現與核醫學、超聲乃至窺鏡等全醫學影像系列集成，經長期積累而形成的醫學圖像大數據為AI研究提供了豐富的數據源。因此，有學者認為，醫學影像與AI技術結合是最有發展前景的領域[13]。

樣本文獻中有193篇為醫學影像學專題研究論著，占文獻總數的38.22%。按研究病灶，文獻分布數量由高至低分別為：①以肺結節、肺腫瘤研究為主的肺部影像76篇，其中按圖像來源設備為CT65篇、PETCT8篇，余為數字化X射線攝影(digital radiography，DR)等；②乳腺影像62篇，乳腺X射線機32篇、超聲成像設備20篇，余為乳腺CT、MRI、遠紅外成像等；③MR成像21篇，主要集中在腦部成像AI技術的應用研發(19篇)，2篇為心臟研究；④甲狀腺影像11篇，全部為超聲成像設備。其他文獻散布在前列腺、肝臟、胃腸等臟器。AI技術應用主要為兩個方面：一是圖像識別，二是深度學習。我國學者廣泛運用圖像識別、深度學習以及神經網絡、支持向量機、圖像分割、圖像特征提取、3D重建等AI算法與模式技術進行了大量研究，為臨床醫學提供3方面的技術支持。

(1)影像學輔助診斷。較典型的輔助診斷功能是通過PACS與臨床流程緊密結合，在完成對急診、門診和住院患者的圖像采集后，實時上傳到云端AI數據分析平臺進行圖像識別等AI技術處理，完成分選、標識；醫生在PACS終端上對AI處理結果進行審讀、完成診斷并出具報告。此外，在糖尿病及皮膚病的AI輔助診斷上也取得長足進展；長征醫院基于超過18萬張來自EyePACS的眼底彩照構建了輔助診斷糖尿病視網膜病變的AI深度學習算法模型[14]。

(2)基層醫療機構常見病的影像學診斷、篩查。目前，對影像學診斷能力較弱的縣鄉醫院的技術支持有兩種方式：①通過遠程專家系統，由上一級醫院的專業影像醫生提供遠程診斷[15-16]；②嘗試通過AI技術平臺提供常見病影像學診斷或疾病篩查。隨著醫聯體、互聯網+醫療等新型醫療服務模式的逐步開展，可能會給AI醫學影像技術的推廣應用帶來機遇[17]。有學者認為，AI是輔助全科醫生提高診療水平的途徑，可提高基層醫療運行效率[18-19]。

(3)輔助放射治療計劃。惡性腫瘤放療靶區和危及器官的勾畫占用了放療科醫生和物理治療師大量的時間和精力，建立腫瘤靶區和危及器官勾畫自動化智能化模型，將有效提高放射治療工作效率。智能化勾畫一般包括腫瘤多模態(式)影像重建、去噪、增強、配準、融合等預處理，CT、MRI等腫瘤影像特征自動提取，采用深度學習、機器學習、幾何水平集和統計學方法等AI技術進行腫瘤放射治療靶區和危及器官的智能化勾畫等3個主要步驟[20]。圖像輪廓的智能提取將是自動勾畫的發展方向，Pinnacle等放射治療計劃系統運用Atlas模板庫，初步實現了感興趣區域(region of interest，ROI)自動勾畫；四川大學開展了基于深度卷積神經網絡的靶區勾畫。

3.1.2基于顯微鏡圖像的AI輔助診斷

基于顯微鏡圖像的AI輔助診斷是AI醫學圖像研究的又一熱點領域，臨床實驗室診斷中，臨床病理的常規組織病理學診斷、液基細胞等細胞病理學診斷、免疫熒光檢測等，血液學診斷，遺傳學的熒光染色體原位雜交、染色體分型檢測，以及臨床檢驗的血涂片、尿液、糞便等樣本檢測，均是借助光學顯微鏡鏡檢完成。AI在顯微鏡圖像診斷上的應用，很大程度上依賴于數字CCD等圖像記錄與全切片數字化圖像(whole slide images， WSI)技術[21]。我國病理學者在20世紀80年代就開展了對血細胞、肺組織切片、脫落細胞等樣本應用圖像識別技術進行早期疾病篩查的積極探索，可以認為是病理學與AI技術結合的雛形。病理是臨床疾病診斷的“金標準”，以病理診斷大數據為依托，AI結合病理診斷，期待可在提升診斷效率、診斷準確率上發揮作用，為精準診斷鋪平道路。

文獻檢索共獲得13篇報道基于體液圖像AI臨床檢驗研究的文章。有報道認為，最早的AI醫學檢驗設備可為1983年應用圖像法檢測和識別尿中有形成分，在建立體液圖像數據庫的技術上，采用數字成像技術，提取體液樣本中顆粒的多種形態特征參數，先通過人工鑒別讓儀器學習，然后建立識別模型和算法。在檢測未知顆粒時，首先提取顆粒特征參數，通過神經網絡與數據庫已知數據進行計算、比對而判斷報告結果[22]。此外，AI在精液、糞便、陰道分泌物和宮頸細胞、血細胞、微生物、染色體分析與檢測、標本自動傳輸管理等方面的應用研究也取得較明確的進展。

3.2　計算機輔助外科相關AI技術

可視化矩陣1類中聚集的“醫療機器人、計算機輔助外科、骨科和(或)創傷、微創外科和(或)內窺鏡”等高頻關鍵詞展現了AI技術在微創外科、骨外科、口腔科、康復等領域里的研發和應用(如圖4所示)。

圖4　可視化矩陣1類示圖

3.2.1外科手術機器人(surgical Robot)

衍生于工業機器人技術，借助PUMA260工業機器人平臺于1985年首次開展了機器人輔助定位的神經外科活檢術，成為醫療機器人起步的標志[23]。手術機器人是AI控制技術應用在醫療器械上的典型代表，其順應了最小侵傷外科(minimal invasive surgery，MIS)的發展，將經腔鏡微創手術向智能化、精準化推進了一大步。手術機器人也為遠程醫療提供了可能，借助高速而穩定的互聯網，醫生可以通過顯示屏實時了解患者的狀況，遙控機械臂在千里之外完成手術。目前，手術機器人已在腹外科、神經外科、胸外科、骨外科、血管介入、顱面外科等手術中得到廣泛應用[24-27]。據報道，2014年手術機器人全球市場額為33億美元，預計2019年將達到46億美元，5年年復合增長率為7%，而同期亞太地區將高達13.4%[23]。

經過數十年的快速發展，醫療機器人的功能覆蓋了導診[28]、手術、診療(診斷、介入、放療、膠囊)、康復機、運送、護理、殘疾和老年輔助等醫療保健流程。

3.2.2計算機輔助外科(computer-assisted surgery，或computer aided surgery， CAS)

CAS從PACS采集與決定外科手術路徑、定位與周圍組織器官關聯的醫學圖像，利用多模態技術進行圖像融合，利用AI算法進行3D可視化處理，導入外科醫生的手術思維并由系統給出實施路徑，最大限度地實現外科需要的解剖形態學信息可視化，并與3D打印技術結合實現實物化，在臨床醫學中顯示出4個主要應用趨向。

(1)輔助制定手術方案與術中指導。傳統的手術規劃主要依據二維影像學數據，外科醫生憑借術前獲得的二維CT等圖像信息構思形成3D立體解剖學結構圖進而實施手術，手術質量更多取決于醫師的決斷力[29]。利用CAS制定手術方案、進行手術前精細規劃，并在術中可隨時調出CAS方案指導或輔助手術，極大提高了手術的精準性。CAS包括創建虛擬手術部位圖像、進行AI圖像分析與深度處理、建立手術前規劃與手術步驟模擬、手術導航配合、腫瘤消融、實施手術等基本步驟。此技術的運用過程也帶動了數字化手術室建設[30]。

(2)手術導航。手術導航是空間導航追蹤技術、醫學影像技術、AI技術以及臨床手術技術的集成，實時顯示手術操作數據信息，通過導航數字化達到手術精確化。可見，手術導航是導航追蹤技術與CAS結合的產物，導航追蹤方法主要有紅外光學定位法、電磁定位法、超聲信號定位法、機械定位法4種。導航系統接收預置在特定部位的信號對定位器進行追蹤，再根據所采集到的特定解剖部位的運動軌跡，通過AI圖像處理技術描繪出手術區域的空間形態，醫生手持帶有定位裝置的器械，在實時監測手術操作的位置是否準確的進程中實現術中“導航”進而完成手術。

(3)輔助教學。CAS構成的虛擬仿真場景無疑為臨床教學、年輕臨床醫生培養提供了重要技術支持，顯示出較其他教學媒體技術更高的優勢，解決了掌握現代手術器械技術難、高年資醫師更多地依賴于手術經驗，有時精確性并不可靠等問題。CAS系統還可以作為帶教醫師的一種示教工具，發揮臨場感外科手術(telepresence surgery)作用。此外，CAS系統可實時地反饋操作數據對操作者進行評價，北京大學第三醫院骨科報道了“計算機導航系統在骨科膝關節置換術教學與培訓中的應用”，極大提升教學與培訓質量[31]。

(4)患者及家屬宣教。利用虛擬手術系統及3D打印實物，更便于向患者及家屬形象化講述手術過程、進行健康宣教，促進術后康復[32]。

值得注意的是，CAS的研發與應用更體現臨床醫學以及解剖學等基礎醫學學者與工程技術單位密切結合、聯合開發的重要性。例如，青島醫學院在從事“國家十二五科技支撐計劃”項目的研究中與海信公司合作研制出Hisense CA，實現了小兒肝臟腫瘤精準手術[33]。CAS應用領域現已擴展到耳鼻喉、頜面、創傷、口腔等外科相關領域。

3.3　AI算法與生理學信號檢測

可視化矩陣2類，一方面集中反映了各種AI算法與模式在醫學數據、醫學信號處理上的基本知識體系及其運用，另一方面是生理學信號檢測的AI分析技術(如圖5所示)。

圖5　可視化矩陣2類示圖

3.3.1AI醫學技術的知識體系

AI是計算機科學的一個分支學科，隨著數學、計算機科學的發展，諸多AI算法、技術模式運用到AI醫療健康研究中。有學者繪制了1991-2013年共引文獻網絡AI知識圖譜[1]的結果表明，3篇論述遺傳算法、貝葉斯網絡與模糊集合理論的文獻在AI技術發展的進程中起著導向作用。提取樣本文獻中的AI算法、技術模式與應用場景，構建兩者的關系矩陣，可初步勾畫出AI技術應用圖譜。AI應用在醫療健康領域的主要技術路線表現在查詢方法、自然語言處理、感知處理與深度學習4個方面。在各AI醫療健康專題AI模式、算法的應用如圖6所示。

圖6顯示，在各醫療健康領域AI技術的應用并不均衡，某種程度上折射出研究的集中度及活躍度。

圖6　AI技術在醫療健康領域的應用(項)示圖

3.3.2AI技術與神經科學

AI和大數據技術是神經科學發展的“加速器”，而顯微光學切片斷層成像(micro-optical sectioning tomography， MOST)、功能MRI等技術的日臻成熟，為繪制人腦結構和功能信息的3D空間分布的腦連接圖譜、開展腦空間信息學研究提供了技術條件。有學者認為，腦空間信息學研究將為理解腦功能與防治腦疾病打下堅實基礎，并預測2030年神經科學和類人腦AI將迎來第一輪重大突破，革新原有AI的算法基礎，人類社會初步進入“強”AI時代[34]。到2050年，神經科學和類人腦AI迎來第二輪重大突破、類人腦AI進入升級版，人類社會將全面進入強AI時代[35]。

3.3.3AI生理學信號分析

基于心電、腦電、心音、血壓等生理學信號分析的AI研究較為廣泛，是AI進入較早的領域，自動分析心電圖儀就是典型實例；運用到可穿戴設備技術領域，將促進健康管理、移動醫療的開展。

3.4　AI與健康信息管理及新型衛生健康模式

可視化矩陣3類反映了AI技術與信息技術、互聯網技術融合在助力電子健康檔案(electronic health record，EHR)建設以及促進衛生健康信息利用的同時，協同可穿戴設備等技術實現遠程醫學、移動醫療、慢病管理等方面的研究(如圖7所示)。

圖7　可視化矩陣3類示圖

3.4.1AI與健康信息管理

隊列分析等AI數據分析工具與信息管理結合，在盤活日益積累形成的衛生健康大數據源、促進健康信息管理的效應已毋庸置疑。另一方面，在慢性疾病管理、疾病預測與風險評估及生活方式干預方面應用研究取得的進展令人矚目。

(1)慢性疾病管理。慢性疾病已成為影響全人類健康的頭號因素，我國慢性疾病具有“患病人數多、醫療成本高、患病時間長、服務需求大”的特點。AI技術將創新慢性疾病管理模式，以糖尿病管理為例，在搜集病例、患者血糖、用藥等數據后建立專家知識庫，通過AI引擎分析為患者提供指導，實現對血糖的控制。無創血糖監測技術的突破結合智能可穿戴設備技術，將為慢性疾病管理開辟新天地。

(2)疾病預測。慢性疾病通常伴隨較為嚴重的并發癥，管理不當就會引發風險危及患者生命，如果能在早期預測疾病風險并采取干預性的措施，可以避免風險、保護生命。AI能夠處理人類無法處理的大數據樣本，從數據中發現風險因子和有價值的信息，提高預測效率，開發實時的AI醫療健康預測預警技術將有益于疾病防治[36]。

(3)生活方式干預。有效干預慢性病患者的飲食、運動、用藥等生活方式的自我管理以及環境因素控制，是慢性疾病管理成功與否的重要環節。基于機器學習的方法從海量數據中挖掘每個患者個體的風險水平及征兆，識別出需要干預的人群，并通過用戶偏好的渠道(如自動呼叫、人工呼叫、郵件、短信、網站等)在精確的時間發送用戶恰好需要的健康管理、健康食譜、運動建議、用藥建議等有針對性干預措施。我國已有企業開展此項業務(如藍信康公司)，結合AI在移動慢性疾病檢測、健康風險評估、智能藥事服務和生活方式干預4個方面進行健康服務。

3.4.2新型衛生健康模式

(1)健康宣教與虛擬輔助。利用多媒體技術與信息技術構建的健康宣教系統已在對住院患者及家屬的健康指導、提升就醫體驗等方面發揮了較好作用，某種程度上成為醫護流程的延伸[37]。AI技術進入健康宣教領域，綜合利用健康數據源必將賦能健康宣教智能化，為提升醫療質量、增強慢性疾病管理服務能力等方面注入活力。AI虛擬輔助技術還可成為慢性疾病患者的虛擬助手，如利用語音技術，將患者語音提問準確轉化為文本，再經過自然語言處理解析，進一步從知識庫中找出匹配患者問題的答案，而后通過語音合成技術以語音等方式進行回答。

(2)AI與可穿戴設備技術。可穿戴設備與AI兩者結合構成可穿戴智能設備，在加強人體生理學信號遠程監測分析能力的基礎上，使得人體感知能力進一步補充和延伸，情景感知將會是下一個智能硬件科技新趨勢，可穿戴智能設備將具備某些“情景感知”功能的應用軟件，心腦血管、呼吸、慢性疼痛等疾病將會得到有效控制，初步實現AI健康管理。因此，研究面向穿戴設備及智能家居的新一代感知智能語音交互核心技術，可能是AI技術產品發展的重要內容之一。此外，智能可穿戴設備技術與醫療衛生機構及區域電子健康信息平臺間的銜接，將在健康信息的交互利用等方面發揮巨大潛力。

(3)AI與醫院管理。AI在醫學領域的廣泛應用，也帶動了在醫院綜合管理上的應用。我國學者對“人工智能助力醫院精細化管理”、深度機器學習輔助醫院智能化管理、醫院信息化管理中智能信息處理技術的應用研究、基于遺傳算法的醫院倉庫路徑優化研究以及不良事件管理等做了專題研究，對提升醫院管理水平起到重要作用[38]。

3.5　數據挖掘與醫學專家系統

矩陣4類中所包含的數據挖掘、大數據(中醫藥)、電子病歷、醫學專家系統、知識庫、知識發現、關聯分析、推理、基因學診斷、中醫證候等高頻關鍵詞，集中反映了AI技術在構建臨床輔助診治、醫學專家系統等方面的研究與應用(如圖8所示)。

圖8　可視化矩陣4類示圖

3.5.1AI醫學技術與大數據

大數據是開展AI醫學技術研發的智慧源泉，數據挖掘是開展此項工作的基礎性技術，包括數據發現和數據分析兩個主階段。能夠采集到有效且足夠數量的數據并經分析整合為有一定規律的數據項，才能為之后的機器學習等AI技術的運用鋪平道路。當然，AI技術也可輔助數據挖掘，并寄希望于實現真正意義上的自動獲取知識，技術路徑體現在下述兩方面。

(1)從數據庫、互聯網上挖掘發現知識。首先要解決被發現知識的自然語言表達以及數據挖掘算法的效率與可擴展性、數據的時序性等問題[8]。

(2)利用智能接口技術進行文字識別、語音識別、語音合成、圖像識別、機器翻譯以及自然語言理解等作為數據挖掘與機器學習等AI技術的銜接。此類研究的前期多建立在綜合利用電子病歷及醫學影像(PACS、RIS)、臨床檢驗、生命體征信號監測等數據源進行數據挖掘的基礎上，形成輔助診斷系統、中西醫專家系統、藥物發掘、醫院管理等專題領域。

3.5.2AI輔助診斷

輔助診斷的第一步是通過自然語言處理(natural language processing， NLP)學習、理解和歸納醫療信息，包括醫學書籍、期刊文獻、診療指南和病歷等海量信息，自動構建一個大規模的“醫學知識圖譜”，形成類似機器大腦的“醫學知識庫”；第二步采用深度學習技術去學習海量臨床診斷案例，再對比數十萬項機器與專家的診斷數據后持續優化模型，不斷提升其診斷能力，得出基于醫學影像、檢查檢驗結果和病史等多個維度的深度診斷，給出具體病癥的輔助診斷結果。在臨床工作中，病理診斷、臨床檢驗、影像學診斷等數據的綜合分析利用是一項繁重的工作。而這些信息傳遞后到臨床診治決策之間，主要由臨床醫生在收集到各種檢測報告信息資料后獨立完成分析用于臨床診治，存在著信息利用效率和利用度問題。因此，寄托于建立AI輔助診斷系統醫生診斷發揮輔助作用，為醫生提供了更好的決策基礎，提高臨床數據的利用度和診斷效率。根據AI輔助診斷的發展進程與現狀，大致可分為兩類：①專業或專科或某種疾病的AI輔助診斷，如放射學圖像輔助診斷系統、臨床檢驗輔助診斷新系統、乳腺疾病輔助診斷系統等；②綜合AI輔助診斷系統，樣本文獻中多為專科或專病AI輔助診斷，而綜合AI輔助診斷系統的報道較少，但后者應當是發展方向，因臨床診斷需要綜合各類檢查結果進行判定，1個就診病例也可能涉及多種疾病。

諸多AI技術公司角逐AI輔助診斷領域，新技術、新產品不斷推陳出新。例如，2017年8月，騰訊公司推出了首款把圖像識別、大數據處理、深度學習等AI技術與醫學跨界融合研發出的AI醫學產品“騰訊覓影”，輔助醫生進行疾病篩查和診斷。隨后又進一步將騰訊覓影的功能由單一病種擴展到多病種，從早期食管癌篩查到肺結節、糖尿病視網膜病變、乳腺癌、胃癌等疾病篩查，并落地100余家三甲醫院。

3.5.3醫學專家系統

醫學專家系統(medical expert system，MES)通過AI技術完成智能數據提取、智能分析指導臨床，是AI技術在臨床診斷、治療領域中的一個最富有代表性和最重要的應用事例。MES是在某個醫學領域內具有專家水平的智能推理系統，設計原理與方法是在吸收了大量的知識和經驗，模擬醫學專家診斷疾病的思維活動、推理判斷以及治療方案與路徑，得出與人類專家一樣的結論，籍以幫助醫生解決復雜的醫學問題，作為醫生診療的輔助工具[39-40]。區別于AI輔助診斷，MES應當能夠綜合診斷、治療乃至預防、保健多方面內容，在從疾病診斷、治療、隨訪、預防、疾病風險預測預警、健康信息管理與指導等系列AI衛生健康的功能節點上發揮效應。

1976年，美國Stanford大學成功研制的一種用于診斷和治療細菌感染疾病的人工智能醫學專家咨詢系統(MYCIN)，用于血液感染診斷和抗菌素類等治療藥物的選用；匹茲堡大學在1982年開發出內科計算機輔助診斷系統(Internist-I)；哈佛醫學院1991年開發出包含2200種疾病和5000種癥狀的“DXPLAIN”軟件。隨后，相繼出現了用于青光眼、貧血、艾滋病、皮膚癌、乳腺癌、肺癌、肝病等的MES。1978年，北京中醫醫院與計算機科學領域專家合作開發了“關幼波肝病診療程序”，將醫學專家系統應用到我國傳統醫藥領域。中山大學中山眼科中心聯合西安電子科技大學的研究團隊，利用深度學習算法，于2017年2月建立了“CC-cruiser先天性白內障人工智能平臺”[2]將檢查數據同步到CC-cruiser平臺，對大量先天性白內障圖片進行分析和深度學習，并不斷反饋提高診斷的準確性；將此程序嵌入云平臺后，通過云平臺上傳圖片，即可獲得先天性白內障的診斷、風險評估和治療方案。在與3家醫院合作成功完成臨床試用后，進一步連接西藏、新疆、云南、青海等邊遠地區，在醫學AI應用場景下，平臺對上傳的病例數據及圖像AI程序進行初篩，再經專家復核，效率提升70%以上。中南大學湘雅二院等單位聯合開發的“皮膚病人工智能輔助診斷系統”、浙江德尚韻興公司開發的“DE超聲機器人”[41]等也取得了較好的臨床應用效果。

3.5.4藥物發掘

AI技術較早就涉入了藥物發掘(或稱藥物發現drug discover)領域，顛覆了傳統藥物設計觀念，且取得較好進展。傳統的藥物研發模式周期長、成本高、成功率低，利用AI技術先在計算機上進行預測、模擬藥篩，然后進行有針對性的實體篩選，從而極大地降低藥物研發成本，提高研發效率。

AI利用大數據和機器學習方法，即從論文、專利和臨床試驗結果的大量信息中提取出藥物靶點和小分子藥物的結構特征，根據已有的藥物研發數據提出新的可以被驗證的假設，自主學習藥物小分子與受體大分子靶點之間相互作用機制，根據學習到的各種信息預測藥物小分子的生物活性，設計出上百萬種與特定靶標相關的小分子化合物，再根據藥效、選擇性、藥物動力學(absorption， distribution，metabolism， excretion， ADME)等其他條件對化合物進行篩選；對篩選出來的化合物進行合成并經過實驗檢測，然后將實驗數據再反饋到AI系統中，用于改善下一輪化合物的選擇；經過多輪篩選，最終確定可用于進行臨床研究的候選藥物。使用AI極大加速了藥物研發過程，并可對新藥的有效性和安全性進行預測。

沈建苗[42]報道了英國獨角獸(Benevolent AI)等9家初創公司運用AI計算進行藥物發現的事例。在中藥學研究方面，中國藥科大學[43]在應用全息圖譜(性狀圖譜、顯微特征圖譜、基因圖譜、化學全成分圖譜、主成分含量圖譜、血清藥化學圖譜等)控制中藥材質量的基礎上，利用計算機圖像識別技術與專家系統，建立一套具有計算機視覺、中藥模式識別、中藥評測專家系統、機器學習以及分布式智能處理體系5個功能的中藥材質量檢測人工智能系統。

4　結論

AI醫學產生于綜合科技高速發展，計算機科學、信息技術、互聯網技術與積累豐厚的人類醫學知識深度融合的時代，是備受關注的技術領域。文獻分析與雙聚類可視化分析結果表明，我國文獻在AI醫學裝備技術領域的研究與報道聚焦在基于醫學圖像的醫學影像學、臨床病理學、放射治療圖像配準與靶區勾畫等的AI輔助診治技術；醫療機器人與CAS；AI算法及模式研究與應用；AI技術與電子健康檔案等健康大數據結合，在遠程醫學、移動醫療、慢性疾病管理等方面的應用；基于臨床數據、知識庫、中醫藥文獻等大數據在構建臨床輔助診治、醫學專家系統等方面AI技術的研發應用；基本上映射出我國AI醫學技術研究報道的熱點。我國AI醫學技術起步具備較好的科技基礎、呈現出良好的發展態勢。

4.1　圍繞我國發展醫學人工智能戰略的頂層設計開展研究、加強支撐體系建設

2017年7月8日，國務院下發《國務院關于印發新一代人工智能發展規劃的通知》(國發[2017]35號文)，文件強調發展我國“人工智能產業進入全球價值鏈高端。新一代人工智能在智能制造、智能醫療、智慧城市、智能農業、國防建設等領域得到廣泛應用”和“推廣應用人工智能治療新模式新手段”。為貫徹落實規劃，加強支撐體系建設，中國醫學裝備協會聯合有關單位發起成立“中國醫學裝備人工智能聯盟”，聯盟將在AI醫學裝備的研發、生產、應用領域搭建政產學研用協同平臺，促進AI科技成果轉化，推動AI醫學裝備的應用，雙向提高產業發展能力與衛生健康服務水平。

4.2　規范采集數據、科學分類數據、有效利用數據

大數據是發展醫學裝備AI技術的重要基礎條件，數據采集過程的規范、質量有否，決定著數據整合的可行性及數據分析的有效性。因此，必須在大數據利用的源頭抓起，建立行業標準，實現統一規范的數據信息互聯互通、資源共享；同時，建立基于循證醫學的數據整合集成標準、信息安全標準，最大程度的兼容、推廣轉移研究成果；AI技術產品的科技創新應與我國衛生健康的需求相一致，應當在分級診療相關的臨床路徑、慢性疾病管理、基層醫療適宜技術、家庭保健、醫養結合等環節找到AI醫學技術的落腳點，使研究成果有效服務于我國衛生健康事業。

4.3　開展基于衛生健康需求的AI醫療健康產品技術評估

醫學裝備的技術評估，是為衛生監管部門決策提供科學依據的有效路徑，對指導醫學裝備的合理配置與安全有效利用、避免市場泡沫效應及衛生資源浪費有重要作用。然而，目前的現狀是技術評估工作往往滯后于市場拓展。因此，需同步開展AI醫學技術的技術評估工作，促進產業與應用雙向良性發展。