醫療領域中的AI

很多醫療領域內，人們正在對AI的用途進行發掘，如通過學習電子病歷系統等健康管理系統得到有用的信息，并指導醫師進行治療決策。在很多專科，AI已經嶄露頭角，表現不亞于甚至超過人類專家。

眼科：已有多項研究評估了AI篩查糖尿病視網膜病變（俗稱“糖網”）的能力，后者是全球范圍內增長最快的致盲原因之一。如近期的一項研究中，接受了128 000張視網膜圖像數據的訓練后，一種深度學習算法在檢測有臨床意義的糖尿病視網膜病變方面顯示出了較高的敏感度及特異度。

心內科：有研究者使用284 335例患者的視網膜眼底圖像數據集訓練了一種深度學習算法，該算法預測個體未來5年內心血管風險的準確率為70%。值得注意的是，該算法基于年齡、性別、吸煙狀態、收縮壓等高危因素評估風險，而這些風險過去被認為無法在視網膜圖像中加以量化。另外，英國研究者評估了一種機器學習算法對個體未來10年內首發心血管事件風險的預測效力，并將其與基于美國心臟病學會（ACC）風險評估指南的預測進行了比較。結果顯示，該算法可顯著提高心血管風險預測的準確性。

放射科：Thomas Jefferson大學醫院放射科的研究者訓練了兩種卷積神經網絡（CNNs）——AlexNet和GoogleNet，并用于鑒別150張胸片是否存在結核。結果顯示，CNNs準確識別結核存在與否的曲線下面積（AUC）為0.99，且兩種網絡相結合時表現最好，識別準確率達96%。

卒中：ALADIN研究比較了一種AI算法與兩名訓練有素的神經科醫生識別300張CT片大動脈閉塞的表現。該算法的敏感度為97%，特異度為52%，準確率為78%。

外科：AI技術加持下的外科機器人已問世多年，最有名的可能是達芬奇手術機器人系統，2000年獲FDA批準用于腹腔鏡手術。此外，McGill大學的研究者研發了一種名為“McSleepy”的麻醉用機器人，可分析患者的生物學資料及識別功能異常，同時“見機行事”。

皮膚科：一項研究中，研究者比較了深度CNNs與21名認證皮膚科醫師在2 000張圖片中識別皮膚癌的能力，真實患病情況已通過尸檢加以確認。結果顯示，CNNs的表現不亞于皮膚科專家。

病理科：同樣是與人類專家進行比較，一種CNN在顯微鏡下成功識別出92.4%的乳腺癌淋巴轉移，而病理科醫生的敏感度為73.2%。