人工智能在医疗领域应用现状、问题及建议

王海星，田雪晴，游 茂，陆雪秋，顾泽龙，程 龙

(1.国家卫生计生委卫生发展研究中心，北京 100191；2.中国社会科学院研究生院，北京 102488；3.北京医院，北京 100730)

信息化是支撑医药卫生体制改革，建设健康中国的重要途径。伴随卫生信息化和健康医疗大数据的迅速发展，人工智能技术成为卫生信息化应用发展的新趋势，推动着大数据的深度应用。党中央、国务院、各有关部委先后发布了《促进大数据发展行动纲要》(国发〔2015〕50号)、《“十三五”国家信息化规划》(国发〔2016〕73号)、《“互联网+”人工智能三年行动实施方案》(发改高技〔2016〕1078号)、《国务院办公厅关于促进和规范健康医疗大数据应用发展的指导意见》(国办发〔2016〕47号)、《新一代人工智能发展规划》(国发〔2017〕35号)、《促进新一代人工智能产业发展三年行动计划(2018-2020年)》(工信部科〔2017〕315号)等文件，推动我国人工智能发展抢抓战略机遇，建立发展优势，并积极鼓励人工智能在医疗、健康领域中应用，创造治疗新模式新手段，建立快速精准的智能医疗体系。

伴随新一代人工智能发展上升为国家战略，人工智能在医疗领域的应用备受青睐，在疾病诊疗、健康管理、药物研发、精准医学等方面作用凸显，对于改善医疗资源配置不均匀问题、降低医疗成本、提高医疗效率发挥着重要的作用。特别是对于我国欠发达地区，人工智能的应用可以弥补其医疗资源不足的短板，提高医疗服务的公平性，助力分级诊疗的建设。未来，人工智能还是建立整合型医疗服务体系的重要支撑，借助信息化手段构建优质高效的整合型医疗服务体系。

然而，由于医学领域存在一定的特殊性和复杂性，人工智能在医疗领域的应用面临着多种问题，本文将对这些问题进行讨论，并根据医疗服务现状，提出相应建议。

1 人工智能在医疗领域应用现状

基于大量数据产生的人工智能算法为医疗服务提供了快捷、优化的途径，人工智能在医疗领域的应用带来的不仅是技术革新，还是医疗服务模式的转变。人工智能在医疗健康的各个领域均有应用，以医学图像识别、疾病辅助诊断、健康管理、疾病预测、药物研发较为普遍。

1.1 医学图像识别

目前，人工智能在医学图像识别当中的作用凸显，对于医学影像的识别是实际应用时间最长的智能功能。通过较为成熟的算法和大数据应用，机器读片可以做到更加客观、精准和高效。在眼科图像识别、甲状腺超声影像诊断、肺结节影像检测、CT影像识别等领域，机器通过已有的图像快速学习，达到对医疗图片的自动判断，能够作为辅助工具节约医生大量的时间。

人工智能图像识别技术的应用，对于弥补影像科医生不足，提高医生工作效率具有重要作用。此外，人工智能作为医生助手，能够帮助医疗条件不发达地区的医生进行阅片，并提供医学教育，解决基层医疗资源不足的难题。

1.2 疾病辅助诊断

医学图像识别的下一步就是辅助诊断。通过让机器学习海量的医学数据和专业知识，模拟医生的思维的诊断方式，综合了自然语言处理、认知技术、机器学习等技术，可以让人工智能具备医生的诊断能力，短时间内提供出高效、精准的诊断结果和个性化的治疗方案，提高医生的诊断效率。以沃森系统为例，它通过深度学习医学论文、著作、治疗方案、临床数据、实验报告等，为肺癌、前列腺癌、乳腺癌等多种癌症提供诊治服务，且推荐的每个治疗背后都有实证和病例支持[1]。

1.3 健康管理

未来的健康医疗大数据，实际上是人们对自身进行日常健康管理过程中产生和收集起来的[2]。智能可穿戴设备和家庭智能健康检测监测设备的研发和应用，可以动态监测个人健康数据，利用这些数据进行人工智能计算，可以对个人健康进行精准把握，规范、准确地预测疾病风险，管理个人健康。

人工智能可以在血糖管理、血压管理、用药提醒、健康要素监测等方面给予精准的指导，为患者提供高质量、智能化、日常化的医疗护理和健康指导，为人群提供全方位、全周期的健康服务。这种方式对于提高患者的依从性、提高慢病管理效率、节约医疗成本具有重要的意义。但由于健康管理需要自主实施才能够达到目的，人工智能应用于健康管理效果是否明显，还没有确凿证据。

1.4 疾病预测

早在2008年，谷歌就已经推出了流感预测的服务，通过检测用户在谷歌上的搜索内容就可以有效地追踪到流感爆发的迹象[3]。当前，通过定时收集样本，从采集样本里预测出疾病的高风险人群，利用大数据分析和深度学习技术，人工智能已经能预测阿尔兹海默病风险、心血管疾病风险、癌症风险、精神疾病等。这些预测能够有效防控公共疫情和提高个人健康。

1.5 药物研发

通过深度学习，人工智能可以缩短药物研发周期，降低药物研发成本，帮助药物研发取得突破。各国政府积极推动人工智能药物研发计划，其中，美国推出加速医学治疗研发计划，推动肿瘤药物研发。日本政府于2016年联合京都大学医学院等多家机构发起了研究联盟，旨在通过使用超级计算机提高药物研发效率[4]。而且，借助人工智能可以精准分析复杂生物网络的优势，有助于发现适用于特定人群的药物，避免企业研发可能失败的药物。

人工智能在医疗领域中的应用不仅限于以上所述，伴随技术的发展，将有更丰富、更完善的适应于医疗服务需求的人工智能产品涌现，支撑整合型医疗服务体系的建立。

2 在医疗领域应用人工智能存在的主要问题

伴随人工智能技术的日趋成熟，以及其在医疗领域应用范围的不断扩大，人工智能的数据、算法、计算和应用各个环节都产生了一定的应用问题。数据质量、行业标准、法律法规、伦理问题等是人工智能在医学领域落地亟需解决的问题。

2.1 数据基础有待加强

数据质量对于人工智能在计算和学习能力的提升上具有至关重要的作用，是机器能否准确、高效学习的关键。加州大学旧金山医疗中心电子病案系统的分析显示，高达80%的文本型录入有复制-粘贴他人记录的嫌疑。而由这种现象会产生失效的、错误的和冗余的信息，最终可能导致临床诊疗的错误[5]。

如何将病历、影像、检验报告里的非结构化数据转化成机器可以识别的结构化数据，用于机器学习和算法的实现，是医学人工智能发展的基础。

此外，人工智能的实现不仅对数据质量本身有要求，数据的获取方式也是其中的一个难点。当前缺乏合理的数据共享和数据流通的机制，医疗数据的权属模糊制约着数据共享，数据隐私保护和数据安全问题也值得考虑。

2.2 存在算法歧视问题

当前，基于算法的人工智能决策无处不在，但人工智能的算法并非绝对客观。这其中既有数据本身的问题，也有算法开发者、设计者对代码的主观选择造成的“歧视”。这些看似机器自主决策的过程，实际是由人的主观判断所控制。例如在医疗保险领域，人工智能对投保人个人特征分析过程中容易产生“歧视”，对某些特殊疾病患者或具有疾病高风险因素的患者计算更多保费。算法歧视带来的还有法律、伦理挑战。避免算法歧视，是人工智能应用不能回避的挑战。

2.3 主体责任不清晰

当人工智能越来越多地参与医疗活动时，需要考虑如何认定人工智能的执业资格并对其进行合理监管。尽管人工智能的诊疗速度远远高于医生，诊疗准确性也能达到临床主治医生的水平，但是，人工智能如果出现差错，责任如何判定？人工智能决策是否能够应用于临床也值得商榷。

我国尚无法律法规用于界定机器人的法律地位、责任分担机制及监管对象。医学人工智能应用的伦理边界复杂，过度的管控会阻碍人工智能的创新发展，而管理的缺位又带来人工智能应用中主体责任不清晰的风险。因此，需要合理界定人工智能在医学领域应用的主体责任，为人工智能应用提供保障。

2.4 规范标准和法律法规相对滞后

当前法律对于医疗人工智能的监管还处于空白阶段，作为医疗人工智能的基础，医疗大数据目前还没有健全的法律来规范。数据的归属权、使用权、医疗数据的隐私标准、数据安全性、责任规范以及法律能否包容创新的错误问题都没有明确的法律指示。

2.5 缺乏应用的评估标准

目前对于人工智能在医学领域应用尚未制定质量标准、准入体系、评估体系和保障体系，无法对人工智能进入临床的数据、算法、计算进行验证和评估，也无法对安全性、效果进行评估，相应的方案体系和标准缺乏，为医学人工智能产品投入市场造成一定阻碍。

2.6 人才短缺

人工智能的应用发展在医学数据库建立、统计、数学建模等方面都存在人才短缺、实践经验不足、基础不扎实的问题。在实践中，人工智能在医学领域的发展需要计算机和医学两个领域的深度融合。目前，医疗卫生服务人员对新技术的接受度不足，对于新技术的掌握还需要经过专业化、规范化的培训。

整体来看，医学人工智能的人才培养和引进机制需要建立建全，人才短缺问题尚需解决。

3 人工智能在医疗领域应用发展的建议

3.1 夯实人工智能应用的数据基础

人工智能在医疗上要发挥作用，必须首先汇集一定规模的医疗行业数据。鉴于当前医疗数据结构复杂、标准不一、信息孤岛普遍存在的情况，需建立医疗数据的流通、共享机制，研究数据脱敏办法，推动数据的标准化与规范化，建立标准测试数据集，夯实人工智能应用的数据基础。

3.2 明确人工智能的发展定位

在医疗领域，人工智能旨在帮助医生(而不是替代医生)，以降低病人等待专业人员的死亡率。医生不会被人工智能取代，人工智能的诊断结果只是临床诊断的参考，医生需要对诊断结果负责。人工智能产品在医疗领域的应用目前只停留在辅助临床的阶段，如糖网的辅助诊断、癌症筛查的辅助诊断、医学图像识别的辅助诊断、疾病康复的辅助等领域。

3.3 制定人工智能在医疗领域应用的监管规定和法律法规

在医学人工智能领域的法规制定和监管方面，国家宏观层面要把控好人工智能的发展方向[6]，尽快出台相关配套政策，包括部门规章、行业标准、法律法规的文件或规范，来保证技术既能更快地使用、更广地使用，又能够更安全、更合理地使用，审慎地推动人工智能在医疗领域的应用。

人工智能医疗领域的应用还需要制定更多相应的标准来替代现有的临床标准[7]，以国际通用标准为基础，建立人工智能在医疗领域应用的标准体系，以作为辅助支持公共政策和立法的工具。标准可以简化并支持技术监管，只在必要时进行立法。

3.4 加强人工智能数据应用的数据安全建设

加强隐私保护建设，对数据进行脱敏，将数据按照不同层次、不同颗粒度进行汇集，降低泄露隐私的风险。医疗数据的隐私保护问题在美国已经有成熟的经验，并且在加强隐私保护的同时，鼓励数据合理开放和有意义使用，把一部分数据变成公共数据用于研究。

加强信息安全建设。加强网络环境的安全建设，保障医疗数据能够实时、准确进行传输，避免数据在公网上暴露造成的风险。

3.5 推动医学人工智能复合型人才培养

以多种方式培养和吸引医学人工智能复合型人才。各高校应积极开展医学与计算机交叉性学科的建设和教学，培养跨界人才[8]。注重医学、信息、工程、卫生政策研究等学科专业的交叉融合，鼓励高校、科研院所与企业开展合作，设立各类奖学金，建设一批实训基地和地方试点。完善人才引进体制机制，吸引高端人才在医学人工智能领域开展创新、创业工作，带动该领域发展。

参考文献：

[1] 邬贺铨.智慧医疗这些场景并不遥远[N].健康报，2017-05-14(06).

[2] 高奇琦，吕俊延.智能医疗：人工智能时代对公共卫生的机遇与挑战[J].电子政务，2017，(11)：11-19.

[3] DUGAS A F，JALALPOUR M，Gel Y，et al.Influenza Forecasting with Google Flu Trends[J].Plos One，2013，8(2)：1-7.

[4] ERIC SMALLEY.AI-Powered Drug Discovery Captures Pharma Interest[N].Nature Biotechnology，2017，35(38)：604-605.

[5] WANG MD，KHANNA R，NAJAFI N.Characterizing the Source of Text in Electronic Health Record Progress Notes[J].JAMA Internal Medicine，2017，177(8)：1212.

[6] 王才有.医疗领域的人工智能刚起步[N].健康报，2017-02-25(08).

[7] JASON.Artificial Intelligence for Health and Health Care[R].McLean VA：JASON，2017.

[8] 孙愉婷，周立业.“互联网+”背景下我国移动医疗的机遇与挑战[J].卫生软科学，2017，32(1)：27-30.