人工智能在医疗卫生领域的应用现状及发展探究

辛均益 胡海翔 董静静 郑乐一

人口老龄化、慢性病、新发突发传染病等因素给我国人民健康带来了巨大挑战。利用人工智能、大数据、5G等前沿科学技术赋能医疗健康，构建最優化的大健康生态体系，提供优质、高效、经济的新型医疗服务，成为解决我国医疗供需矛盾、推动医学发展提供有效的技术手段。现代人工智能中深度机器学习、视觉图像识别、自然语言处理等技术已经广泛应用于大健康、潜在疾病探索等领域上，未来人工智能和医疗领域相结合是必然趋势。据估计，全球医疗人工智能市场的价值将从2018 年的20 亿美元增长到2025 年的36 亿美元，年增长率达到50%。从2016年开始，世界发达国家和地区在人工智能方面发布了相关的战略规划。本文首先介绍了人工智能的基本概念和人工智能在当前医疗健康领域的一些主要应用和研究热点，最后通过对人工智能应用和研究分析提出一些可以推广和促进人工智能在医疗健康领域应用的建议和对策。

一、人工智能的背景

（一）人工智能的历史和国内外情况

1956年，在达特茅斯会议上，由McCarthy等人提出了 “人工智能”的概念 。经过50多年的发展，成为了一门多领域交叉学科。人工智能的本质，就是利用计算机硬件和软件等技术，模拟出和人类相类似的，具有识别能力、思维能力和反应能力的高级机器智能。其研究的领域包括了从弱人工智能的大数据分析预测，到自然语言处理、视觉图像识别、甚至是最高级别强人工智能的智能推理等。

在国外，发达国家及地区非常重视人工智能的发展，出台了人工智能的发展战略。美国政府2016年发布《国家人工智能研究和发展战略计划》，2019年发布总统令《加速美国在人工智能领域的领先地位》等。英国发布了《人工智能：未来决策的机遇与战略意义》（2016）、《在英国发展人工智能》（2017）等。日本发布了《人工智能的研究开发目标和产业化路线图》（2017）、《人工智能科技战略》（2017）等。欧盟发布了《2014—2020欧洲机器人技术战略研究计划》（2013）、《欧盟机器人研发计划》（SPARC，2014）、《人工智能时代：确立以人为本的欧洲战略》（2018）等政策。

在国内，国家层面也出台了较多的关于人工智能方面的政策，如围绕人工智能在医疗健康领域的应用颁布了《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》（2016）、《国务院关于印发新一代人工智能发展规划的通知》（2017）、《促进新一代人工智能产业发展三年行动计划（2018—2020年）》（2017）、《国务院办公厅关于促进“互联网+医疗健康”发展的意见》（2018）等文件。

（二）人工智能技术介绍

1.人工智能的机器学习

人工智能的机器学习是通过分析海量数据中学到统计规律，从而用于解释数据或者预测未来，是医疗人工智能研究的关键技术。深度学习源于人工神经网络研究的概念，通过模拟人类的大脑，建立一个能够进行学习和迭代的神经网络，最终通过大量高质量的数据学习，模仿人脑来解读文本、图像或者声音等数据。根据IDC Digital的预测，到2020年，医疗数据量将达到40万亿GB，其中包含了巨量的病患健康数据、临床诊疗数据、生物医疗数据和药物研发等数据，将有意义的数据标注并作为机器学习的素材，具有深度挖掘与研究的价值。

2.人工智能的视觉图像识别

人工智能的视觉图像识别是利用计算机及相关硬软件设备，模拟人类视觉神经的识别模式，通过对采集的图像信息进行特征信息提取，然后对图像进行相应的后续处理，其核心技术包含图像处理、模式识别和图像理解。在医疗卫生领域的应用，主要是通过大数据分析进行影像识别和辅助诊断。

3.人工智能的自然语言处理

人工智能的自然语言处理是计算机先通过对文本信息的特征字词短语信息进行提取，然后再对提取出的特征字词短语进行语义识别的一项技术。在医疗方面的应用主要集中在对一些非结构化的医学文本数据进行处理，如症状描述的数据、遗嘱描述数据等，通过基于规则、词典、自然语言处理、语义关系提取算法等进行处理，使描述更为标准和统一。

二、人工智能在医疗领域应用的现状和挑战

（一）人工智能在医疗领域的现状

1.智能药物研发

传统手段的药物研发过程是漫长且昂贵的，根据塔夫茨药物研发研究中心数据统计，药物的研发到投入使用时间长达12年，并且90%在临床试验的最后两个阶段中失败了，研发成本高达26亿美元，寻找成功的新药变得越来越困难。目前，人工智能在药物研发方面的应用，主要是通过对各种医学文献进行自然语言的处理来实现的，在海量的医学文献，还有基因组学数据，蛋白质组学数据，代谢组学数据，脂质组学数据等数据源当中自动提取候选的药物靶点，筛选已知化合物用于新的治疗应用，从而缩短研发、临床等时间并提高药物研发的成功率。根据美国国家医学院数据统计，初创公司在2019年筹集了超过15亿美元的资金投入基于人工智能的药物发现。加拿大的Cyclica公司将其软件用于数百万个分子与大约150，000种蛋白质的生物物理结构和生化特性进行匹配，以发现可能与目标蛋白结合的分子以及应避免规避的分子。

2.医学影像识别

利用机器学习、卷积神经网络等人工智能技术识别和解读影像，使得AI医学影像是当前医疗人工智能最为成熟的应用领域之一。人工智能在一些疾病影像的识别率和准确率上已经和人类非常接近，甚至表现更优。美国的医学影像数据公司Response Data，在2018年进行的一项调查中表明，美国已经有84%的影像诊所，已采用或计划采用人工智能协助医技人员进行医学影像的识别工作。人工智能在医学影像运用，极大的提升疾病筛查和临床诊断的能力。如：北京市海淀医院放射科的王娜娜等，探索了基于CT影像的人工智能（Artificial Intelligence，AI）辅助诊疗系统在新型冠状病毒肺炎诊疗中的应用，取得良好效果。Mendel K等又利用了计算机深度学习能力，对大量的高质量的数字乳腺断层合成（DBT）图像与常规数字乳房X线图像（FFDM）之间的区别进行比较和迭代学习，最终能够在实际中进行乳腺癌的筛查。

3.人工智能辅助诊疗

基于海量的医疗数据，利用自然语言处理、深度学习、图像识别、认知学习、自动推理等技术获取病症，模拟医生的临床诊断思维，为医生诊断疾病和医疗提供辅助支撑。全球较为著名的IBM Watson人工智能辅助诊疗系统，可以通过分析大量的已有的医学文献和临床资料，再结合病患的电子医疗记录，最终对病患提出一个适当的治疗方案，这项技术已经在国内一些医院落地应用。如：医准智能在河南某县人民医院和北京医准智能科技有限公司的合作中，应用肺结节智能辅助检测系统进行肺癌早期筛查，病灶检出率高达99%。何晓等通过使用人工智能算法来洞察阿尔茨海默氏病。Bera K等利用AI和机器学习工具应用到临床肿瘤学，提出了精准肿瘤学未来潜在的机会。医疗机器人也是人工智能辅助诊疗的应用场景之一，主要包括有达？芬奇手术机人、肠胃检查与诊断机器人（如胶囊内窥镜、胃镜诊断治疗辅助机器人等）、康复机器人（针对部分丧失运动能力的患者）及其他用于治疗的机器人（如智能静脉输液药物配制机器人）。

4.健康管理

人工智能在健康管理方面的应用，主要是利用物联网医疗设备、可穿戴智能设备全方位的获取人体生命体征和健康数据，并与就诊数据、基因组学、心理状态、生理状态等医疗健康数据进行深度挖掘，从而给出个人健康管理方案。当前，卫生智能硬件主要有血压、血糖等病患智能监测设备，其中较为杰出的代表是美国WellTok公司与IBM公司联合打造的智慧医疗平台。该平台通过大数据分析，融合医疗硬件、健康内容以及健康应用等，加强个人健康管理和改善生活习惯。此外，英国的Babylon Health公司研发的健康虚拟助理应用系统，通过将真正的医生与人工智能“助理”有机结合，利用智能便携设备为消费者提供7*24全天候个性化的医疗保健服务。

5.医院管理

通过建立人工智能体系，优化医疗资源配置和弥补医院管理漏洞，促进医院管理。医疗人工智能利用病历、就诊、用户反馈等大数据，从宏观层面协调资源的分配，节省医疗人力成本，改善就诊体验，最大程度满足患者诉求。目前，美国的Qventus公司、LeanTaaS公司等公司通过AI监测患者的流量，有针对的对病房、设备、时间等资源进行计划、组织、协调、控制，减少患者平均就诊时间、手术等待时间、患者就诊冲突概率，充分利用医院现有资源，实现医疗效用最大化。

（二）人工智能在医疗领域的挑战

虽然医疗人工智能应用热火朝天，资本市场投资不断涌入，但我们认为人工智能在医疗领域的应用还面临着多方面的挑战。

1.政策法规伦理方面

医疗人工智能作为当前科技发展的新事物，关于医疗人工智能的相关标准、规范都处于空白阶段。其应用的法律滞后性所带来的问题也暴露了出来。如医疗健康数据的个人隐私泄露问题、伦理道德问题、不被患者接受以及利用人工智能医疗服务过程中造成的医疗事件责任主体认定问题等。

2.健康医疗数据方面

人工智能在医疗领域应用的基础是健康医疗数据，人工智能的训练需要大量的已经标注好的医疗数据。健康医疗大数据标准、数据质量、数据安全性和共享等方面的问题直接影响着人工智能的发展。目前，关于医疗健康数据的归属和使用都尚无明确的规定，因此，医疗人工智能公司在开发系统过程中，如何获得海量的医疗数据进行集中训练就存在挑战。另外，各医疗机构的医疗信息系统标准不统一，导致机构、地区以及国家之间的数据共享也存在较多障碍。

3.人工智能人才方面

人才决定了医疗人工智能的发展。2020年，我们随机调研40家浙江省内卫生健康行政管理部门、大型医疗机构、公共卫生机构和医疗信息化企业。2021-2025年被调研单位对本科医疗人工智能人才年需求量在246-540人，呈逐年上升趋势，企业单位的需求量更旺盛（从2021年每家单位19.5人逐年增加）。我国的工业和信息化部发布的《人工智能产业人才发展报告（2019-2020年版）》当中指出，目前我国人工智能的人才缺口高达30万，而高校每年培养出来的毕业生约2000人，可见医疗人工智能人才需求与供应的不平衡。

4.人工智能算法方面

人工智能所做出的分析和预测都是基于算法模型和数据，工程师在设计算法时会渗透着其主观特质，用于人工智能训练的数据也可能存在着某种风俗习性或价值偏好，算法和数据的偏见都很可能产生系统性的决策偏见。

三、 医疗人工智能的问题对策

（一）加快医疗人工智能相关政策法规制定

随着医疗人工智能的快速发展，应加快医疗人工智能方面的政策制定，在立法过程中需要考虑医疗人工智能创新、安全和信任之间的平衡。

1.建立医疗数据的资源质量、标准和利用条件等约束性政策，提升大数据可关联度和数据质量。2.明确数据归属和权益。充分清洗个人标识性和人身性属性后，积极考虑数据财产性权利，对于拥有海量数据沉淀的健康机构通过立规和立法，规范数据归属权利，维护个体权益。通过行业协会等机构先行探索匿名使用，授权使用及有偿让渡等机制。3.健全大数据共享、流通法规体系，规范数据共享授權与审批制度。4.强化医疗健康大数据安全管控，明确数据全生命周期内的责任主体、范围边界和具体要求。健全医疗健康大数据应用有关的法律法规，明确个人隐私保护的具体诊疗信息内容，明确各个主体在收集、存储、应用等环节中的法律责任。5.建立统一从基础环境、应用水平、服务效能等方面的人工智能应用评价体系，以评价促发展。

（二）加强医疗人工智能人才培养

目前，我国医疗人工智能人才缺口巨大，应该加强医疗人工智能方面人才的培养。2008年，《高等学校人工智能创新行动计划》（教技〔2018〕3号）文件提出了加快和加强人工智能应用领域的人才培养指导方针。鼓励各大高校建设“新工科”，推动培养“人工智能+X”的复合类专业的新模式。高校及科研院所应该开展医疗人工智能硕士、博士的培养。同时，应该发挥医疗人工智能领域企业的力量，开展医疗人工智能相关培训，不断壮大我国医疗人工智能领域方面的人才队伍。

（三）推动医疗健康数据生态建设

监管方、医疗机构、人工智能企业等多方通力合作，加快建立医疗健康数据生态系统，用大数据、人工智能、区块链技术建设健康大数据平台。一是要构建和完善相关数据使用规范，理清医疗健康数据的使用权、所有权以及使用要求。二是要落实健康大数据标准的执行（如医疗标准化数据集、医学标注标准等），提高数据的数量和质量。融合人口基本信息管理、卫生医疗服务和保障、药品供应、社会综合管理等数据资源的共享、互联互通乃至业务协同，为人工智能训练提供可靠的数据来源。以统一技术规范的居民电子健康码和居民身份证号为个人健康服务识别信息，逐步实现医疗健康服务信息、检查数据、费用清单、处方、病历、结算记录等便民服务。

（四）客观对待医疗人工智能

人工智能正处在火热的时代，我们要正确客观的对待医疗人工智能，既不能轻视也不能盲目。通过人工智能技术建立患者和医生之间的信任桥梁，最终目标是让人工智能为人类医疗活动提供辅助性帮助，而不是取而代之。

四、结束语

综上所述，人工智能在医疗健康领域拥有广阔的应用前景，也遇到了一些挑战和瓶颈。我们需要把握机遇，加强理论知识学习和强化技能，为迎接智慧医疗时代的到来做好准备。

作者单位：杭州医学院信息工程学院

基金项目：浙江省科学技术协会学会服务科技创新与科学素质提升（2020年软课题项目）（CTZB-2020050332）；浙江省高等教育“十三五”第二批教学改革研究项目（项目编号：jg20190551）