人工智能技术在慢性病研究中的应用及进展

王森岩，武小玲，赵思俊，陈士剑，李顺勇，秦雪梅，刘晓节(山西大学中医药现代研究中心，太原 0000；化学生物学与分子工程教育部重点实验室；地产中药功效物质研究与利用山西省重点实验室；山西省检验检测中心；山西大学计算机与信息技术学院；山西大学数学科学学院；通讯作者，E-mail:liuxiaojie@sxu.edu.cn)

慢性病具有多发、起病隐匿、病程长、反复发作等特点[1]，给患者带来生理和心理的双重打击，严重影响患者的生活质量，加重社会和经济负担。近年来，已成为人类健康的主要威胁。据世界卫生组织报道，每年因慢性病死亡的人数占总死亡人数的74%[2]。在我国，慢性病发生发展形势也极为严峻，慢性病死亡率已占总死亡率88.5%[3]。因此，对慢性病的发生、发展以及结局的有效预测是及时发现患者病情、采取有效治疗措施的重中之重。

目前，临床常采用传统的医疗电子信息系统整合患者的各项数据，然后基于特定的流程与知识库对数据进行采集、计算，从而预测疾病的发生、发展[4]。但传统的医疗电子信息系统只能进行简单的机械探索，对变量之间的非线性关系处理不够准确，对数据的挖掘也不够深入，且处理效率较低。交叉学科思维和技术为发病机制复杂、病理过程长及数据多维、繁杂的慢性疾病的预测提供了新思路和新视角。

人工智能(artificial intelligence，AI)是应用计算机技术模拟、延伸和扩展人类认知的一门新的技术科学[5]。 AI通过挖掘、分析、研究医疗数据，精准预测慢性病的发生、发展，从而实现对疾病的识别和早期预测[6]。以 AI技术为内核的智慧医疗模式将引领未来医疗领域发展的时代潮流，推动智慧医疗科技的不断突破。

本研究首先对 AI 技术进行简要介绍，然后对常见慢性病进行系统分类；最后，归纳、整理、总结 AI在慢性病发生、发展以及结局预测等方面的应用。研究结果将为慢性病的早期筛查和健康监测、管理提供科学借鉴，为疾病治疗提供有价值的预测信息，为智能医疗和临床决策提供支撑。

1 人工智能技术概述

AI技术在疾病预测方面蓬勃发展，其技术主要是机器学习。 AI预测疾病的发展进程见图1。机器学习(machine learning， ML)是一门研究计算机如何从数据中学习并挖掘信息的学科[7]，是一组统计工具和方法的集合[8]，具有灵活性、扩展性、高效性、准确性[9]等特点。ML可同时检查多种变量及其相关变量，也能识别数据中更复杂的非线性模式，适合分析不同的数据类型。ML现已被用于疾病风险预测、诊断、预后等[10]，其流程见图2。其中，用于疾病预测的算法主要有传统机器学习和深度学习(deep learning， DL)。

图1 疾病预测方法进展的鱼骨图

图2 机器学习方法预测慢性病的流程图

传统机器学习是一类经典的疾病风险预测算法，主要有回归分析、决策树、支持向量机、人工神经网络、贝叶斯分类、关联规则、聚类分析、遗传算法以及集成学习等。其中，集成学习可针对实际问题设计合适的方案，寻求最优解。已广泛应用于慢性病的预测。

2006年，Hinton提出深层神经网络逐层训练的高效算法[11]，即 DL。与传统机器学习相比，DL 是一类深层学习模型，可灵活设定网络层数和神经元个数，有效完成高维数据的庞大运算任务。DL 处理语音和图像数据效果也优于其他算法[12]。DL 能显著提升慢性病预测的准确度和效率，其中深度神经网络和卷积神经网络应用广泛。随着人们健康意识的提高，DL 对疾病预测受到了患者和医生的广泛关注和重视。例如，在癌症的治疗过程中，DL 可以对患者和医生最关注的疾病分类、鉴别、复发和生存情况等进行较准确的预测，从而帮助改善患者的病情、生活质量，提高医生的临床诊断决策[6]。

2 人工智能在慢性病预测的应用

2.1 中枢神经系统疾病

中枢神经系统疾病是一组由慢性进行性的中枢神经组织退行性变性引起的疾病的总称[13]，主要疾病包括阿尔兹海默症、帕金森病、癫痫、抑郁症及精神分裂症等。中枢神经系统疾病的有效预测对个性化用药、改善患者生活质量、降低医疗费用等有重要意义。

阿尔兹海默症(Alzheimer’s disease，AD)是一种起病隐匿的进行性发展的神经系统退行性疾病[14]。其发病原因尚不明确，是临床上导致痴呆的主要原因。因此，预测 AD 患病风险对 AD 预防、治疗具有重要意义。Tjandra等[15]基于电子健康记录(electronic health records， EHRs)中血压值(blood pressure， BP)，建立了一个长-短期记忆循环神经网络的轨迹模型，并应用此模型对不同人群患 AD 风险进行预测。研究结果表明，该方法性能适中，可直接利用EHRs 数据中的 BP 轨迹进行 AD 风险预测。 Ho等[16]建立了一种双向渐进递归网络模型预测 AD 的进展。与传统预测方法相比，该网络可同时进行缺失值推断、磁共振成像的生物标志物预测和跨多个时间点的临床状态预后等3个任务，效率优于其他方法。该网络能有效预测患者数据和未来就诊的状态，并模拟 AD 10年病程，可用于延缓 AD 进展。

帕金森病(Parkinson disease，PD)是继阿尔茨海默病之后的第二大常见的神经退行性疾病，其最主要的病理改变是中脑黑质多巴胺(dopamine，DA)能神经元的变性死亡，由此引起纹状体 DA 含量显著性减少而导致一系列运动和非运动症状[17]。 PD 的早期预测有助于医生提前介入患者的治疗过程，更好地管理其症状、防治疾病演变。Magesh 等[18]应用卷积神经网络和迁移学习方法对 PD 进行预测。通过对给定的任意123I-FP-CIT单光子发射计算机断层成像图像进行分类，判断患者是否患有 PD，其准确率为95.2%，敏感性为97.5%，特异性为90.9%。步态冻结是PD 最棘手的症状之一，影响五成以上的晚期患者。Borzì 等[19]利用可穿戴设备和传统机器学习技术预测PD 患者的步态冻结。该研究结果表明，这种检测算法在预测PD 患者的步态冻结方面具有良好的性能，且无论患者是否配合治疗，其准确性均高于85%。

癫痫是一种因大脑神经元突发性异常放电导致的短暂的大脑功能障碍的神经性脑疾病，具有发作性运动、感觉、自主神经、意识及精神障碍等临床症状[20]。早期预测有益于在癫痫发作前通过药物控制病情，对改善患者的生活有很大帮助。Pale等[21]应用多质心高维计算的半监督学习方法预测患者癫痫发作概率与风险。与简单的单质心高维模型相比，多质心方法有几个代表癫痫和非癫痫状态的原型向量，显著提高了预测性能。在不平衡测试集上，有10倍的非癫痫数据实现了高达14%的改善。该方法可实现癫痫患者的实时和长期监测。Usman等[22]建立了基于 DL 的集成学习方法的癫痫发作预测模型。作者提出一种三层定制卷积神经网络，使用两个公开的头皮脑电图和颅内脑电图数据集，预测癫痫发作。结果表明，该模型的平均敏感性和特异性分别达96.3%和95.7%。与现有方法的结果比较，该方法在两个数据集的灵敏度、特异性和平均预期时间等都有更好的性能。有效预测癫痫发作有助于临床治疗方案的选择，如药物控制或手术治疗。

抑郁症是一种严重危害人类身心健康的精神疾病，是造成全球健康负担的主要原因。临床症状包括显著和持续的抑郁情绪、思维迟缓和认知功能障碍、躯体症状等[23]。抑郁症每次发作可持续至少2周以上、1 年，甚至数年，且大多数病例有复发的倾向。重度抑郁症(major depressive disorder， MDD)是人类致残的主要原因之一，其自杀率极高[24]。MDD的诊断通常采用《精神障碍诊断和统计手册》的标准。由于精神疾病的表型重叠以及疾病(如MDD)内部的异质性，临床诊断不能像研究方案设计的一样精确。精神障碍患者在接受最终诊断之前，有时不得不忍受多次试验甚至错误的药物试验，导致治疗延误和病情加重。Mousavian等[25]采用卷积神经网络对结构性磁共振成像的数据进行特征提取，然后应用支持向量机方法预测MDD。该研究结果表明，在基于径向基函数核的支持向量机(support vector machine with radial basis function kernel， SVM-RBF)和基于线性核的支持向量机(support vector machine with linear kernel， SVM-LINEAR)分类器中，SVM-RBF预测精度高达96%，其预测结果更准确。医生有望通过MDD的诊断生物标志物实现MDD的早期检测。Kang等[26]建立了深度不对称方法对脑电波进行成像；然后，应用基于卷积神经网络的二维DL模型预测抑郁症患者的病情程度。该研究首先利用深度不对称可视化方法开发了一个回归模型；然后，构建基于图像的卷积神经网络预测模型；最后，与其他方法的预测结果进行比较。结果表明，深度不对称方法性能优于其他方法。深度不对称方法通过对脑电图的不对称性进行成像，提供基于卷积层的DL模型，是测量抑郁症严重程度的有效方法。

精神分裂症是一类发病率高、复发率高、致残率高的慢性迁延性疾病，临床表现为感知、思维、情感、行为等多方面的障碍和精神活动的不协调[27]。一般来说，男性患病率较高。另有研究报道，精神分裂症患者比普通人更容易产生暴力攻击行为[28]。Alonso等[29]比较了各种传统机器学习算法预测住院精神分裂症患者的性能。研究纳入11 884例精神病患者的电子病历住院记录。结果表明，多种传统机器学习算法中，随机森林算法预测精神分裂症患者的准确性最高、性能最优。Wang等[28]应用传统机器学习算法预测精神病患者的暴力倾向。结果表明，随机森林模型的准确率为62%，特征曲线下面积为0.63，其结果略优于其他算法。该研究结果有助于更好地补充早期干预措施预测患者暴力的诊断决策。

2.2 心脑血管系统疾病

心脑血管疾病是全身性血管病变或系统性血管病变在心脏和脑部的表现，具有高患病率、高致残率和高死亡率等特点，患者常见于50岁以上中老年人[30]。随着社会老龄化速度的加快和老龄化人口规模的增大，心脑血管疾病的发病人数不断增加，已成为威胁人类健康的主要疾病。常见的心脑血管疾病有高血压、高血脂症、冠心病、脑卒中及心力衰竭等。

血压值和危险因素评估是诊断高血压和制定治疗方案的主要依据。Kanegae等[31]基于传统机器学习开发并验证了一种新发高血压风险预测模型。该研究共纳入了2005—2016年的18 258名患者的健康检查数据。然后，随机选择75%的数据用于模型构建和开发，另外25%数据集用于模型验证。结果表明，XGBoost模型的最佳预测指标是心踝血管指数测量时的收缩压。而基于集成方法的预测模型的预测性能最好，该模型可用于预测普通人群罹患高血压的风险、识别高危个体，并进行早期的非药物干预。Barsasella等[32]使用4种基于传统机器学习算法的预测模型预测高血压患者的住院时间，同时应用多层感知器(multilayer perceptron， MLP)的5个分类器预测了住院患者的死亡率。研究纳入2016—2019年期间在印度尼西亚塔西克马拉亚一家三级转诊医院的住院患者。结果表明，线性回归模型预测高血压患者住院时间的准确性高；MLP住院患者死亡率更加准确，亦可以改善医院处理和管理病人情况的质量。这些研究结果将为病人的下一步护理提供有效帮助。

高血脂症是指血清中的胆固醇和(或)甘油三酯含量升高，其异常与动脉粥样硬化密切相关，是冠心病、脑卒中、心肌梗死、猝死的危险因素[33]。胡逾航[34]应用自适应粒子群参数寻优的LightGBM算法，构建了潜在高血脂症的预测模型。研究首先对医疗体检数据进行预处理；然后，分别处理文本型数据和数值型数据；最后，构建模型对其进行预测。研究结果表明，与随机森林模型相比，该模型的预测性能较好。胡美兰等[35]应用C5.0算法决策树预测高血脂症，分别建立个人水平模型和临床模型，并计算了预测效果的准确率、Keppa值等。结果表明，个人水平模型和临床模型的准确率均高于80%，Kappa值和受试者工作曲线结果均良好。该决策树模型对体检人群中隐匿性高脂血症患者具有很好的预测效果，值得临床推广及应用。

冠状动脉粥样硬化性心脏病又称冠心病，是由脂质代谢异常引起的，冠状动脉血液中血脂等物质的异常沉积可逐渐发展为动脉粥样硬化斑块[36]，进而病变引起血管腔狭窄或阻塞，造成心肌缺血、缺氧或坏死而导致的心脏病[37]。Nakanishi等[38]基于66 636名疑似冠心病患者的77个可用的CT和临床变量组成的数据集，使用信息增益比进行自动特征选择，利用集成增强算法建立模型预测冠心病患者死亡率。并采用10折交叉验证，通过受试者工作特征曲线下面积评估模型效果。研究结果显示，综合ML模型优于冠状动脉钙化评分和单独使用CT变量拟合的ML模型。Dogan等[39]应用1 180名个体的单核苷酸多态性和全基因组甲基化数据，开发了一个冠心病风险预测模型，并使用随机森林算法预测5年内出现症状性冠心病的风险。该试验的敏感性和特异性分别为0.70和0.74。He等[37]建立了基于改进的salp群算法优化的核极端学习机器(kernel extreme learning machine， KELM)为核心的冠状动脉粥样硬化性心脏病预测模型。与其他ML算法比较，冠状动脉粥样硬化性心脏病诊断的KELM模型在冠心病预测方面具有良好的预测精度和性能。

脑卒中是由脑血管病变发展到一定程度导致的疾病，是全球范围导致死亡和残疾的第二大原因，具有较高发病率、致残率和死亡率[40]。脑卒中虽是突发疾病，但该病需要长期管理，急性期治疗后有较长的康复过程，还有二级预防、预防卒中复发等重要工作，因此被列为慢性疾病[41]。朱千里[42]基于脑卒中患者的降脂类(他汀类)用药史、心脏射血分数、心脏左房内径等预测变量，建立了Logistic回归模型和人工神经网络模型，并评价了所建模型对脑卒中患者合并心房颤动的预测效能。结果表明，与Logistic回归模型相比，人工神经网络模型对脑卒中患者合并房颤的预测准确性更高，可有效指导脑卒中患者的个体化治疗。Lip等[43]依据医学数据库的3 435 224例患者临床多病指数和ML方法调查多病患者的脑卒中风险，并进行风险预测。结果表明，ML模型的临床效用优于现有的两种临床风险评分规则；且ML模型发现多种疾病的共病及其复杂关系对卒中风险预测具有重要影响。

心力衰竭是一种由任何结构或功能损伤引起的临床综合征，具有发病率和死亡率高等特点。心衰也是住院的常见原因[44]，39.4%的心衰患者年龄在60岁以上[45]。Wang等[46]纳入2009年3月至2016年4月间10 198例住院患者记录，在此基础上，采用基于特征重排的DL模型预测心力衰竭的死亡率。结果表明，该方法在预测住院死亡率、30 d死亡率和1年死亡率等方面具有最高的平均精度和曲线下面积。而且该模型可快速准确预测心力衰竭的死亡率，有利于改善患者的医疗保健。Adler等[47]基于决策树算法建立心力衰竭预测模型。作者通过识别8个变量得出了一个准确区分低和高死亡风险的风险评分。该风险评分的曲线下面积为0.88，较其他风险评分更准确。

2.3 代谢性疾病

代谢性疾病是新陈代谢的某个或多个环节障碍导致的代谢紊乱，根据代谢底物的不同可分为产能物质代谢病和非产能物质代谢病[48]。其中2型糖尿病、骨质疏松等疾病的发病率日益增高。

血糖的监测与管理是糖尿病病情控制的关键，亦是国内外学者重点研究内容之一。随着AI技术的发展，ML已被越来越多地应用于血糖预测、糖尿病并发症的预测等。Daniels等[49]应用多任务学习算法构建了预测糖尿病患者个性化血糖的模型。与其他传统机器学习相比，多任务学习模型在短期和长期的预测指标方面显示出一致的领先性能。其模型的精准度均在93%，可有效预防不良事件的发生。Li等[50]利用特征融合算法建立了基于舌特征融合的无创糖尿病风险预测模型。预测数据由DL模型提取舌头图像数据集的深度特征和舌诊断仪提取舌的颜色及纹理特征组成。该模型完全基于舌象信息预测糖尿病发病风险，阳性预测值和真阳性率均提升至90%以上，能有效预测糖尿病前期和糖尿病并发症的风险。Bernardini等[51]使用多示例学习增强方法创建了根据甘油三酯-葡萄糖(triglyceride-glucose， TyG)指数早期预测胰岛素抵抗恶化的传统机器学习预测模型。该算法根据EHRs患者之前信息进行预测，能够纵向模拟EHRs数据的时间演变，同时能有效处理小样本量和观察结果的可变性，较其他方法更先进、准确率更高。有利于糖尿病的早期发现和及时治疗，有望在临床上推广与应用。

骨质疏松症是一种导致骨折风险增加的骨骼疾病，具有骨密度低、骨组织微结构退化等特点[52]。骨质疏松最严重的并发症是骨质疏松性骨折，其会导致长期残疾、患病个体的高死亡率和医疗保健系统的巨大经济负担。徐辉煌等[53]收集受试者的临床因素和基因位点数据，然后应用t分布邻域嵌入算法对关联基因位点进行数据处理，建立了基于多粒度级联森林并结合遗传因子的ML预测模型。该模型分类精度为89%，效果优于其他模型。Villamor等[54]将有监督的ML与临床和计算驱动的机械属性结合，应用所建模型预测骨质疏松性髋部骨折。该模型的预测精度比应用“金标准”骨密度预测提高了14%。Ou Yang等[55]运用多种ML算法构建了骨质疏松症的预测模型，并应用该模型预测3 053名男性和2 929名女性的骨质疏松症。所建模型的预测结果优于传统的骨质疏松症自我评估工具模型，有助于骨质疏松的早期诊断与治疗。

2.4 呼吸系统疾病

呼吸系统疾病是临床常见病，具有反复发作、难以根治等特点。近年来，随着大气污染、二手烟及其他因素的影响，慢性阻塞性肺病、支气管哮喘等呼吸系统疾病的发病率逐年上升。慢性阻塞性肺疾病是以气流阻塞为特征的肺部病变，其发病率会随着年龄的增长而增加，严重影响患者的生活。Orchard等[56]将ML用于早期检测慢性阻塞性肺疾病急性恶化的预测建模。并应用该模型对135名患者进行了远程监测。研究结果表明，随着患者每日数据和住院数量的变化，ML算法可实现早期预判患者病情恶化并进行及时干预，减少患者住院率，其效果优于传统计分算法。王哲等[57]基于传统机器学习算法建立了慢性阻塞性肺疾病分期模型。同时，结合临床确诊结果，应用所建模型对2 504例确诊慢阻肺住院患者进行了慢性阻塞性肺疾病的分期预测。支持向量机的准确率高达85.3%，为慢阻肺分期提供了较准确的分类依据。

哮喘是一种慢性气道炎症性疾病，患者发病时常有发作性喘息、喉咙紧绷、咳嗽和呼吸短促等症状。众所周知，峰值呼气流量率(peak expiratory flow rates， PEFR)是哮喘风险预测指标。Bhat等[58]建立了基于卷积神经网络的哮喘风险预测模型，且可应用物联网和智能手机应用程序运行所建模型。他们使用简单的颗粒物和天气数据预测PEFR的读数。该方法操作简单，实现在手机应用程序中直接预测患者的哮喘风险。刘迪[59]构建了支气管哮喘急症发作后近期复发风险预测的Logistics回归模型和人工神经网络模型，并比较了两种模型预测效果。研究结果显示，人工神经网络模型较优。结果还显示，入院方式及过度使用短效β2受体激动剂(short-acting inhale bete2-agonist，SABA)是支气管哮喘急性近期复发的危险因素。

2.5 恶性肿瘤

恶性肿瘤已被全球近百个国家列为过早致死的第一或第二大原因[60]。自20世纪70年代以来，我国恶性肿瘤死亡率呈明显上升趋势。目前已成为我国居民的首位致死因素，约占人口死亡的1/4[61]。目前，外科手术是治疗恶性肿瘤最为常用的手段[62]。然而术后仍有一定比例的复发转移风险，且严重影响患者预后。因此，采用AI技术提前预测患者术后结局，找出患者术后危险因素，对改善患者预后、指导临床治疗具有重要意义。

Song等[63]提出了一种应用三方深度迁移学习方法预测胃癌发病率的联合模型。结果表明，与现有的预测方法相比，三方迁移学习的预测精度更高，平均预测准确率高达78%。该预测结果有助于优化医疗资源规划，提高医疗准备和响应。Eun等[64]应用随机森林建立了一个预测乳腺癌复发的模型。研究纳入2012年1月至2017年8月期间130名接受新辅助化疗并接受乳腺癌手术的女性。结果表明，与其他传统机器学习相比，随机森林模型对进行预处理和治疗中MRI的纹理分析的预测性能最高，其曲线下面积为0.94。这为预测乳腺癌患者的复发提供了有价值的信息。Kawakami等[65]建立了基于多种生物标志物的卵巢癌特异性预测的ML模型，并应用所建模型预测卵巢癌患者的临床分期、组织类型、预后等信息。该模型预测临床分期准确率较高，区分卵巢上皮性癌与良性卵巢肿瘤的准确率高达92.4%，为卵巢上皮性癌的患者在治疗前提供有效的诊断和预后预测，同时有助于患者的个性化治疗。

2.6 其他疾病

慢性肾脏病是由各种原因引起的慢性肾脏结构和功能障碍，且异常时间超过3个月的临床综合征[66]。其患病率在全球范围内持续上升。慢性肾病患者早期无症状，大多数在晚期被诊断出来，导致治疗延迟，患者死亡风险加大[67]。早期诊断是避免慢性肾脏疾病和肾功能衰竭的首要方法之一[68]。因此，实现早期预测慢性肾脏病具有重要意义。Nikhila[69]应用4种集成算法对慢性肾脏病进行预测，并评估模型的准确性、敏感度、特异性等性能指标。结果表明，AdaBoost和随机森林模型的性能良好，有助于医生在早期阶段诊断该疾病。Khan等[67]建立了基于计算智能方法的智能肾脏疾病预测模型。首先，对模糊逻辑系统使用7个参数；然后，应用人工神经网络和深度极端机器学习方法处理和分析肾脏数据集对疾病进行预测。结果表明，该模型的准确率为94.2%，将有助于肾脏疾病的早期诊断。

类风湿性关节炎(rheumatoid arthritis， RA)是一种慢性、全身性、高度致残的自身免疫性疾病，其病理特征为持续性和进行性滑膜炎和血管炎[70]。Geng等[71]应用自身抗体、代价敏感神经网络构建了RA的预测模型。研究纳入以关节疼痛为主要症状的309例患者，使用代价敏感神经网络模型整合多种自身抗体和患者症状预测RA。结果表明，该预测模型的灵敏度为0.90，特异性为0.86，优于单个抗体和联合多种抗体检测。所建模型有助于RA的早期诊断及指导医生制定不同的治疗方案，使患者得到更早的治疗，防止病情恶化。

3 总结与展望

AI技术无论是核心技术，还是典型应用均出现爆发式的进展。随着平台、算法、交互方式的不断更新和突破，以ML为核心的AI在医疗领域的各个方面得到更多的发展与应用。随机森林、决策树、支持向量机和DL等方法已被广泛用于慢性疾病的发生、发展及结局预测。在中枢神经系统疾病中，对疾病的预测方法主要是各种神经网络算法，其他算法应用较少。在心脑血管疾病中，各种ML算法均有应用，且研究人员会对其进行优化。在其他疾病中，将ML算法与疾病特征或其他因素融合应用可提高疾病预测的准确度。卷积神经网络算法在具有大量成像数据的疾病如脑部疾病或精神疾病应用较多。集成学习算法和随机森林算法对数据量庞大的疾病如癫痫的效果较好。同时，疾病特征对疾病预测的重要作用也是优化、改进及联用传统机器算法的重要依据。此外，分析、比较不同ML的算法及结果，并基于此筛选性能更优的方案也是当前研究的一个重要趋势。综上所述，ML算法在慢性病预测中的研究与应用非常广泛，对实现疾病的早期预测和诊断、有效预防以及可能患病人群的健康监测、管理具有重要意义。

同时，我们应该注意到AI技术在医疗领域的应用也面临一些挑战。首先，AI技术在有限样本和计算单元的情况下，对复杂函数的表示能力有限，其针对复杂分类问题的泛化能力受限。其次，对样本数据及队列选择要求较高。样本数据依赖大量的医疗数据，需要大量准确的信息。但是，临床数据的缺失、数据质量良莠不齐等均会影响预测和结果的精准性。因此，应用AI进行预测、诊断和预后，还需要在现有传统机器学习算法的基础上不断改进，并结合DL算法进行优化或者探索与DL迥异的新型算法。同时，经过60年的发展，AI已成为一个涉及计算机科学、控制科学、生命科学(脑科学)、数学、哲学、认知科学等多学科的交叉技术领域，进一步引入物理、量子力学等其他学科的思维和方法亦有助于AI技术应对临床各种复杂情况。总的来说，在多源数据、多元应用和超算能力、算法模型的共同驱动下，传统以计算机智能为基础、依赖算法和数据的AI，强调通用学习和大规模训练集的ML，正逐渐朝着以开放性智能为基础、依赖交互学习和记忆、基于推理和知识驱动、以混合认知模型为中心的新一代AI方向迈进。可以肯定的是，随着研究的不断深入，以ML为核心的AI技术将不断进步，健康医疗大数据系统也将日趋成熟。所以，我们相信AI技术将有效地助力医院更好记录、存储和分析患者的健康信息，提供更加精准化和个性化的健康服务，显著提升医院的临床诊断精确度，也将有利于医疗资源更合理的规划与使用。