1   引言

2021年国度卫健委于《关于印发公立医院高质量发展推进行动（2021-2025年）的通知》（国卫医发〔2021〕27号）中提出建设“三位一体”智慧医院，激励医院加快利用智能可穿戴设备、人为智能辅助诊断和医治系统等智慧服务软硬件。人为智能（Artificial Intelligence，AI）是推算机科学的一个分支，能对人的意识和思想过程进行仿照，并做出与人类类似的反映和行为。随着社会的急剧进取，人为智能获得突飞猛进的发展，逐步利用到各个行业领域且获得宽泛认可，同样越来越多的AI钻研起头落地于医疗领域，蕴含医学影像、医疗机械人、智慧导诊、智能语音录入、辅助决策支持、病历质控等多多场景。

2   人为智能技术概述

2.1   发展过程

经过数十年的持续发展，人为智能在医疗领域逐步进化，历经三大阶段的演变。在这个过程中，技术不休获得沉大突破，使得利用场景得以逐步拓展和深入。

人为智能在医疗领域的初尝索求期（1970—1999年）
；到ㄓ胫锻计鬃钤绲氖导柿煊蚴橇俅沧揖霾呦低。1976年,知识工程奠基人爱德华·费根鲍姆在斯坦福大学研发出初代专家系统MYCIN,该系统通过成立临床知识库,尝试仿照医生决策过程,用于性病习染者的诊断并可开具抗生素处方[3]。1978年,北京中医医院关幼波教授与推算机领域专家合作研发出我国首个医学专家系统“关幼波肝病诊疗法式”,将医学专家系统利用到我国传统中医领域[4]。

人为智能在医疗领域的急剧发展期（2000—2017年）。2000年,美国Intuitive Surgical公司成功研发世界上首个手术机械人“达芬奇表科手术机械人”[5]。2007年,美国IBM公司开发出watson系统,进一步提升了临床决策系统的认知能力[6]。同时随着推算机断层扫描(CT)、磁共振成像(MRI)等大型医学成像设备的技术逐步成熟,大量复杂高维的医学影像随之产生。为了提高医生诊断的效能和正确率,产品利用起头聚焦在医学影像辅助诊断领域。典型产品蕴含基于CT图像的肺结节辅助诊断产品、基于眼底彩照的糖尿病视网膜辅助诊断产品等。

人为智能医疗在医疗领域逐步进入落地利用期（2018年至今）。2018年,用于筛查糖尿病视网膜病变的产品IDX-DR获得美国食品药品监督治理局(FDA)核准上市,成为首个获批的人为智能医疗器械,标志取产业进入贸易利用阶段。在此期间深度神经网络的革命性突破,大幅提升了图像鉴别和语音鉴别正确率,解决了传统算法难以正确提取医学数据复杂特点的困境,同时算力层面的稳步提升使得手术、监护这些对实时性要求较高的医疗场景也能找到满足需要的推算能力,人为智能医疗利用起头多点着花。2020年,冠脉血流储蓄分数推算软件在我国获得首张医疗器械三类注册证。

2.2   主题技术

医学天然说话处置重要指标是使机械能像人一样理解天然说话。目前已经在蕴含文本挖掘、信息检索、机械翻译、语音鉴别等领域获得凸起成就，职能壮大，利用宽泛。使用天然说话处置技术对海量的医学文本进行挖掘，能够有效的利用这些数据，构建出各类利用方式[7]。

推算机视觉重要指标是让推算机和系统可能从图像、视频等视觉输入中获取有意思的信息，并凭据这些信息采取行动或提供建议。推算机视觉的钻研内容蕴含图像鉴别、物体检测、图像宰割、场景沉建等。医学领域与其关联最为缜密的就是各类图像的鉴别与分析[8-9]。

机械进建机械进建是通过仿照人类的进建思虑方式，让推算机占有自进建的能力，并将数据提供给各类算法训练出模型并使用模型预测的一种步骤。通过进建使推算机不休更新和沉组现有的认知方式，从而不休改善和提高机能[10]。

3   人为智能在医疗机构的利用

3.1   医学影像

智能影像诊断，即将AI技术利用于医学影像辅助诊断领域，AI在此领域落地最早、利用最广。AI在影像领域的利用重要分两部门，一是图像鉴别，二是深度进建，二者结合给医学影像领域带来巨大鼎新。图像鉴别重要是将病变部位进行影像分析，获取一些有意思的信息。食管癌AI影像监测正确率达98%，并可分辨浅表食管癌和晚期癌症[11]，肺结核AI系统阅片诊断正确率达92%[12]，胆管癌AI磁共振成像诊断正确率达94%[13]。深度进建重要是利用影像大数据和模型训练，使其拥有评估和诊断能力，进而得出辅助诊疗规划。Google DeepMind Health团队利用深度进建将视网膜眼底图像用于糖尿病黄斑水肿水平监测，敏感度为97.5%[14]。国内学者使用智能超声诊断系统对甲状腺结节进行自动检测，正确率达97%[15]。

3.2   智能医疗机械人

近年来，智能手术机械人是医疗机械人技术领域中的钻研热点，相比传统的机械人，智能手术机械人对于节造系统的正确性、靠得住性、智能化水平要求更高。达芬奇机械人[16]是由美国Intuitive Surgical公司研发的目前世界最先进的机械人辅副手术系统，该系统通过融合多种新兴学科，显著提高了手术精度，实现了表科手术微创化、智能化和数字化。目前，该系统除利用于心胸表科以表还利用于普表科、妇科、泌尿表科、骨科等其他学科，合用领域逐步扩大。为紧跟世界医学技术的发展，我国智能手术机械人钻研如火如荼，三所高校结合研发的“高手S”腹腔微创手术机械人可实现直径<1mm渺小血管的剥离、剪怯注缝合和打结等手术操作[17]。我国粹者设计的全自动无针头疫苗注射机械人，可精确定位疫苗穿刺点和注射角度[18]。

3.3   智慧导诊

在挂号阶段，通过AI交互式对话平台，可对患者提供的语音或文本内容进行纪录和分析，利用语音鉴别等技术结合疾病知识图谱，智能判断并向患者推荐挂号专科。在候诊及院内导诊阶段，AI导诊机械人可提供常见问题的就诊和导诊解答，具备的24幼时不间断服务职能也能极大地解决患者在极度规功夫段的导诊问题
；颊吖液藕，可在手机端进一步描述具体的症状。系统通过语音智能交互、知识图谱将患者描述的信息转换为切合规范体式的电子病历文本，并自动导入门诊医生工作站，让医生在接诊后可急剧查看，问诊更精准，可高效、全面地提升就医履历。

3.4   智能语音录入

智能语音录入全过程由医疗领或说话数据模型进行支持，该数据由针对各个科室的业务进行了梳理，定造语音模型而来，覆盖各个科室常用的病症、药品名称、操作步骤等关键信息。解决医生的口音问题，必要智能语音录入系统过程中进行自我进建，鉴别正确率会逐步提升。智能语音录入可能实现查抄、诊断和病历录入同时进行，预防了医生诊断总是被打断的情景，大幅提高医生录入的病历快率，让医生可能专一于诊疗行为。将来医疗智能语音录入还必要克服嘈杂的环境、鉴别复杂的医学专业术语、满足分歧语快和口音使用者，成为靠得住、好用的技术，还有很多技术难点必要克服。

3.5   辅助决策支持

智能诊疗是选取AI技术协助医生诊疗，通过模型训练把握医疗诊断知识，以医生的思想和诊断推理，从而给出靠得住诊断和医治规划。随着AI不休发展，深度进建算法在某些情况下阐发出超过临床医生的诊断能力，使医生愈发依赖AI模型来进行决策诊断，也证明AI在医疗领域有很好的发展远景。江苏省人民医院设计的智能静脉血栓栓塞（VTE）质控系统可动态化监测住院患者VTE，实现院内VTE实时鉴别和有效过问[14]。Chang Junior等[49]利用随机丛林算法使用常见临床病历数据对先性子心脏病手术患者的殒命终局进行预测，其AUC值可达0.902。这一成就已经造成网络利用供临床医生参考。

3.6   病历结构化与质控

传统临床科研过程中病历筛选、数据提取占用整个临床科研过程的50%以上功夫。人为智能能精准齐全的读懂病历所表白的寓意，并消解其中的歧义。系统利用天然说话处置技术，深度挖掘和分析医疗文本的信息，它能够急剧批量抓取病历中的信息天生一个结构化数据库。同时可能利用于临床试验、真实世界钻延注不良事务追踪、患者治理随访等方面
；大大提高了临床治理数据的效能，降低了钻研的执行成本。

利用人为智能技术对能够电子病历数据质量进行节造，通过天然说话处置、机械进建等人为智能技术，运行电子病历质控规定库，不仅可能从内容齐全性、时效性等方面对病历书写质量进行研判，也可能从术语规范性、逻辑一致性等方面对病历内涵质量进行节造，提高质控效能，改善质控质量，使电子病历质量治理越发高效、不变、靠得住。

4   人为智能医学利用的挑战

4.1   技术瓶颈及主题基础有待突破

在算法层面，目前无数人为智能算法不足在医学上的可诠释性，由于其具备黑箱属性，导致患者在就医时无法获得诊断决策背后的凭据，这将在肯定水平上影响患者对医生的信赖度以及后续的医治成效，因而人为智能在医疗行业中的利用比其他行业面对更大的质疑与忧郁。在基础设施层面，产品研发中所使用操作系统、前端开发环境、算法框架均以国表开源产品为主，我国话语权相对较弱，随时存在规定系统被恶意调换的风险。在关键零部件层面，我国产业创新能力不及，无数高端产品的自研蹊径仍存在“卡脖子”环节，例如我国智能手术机械人的光学跟踪定位系统以及机械臂高度依赖进口。

因而，关于诠释人为智能决策过程，量化其靠得住性，并将决策逻辑明显地通报给用户以便进一步钻研，是极度必要的。除了成立用户信赖，加强可诠释性将使开发人员可能更彻底地查抄模型是否存在谬误，并验证人为智能决策在多大水平上反映了人类专家的步骤。同时必要突破人为智能医疗器械关键零部件、元器件、基础设施等主题环节，加快补齐造约产业发展的瓶颈短板。

4.2   数据治理需美满优化

人为智能模型必要海量数据进行训练，数据质量的凹凸，蕴含数据的正确度、安全性、尺度化等直接影响人为智能的质量。一方面国内大部门医疗机构数据量大，但针对分歧病种的数据量和质量参差不齐，有些病种的训练数据不足，另一方面医疗数据天生就拥有无法绕开的安全、隐衷、受监管等个性，分歧医院的数据割裂，形成“数据孤岛”，再加上临床、影像等数据存在是否尺度、标注是否规范等质量方面以及部门名词必要专业医生来解读等问题，难以形成大规模数据集，无法支持深度模型大规模的训练，影响模型鲁棒性，以至人为智能技术难以在现实利用中获得理性的成效。将来能够通过区块链、隐衷推算等新一代信息通讯技术，钻研成立起面向产业盛开、价值共享、安全规范的数据流通共享机造，结合医疗产业特点，结合推动建设产业基础服务平台，为行业提供权威靠得住的医疗数据共享、信息互换平台等基础支持。

另表在利用深度进建等人为智能技术进行训练时，必要海量的健全医疗数据支持，然而这些数据往往蕴含大量的患者幼我信息，可能导致幼我信息被获取，造成身份偷窃、幼我隐衷加害。因而，在医学人为智能利用过程中，必要高度关注健全医疗大数据的安全性，预防出现黑客攻击和数据泄露等安全问题。数据的去中心化是削减单个黑客攻击以及数据泄漏的一种步骤，这项技术同时也使得跨机构合作变得越发容易，且无需复杂的数据共享和谈。

4.3   目前伦理律例和安全保险系统较为幽微

只管AI在医疗领域急剧发展，但关于AI伦理方面的钻研相对较少。AI技术作为一种黑盒算法，风险不确定，可能会对患者造成中伤。目前，当算法出现问题导致产生不良事务时，责任的划定是否应全数归罪于人为智能公司，而医生操作失误又需承担几成责任，对于此种情况下责任的划分还不明确，有关司法律规还不美满，这在将来可能会成为人为智能公司与医院重要的矛盾点。将来只有通过健全医疗变乱司法问责机造、造就医疗伦理观、
；ひ搅剖菀衷、加强医疗监督治理的蹊径，能力够使人为智能在医疗领域的利用更宽泛、更落地。

5   将来发展

5.1   多模态诊断

健全数据性质上是多模态的。随着传感器硬件技术的日益精进，临床场景下每天都有大量的数据被产生，如电子健全文本纪录、医学成像、可穿戴和环境生物传感器所网络的生物医学数据，而专业医生进行人为诊断时，往往只能有选择地对其中的几种数据进行评估。相比之下，随着数据量和算力的提升，将来人为智能技术能够借助分歧起源的生理、药物过问、尝试室测试数据，以及拥有分歧模态的医疗图像、临凑辗骶纪录等数据，可能捕获人类健全和疾病的复杂性，并对患者情况进行综合研判，从而天生更为全面的诊断。一些困扰人为智能发展的，例如胸部CT查抄中，肺结节、肺炎、支气管发炎、肺部癌变等多种疾病造成的“同病异影、异病同影”景象，通过多模态结合会迎刃而解。

5.2   医院治理辅助决策

将来人为智能不仅在医疗技术领域阐扬作用，在医院治理方面同样会大有作为。在人事治理方面，人为智能技术能通过数据挖掘医院人事档案中工作人员的诞生年月、学历专业、职称评定等资料，分析出当前医院中工作人员的均匀春秋和均匀工龄、学历职称散布情况、来具体判断大到医院整体，幼至医院某科室的人才储蓄情况，为医务人员的任免和造就提供决策支持。人为智能还可凭据人事档案的汗青数据和医院过往人事件动趋向来预测医院将来人事建设工作方向和人才需要缺口，并对医院人事治理中可能出现的人员超编、结构失衡等情况作出提醒。

在财政方面，通过机械进建对公立医院的汗青数据进行分析和建模，从中进建到医院的通例操作和异常情况，而后凭据新数据进行风险评估和检测。例如，机械进建人为智能能够自动鉴别账目纪录中的异常支出，或者发现某个科室的医疗用度显著高于其他科室的情况。这样，审计人员便能够更急剧地发现问题，并采取相应措施，从而预防财政和医疗风险的产生。

5.3   个性化医学教育

传统的医学教育多选取填鸭式教育，对临床接触也不深，并欠缺医学素养的培训。近年来基于人为智能及混合现实技术的新型教育模式正逐步成型，将来医学讲授模式将会越发高效化、实际化。其可能会凭据每个学生的进建特点，针对性地提供进建规划，以虚构实际领导医学天生长，并且不休建改成长路线，高效解决医疗教育大局与实际系统衔接的矛盾。通过使人为智能，能够通过对话和互动，凭据学生的进建需要和能力水平提供定造化的进建支持和反馈。凭据学生的回覆和阐发，其能够提供具体的诠释、示例和提醒，援手学生全面理解和把握医学知识
；能够创建虚构患者或情景，与学生进行交互，并评估医学生的临床推理、沟通和决策能力
；通过分歧疾病更换虚构场景，医学生甚至能够直接参加、主持虚构化急救患者过程。

参考文件：

[1]World Health Organization.The World Health Report 2000 Health System[R].Improving Performance Printed in France,2000:144-150.

[2]陈俊.论公共医疗资源的分配正义[J].天然辩证法钻研,2013(12):84-89.

[3]李杰,高红艳.医疗资源的分配正义:谁之正义?若何分配?[J].医学与哲学,2015(11):4-8.

[4]施洁.丽江经济高质量发展评价钻研[J].丽江社会科学,2019(1):70-78.

[5]许金红.“健全丽江”的建设实际[J].中国卫生人才,2019(10):31-34.

[6]杨幼波,刘广灵.珠三角地域医疗卫生资源配置平衡性分析[J].社区医学杂志,2019,17(2):107-111.

[7]王晓曼,朱海珊.广东省卫生人力资源近况及配置平正性分析[J].中国卫滋事业治理,2015(1):38-40.

[8]王美风,王海银,张晓溪,等.京沪卫生资源配置平正性与差距性比力[J].中国卫生资源,2019,22(3):213-224.

[9]范鑫,张丁月,李熙,等.上海市心灵卫朝气构和床位资源配置平正性的泰尔指数分析[J].社会心灵学,2018,32(10):829-834.

[10]林三汝,张秋.基于泰尔指数的广东省卫生资源配置平正性钻研[J].经济师,2019(1):24-26.

[11]张彦琦,唐贵立,王文昌,等.基尼系数和泰尔指数在卫生资源配置平正性钻研中的利用[J].中国卫生统计,2008,34(3):243-246.

[12]祁华金,黄利华,郭寿南,等.经济增长与城乡卫生资源配置平正性的实证钻研[J].中国卫出产业,2018:6-8.

[13]孙健,文秋林,王前强.中国卫生资源需要预测钻研.现代医院,2017,17(9):1249-1251.

[14]肖峰.我国医疗卫生资源优化配置的经济学分析[J].经济钻研导刊,2018(6):177-178.

[15]赵红,王幼合,应心,等.Lorenz曲线和Gini系数在为卫生资源配置平正性评价利用中的几个问题与思虑[J].中国卫生经济,2012,31(4):25-71.

[16]张晔,张驰,王志强.2004～2016年新疆医疗卫生资源配置平正性与影响成分钻研[J].中国卫滋事业治理,2019,36(7):499-509.