发达国家已将人工智能（artificial intelligence，AI）上升为国家战略。世界各国均意识到AI是未来科技发展的战略制高点，谁掌握了AI，谁就将成为未来核心技术的掌控者。我国亦充分意识到这一点，早在2015年5月即提出《中国制造2025》，2016年5月又提出《“互联网+”人工智能三年行动实施方案》，2017年11月在北京召开“新一代人工智能发展规划暨重大科技项目”启动会，这些都标志着新一代AI发展规划和重大科技项目进入了全面启动实施阶段。2017年12月我国工业和信息化部提出了《促进新一代人工智能产业发展三年行动计划（2018―2020年）》，明确指出对医疗影像辅助诊断系统的具体要求。AI时代已经到来，其发展关系到国家现代化建设的重大任务，也关系民众的切身利益。

AI已深入到医疗健康领域的各个环节，如虚拟助理、医学影像、药物挖掘、营养学、医院管理、健康管理、精神疾病、可穿戴设备、风险管理、病理学和临床诊疗活动等^[1]。目前医疗活动中比较成功的AI包括影像AI、药物研发AI、医疗机器人和IBM Waston等。由于医学影像的二维属性，AI在医学影像中取得了较好的应用成果，受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under curve，AUC）可达到0.9以上，如基于钼靶影像的乳腺病变检测、基于皮肤照片的皮肤癌分类诊断、基于数字病理切片的乳腺癌淋巴结转移检测、基于眼底照片的糖尿病性视网膜病变检测，以及基于胸部X线片的肺部炎性疾病。借助深度学习，药物研发AI在心血管药、抗肿瘤药、孤儿药和常见传染病治疗药等领域取得了新突破，缩短了药物研发时间、提高了研发效率且控制了研发成本。医疗机器人中的达芬奇机器人早已在各大医院推广应用，其他类型的机器人也随着AI的发展逐步进入医疗市场。在智能诊疗领域，IBM Waston展示了AI诊断和治疗人类疾病的可行性。目前，我国科学工作者也积极参与到医疗AI的研发中，包括病理辅助诊断、眼部疾病、皮肤疾病、医学影像、中医药、心电监测、手术机器人、肿瘤治疗和医学科学研究等领域，本文将对上述研究进展逐一综述。

1 AI在临床医学中的应用 1.1 AI与病理诊断

近年来AI在病理学中的应用突飞猛进，于观贞等^[2]就AI在肿瘤病理诊断和评估中的应用作了全面综述，阐述了AI应用的具体病理场景，肯定了病理AI的应用前景，并首次提出肿瘤细胞的标注流程和标准。奠定病理AI的研究是生物医学成像国际研讨会（International Symposium on Biomedical Imaging，ISBI）于2015年11月至2016年11月举办的研究者挑战赛（CAMELYON16），研究评估了深度学习在检测乳腺癌患者淋巴结转移病理切片中的转移灶的潜力，并与病理医师的评估进行比较。两家荷兰医学中心提供了270例全切片数字图像（有转移110例和无转移160例）作为训练集供参赛者构建算法，另有129例（有转移49例和无转移80例）作为验证集对算法进行评定，11位来自荷兰的病理医师对上述切片进行评估，结果显示AI算法的AUC为0.556~0.994、病理医师得出的AUC为0.724（95% CI：0.643~0.804），且AI最佳算法在诊断模拟中的表现优于病理医师[0.994（95% CI：0.983~0.999）vs 0.810（95% CI：0.738~0.884），P＜0.001]^[3]。这些结果表明深度学习算法用于病理诊断具有较大的潜力，但其是否能应用于临床还需进一步评估。一项研究纳入了癌症和肿瘤基因图谱（Cancer Genome Atlas，TCGA）数据库中的2 186例肺腺癌和肺鳞状细胞癌组织切片的数字图像和294例组织芯片（tissue microarray，TMA）数据库的图像，从这些图像中抽取了9 879个定量特征，随后用机器学习算法选取排名靠前的特征，发现这些特征能较好地预测肺腺癌和肺鳞状细胞癌患者的生存时间，评估肺癌患者预后^[4]。

鉴于AI在肿瘤细胞识别中的可行性，后续大量研究集中于各类型肿瘤的病理诊断，包括宫颈癌、胃癌、肠癌、肺癌、胆管癌等^[4-9]。宫颈癌筛查是基于细胞学的病理诊断，细胞学识别可操作性强、假阴性率低，通过AI筛选出异型或疑似细胞，然后由病理医师最终诊断，这样能显著提高诊断效率、减少误诊率、降低人力成本，有望广泛用于宫颈癌的筛查。上海大数据联盟举办的胃癌病理切片AI大赛中，第1名诊断的AUC为0.910 9；大赛病理切片标注方于观贞团队也参与了这项工作（图 1），同时在标注过程中发现了我国病理AI中应注意的问题，并撰写了肿瘤细胞标注的流程和注意事项^[2]。

基于病理AI的治疗和预后评估也大有作为。肿瘤间质比（tumor-stroma ratio，TSR）是评估乳腺癌、宫颈癌及食管癌等多种恶性肿瘤的独立预后预测因子，但不同经验的病理医师的TSR评估结果存在较大差异，精确度欠佳，而基于AI的TSR可以精确到小数。淋巴细胞在肿瘤中的分布及其与肿瘤细胞的距离与肿瘤患者的免疫状态和免疫治疗密切相关，肉眼难以评估，而AI能轻易显示淋巴细胞在肿瘤中的空间分布状态。此外，AI还有助于评估免疫组织化学指标，而后者主要用于肿瘤鉴别诊断和靶向治疗。人表皮生长因子受体2（human epidermal growth factor receptor 2，HER2）是胃癌和乳腺癌的重要靶点之一，准确评估HER2水平有助于肿瘤患者的治疗，而基于AI的HER2自动评分系统已初步显示出其优越性^[6]。

1.2 AI与眼部疾病

眼部疾病的检查多依赖光学设备对眼表和眼底影像的抓取，在眼底病方面，青光眼、黄斑变性和糖尿病性视网膜病变是最常见的不可逆致盲眼底病。2016年，谷歌DeepMind团队发表了糖尿病性视网膜病变的AI筛查研究，基于谷歌TensorFlow和Inception V3模型进行训练，最终AI诊断准确率超过了眼科专家^[10]。先天性白内障是罕见的眼部疾病，中山大学眼科中心林浩添和西安电子科技大学刘西洋团队在仅使用少量样本的情况下，对图像使用霍夫变换等方法进行预处理，提取感兴趣区域，然后采用迁移学习的方法基于Caffe和AlexNet模型进行训练，最终诊断准确率达到专家水平，并且建立了云筛查诊断平台CC-Cruiser（图 2），提高了优质医疗资源的覆盖率^[11]，该系统于2017年4月已投入临床试验。此后，关于眼部疾病自动诊断的AI成果不断涌现^[12]。2017年，全球多人种、多中心的三大眼底病自动筛查平台出炉，从此形成了眼底病诊断的闭合回路，并且达到了临床应用标准^[13]。2018年，张康团队运用谷歌TensorFlow和Inception V3模型，从4 686例患者的眼部光学相干断层扫描（optical coherence tomography，OCT）数据中选取108 312张二维断层图像进行模型训练，结果显示可有效诊断黄斑变性和糖尿病性视网膜病变，也达到了专家水平^[14]。深度学习技术改变了医学研究人员处理分析图像的方式，甚至有助于他们发现从未触及的现象^[15]。2018年，谷歌DeepMind团队使用眼底照片配合深度学习技术预测心脏病的危险因素，预测效果优异^[16]。同时，美国IDx公司的AI糖尿病性视网膜病变临床诊断系统已接受美国食品药品监督管理局（Food and Drug Administration，FDA）的审查^[17]，离正式进入临床应用更进一步。

1.3 AI与皮肤疾病

由于皮肤的外露特性，皮肤疾病的影像资料大多相对容易获取，这为皮肤病的AI自动诊断提供了便利。美国斯坦福大学Esteva团队^[18]使用包含2 032种不同皮肤病的129 450张临床图像数据集（图 3A），基于谷歌TensorFlow和Inception V3模型进行迁移学习，其工作中对皮肤癌、黑素瘤的诊断准确率均达到90%以上。为了最终验证该算法，研究人员还使用病理检查证实的1 942张皮肤图片，比较算法和皮肤科医师在区分表皮恶性病变（角质细胞癌）与良性病变（良性脂溢性角化病）或黑素细胞病变（恶性黑素瘤与良性痣）方面的一致性。图 3B显示了一些示例图像，可见具有许多视觉特征的恶性和良性病变难以区分。研究人员从斯坦福大学医学院请来21位皮肤病专家进行测试，结果显示AI取得了与皮肤病专家同等的成绩^[18]。该研究成果已经可以作为智能手机应用，即仅通过手机就能有效检测是否患有皮肤癌，大大节省了医疗检测成本。

1.4 AI与医学影像

自医学影像数字化以来，研究人员一直致力于计算机辅助诊断系统（computer-aided diagnosis，CAD）的研究。从基于规则的专家系统到手工特征，再到如今火热的深度学习，已有许多方法被成功运用于多种医学影像，其中CT、MRI是关注度最高的图像类型^[19]。Brosch和Tam^[20]利用受限玻尔兹曼机来判断患者是否患有阿尔茨海默病。在深度学习的推动下，基于脑部MRI的阿尔茨海默病分类准确度已达到91.67%^[21]。在诊断结果可解释性方面，Zintgraf等^[22]提出了预测差异响应分析的方法，对MRI图像诊断人类免疫缺陷病毒（human immunodeficiency virus，HIV）的输出结果进行了可视化解释。

2017年上半年，Kaggle社区举办数据碗竞赛，推动了AI在肺部CT图像方面的研究^[23]。2017年，美国Arterys公司的AI辅助心脏MRI成像系统成为首个通过美国FDA认证的AI辅助诊断系统^[24]；2018年，该公司的AI辅助实体肿瘤影像筛查平台通过美国FDA认证，可帮助临床医师快速测量和追踪MRI和CT图像中的肝脏和肺的病灶及结节^[25]。

超声图像也是AI的研究热点之一，其操作安全、快速、实时、价格低廉，广泛应用于乳腺癌等疾病筛查。2016年美国QView Medical公司的基于神经网络的3D自动乳房超声筛查CAD系统通过美国FDA认证，该系统可缩短医师的读片时间，同时保持诊断的准确性^[26]。

尽管基于AI的图像处理系统取得了许多令人兴奋的结果，但这些系统仍有改进空间，如何提高系统的效率、可解释性和安全性尚需要进一步研究。

1.5 AI与中医药

传统中医邂逅AI，从传统中医针灸、推拿等行业O2O（online to offline）平台的兴起，到普通病、常见病的中医在线咨询和问诊服务，再到互联网中医馆，中医的智能化传承和发展模式正如雨后春笋般出现^[27]。

传统中医存在传承、发展和推广3个比较大的痛点。名老中医的传承主要通过设立流派传承基地或名老中医工作室以“人传人”的方式进行，人才成长周期长、人为因素大、无法复制；中医缺乏足够的临床数据，只能停留在“传承不易、发展更难”的阶段。AI的发展有望成为剔除传统中医传承痛点的“手术刀”。AI驱动传统中医传承具备两大优势：（1）中医一般被认为是一种经验医学，而经验在AI中的实质是一种知识，可以作为机器学习的训练数据；（2）中医的核心哲学是辨证论治^[28]，这一思想恰好契合了机器学习的基本规则，即在训练模型基础上通过输入集给出目标值。

具体来说，可以将中医临床处方、古代方剂、名医医案和中医古籍等知识整合、预处理后作为机器学习的训练数据集，构建类似IBM Watson的医疗健康认知平台^[29]。认知平台集合了中医的海量知识，使每位中医师可以学习、应用包括名老中医知识在内的中医知识，辅助经验缺乏的中医师进行临床决策，提升服务能力。复旦大学张彦春课题组^[30]构建了THCluster模型，将收集整理的古代医案、专家临床处方和中医药典通过中文自然语言技术处理，利用异构信息网络将非结构化文本数据转化为结构化图结构。然后利用受限的随机游走思想计算节点间的连接概率，利用已知连接概率构建节点的后验概率，并使用最大期望算法估计参数得到后验概率。最终通过概率值得到中药、症状和疾病间的多元关系。模型具体技术框架图如图 4所示，构建的原型系统可为医师提供辅助诊断服务。

1.6 AI与心电监测

心电图数据是临床和日常护理中常见的生物医学数据，对于心脏健康相关的临床诊断、监护、手术和日常保健有着重要意义。目前，心电数据分析领域也朝着智能化的方向大步迈进。

AI技术可用于各类心脏疾病的临床辅助诊断和健康风险评估。例如特征波形挖掘技术不仅可诊断各类心脏疾病，也可同时检测出作为诊断依据的特征波形（图 5），从而方便医学专家对诊断结果进行核实和进一步分析^[31]；通过分析心电图中噪声蕴含的特征，可以对患者在未来数月内发生严重心脏异常的风险进行评估^[32]。AI算法可以自动、高效地发现医师难以发现的特征，与医师的专业知识优势互补，从而实现更有效的临床诊断与评估。

在重症监护和手术室等场景中，AI技术可用于检测心电波形、周期性等的异常，从而早期发现患者的心脏异常，实现监测预警。例如，根据心电数据周期性地建模，建好的AI模型能提前检测心电图的异常^[33-34]，利用概率图模型可提早发现心电信号中的异常值^[35]，深度神经网络可对多达10余种心脏异常进行专家级的检测^[36]。高精度AI算法有望在保持高检出率的前提下，解决传统异常监测中高误警率的弊端，实现心脏异常监测预警技术的新突破。

近年来，基于智能手机、手表等便携式设备的心电监测方兴未艾。轻量化的AI算法可充分利用便携式设备有限的存储与计算能力，实现心电数据的简易分析，对用户健康状况进行实时评估，为其日常保健提供参考建议，并在必要时提醒其及时就医。

1.7 AI与手术机器人

AI手术机器人包括机器人技术、可视化技术、仪器仪表、数据分析4大技术。未来AI手术机器人还需实现自主学习，根据3D视觉对病变区点云图像进行三维重建，采用卷积神经网络对大量三维点云图像进行训练，机器人通过图像特征匹配和多传感器数据融合综合技术对患者进行手术。

美国Intuitive Surgical公司开发的达芬奇手术机器人辅助系统是最具代表性的视觉导航系统，其广泛应用于泌尿、心血管外科等领域^[37]。医师可通过系统操作携带有双目内镜系统手术臂，通过双眼不同的视差图像和真实的三维立体感，更好地感知腔内组织的三维分布，使手术视野更清晰、手术效率更高。

虚拟现实（virtual reality，VR）技术和增强现实技术的发展可将CT、MRI、超声等不同成像系统采集的图像渲染在术中的视觉影像中。针对颅内病变穿刺手术，采用MRI技术可在术前获得人脑解剖、功能和代谢图像，进行术前模拟穿刺，实现术前VR。手术当天将VR信息与患者面部标志进行匹配，将术前重建的病变、功能区等虚拟信息叠加到实际头颅和脑表面，实现术中VR显示，医师可佩戴眼镜获取真实手术场景视觉信息和虚拟图像信息。

1.8 AI与肿瘤治疗

IBM Watson是肿瘤治疗领域较为知名的诊疗系统，该系统的知识库中包含300多种医学期刊、250多种医学书籍和1 500万页论文数据研究，数据定时更新。在系统中输入肿瘤患者的相关信息，该系统就可以给出基于海量数据分析得出的治疗方案。该数据集是基于美国MD Anderson癌症中心的数据，不符合中国人群特征。未来的医学AI还会整合患者的病理样本特征提取和基因组测序数据。AI技术能够根据中国人群肿瘤疾病特点，结合临床指南和循证医学证据，发展出一套适合中国肿瘤患者的标准治疗和咨询系统，该系统将会针对肿瘤患者制定个体化、权威的诊疗方案，有助于改善各级医疗机构诊治水平的差异。

1.9 AI与医学科学研究

医学科学研究是促进医学发展的重要手段，对于基础理论的理解以及新技术和新方法的引进与应用具有重要作用。近期来自全球100多个实验室的近150位科学家联合在Nature发表的研究分析了近3 000份肿瘤样本的甲基化数据，用AI系统总结出对中枢神经系统肿瘤的甲基化认识，得出了82个中枢神经系统甲基化特征，以及9个对照样本的甲基化特征，并将这些类型交给随机森林机器学习算法开发出AI决策系统；随后利用该系统对1 104份样本进行传统病理分析和AI系统诊断比较，结果显示有60.4%的样本两者诊断完全一致；15.5%的样本两者诊断一致，但AI认为它们应该属于更小的亚型；12.6%的样本两者诊断不一致，深度分析发现其中92.8%的样本AI诊断正确^[38]。该研究表明AI与技术研究结合可使肿瘤分类更完善，有助于实施更准确的、针对性的治疗方案。

此外，基于动物模型的药效评估和基于人体病理样本的免疫组织化学分析也需要AI的参与。目前对于科研中病理切片的评估主要依靠病理医师的光镜下描述和判断，具有很强的主观性和偏向性，采用深度学习算法获取动物模型疾病特点或免疫组织化学特点，必将颠覆科学研究领域的评判标准。

2 问题与展望

目前医疗领域AI的应用存在两大问题：（1）样本数量少、标记质量差。目前用于AI算法训练的数据量不够多，也缺乏大量资深医师参与样本的标注，这种没有大数量、高质量的训练集直接导致AI算法的准确率和实用性无法满足临床应用的需求。（2）与医疗实际需求和应用场景脱节。由于缺乏大数量、高质量的训练集，AI企业一般只能根据现有样本开展具体算法和应用，而无法落地医院，不能满足实际临床和科研需求。

随着AI技术的发展及其与医疗需求、医疗场景更紧密的结合，AI有望承担部分枯燥重复工作，提升医师的工作效率，有望缓解医师短缺的困境；提升诊断与治疗准确率，促进优质医疗资源的优化配置和推动三级分诊、医联体的高效运转；提供大规模定量分析，推动医疗诊断进入量化分析的新高度，并催生出新的诊断方法与治疗方案。