第1章 人工智能与医疗

1.1　人工智能在医疗领域的发展

人工智能（Artificial Intelligence，AI）是计算机科学的一个分支，是通过对人的意识和思维过程进行模拟并加以系统应用的一门新兴科学。当下热度较高的“人工智能医疗”，实际上说的就是人工智能在医学领域的应用，涉及医疗领域的诊断、治疗、预防、科研和教学等方面，其终极目标是利用人工智能辅助人来预防疾病或为患者诊断、治疗。要实现医疗的人工智能化，其前提是医学数据，而医学数据主要包括医学信息数据、医学图像数据和生物学数据等。目前，人工智能技术在医疗领域的主要发展方向包括辅助诊断、医学图像识别、药品研发、健康管理、基因测序等，用到的技术包括语音识别、图像识别、自然语言处理和专家系统等。下面我们将介绍人工智能技术在医疗领域的发展。

1.1.1 人工智能在医疗领域的发展史

人工智能诞生于20世纪40～50年代，当时图灵发表了一篇论著，提出了著名的“图灵测试”，随后，人工智能经历了第一波早期的发展热潮，主要表现为早期推理系统、早期神经网络等系统的出现。

人工智能在医疗领域的发展，早期主要是将复杂专家医生的想法用数学和计算机技术来表征，将复杂的解释方法和专家医生的见解相结合，以改善医疗服务的工具。下面所列的是这一时期几个较为典型的医学人工智能的程序系统。

● AAPHelp：这是一个临床决策支持系统，主要用于急性腹部剧痛的辅助诊断和决策活动。

● Internist-1：这是一个医学诊断专家系统，拥有当时最大的知识库。

● MYCIN：这是一个首次采用了知识库、推理机结构的系统，可用于判断患者感染的病菌类型并提出诊断方案，并能给出答案的可信度估计，形成了一整套专家系统的开发理论，为其他专家系统的研究与开发提供了范例和经验。

● CASNET：这是一个几乎与MYCIN同时开发的专家系统，用于青光眼等疾病的诊断。

● PIP：这是一个采用了分类和推理机制的疾病发现系统，主要是根据用户描述的症状来发现疾病。

● ABEL：这是一个利用结构化数据和决策系统，使用多层次病理生理模型诊断酸碱和电解质紊乱相关疾病的程序。

上述6个系统紧跟现代科学技术的发展，其发展经历了一个循序渐进的过程。同时，这6个系统中提出的医学文本的数学表达方式和数据推理模式具有典型的代表性。

（1）AAPHelp。1972年，由英国利兹大学的Tim De Dombal和Susan Clamp研发的AAPHelp是已有记载资料当中医疗领域最早出现的人工智能系统。这个系统是一种临床决策支持系统，主要用于急性腹部剧痛的辅助诊断和决策活动，可以根据患者的状况推断引发疾病的原因。1974年，该系统的诊断准确率已超过部分有经验的医生。但是，AAPhelp有一个致命缺陷，那就是它的计算时间过长。它基本上需要一整夜的时间来计算诊断结果，对于临床应用来说效率偏低。

（2）Internist-1。20世纪70年代，不少新的成果涌现出来。Internist-1于1974年由匹兹堡大学医学院主任Jack D. Myers与计算机科学家合作研发，主要用于内科复杂疾病的辅助诊断。这个系统采用Dialog语言开发，其中的诊断及其表现如图1-1所示，其诊断结构的一部分如图1-2所示。系统利用启发式规则（heuristic rule）算法来划分问题和用排除法来逐步消除诊断的可能选项。Internist-1对某种单一疾病的诊断效果较好，但是在处理复杂病例时效果不佳。

图1-1 Internist-1中的诊断及其表现

图1-2 Internist-1诊断结构的一部分

疾病诊断规则会根据内存中存储的疾病概况生成一个分级诊断列表，一旦无法确定某种诊断时，系统会提出检查或观察的建议。在系统体验方面，想要使用Internist-1的医生和护理人员发现培训时间长且界面笨拙。用Internist-1对某一问题做出回答需要大约30～90分钟，时间无疑太长了。

20世纪80年代初期，Myers和他的合作者开始认为Internist-1的某些应用功能是负担，因此说Internist-1是医疗专家系统里过时的“甲骨文”。快速医学参考（Quick Medical Reference，QMR）也是基于Internist-1开发的算法，融入了新的技术哲学理念。20世纪80年代中期，Internist-1被QMR所取代。Internist-1的主要竞争对手有CASNET、MYCIN和PIP。

（3）MYCIN。MYCIN系统是一种对血液感染患者进行诊断和选用抗菌素类药物的专家系统。这个系统的名称取自抗生素的英文后缀mycin。这个系统在20世纪70年代由斯坦福大学的几名研究人员历时5～6年开发而成，最开始是由Edward Shortliife用Lisp语言编写的，并得到了Bruce Buchanan、Stanley N.Cohen等人的指导。

MYCIN使用了简单的推理引擎，其约包含600条结构化的规则。只要用户按顺序依次回答其提问，系统就能自动判断出患者所感染细菌的类别。这个系统提供了两种解决方案：一种是系统通过每个诊断的概率提出疾病诊断的置信空间；另一种是针对问题和规则给出推荐的最优的几个排序的诊断方案或者处方。

MYCIN共分为如下3个部分。

● 输入部分：以患者的病史、症状记录和化验结果等作为输入数据。

● 推理部分：运用两条或者多条规则对输入的数据推理，找出导致感染的细菌。若是多种细菌，则用0和1之间的数值给出每种细菌的概率，得出不同细菌的权重值。例如，运用一条规则得出的结论中生物体是大肠杆菌，其权重为0.8，而运用另一条规则得出结论生物体是金黄色葡萄球菌，其权重为0.5或-0.8。如果权重小于0，则说明实际结果与假设相反。典型的MYCIN规则如图1-3所示。

● 输出部分：给出治疗方案。所给出的药物剂量可根据患者体重进行调整。

图1-3 典型的 MYCIN 规则

MYCIN的最大影响是它的表示和推理方法不仅可以应用于医学领域，还可以应用于许多非医学领域。

（4）CASNET。CASNET是美国罗格斯大学从1960年开始开发的专家咨询计划/青光眼（CASNET/Glaucoma）。该校的研究重点之一是研究专家知识的表示和开发会诊系统的推理策略，重点研究的是医学会诊问题。这项研究涉及用于描述疾病过程的因果关联网络（Causal-Associational Network，CASNET）模型及其在青光眼专家级咨询计划中的应用。截至2019年，这种方案还被推广到了风湿病学和内分泌学中，用来构建疾病的推理模型。迄今为止，基于专家模型的咨询方案的经验表明，这种方法大大促进了医学知识的获取和知识体系的构建。

（5）PIP。麻省理工学院开发的现病计划（Present Illness Program，PIP）囊括了大量的疾病假设和结论，可用于处理不同用户的需求。也就是说，假设患者患有某种疾病，或者有某种临床或生理状态，就将相应的疾病或状态与原有的假设原型加以匹配，分析匹配度。PIP同时采用分类和概率推理机制。如果把报告导入PIP系统，就可以通过用户自愿实施或者程序自动响应，根据所有已知的描述查找疾病问题。例如，根据报告，PIP将尝试确定疾病的位置、严重程度、时间、是否对称、疼痛和红斑等。

（6）ABEL。20世纪80年代早期，麻省理工学院在PIP的基础上开发了电解质和酸碱紊乱诊断和治疗计划系统。

医生的诊断一定程度上依赖于实验室的信息（如血清、电解质等）。疾病可能会随着时间的推移而发生变化，而实验室的信息可以对此提供额外的诊断参考资料。ABEL系统由4个主要部分组成：特定患者模型（Patient Specific Model，PSM）、全局决策部分、诊断部分和治疗部分。PSM描述了医生在诊断和管理患者时的不同疾病因素，通过存储结构化数据，采用决策系统来对不同的疾病任务进行诊断和治疗。

研究的本质不是研究电解质和酸碱紊乱的技术，而是希望据此来确定是否有可能开发出一个“人工智能”程序——一个可以与专家水平相当的用于诊断处理和患者管理的程序。

除了上述6个系统，值得一提的还有斯坦福大学开发的ONCOCIN系统。这个系统是基于规则的推理程序，包含癌症化疗的必要知识，主要用于辅助医生治疗癌症。早在20世纪80年代，业内已经出现了一些商业化应用系统，如美国匹兹堡大学开发的快速医学参考（Quick Medical Reference，QMR）、由哈佛医学院开发的DXplain等。这些系统利用临床决策支持系统来解释疾病的临床表现，兼具电子医学教材和医学参考系统的特点。

受限于软件、硬件两方面的技术发展，人工智能技术在第一次浪潮后陷入低谷。进入20世纪90年代，人们专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能，并开始利用神经网络完成模式识别等任务。自此，人工智能在医疗领域迎来了第二次发展热潮。

在此之前，很少有机器能真正减少人类的脑力劳动，更无法代替人类的思维进行运算和判断。在计算机技术有了进一步发展后，人们研制出了能够模拟人脑进行思考判断的程序。计算机的出现实现了部分人工智能的构想，但距离实现真正的人性化和智能化，尚有很大的差距。后来，大规模并行计算、大数据、深度学习算法和芯片这四大催化剂的发展以及计算成本的降低，使人工智能技术得到了突飞猛进的发展。

2006年以后，人们开始研究让计算机模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，以不断提升系统的性能。人们开始利用神经网络完成模式识别等任务，人工智能技术也迎来了近20年的第三次发展热潮。人们发现了一种运行深度学习算法的硬件平台——图形处理单元（Graphics Processing Unit，GPU），利用它的强大并行运算能力突破深度学习算法的训练瓶颈，挖掘人工智能的潜力，助力移动互联网应用、自动驾驶、智慧交通及智能医疗等领域的发展。

我国医疗人工智能的研究始于20世纪70年代。1978年，北京中医医院关幼波教授与计算机科学领域的专家合作开发了“关幼波肝病诊疗程序”，首次将医学专家系统应用到我国传统中医领域。此后出现的医疗人工智能产品还有“林如高骨伤计算机诊疗系统”“中国中医治疗专家系统”“中医计算机辅助诊疗系统”等。

总的来说，医疗人工智能方面早期的研究为后期的临床应用做了很多探索。就目前的医疗技术和人工智能技术而言，医疗领域人工智能的探索仍然是研究和市场的热点。

1.1.2 “人工智能+医疗”行业现状

人工智能技术应用于医疗领域，是指基于个性化就诊数据、生理数据和影像数据等，应用相关人工智能技术，辅助医生提高疾病诊断的准确率，实现疾病预测、为患者提供治疗方案甚至实施治疗。面对人口老龄化、慢性病患者群体增加、优质医疗资源紧缺、公共医疗费用攀升等现实问题，“人工智能+医疗”为当下的医疗领域带来了新的发展方向和动力。人工智能技术在医疗领域的应用涉及患者服务、临床诊疗、医院运营管理、区域医疗协同和家庭健康等多个子领域，涉及语音识别、自然语言处理、计算机视觉、机器人、机器学习等技术。

企业运用人工智能技术为医疗领域提供解决方案是当下人工智能技术在医疗领域的典型应用方式，也是所谓的“AI+医疗”的一种落地途径，主要体现在电子病历、医学影像、健康管理、辅助诊疗、疾病风险预测、药物挖掘、医院管理、医院管理平台等，如图1-4所示。

图1-4 智慧医疗产业链（选自《中国人工智能产业白皮书》，2018）

下面我们简单介绍一下几家上市公司在医疗人工智能领域工作。

1．IBM

IBM公司的沃森健康（Watson Health）致力于构建智慧医疗生态系统。其在医疗领域的商业战略体现在三方面：一是运用深度学习技术，聚焦肿瘤领域，并向其他领域扩展；二是收购相关公司，扩展数据和技术资源；三是与医院或企业合作，扩展使用场景。Watson曾与麻省理工学院和哈佛大学联合探索癌症产生的抗药性，还联合辉瑞公司探索癌症药物的研发。

2．阿里巴巴

阿里健康提出“用大数据助力医疗，用互联网改变健康”的理念，并于2017年7月发布医疗“Doctor You”AI系统。

阿里健康的平台分别有临床医学科研辅助平台、医疗人工智能开放平台、临床医师能力训练平台、诊疗辅助决策医疗辅助检测引擎等。阿里健康以用户为核心，全渠道推进医药电商及新零售业务，并为大健康行业提供线上线下一体化的全面解决方案，以期实现社会医药健康资源的跨区域共享配置，提高患者就医购药的便捷性。

阿里健康还与医院、科研院校等外部机构合作，开发打造包括糖尿病、肺癌预测、心理智能、眼底筛查在内的20种常见、多发疾病的智能诊断引擎。

3．腾讯

腾讯运用计算机视觉、机器学习、自然语言处理、深度学习等人工智能技术与医学跨界融合，分别在医学图像、AI辅助诊疗等方面进行研究，致力于实现辅助医生进行疾病筛查和诊断，提高临床医生的诊断准确率和效率。

截至2021年，成形的产品有“腾讯觅影”“腾讯医典”“腾讯云”等。腾讯依托微信丰富的数据量和数据维度，在医疗人工智能领域不断探索，如腾讯与中山大学附属肿瘤医院合作，在广东省汕头地区开展食道癌早期筛查系统试验，运用人工智能技术助力图像处理，帮助开展食道癌早期筛查，在提升医疗机构医疗能力的同时，显著降低了人工投入成本。

腾讯的人工智能实验室还和卓健科技、恩泽医疗两家公司合作，携手利用“腾讯觅影”开展“AI+医疗”的研究和应用，打造“互联网+智慧医院”，提升医院及医联体内部运转效率，为患者提供更优质的就医体验。

4．谷歌

早在2016年，谷歌DeepMind对外公布成立DeepMind Health部门，与英国国家医疗服务体系（National Health Service，NHS）合作，帮助他们辅助决策，提高诊断效率、缩短诊断时间。

近期，谷歌在医学方面的研究主要有对皮肤病信息进行研究以改善皮肤病，通过人工智能机制预测威胁眼睛疾病的情况，帮助医生制订头颈癌治疗方案，预测肾脏损伤的风险，探索不同疾病（如贫血）的相关新型生物标记物，通过人工智能技术改善肺癌、乳腺癌的检查以及其他医学成像和诊断方面的研究。

5．苹果

Health OS是苹果公司构建的一个健康系统，通过将硬件连接设备与个人健康记录集成，以全面了解用户健康情况。在硬件方面，苹果已推出了Apple Watch，可用于监测心率、血压、血氧饱和度、睡眠状态等。在软件方面，Health App充当着所有健康数据的存储库，同时允许第三方开发人员在其健康应用程序接口工具包（Healthkit API）上构建相应的健康应用程序。苹果还将CareKit加入 Healthkit，主要面向用户群体多为患者。除了CareKit，苹果还针对医学机构推出了ResearchKit。ResearchKit不仅简化了研究招募过程，形成规模更大的研究群体，并且基于智能手机的特性，还能够进行长期跟踪调查和实时数据反馈。

6．百度

2016年，百度以“开启智能医疗新时代”为主题，正式对外发布百度人工智能在医疗领域内的最新成果——百度医疗大脑，对标谷歌和IBM的同类产品。百度医疗大脑应用了人工智能技术，通过海量医疗数据、专业文献的采集与分析，模拟医生问诊流程，根据用户的症状给出诊疗建议。百度医疗大脑典型的业务场景包括临床辅助决策系统、医疗大数据治理、智能诊前分诊助手等，主要通过应用图像处理技术、自然语言处理技术和知识图谱，为用户提供相应的技术服务。

7．华为

华为旨在推进医疗大数据领域现代化改革，解决“看病难、看病贵”等问题。华为云依托自身云网融合、大数据、人工智能等先进的服务能力，基于数字化底座，与业内顶级医疗合作伙伴一起，为医疗行业提供完善的医疗应用和服务。已有的相关医疗机构的解决方案包括院前急救解决方案、医疗影像解决方案、医联体解决方案、慢病及健康管理解决方案、数字化医院解决方案、医药云解决方案和基因测序解决方案等。

8．科大讯飞

科大讯飞主要致力于全科辅助诊断，智能助理和智慧医院，突出的贡献是电子病历。目前面向医院端的有语音电子病历、智慧门诊、云医生和医学图像云平台等。

9．其他

在医学图像技术与AI结合的企业中，多个企业从临床的科室或者病种出发，有针对性地开发相关产品。如科亚医疗、数坤科技主要致力于心脑血管疾病的研究和对相关研究成果进行商业化推广，乐普医疗获得“冠状动脉支架输送系统”产品注册证；推想和深睿分别获得了肺部的AI诊断的三类医疗器械注册证；依图科技将医学图像AI用于骨龄检测；羽医甘蓝将深度学习技术与口腔医学深度结合，研究了自动诊断和医患交互系统。

人工智能在医疗领域的发展必须以有效的医疗大数据为基础，所以在医疗领域，凡是具备获取有效数据的领域，人工智能均有用武之地。例如，在基因测序、辅助诊断、药品研发等领域，医疗人工智能均有很大的发展前景。