中国移动设计院：人工智能在医疗领域的应用及展望

2023-11-20 08:38 作者:佚名

1 引言

2021年国家卫健委于《关于印发公立医院高质量发展促进行动（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，鼓励医院加快应用智能可穿戴设备、人工智能辅助诊断和治疗系统等智慧服务软硬件。人工智能（Artificial Intelligence，AI）是计算机科学的一个分支，能对人的意识和思维过程进行模拟，并做出与人类相似的反应和行为。随着社会的快速进步，人工智能获得突飞猛进的发展，逐渐应用到各个行业领域且获得广泛认可，同样越来越多的AI研究开始落地于医疗领域，包括医学影像、医疗机器人、智慧导诊、智能语音录入、辅助决策支持、病历质控等众多场景。

2 人工智能技术概述

2.1 发展历程

经过数十年的持续发展，人工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，技术不断取得重大突破，使得应用场景得以逐步拓展和深化。

人工智能在医疗领域的初尝探索期（1970—1999年）。机器学习与知识图谱最早的实践领域是临床专家决策系统。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,该系统通过建立临床知识库,尝试模仿医生决策过程,用于性病感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计算机领域专家合作研发出我国首个医学专家系统“关幼波肝病诊疗程序”,将医学专家系统应用到我国传统中医领域[4]。

人工智能在医疗领域的快速发展期（2000—2017年）。2000年,美国Intuitive Surgical公司成功研发世界上首个手术机器人“达芬奇外科手术机器人”[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]。同时随着计算机断层扫描(CT)、磁共振成像(MRI)等大型医学成像设备的技术逐渐成熟,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率和准确率,产品应用开始聚焦在医学影像辅助诊断领域。典型产品包括基于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。

人工智能医疗在医疗领域逐步进入落地应用期（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管理局(FDA)批准上市,成为首个获批的人工智能医疗器械,标志着产业进入商业应用阶段。在此期间深度神经网络的革命性突破,大幅提升了图像识别和语音识别准确率,解决了传统算法难以准确提取医学数据复杂特征的困境,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求的计算能力,人工智能医疗应用开始多点开花。2020年,冠脉血流储备分数计算软件在我国获得首张医疗器械三类注册证。

2.2 核心技术

医学自然语言处理主要目标是使机器能像人一样理解自然语言。目前已经在包括文本挖掘、信息检索、机器翻译、语音识别等领域取得突出成果，功能强大，应用广泛。使用自然语言处理技术对海量的医学文本进行挖掘，可以有效的利用这些数据，构建出各种应用方式[7]。

计算机视觉主要目标是让计算机和系统能够从图像、视频等视觉输入中获取有意义的信息，并根据这些信息采取行动或提供建议。计算机视觉的研究内容包括图像识别、物体检测、图像分割、场景重建等。医学领域与其关联最为紧密的就是各类图像的识别与分析[8-9]。

机器学习机器学习是通过模仿人类的学习思考方式，让计算机拥有自学习的能力，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方法。通过学习使计算机不断更新和重组现有的认知方式，从而不断改善和提高性能[10]。

3 人工智能在医疗机构的应用

3.1 医学影像

智能影像诊断，即将AI技术应用于医学影像辅助诊断领域，AI在此领域落地最早、应用最广。AI在影像领域的应用主要分两部分，一是图像识别，二是深度学习，二者结合给医学影像领域带来巨大改革。图像识别主要是将病变部位进行影像分析，获取一些有意义的信息。食管癌AI影像监测准确率达98%，并可区分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磁共振成像诊断准确率达94%[13]。深度学习主要是利用影像大数据和模型训练，使其具有评估和诊断能力，进而得出辅助诊疗方案。Google DeepMind Health团队利用深度学习将视网膜眼底图像用于糖尿病黄斑水肿程度监测，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，准确率达97%[15]。

3.2 智能医疗机器人

近年来，智能手术机器人是医疗机器人技术领域中的研究热点，相比传统的机器人，智能手术机器人对于控制系统的准确性、可靠性、智能化水平要求更高。达芬奇机器人[16]是由美国Intuitive Surgical公司研发的目前世界最先进的机器人辅助手术系统，该系统通过融合多种新兴学科，显著提高了手术精度，实现了外科手术微创化、智能化和数字化。目前，该系统除应用于心胸外科以外还应用于普外科、妇科、泌尿外科、骨科等其他学科，适用范围逐步扩大。为紧跟世界医学技术的发展，我国智能手术机器人研究如火如荼，三所高校联合研发的“妙手S”腹腔微创手术机器人可完成直径<1mm微细血管的剥离、剪切、缝合和打结等手术操作[17]。我国学者设计的全自动无针头疫苗注射机器人，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记录和分析，利用语音识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导诊机器人可提供常见问题的就诊和导诊解答，具备的24小时不间断服务功能也能极大地解决患者在非常规时间段的导诊问题。患者挂号后，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符合规范格式的电子病历文本，并自动导入门诊医生工作站，让医生在接诊后可快速查看，问诊更精准，可高效、全面地提升就医体验。

3.4 智能语音录入

智能语音录入全过程由医疗领或语言数据模型进行支撑，该数据由针对各个科室的业务进行了梳理，定制语音模型而来，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，需要智能语音录入系统过程中进行自我学习，识别准确率会逐渐提升。智能语音录入能够实现检查、诊断和病历录入同时进行，避免了医生诊断总是被打断的情形，大幅提高医生录入的病历速度，让医生能够专注于诊疗行为。未来医疗智能语音录入还需要克服嘈杂的环境、识别复杂的医学专业术语、满足不同语速和口音使用者，成为可靠、好用的技术，还有许多技术难点需要克服。

3.5 辅助决策支持

智能诊疗是采用AI技术协助医生诊疗，通过模型训练掌握医疗诊断知识，以医生的思维和诊断推理，从而给出可靠诊断和治疗方案。随着AI不断发展，深度学习算法在某些情况下表现出超越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前景。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及时识别和有效干预[14]。Chang Junior等[49]利用随机森林算法使用常见临床病历数据对先天性心脏病手术患者的死亡结局进行预测，其AUC值可达0.902。这一成果已经制成网络应用供临床医生参考。

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%以上时间。人工智能能精准完整的读懂病历所表达的含义，并消解其中的歧义。系统利用自然语言处理技术，深度挖掘和分析医疗文本的信息，它可以快速批量抓取病历中的信息生成一个结构化数据库。同时能够应用于临床试验、真实世界研究、不良事件追踪、患者管理随访等方面；大大提高了临床管理数据的效率，降低了研究的实施成本。

利用人工智能技术对可以电子病历数据质量进行控制，通过自然语言处理、机器学习等人工智能技术，运行电子病历质控规则库，不仅能够从内容完整性、时效性等方面对病历书写质量进行研判，也能够从术语规范性、逻辑一致性等方面对病历内涵质量进行控制，提高质控效率，改善质控质量，使电子病历质量管理更加高效、稳定、可靠。

4 人工智能医学应用的挑战

4.1 技术瓶颈及核心基础有待突破

在算法层面，目前多数人工智能算法缺乏在医学上的可解释性，由于其具备黑箱属性，导致患者在就医时无法取得诊断决策背后的依据，这将在一定程度上影响患者对医生的信任度以及后续的治疗效果，因此人工智能在医疗行业中的应用比其他行业面临更大的质疑与担忧。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、算法框架均以国外开源产品为主，我国话语权相对较弱，随时存在规则体系被恶意变更的风险。在关键零部件层面，我国产业创新能力不足，多数高端产品的自研路径仍存在“卡脖子”环节，例如我国智能手术机器人的光学跟踪定位系统以及机械臂高度依赖进口。

因此，关于解释人工智能决策过程，量化其可靠性，并将决策逻辑清楚地传达给用户以便进一步研究，是非常必要的。除了建立用户信任，增强可解释性将使开发人员能够更彻底地检查模型是否存在错误，并验证人工智能决策在多大程度上反映了人类专家的方法。同时需要突破人工智能医疗器械关键零部件、元器件、基础设施等核心环节，加快补齐制约产业发展的瓶颈短板。

4.2 数据管理需完善优化

人工智能模型需要海量数据进行训练，数据质量的高低，包括数据的准确度、安全性、标准化等直接影响人工智能的质量。一方面国内大部分医疗机构数据量大，但针对不同病种的数据量和质量参差不齐，有些病种的训练数据缺乏，另一方面医疗数据天生就具有无法绕开的安全、隐私、受监管等特性，不同医院的数据割裂，形成“数据孤岛”，再加上临床、影像等数据存在是否标准、标注是否规范等质量方面以及部分名词需要专业医生来解读等问题，难以形成大规模数据集，无法支撑深度模型大规模的训练，影响模型鲁棒性，致使人工智能技术难以在实际应用中取得理性的效果。未来可以通过区块链、隐私计算等新一代信息通信技术，研究建立起面向产业开放、价值共享、安全规范的数据流通共享机制，结合医疗产业特点，联合推动建设产业基础服务平台，为行业提供权威可靠的医疗数据共享、信息交流平台等基础支撑。

另外在应用深度学习等人工智能技术进行训练时，需要海量的健康医疗数据支持，然而这些数据往往包含大量的患者个人信息，可能导致个人信息被获取，造成身份盗窃、个人隐私侵犯。因此，在医学人工智能应用过程中，需要高度关注健康医疗大数据的安全性，避免出现黑客攻击和数据泄露等安全问题。数据的去中心化是减少单个黑客攻击以及数据泄漏的一种方法，这项技术同时也使得跨机构协作变得更加容易，且无需复杂的数据共享协议。

4.3 目前伦理法规和安全保障体系较为薄弱

尽管AI在医疗领域快速发展，但关于AI伦理方面的研究相对较少。AI技术作为一种黑盒算法，风险不确定，可能会对患者造成伤害。目前，当算法出现问题导致发生不良事件时，责任的划定是否应全部归咎于人工智能公司，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，相关法律法规还不完善，这在未来可能会成为人工智能公司与医院主要的矛盾点。未来只有通过健全医疗事故法律问责机制、培养医疗伦理观、保护医疗数据隐私、加强医疗监督治理的路径，才可以使人工智能在医疗领域的应用更广泛、更落地。

5 未来发展

5.1 多模态诊断

健康数据本质上是多模态的。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，如电子健康文本记录、医学成像、可穿戴和环境生物传感器所收集的生物医学数据，而专业医生进行人工诊断时，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，未来人工智能技术可以借助不同来源的生理、药物干预、实验室测试数据，以及具有不同模态的医疗图像、临床文本记录等数据，能够捕获人类健康和疾病的复杂性，并对患者情况进行综合研判，从而生成更为全面的诊断。一些困扰人工智能发展的，例如胸部CT检查中，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”现象，通过多模态结合会迎刃而解。

5.2 医院管理辅助决策

未来人工智能不仅在医疗技术领域发挥作用，在医院管理方面同样会大有作为。在人事管理方面，人工智能技术能通过数据挖掘医院人事档案中工作人员的出生年月、学历专业、职称评定等资料，分析出当前医院中工作人员的平均年龄和平均工龄、学历职称分布情况、来具体判断大到医院整体，小至医院某科室的人才储备情况，为医务人员的任免和培养提供决策支持。人工智能还可根据人事档案的历史数据和医院过往人事变化趋势来预测医院未来人事建设工作方向和人才需求缺口，并对医院人事管理中可能出现的人员超编、结构失衡等情况作出提醒。

在财务方面，通过机器学习对公立医院的历史数据进行分析和建模，从中学习到医院的常规操作和异常情况，然后根据新数据进行风险评估和检测。例如，机器学习人工智能可以自动识别账目记录中的异常支出，或者发现某个科室的医疗费用明显高于其他科室的情况。这样，审计人员便可以更快速地发现问题，并采取相应措施，从而避免财务和医疗风险的发生。

5.3 个性化医学教育

传统的医学教育多采用填鸭式教育，对临床接触也不深，并欠缺医学素养的培训。近年来基于人工智能及混合现实技术的新型教育模式正逐步成型，未来医学教学模式将会更加高效化、实践化。其可能会根据每个学生的学习特点，针对性地提供学习方案，以虚拟实践指导医学生成长，并且不断修正成长路线，高效解决医疗教育形式与实践体系衔接的矛盾。通过使人工智能，可以通过对话和互动，根据学生的学习需求和能力水平提供定制化的学习支持和反馈。根据学生的回答和表现，其可以提供详细的解释、示例和提示，帮助学生全面理解和掌握医学知识；可以创建虚拟患者或情景，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；通过不同疾病更换虚拟场景，医学生甚至可以直接参与、主持虚拟化抢救患者过程。

参考文献：

[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].自然辩证法研究,2013(12):84-89.

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

[4]施洁.深圳经济高质量发展评价研究[J].深圳社会科学,2019(1):70-78.

[5]许金红.“健康深圳”的建设实践[J].中国卫生人才,2019(10):31-34.

[6]杨小波,刘广灵.珠三角地区医疗卫生资源配置均衡性分析[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现状及配置公平性分析[J].中国卫生事业管理,2015(1):38-40.

[8]王美风,王海银,张晓溪,等.京沪卫生资源配置公平性与差异性比较[J].中国卫生资源,2019,22(3):213-224.

[9]范鑫,张丁月,李熙,等.上海市精神卫生机构和床位资源配置公平性的泰尔指数分析[J].社会精神学,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公平性研究[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公平性研究中的应用[J].中国卫生统计,2008,34(3):243-246.