1996年夏季的一天，瑞典蘭德大學(xué)附屬醫(yī)院，冠狀動(dòng)脈特護(hù)病房的五十歲的漢斯.沃林主任坐在辦公室里。他的辦公桌上堆著2240份心電圖。他獨(dú)自一個(gè)人在辦公室里審閱他們。他把代表疾病發(fā)作的心電圖挑選出來(lái)。為了避免疲倦帶來(lái)的疏忽，他每?jī)蓚€(gè)小時(shí)休息一次。這就是醫(yī)學(xué)界的深藍(lán)大戰(zhàn)。沃林就是心臟病學(xué)的棋王卡斯帕羅夫，他將與電腦進(jìn)行閱讀心電圖的世紀(jì)對(duì)決。
對(duì)醫(yī)學(xué)院的學(xué)生來(lái)說(shuō)，心電圖看起來(lái)很復(fù)雜，難以理解，圖中包含了十二導(dǎo)聯(lián)，每一個(gè)導(dǎo)聯(lián)都會(huì)產(chǎn)生一種不同的曲線記錄，每一種曲線都有英文字母做標(biāo)識(shí)。心電圖實(shí)在太復(fù)雜，有些細(xì)微的變化很容易被忽略掉，即使是專家的判斷也不能保證百分之百正確。
瑞典的拉爾斯.伊登布蘭特發(fā)起了一個(gè)實(shí)驗(yàn)。他將一萬(wàn)多名病人的心電圖資料輸入他的電腦系統(tǒng)，并告訴電腦哪種情況代表心臟病發(fā)作，哪種情況代表正常，直到電腦通過學(xué)習(xí)變成專家。電腦甚至可以讀懂最復(fù)雜的心電圖。接下來(lái)，他邀請(qǐng)沃林參與試驗(yàn)。沃林是瑞典頂尖的心臟?？漆t(yī)生，每年閱讀上萬(wàn)份的心電圖，伊登布蘭特從醫(yī)院病歷檔案中挑選了2240份心電圖，其中恰好一半是有心臟病疾病的。他將這些心電圖分別交給電腦和沃林去診斷，1997年秋天實(shí)驗(yàn)結(jié)果被低調(diào)的發(fā)表出來(lái)，沃林正確的挑出了620份，電腦在正確的挑出了738份，電腦以20%的優(yōu)勢(shì)擊敗了專家。
醫(yī)學(xué)界的這場(chǎng)深藍(lán)大戰(zhàn)的結(jié)果告訴我們，醫(yī)生的直覺和經(jīng)驗(yàn)有時(shí)候是靠不住的，它可能會(huì)帶來(lái)比電腦更多的錯(cuò)誤。不僅是醫(yī)學(xué)，在眾多領(lǐng)域都有足夠多的證據(jù)支持這個(gè)結(jié)論。過去的四十年內(nèi)，認(rèn)知心理學(xué)家不斷證實(shí)，在預(yù)測(cè)和診斷方面，電腦系統(tǒng)常常勝過最頂尖的人類專家的判斷，包括預(yù)測(cè)每一件事，從一個(gè)公司是否會(huì)破產(chǎn)，到一個(gè)肝病患者還能活多久，每個(gè)領(lǐng)域都有涉及，幾乎所有的案例分析大戰(zhàn)中，電腦要么與人類戰(zhàn)平，要么勝過人類。
人工智能在醫(yī)療領(lǐng)域的應(yīng)用歷史
上世紀(jì)三四十年代，Wiener、弗雷治、羅素的數(shù)理邏輯，和Church、圖靈的數(shù)字功用以及計(jì)算機(jī)處理促使了1956年夏的AI學(xué)科誕生。20世紀(jì)60年代以來(lái)，生物模仿用來(lái)建立功能強(qiáng)大的算法。這方面有進(jìn)化計(jì)算，包括遺傳算法、進(jìn)化策略和進(jìn)化規(guī)劃。
1992年Bezdek提出計(jì)算智能。他和Marks(1993年)指出計(jì)算智能取決于制造者提供的數(shù)值數(shù)據(jù)，含有模式識(shí)別部分，不依賴于知識(shí);計(jì)算智能是認(rèn)知層次的低層。今天，計(jì)算智能涉及神經(jīng)網(wǎng)絡(luò)、模糊邏輯、進(jìn)化計(jì)算和人工生命等領(lǐng)域，呈現(xiàn)多學(xué)科交叉與集成的趨勢(shì)。
人工生命以進(jìn)化計(jì)算為基礎(chǔ)，研究自組織、自復(fù)制、自修復(fù)以及形成這些特征的混沌動(dòng)力學(xué)、進(jìn)化和環(huán)境適應(yīng)，具體包括生命現(xiàn)象的仿生系統(tǒng)、人工建模與仿真、進(jìn)化動(dòng)力學(xué)、人工生命的計(jì)算理論、進(jìn)化與學(xué)習(xí)綜合系統(tǒng)以及人工生命的應(yīng)用等。
20世紀(jì)60年代，羅森布拉特研究感知機(jī)，Stahl建立細(xì)胞活動(dòng)模型，Lindenmayer提出了生長(zhǎng)發(fā)育中的細(xì)胞交互作用數(shù)學(xué)模型。這些模型支持細(xì)胞間的通信和差異。
70年代以來(lái)，Conrad等研究人工仿生系統(tǒng)中的自適應(yīng)、進(jìn)化和群體動(dòng)力學(xué)，提出不斷完善的“人工世界”模型。
80年代，人工神經(jīng)網(wǎng)絡(luò)再度興起促進(jìn)人工生命的發(fā)展。其主要研究方法有信息模型法和工作原理法。其研究途徑分為工程技術(shù)途徑和生物科學(xué)途徑。
專家系統(tǒng)在90年代興起, 模擬人類專家解決領(lǐng)域問題,知識(shí)庫(kù)的改進(jìn)與歸納是其重點(diǎn)。醫(yī)療專家系統(tǒng)(Medical Expert System，MES)是人工智能技術(shù)應(yīng)用在醫(yī)療診斷領(lǐng)域中的一個(gè)重要分支。在功能上，它是一個(gè)在某個(gè)領(lǐng)域內(nèi)具有專家水平解題能力的程序系統(tǒng)。醫(yī)學(xué)診斷專家系統(tǒng)就是運(yùn)用專家系統(tǒng)的設(shè)計(jì)原理與方法，模擬醫(yī)學(xué)專家診斷疾病的思維過程，它可以幫助醫(yī)生解決復(fù)雜的醫(yī)學(xué)問題，可以作為醫(yī)生診斷的輔助工具，可以繼承和發(fā)揚(yáng)醫(yī)學(xué)專家的寶貴理論及豐富的臨床經(jīng)驗(yàn)。
當(dāng)今21世紀(jì)，人工智能技術(shù)的醫(yī)學(xué)虛擬應(yīng)用不僅要對(duì)特定病人進(jìn)行模擬，而且要對(duì)整個(gè)治療過程中可能出現(xiàn)的反應(yīng)和問題有一精確的預(yù)測(cè)和提出相應(yīng)的對(duì)策。這就是21世紀(jì)醫(yī)學(xué)虛擬現(xiàn)實(shí)的最后目標(biāo)。
在醫(yī)療領(lǐng)域AI能做什么?
虛擬助理
醫(yī)療虛擬助理的官方定義是，利用語(yǔ)音識(shí)別、自然語(yǔ)言處理技術(shù)，將患者對(duì)自己病癥的描述與標(biāo)準(zhǔn)醫(yī)學(xué)知識(shí)庫(kù)進(jìn)行對(duì)比，從而完成患者自診、導(dǎo)診、咨詢等服務(wù)的信息系統(tǒng)。
與 Siri、Cortana 等通用虛擬助理不同的是，當(dāng)用戶與通用虛擬助理進(jìn)行對(duì)話時(shí)，可以自由表達(dá)，由虛擬助理理解用戶意圖(當(dāng)然理解能力還有待加強(qiáng));但當(dāng)用戶與醫(yī)學(xué)虛擬助理對(duì)話時(shí)，由于患者的描述基本不是標(biāo)準(zhǔn)的醫(yī)學(xué)術(shù)語(yǔ)，因此很難與標(biāo)準(zhǔn)醫(yī)學(xué)知識(shí)庫(kù)進(jìn)行對(duì)比從而得出結(jié)論。目前，醫(yī)療產(chǎn)業(yè)界的普遍做法是，以選擇題的方式與用戶溝通，了解問題并分診。
病歷與文獻(xiàn)分析——幫助醫(yī)生提高效率
提到人工智能與醫(yī)療的結(jié)合，最常見的要數(shù)醫(yī)生通過語(yǔ)音輸入電子病歷。面向醫(yī)療場(chǎng)景的語(yǔ)音輸入技術(shù)已經(jīng)成為科大訊飛、云知聲等人工智能公司的搶灘重地。
語(yǔ)音輸入技術(shù)解放了醫(yī)生的雙手，這對(duì)牙科醫(yī)生來(lái)講尤其重要。口腔科醫(yī)生在手術(shù)臺(tái)上往往是一個(gè)人，雙手都被占用了，沒有手來(lái)書寫病歷。用語(yǔ)音識(shí)別的方式能夠?qū)颊叩幕拘畔ⅰ⑹中g(shù)情況進(jìn)行一些基本的記錄，提高醫(yī)生工作效率。
在解放醫(yī)生雙手的同時(shí)，電子病歷也起到了醫(yī)療人工智能發(fā)展的數(shù)據(jù)基石作用。在語(yǔ)音識(shí)別層面之下，如何利用自然語(yǔ)言處理技術(shù)將非結(jié)構(gòu)化的自然語(yǔ)言轉(zhuǎn)化為結(jié)構(gòu)化的數(shù)據(jù)，以便后續(xù)進(jìn)行數(shù)據(jù)挖掘，是一個(gè)重要課題。利用自然語(yǔ)言處理技術(shù)將病歷上的非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)變成結(jié)構(gòu)化數(shù)據(jù)主要分為以下幾個(gè)步驟。首先，要對(duì)句子中的命名實(shí)體進(jìn)行識(shí)別，簡(jiǎn)單地說(shuō)就是哪些詞是疾病、哪些詞是藥品、哪些詞是癥狀、哪些詞是手術(shù)名，也就是對(duì)各種各樣詞語(yǔ)類別的分類。然后，需要查找語(yǔ)義之間的關(guān)聯(lián)，也就是說(shuō)誰(shuí)修飾了誰(shuí)、誰(shuí)約束了誰(shuí)、誰(shuí)否定了誰(shuí)等，也即定義詞語(yǔ)和詞語(yǔ)之間的線性關(guān)系。“語(yǔ)義關(guān)聯(lián)為什么在醫(yī)療領(lǐng)域尤其重要?比如你光知道這個(gè)人疼，不夠。你還要知道疼痛的部位、嚴(yán)重程度、時(shí)間、急慢性等附屬信息，這些信息才是重要的?！?/p>
在醫(yī)療領(lǐng)域的自然語(yǔ)言處理技術(shù)中，常常需要面對(duì)輸入不標(biāo)準(zhǔn)的情況。每個(gè)醫(yī)生都有自己的病歷書寫習(xí)慣，比如心肌梗塞這一種疾病，有的醫(yī)生會(huì)寫心肌梗塞，有的醫(yī)生會(huì)寫心肌梗死、心梗，甚至寫英文 MI(Myocardial Infarction)。
對(duì)于機(jī)器來(lái)說(shuō)，在存儲(chǔ)時(shí)必須知道這些詞代表著同樣的意思，后續(xù)的工作才能進(jìn)行。否則就連一個(gè)最簡(jiǎn)單的檢索任務(wù)都進(jìn)行不了，因?yàn)殛P(guān)鍵詞沒法匹配。另外，自然語(yǔ)言處理技術(shù)還能夠幫助醫(yī)生提高科研效率。
醫(yī)療影像輔助診斷——減少誤診漏診率
人工智能在醫(yī)療健康領(lǐng)域中的應(yīng)用領(lǐng)域包括虛擬助理、醫(yī)學(xué)影像、藥物挖掘、營(yíng)養(yǎng)學(xué)、生物技術(shù)、急救室/醫(yī)院管理、健康管理、精神健康、可穿戴設(shè)備、風(fēng)險(xiǎn)管理和病理學(xué)。其中人工智能+醫(yī)療健康各細(xì)分領(lǐng)域中，醫(yī)學(xué)影像項(xiàng)目數(shù)量最多。
從上圖可以看出，醫(yī)療影像領(lǐng)域的投融資交易數(shù)量最高。有需求就有市場(chǎng)，病患多醫(yī)生少、醫(yī)療壓力巨大是造成這種結(jié)果的最大的原因。再加上現(xiàn)在圖像識(shí)別技術(shù)的成熟、電子膠片的普及、放射科醫(yī)師的缺乏是推動(dòng)市場(chǎng)發(fā)展的主要因素;影像輔助診斷的使用和普及存在巨大的益處，對(duì)于患者而言，在影像輔助診斷的幫助下，和以往傳統(tǒng)的醫(yī)療手段相比較，將快速完成健康檢查，同時(shí)獲得更精準(zhǔn)的診斷建議和個(gè)性化的治療方案;對(duì)醫(yī)生而言，可以節(jié)約讀片時(shí)間、降低誤診率并獲取提示(副作用等)，起到輔助診斷的作用;醫(yī)院在云平臺(tái)的支持下可建立多元數(shù)據(jù)庫(kù)，進(jìn)一步降低成本。
影像輔助診斷的主要技術(shù)原理主要分為兩部分：圖像識(shí)別和深度學(xué)習(xí)，首先計(jì)算機(jī)對(duì)搜集到的圖像進(jìn)行預(yù)處理、分割、匹配判斷和特征提取一系列的操作，隨后進(jìn)行深度學(xué)習(xí)，從患者病歷庫(kù)以及其他醫(yī)療數(shù)據(jù)庫(kù)搜索數(shù)據(jù)，最終提供診斷建議。目前來(lái)說(shuō)影像輔助診斷的準(zhǔn)確率較精準(zhǔn)，相較于放射醫(yī)師，對(duì)臨床結(jié)節(jié)或肺癌診斷的準(zhǔn)確率高出50%，可以檢測(cè)整個(gè)X光片面積0.01%的細(xì)微骨折。
診療結(jié)果預(yù)測(cè)——提早預(yù)估風(fēng)險(xiǎn)
人工智能的輔助診斷并不僅僅體現(xiàn)在醫(yī)療影像方面，在診療結(jié)果的把控方面也已經(jīng)有所應(yīng)用。
AI能夠建立包括手術(shù)、麻醉、體外循環(huán)等在內(nèi)的一套最佳的治療方案，還能夠預(yù)測(cè)病人術(shù)后的出血風(fēng)險(xiǎn)、出血量、在 ICU 的停留時(shí)間、以及術(shù)后綜合癥的風(fēng)險(xiǎn)等。當(dāng)醫(yī)生需要更改手術(shù)方案的參數(shù)時(shí)，系統(tǒng)還能自動(dòng)計(jì)算參數(shù)修改后這幾個(gè)風(fēng)險(xiǎn)因素的變化。
AI與藥物開發(fā)
近期我國(guó)藥政頻發(fā)使創(chuàng)新藥物研發(fā)獲諸多“政策紅利”，目前我國(guó)新藥研發(fā)面臨研發(fā)時(shí)間、成本及資金三座大山。人工智能助力藥物研發(fā)，可大大縮短藥物研發(fā)時(shí)間、提高研發(fā)效率并控制研發(fā)成本。
人工智能助力藥物研主要體現(xiàn)在臨床前和臨床研究上。在臨床前通過深度學(xué)習(xí)，提高藥物篩選效率并優(yōu)化其構(gòu)效關(guān)系，在臨床研究過程中結(jié)合醫(yī)院數(shù)據(jù)，可快速找到符合條件的受試病人。
人工智能在臨床醫(yī)療診斷中的應(yīng)用
人工智能在臨床醫(yī)療診斷中常用于醫(yī)療專家系統(tǒng)[6],主要是運(yùn)用專家系統(tǒng)的設(shè)計(jì)原理與方法模擬醫(yī)學(xué)專家診斷、治療疾病的思維過程編制的計(jì)算機(jī)程序，它可以幫助醫(yī)生解決復(fù)雜的醫(yī)學(xué)問題，作為醫(yī)生診斷的輔助工具，繼承和發(fā)揚(yáng)醫(yī)學(xué)專家的寶貴理論及豐富的臨床經(jīng)驗(yàn)。
概括來(lái)說(shuō)，人工智能在醫(yī)療領(lǐng)域有如下作用：
1、可以為醫(yī)生提供完整和有效的信息，從而為疾病的診斷和治療提供科學(xué)、可靠的依據(jù)。
2、可以極大地提高醫(yī)學(xué)數(shù)據(jù)的測(cè)定和分析過程的自動(dòng)化程度，從而大大提高工作速度，減輕人的工作強(qiáng)度，并減少主觀隨意性。
3、可以集中專家的知識(shí)，輔助醫(yī)生做出更為可靠和正確的診斷;隨著病例的增多，還可以豐富系統(tǒng)的知識(shí)，自動(dòng)地或在人工干預(yù)下進(jìn)行知識(shí)的積累和分析，提高醫(yī)療水平。
可以從大規(guī)模的醫(yī)學(xué)歷史數(shù)據(jù)中發(fā)現(xiàn)規(guī)律和知識(shí)，從而為未來(lái)疾病防控提供決策支持。
人工智能醫(yī)療智能診斷系統(tǒng)中的應(yīng)用
人工神經(jīng)網(wǎng)絡(luò)理論的發(fā)展為醫(yī)療智能診斷系統(tǒng)提供了一條新的有效途徑。基于這一思路，人們將人工神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)進(jìn)行了有效的結(jié)合，建立了人工神經(jīng)網(wǎng)絡(luò)式的醫(yī)療智能診斷系統(tǒng)。該系統(tǒng)知識(shí)獲取的特點(diǎn)是向現(xiàn)實(shí)世界學(xué)習(xí)，它是將大量的樣本(病例)，通過特定的學(xué)習(xí)算法得到網(wǎng)絡(luò)各種神經(jīng)元之間的連接權(quán)而獲得的。這種方式與人腦存貯知識(shí)十分相似，具有聯(lián)想、并行處理和容錯(cuò)的功能，可以將醫(yī)療智能診斷系統(tǒng)提高到一個(gè)新的水平。然而，目前用這種方法建立醫(yī)療診斷系統(tǒng)的成果仍是有限的。這主要是由于建立人工神經(jīng)網(wǎng)絡(luò)模型所需要的算法在解決規(guī)模稍大、特征較多的疾病診斷問題時(shí)，往往學(xué)習(xí)算法不能計(jì)算出正確的結(jié)果。經(jīng)研究，本文提出了一種“非梯度學(xué)習(xí)算法”，即單參數(shù)動(dòng)態(tài)搜索算法(簡(jiǎn)稱為SPDS算法)。這種學(xué)習(xí)算法對(duì)于規(guī)模稍大、特征較多的實(shí)際問題可上百倍地快于以往的學(xué)習(xí)算法。在一些實(shí)際問題中，該算法已見到明顯效果，并開始引起人們的重視。相信將這種學(xué)習(xí)算法用于醫(yī)療智能診斷系統(tǒng)，必然會(huì)帶來(lái)新的突破。
人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)學(xué)中的應(yīng)用
中醫(yī)學(xué)辨證施治過程，實(shí)質(zhì)上是對(duì)一大堆數(shù)據(jù)信息作出處理，提取規(guī)律的過程。人工神經(jīng)網(wǎng)絡(luò)有較好獲得數(shù)據(jù)規(guī)律的能力，應(yīng)用于中醫(yī)學(xué)具有可行性。
中醫(yī)學(xué)中的“辨證論治”中的“證”具有模糊性、不確定性的特點(diǎn)，主觀性較強(qiáng)，所以中醫(yī)的診斷和治療與醫(yī)師的經(jīng)驗(yàn)、水平有較大關(guān)系，多年來(lái)對(duì)“證”的研究思路和方法主要集中在實(shí)驗(yàn)研究、臨床觀察、文章整理、經(jīng)驗(yàn)總結(jié)上。 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用可以替代部分“辨證”過程，選擇適當(dāng)?shù)闹嗅t(yī)癥狀作為基本輸入和適當(dāng)?shù)娜斯ど窠?jīng)網(wǎng)絡(luò)模型，人工神經(jīng)網(wǎng)絡(luò)能夠根據(jù)已有的學(xué)習(xí)“經(jīng)驗(yàn)”進(jìn)行分析，綜合提出中醫(yī)診斷。人工神經(jīng)網(wǎng)絡(luò)由神經(jīng)元結(jié)構(gòu)模型、網(wǎng)絡(luò)連接模型、網(wǎng)絡(luò)學(xué)習(xí)算法等幾個(gè)要素組成，是具有某些智能代寫論文功能的系統(tǒng)。 從網(wǎng)絡(luò)結(jié)構(gòu)劃分，人工神經(jīng)網(wǎng)絡(luò)有許多不同的種類，如感知器、BP 網(wǎng)絡(luò)、Hopfield 網(wǎng)絡(luò)等 ，其中 BP 網(wǎng)絡(luò)是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一。 BP 網(wǎng)絡(luò)是一種前向網(wǎng)絡(luò)，通過網(wǎng)絡(luò)的結(jié)構(gòu)與權(quán)值表達(dá)復(fù)雜的非線性 I/O 映射關(guān)系， 同時(shí) BP 網(wǎng)絡(luò)具有優(yōu)良的自學(xué)習(xí)功能，可以通過誤差的反向傳播方法，對(duì)照已知樣本進(jìn)行反復(fù)訓(xùn)練，調(diào)整網(wǎng)絡(luò)的權(quán)值，直至網(wǎng)絡(luò)的 I/O 關(guān)系在某一訓(xùn)練指標(biāo)下最接近樣本。
基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的專家系統(tǒng)
基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的專家系統(tǒng)在建造知識(shí)庫(kù)時(shí)[16]，首先根據(jù)應(yīng)用來(lái)選擇和確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，再選擇學(xué)習(xí)算法，對(duì)與求解問題有關(guān)的樣本進(jìn)行學(xué)習(xí)，以調(diào)整系統(tǒng)的連接權(quán)值，完成知識(shí)自動(dòng)獲取和分布式的存儲(chǔ)，構(gòu)建系統(tǒng)的知識(shí)庫(kù)。 然而若輸入的信息不十分明確導(dǎo)致系統(tǒng)性能降低， 這必然也會(huì)降低診斷的準(zhǔn)確性。 而基于神經(jīng)系統(tǒng)結(jié)構(gòu)和功能模擬基礎(chǔ)上的神經(jīng)網(wǎng)絡(luò)，可以通過對(duì)實(shí)例的不斷學(xué)習(xí)，自動(dòng)獲取知識(shí)，并將知識(shí)分布存儲(chǔ)于神經(jīng)網(wǎng)絡(luò)中， 通過學(xué)習(xí)不斷提高神經(jīng)網(wǎng)絡(luò)中神經(jīng)元之間連接權(quán)值的調(diào)整過程。 系統(tǒng)將根據(jù)神經(jīng)網(wǎng)絡(luò)當(dāng)前所接收到的實(shí)例問題的相似性確定輸出。 當(dāng)環(huán)境信息不十分完全時(shí)，仍然可以通過計(jì)算得出一個(gè)比較滿意的解答。
目前，已建立了心肌梗塞、心絞痛疾病及其并發(fā)癥的醫(yī)療智能診斷系統(tǒng)。根據(jù)醫(yī)生的建議，系統(tǒng)提供了三個(gè)人機(jī)對(duì)話界面：
1、錄入主訴、病史和臨床癥狀。包括性別、年齡、發(fā)病時(shí)間、前驅(qū)癥狀、病史、消化系統(tǒng)癥狀、呼吸系統(tǒng)癥狀等60余項(xiàng)。
2、錄入體征。查體征所能得到的信息，包括心界、心音、磨擦音、濕羅音等20余項(xiàng)。
3、錄入輔助檢查結(jié)果。包括心電圖、心肌酶、心臟彩超、漂浮導(dǎo)管等心內(nèi)科輔助檢查手段的結(jié)果300余項(xiàng)。
人工智能技術(shù)在醫(yī)學(xué)影像診斷中的應(yīng)用
盡管人工智能技術(shù)可應(yīng)用于臨床領(lǐng)域中的各個(gè)方面(組織病理學(xué)、傳染病學(xué)、內(nèi)科學(xué)、精神病學(xué)等)，但在醫(yī)學(xué)影像領(lǐng)域中，放射科專家大部分情況下還是主要依賴于臨床醫(yī)生建立起來(lái)的主觀印象。 制約影像專家系統(tǒng)發(fā)展的難點(diǎn)在于高級(jí)視覺系統(tǒng)本身，如從醫(yī)學(xué)掃描器上獲得的數(shù)據(jù)可能是噪聲或者是模糊的，而代表解剖結(jié)構(gòu)上的或功能上的分區(qū)常常是復(fù)雜的和不確定的，當(dāng)處理這些被稱作為證據(jù)不確定的非精確信息時(shí)，大大增加了專家系統(tǒng)設(shè)計(jì)的復(fù)雜性。
目前，隨著微電子技術(shù)和計(jì)算機(jī)技術(shù)的快速發(fā)展，很多制約醫(yī)學(xué)專家系統(tǒng)發(fā)展的因素也相繼得到解決，應(yīng)用到醫(yī)學(xué)影像學(xué)方面的初級(jí)特征提取技術(shù)及成像設(shè)備(CT，MRI，PET，X 線，超聲等 )得到廣泛應(yīng)用和研究 。 例如，在乳房 X 線照片中自動(dòng)檢測(cè)叢生的小鈣化點(diǎn)的線性濾波和閾值匹配方法，已經(jīng)被證實(shí)可提高放射學(xué)專家的診斷精確率。 其他應(yīng)用，如肺部腫瘤的計(jì)算機(jī)檢測(cè)，心臟大小的計(jì)算分析，胸部放射片上腔隙性疾病的定性，血管角質(zhì)瘤影像的自動(dòng)跟蹤，紋理分析應(yīng)用到超聲掃描，X 射線照相術(shù)和 CT 圖像等已經(jīng)在一些實(shí)例中較成功地得到證明。
人工智能在醫(yī)療記錄的應(yīng)用
醫(yī)學(xué)的任何表達(dá)包括實(shí)驗(yàn)室數(shù)據(jù)，都可以或者都必須轉(zhuǎn)換為描述語(yǔ)言，因?yàn)獒t(yī)學(xué)的任何判斷和結(jié)論都必須人的直接參與，沒有任何一種單純的物理信號(hào)或數(shù)字信息可以完整描述人。醫(yī)學(xué)的描述性特點(diǎn)也使醫(yī)學(xué)的意義更依賴于給患者的醫(yī)療記錄，沒有一種記錄能像醫(yī)療記錄那樣把人、學(xué)術(shù)、生活、俗務(wù)、法律、科學(xué)等聯(lián)系得更緊密。所以醫(yī)療記錄的繁雜也托負(fù)著眾望，日益艱巨起來(lái)。
后來(lái)隨著電子文本記錄法的出現(xiàn)，推進(jìn)了工作方式乃至觀察方式發(fā)生改變。上世紀(jì)70年代開發(fā)的醫(yī)學(xué)信息系統(tǒng)RMIS，它使用了一種就醫(yī)表格：其右方是患者的主訴、病史描述等，采用文本處理方式，都是先用手寫，再由專人輸入電腦;其左上方是診斷列表，列出醫(yī)生診斷的疾病名;左下方是結(jié)構(gòu)化數(shù)據(jù)列表，記錄重要生理參數(shù)和檢驗(yàn)參數(shù)等;RMIS至今還有人使用。近些年SDE有電子版面世，它發(fā)揚(yáng)表格結(jié)構(gòu)輸入法的優(yōu)點(diǎn)，不但能用直接模型處理類似試驗(yàn)設(shè)備所產(chǎn)生的簡(jiǎn)單數(shù)據(jù)，而且能用間接模型處理有專業(yè)依賴性的復(fù)雜數(shù)據(jù)。SDE的結(jié)構(gòu)化數(shù)據(jù)來(lái)源于詞典，它的知識(shí)編輯器可以起到規(guī)范輸入詞匯的作用。這種特征是電子病歷輸入方法的一種進(jìn)步，在中國(guó)，有中國(guó)特色的文本模板編輯法或半結(jié)構(gòu)化的摘字換句法，都展現(xiàn)了醫(yī)療記錄向醫(yī)學(xué)人工智能的規(guī)范化方向合流的趨勢(shì)。將電子病歷系統(tǒng)嵌套在醫(yī)學(xué)知識(shí)決策系統(tǒng)之中;再將知識(shí)決策系統(tǒng)嵌套在整體的智能化數(shù)字醫(yī)院體系之中，醫(yī)療決策和醫(yī)療記錄熔為一爐，既完成對(duì)患者的醫(yī)療全過程本身，又完成醫(yī)療過程在醫(yī)院中充當(dāng)?shù)慕巧＞唧w的思路是：醫(yī)生應(yīng)用基于知識(shí)庫(kù)的智能化診療平臺(tái)為患者看病，醫(yī)生看病的軌跡被自動(dòng)記錄下來(lái)，成為電子病歷。形成電子病歷的技術(shù)過程非常簡(jiǎn)單，電子病歷的內(nèi)容有賴于知識(shí)庫(kù);人工智能的看病模型非常簡(jiǎn)單，即計(jì)算機(jī)+知識(shí)庫(kù)，把智能化的技術(shù)難點(diǎn)轉(zhuǎn)嫁給知識(shí)表達(dá)。
人工智能在醫(yī)療領(lǐng)域的應(yīng)用前景
醫(yī)學(xué)人工智能是人工智能發(fā)展出來(lái)的一大分支，它將為醫(yī)學(xué)診療問題提供解決方案，研究最多成果最顯著的是醫(yī)學(xué)專家系統(tǒng)。醫(yī)學(xué)專家系統(tǒng)是一個(gè)具有大量專門知識(shí)與經(jīng)驗(yàn)的程序系統(tǒng)，它應(yīng)人工智能技術(shù)，根據(jù)某個(gè)領(lǐng)域一個(gè)或多個(gè)人類專家提供的知識(shí)和經(jīng)驗(yàn)進(jìn)行推理和判斷，模擬人類專家的決策過程，以解決那些需要專家決定的復(fù)雜問題。專家系統(tǒng)是目前人工智能中最活躍、最有成效的一個(gè)研究領(lǐng)域。
隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展，未來(lái)的醫(yī)學(xué)專家系統(tǒng)發(fā)展趨勢(shì)可能會(huì)具備以下幾個(gè)特點(diǎn)：
1、醫(yī)學(xué)專家系統(tǒng)應(yīng)以解決一些特殊的問題為目的。這些特殊的問題在計(jì)算機(jī)視覺和人工智能方面沒有被研究過。人類對(duì)可視圖案的認(rèn)識(shí)不同于常規(guī)的推理，并且代表明確的領(lǐng)域知識(shí)常常在視覺認(rèn)識(shí)過程中下意識(shí)地忽略了被用到的那些因素。
2、醫(yī)學(xué)專家系統(tǒng)的模型可能會(huì)是以多種智能技術(shù)為基礎(chǔ)，以并行處理方式、自學(xué)能力、記憶功能、預(yù)測(cè)事件發(fā)展能力為目的。目前發(fā)展起來(lái)的遺傳算法、模糊算法、粗糙集理論等非線性數(shù)學(xué)方法，有可能會(huì)跟人工神經(jīng)網(wǎng)絡(luò)技術(shù)、人工智能技術(shù)綜合起來(lái)構(gòu)造成新的醫(yī)學(xué)專家系統(tǒng)模型。這些技術(shù)必將會(huì)推動(dòng)醫(yī)學(xué)專家系統(tǒng)一場(chǎng)新的革命，因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)技術(shù)具有強(qiáng)大的自適應(yīng)、自處理、自學(xué)習(xí)、記憶功能等，如Yu ji等人基于螺旋CT圖像的冠狀動(dòng)脈鈣化點(diǎn)的診斷系統(tǒng)，就是神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)專家系統(tǒng)中應(yīng)用的一個(gè)很好例子。
人工智能是一門通過計(jì)算過程力圖理解和模仿智能行為的學(xué)科?？蓪?shí)現(xiàn)判斷、推理、證明、識(shí)別、感知、理解、通信、設(shè)計(jì)、思考、規(guī)劃、學(xué)習(xí)和問題求解等思維活動(dòng)的自動(dòng)化。半個(gè)世紀(jì)以來(lái)，人工智能的飛速發(fā)展令人瞠目。醫(yī)學(xué)人工智能，以計(jì)算機(jī)為工具，最終目標(biāo)直指疾病。實(shí)現(xiàn)目標(biāo)的邊界條件是：不改變醫(yī)學(xué)的學(xué)術(shù)現(xiàn)狀，不企圖取代醫(yī)生。主要方法是：抽象醫(yī)學(xué)思維，并將其模型化，以利計(jì)算機(jī)實(shí)現(xiàn)。中間目標(biāo)是：搭建知識(shí)平臺(tái)，運(yùn)用智能方法，輔助醫(yī)務(wù)人員擴(kuò)大視界，更好地發(fā)揮聰明才智。
聯(lián)系客服
