那麼什麼是人工智慧呢？我們簡單分為三大類：

　　一是計算智慧，表現為能存會算，機器開始像人類一樣會計算、傳遞資訊。例如神經網路、遺傳演算法等，可以幫助人類儲存和快速處理海量資料。

　　二是感知智慧，表現為感知外界，機器開始看懂和聽懂，作出判斷，採取一些行動。例如可以認出罪犯的攝像頭、可以聽懂語音的音箱等，可以幫助人類高效完成“看”和“聽”相關的工作。

　　三是認知智慧，表現為自主行動，機器能夠像人一樣思考，主動採取行動。例如完全獨立駕駛的無人駕駛汽車、自主行動的機器人等，可以全面輔助或替代人類工作。

　　alphago無疑會成為人工智慧發展的標誌性事件，未來將誕生自主行為和決策的機器，使我們的生活更加便捷。那麼越來越“人”性化的機器，對我們人類的生活會帶來哪些影響呢？（我們從“經濟”“文化”“社會”“心理”“技術”談談）

在藥物研發領域，未來AI可能帶來翻天覆地的變化。

最明顯的是：可以大大縮短藥企研發時間，同時可以節約藥企巨大的研發成本。

藥企巨頭羅氏曾調研分析，藥企要成功研發一種藥，平均需要10年，甚至更久，而成本至少15億以上。

而AI設計藥物骨架，完全有可能在幾個月內完成。

比如AI藥物研發公司Insilico Medicine，2019年9月在國際頂級學術雜誌《Nature》子刊上發表了《深度學習能夠快速識別強效DDR1激酶抑制劑》，從最初的靶點確定，到完成苗頭化合物結構虛擬篩選，僅用時21天，到苗頭化合物的合成及初步體外實驗驗證，用時僅46天。讓整個研發時間縮短到5-10年。

上面的文獻連結：

https://www.nature.com/articles/s41587-019-0224-x?fbclid=IwAR14t

20世紀80年代和90年代帶來了微型計算機的激增和新的網路連線水平。在此期間，研究人員和開發人員認識到，醫療保健系統在醫療保健方面的設計必須能夠適應缺乏完美資料和建立在醫生的專業知識基礎上。涉及模糊集理論，貝葉斯網路和人工神經網路的方法已經應用於醫療保健領域的智慧計算系統。

這半個世紀以來，人工智慧技術在醫療上的成長有這些方面：計算能力的提高導致更快的資料收集和資料處理，個人和醫療保健相關裝置的健康相關資料的數量和可用性增加，基因組測序資料庫的增長，電子健康記錄系統的廣泛實施，自然語言處理和計算機視覺的改進，使機器能夠複製人類感知過程，機器人輔助手術的精確度提高。

而在放射學上，解讀成像結果的能力可以幫助臨床醫生檢測詳細細節的影象變化，或臨床醫生可能意外漏掉的某些變化。這種在放射學中納入AI的研究是斯坦福大學的一項研究，該研究的結果表明，他們建立的演算法可以比放射科醫師更好地檢測肺炎。放射學會議北美放射學會在其成像中實施了大部分時間表來使用人工智慧。

同時遠端醫療的增加顯示了人工智慧應用的興起。如果疾病發生，使用AI監測患者的能力可以允許向醫生傳達資訊。使用裝置以使得人可以佩戴，可以允許對患者進行持續監測，並且還能夠注意到人類可能較難區分的變化。

藉助領先的人工智慧技術產品組合，英特爾與諾華、博德研究所、華大基因等眾多國內外生態合作伙伴在精準醫療和醫學影像分析等領域積極部署人工智慧解決方案，推動醫療的智慧化發展。英特爾成為法國居里研究所的首席合作伙伴，雙方將共同開發、使用和實施創新型生物資訊學工具和技術，從而改進研究和臨床腫瘤學中分子表達譜的應用。此外，英特爾與飛利浦合作，利用使用英特爾®至強®可擴充套件處理器和OpenVINO™工具包加快深度學習推理速度。

針對癌症的精準醫療要求根據每位患者的基因特徵來提供個性化的醫療護理。但是，由此產生的龐大資料量，對醫生篩選海量基因變體，做出正確的診斷提出了很大的挑戰。儘管人工智慧在基因組解讀方面的應用剛剛興起，但這項技術的發展十分迅速，它可以作為過濾器，大幅減少變體數量，為醫生提供極大的幫助。

居里研究所和英特爾之間的開創性合作，旨在共同開發、使用和實施創新的生物資訊學技術，縮短診斷時間、提高診斷準確率，提出更有針對性的治療建議。透過這項合作，居里研究所將會獲得英特爾專家的支援，來幫助最佳化及保障其高效能計算和人工智慧基礎設施，以便部署英特爾基因組生態系統合作伙伴解決方案和最佳實踐。此外，還將額外開發整合和分析異構生物醫學資料所需的定製工具。此次合作將部署用於基因分析的英特爾® 精選解決方案，該方案基於英特爾® 至強® 可擴充套件處理器和英特爾® Omni-Path架構。

除了精準醫療，越來越多的醫療機構都在使用深度學習推理來更快、更準確地檢視患者的醫學影象。同時，隨著醫學影象解析度提高，醫學影象檔案的大小也在增加，很多影象大小都達到 1GB 甚至更大。與GPU相比，CPU沒有記憶體的限制，可以對複雜的混合工作負載進行加速，包括醫學成像中常見的較大的、記憶體密集的模型。英特爾®至強®可擴充套件處理器為人工智慧模型提供了一個經濟、靈活的平臺，尤其是當其與 OpenVINO™工具包等工具相結合時，它們可以幫助部署預先訓練好的模型，從而在不影響準確性的同時提高效率。

在英特爾與飛利浦的合作中，雙方透過使用英特爾®至強®可擴充套件處理器和OpenVINO™工具包，對骨齡預測建模的骨骼 X 射線和肺部分割的肺部 CT 掃描進行了測試。在這些測試中，相比基線測量水平，英特爾和飛利浦在骨齡預測模型上的速度提高了 188 倍，在肺部分割模型上的速度提高了 38 倍。這些測試也表明，醫療機構無需昂貴的硬體投資，也可以實施人工智慧工作負載，在既有的IT基礎設施上按需部署人工智慧更高效。

從英特爾®至強®可擴充套件處理器到一系列的軟體開發工具，英特爾擁有最全面的人工智慧產品組合和端到端技術實力，可以提供最靈活以及最最佳化的解決方案，充分發揮合作伙伴們在其行業的專業性，實現AI技術的落地與進一步發展。英特爾也將持續與居里研究所、飛利浦等行業夥伴合作， 透過龐大的開放生態系統支援可部署的解決方案，普惠人工智慧，應對未來更多未知的挑戰。

自動閱片寫報告，AI輔助診斷讓醫生患者都受益

閱片是影像科醫生的一項常規工作內容，需要非常專業的知識，但同時也是一項機械、繁瑣的工作。醫生需要對影像資料進行分析對比，然後書寫診斷意見或進一步檢查的建議，重複的工作無形中佔用了大量的時間，降低了醫療效率。醫生疲憊不堪，病人也因為排長隊而叫苦不迭。

面對這種情況，計算機和醫學領域的研究人員都在考慮：如果能夠讓“全能”的人工智慧幫助醫生閱片，自動診斷寫報告，豈不是能節省大量的時間，讓醫生和病人都受益？

目前已經出現了不少AI自動診斷的成果，不僅能做出準確的判斷，還比人類更快：“啄醫生”——便捷高效的閱片機器人：

啄醫生”——由四萬餘塊260核晶片組成的“超級計算機”，將超算技術與人工智慧結合，學習了10萬多套肺片，在短時間內，迅速達到了有15年臨床經驗的影像科醫生的閱片水平。

CheXNeXt——基於神經網路的X光診斷演算法：

去年年底，吳恩達的斯坦福團隊釋出了一個基於深度神經網路CheXNeXt的X光診斷演算法，該演算法可以自動診斷14種疾病。在其中10種疾病的診斷上，AI的表現與放射科醫生旗鼓相當，還有一種疾病的診斷效果甚至超過了人類。並且，這個AI診斷演算法的診斷速度是人類的160倍！

吳恩達團隊還針對這個演算法開發了一個名為XRay4All的手機應用，只要給胸片拍個照，AI就能夠自動診斷。

VISPI——生成閱片報告的自動醫學影象解釋系統：

計算機輔助醫學影象視覺感知和解釋（ computeraided medical image visual perception and interpretation）這項研究一直在進行中。但是，由於缺少經過註釋的影象報告樣本和能夠充分提取並利用區域性特徵的生成模型，尤其是缺少能夠提取相關聯的語義特徵的生成模型，之前嘗試過的種種方法得到的效果總是不盡如人意。

不過，在經過不斷地創新和實驗後，最近一個叫做VISPI的自動醫學影象解釋系統，首次嘗試了利用疾病定位來生成X射線影象報告，在疾病分類、定位和報告生成方面都取得了不錯的效果：

VISPI生成的報告草稿：有穩定的輕度心臟肥大，無明顯的肺血管充血。主動脈彎曲穩定，無急性肺實變，無大量積液及氣胸。

VISPI首先預測並將疾病定位為語義特徵，然後生成報告。下圖是VISPI的工作流程：

VISPI首先透過對胸部疾病進行分類和定位來註釋X光影象（a），然後生成相應的語句，構建整個報告（b）。其中，c顯示了用於生成報告的Attentive LSTM的結構（Attentive LSTM基於編碼器-解碼器結構）。

具體步驟如下：

VISPI的分類模組以一個121層的密集卷積神經網路（DenseNet）為基礎，將最後的全連線層替換為一個維度為M的新層（M指疾病的數量）。應用Grad-Gams（Gradient-weighted Class Activation Mapping，梯度加權類啟用對映）對疾病進行熱圖定位。如果在X光片中未發現活動性胸廓疾病，則根據綠色虛線框中所示的原始X光片，由Attentive LSTM直接生成報告。否則（如紅色虛線框所示），裁剪出一個帶有區域性疾病的子影象，生成異常描述，而原始的X光片則用來生成報告中的正常描述。

分別用一個正常的胸片和一個出現“心臟肥大（Cardiomegaly）”症狀的胸片來測試一下VISPI系統的表現：

上圖展示了兩個胸片的診斷報告。第一行顯示了一張正常的胸片，第二張是一個“心臟肥大”的病例（第二行胸片熱圖紅色邊界框中的區域）。

針對每張胸片，分別提供一份醫生書寫的報告和一份VISPI系統自動生成的報告。

正常病例：

醫生書寫的報告內容：the heart size and cardiomediastinal silhouette are within normal limits.pulmonary vasculature appears normal.There is no focal air space consolidation.no pleural effusion or pneumothorax.（心臟大小和心臟縱向輪廓在正常範圍內。肺血管系統正常。沒有局灶性氣囊鞏固。沒有胸腔積液或氣胸。）VISPI自動生成的報告草稿：the cardiomediastinal silhouette and pulmonary vasculature are within normal limits in size. the lungs are clear of focal airspace disease pneumothorax of pleural effusion.there are no acute bony findings.no acute cardiopulmonary findings.（心臟縱隔輪廓和肺血管系統的大小在正常範圍內。 肺部沒有局灶性空氣病胸腔積液氣胸。沒有急性骨性表現。沒有急性心肺表現。）

“心臟肥大”病例：

醫生書寫的報告內容：mild cardiomegaly. mild unfolding of the thoractic aorta.no focal air space opacity.no pleural effusion or pneumothorax.visualized osseous structures are unremarkable in appearance.otherwise no acute cardiopulmonary abormalities.（輕度心臟擴大。胸主動脈輕度張開，無局灶性氣隙混濁，無胸腔積液或氣胸，可見骨結構外觀無明顯改變，無急性心肺衰竭。）VISPI自動生成的報告草稿：mild cardiomegaly.there is no focal consolidation.no pleural effusion or pneumothorax.there is no focal air space consolidation.no pleural effusion or pneumothorax.degenerative changes of the thoracic spine.no acute cardiopulmonary abnormality.（輕度心臟腫大，無局灶性實變，無胸腔積液、氣胸，無局灶性氣隙實變，無胸腔積液、氣胸，胸椎退行性改變，無急性心肺異常。）

對比醫生書寫的診斷報告和VISPI自動生成的報告，可以看出，VISPI醫療解釋系統能夠準確地診斷胸部疾病，並生成語義準確，結構良好的診斷報告。

AI在醫療診斷領域出色的表現吸引了越來越多的目光，武漢同濟醫院在2016年就上線試用了AI-DR輔助診斷技術。短短5個多月，使用AI-DR技術共診斷X線片8093張。在測試實際病人X線片的過程中，AI-DR於160例病例中發現了兩例醫生診斷中遺漏的病灶。

人工智慧對大資料出色的學習能力，讓它可以獲得比人類更豐富的經驗。更重要的是，機器不會遺忘，也不會疲勞。在目前醫療資源緊缺的情況下，AI將能夠把醫生從專業但重複的繁重工作中解脫出來，更專注地攻克醫療難題；患者也將能獲得更及時的訊息。AI輔助診斷的未來非常值得期待！

對科技知識感興趣的知友可關注

人工智慧與機器學習在醫療保健領域已經擁有多年實踐歷程，憑藉著對醫學及發現技術的重大貢獻，二者的業務規模每年都在以驚人的速度增長。而目前，由於人工智慧與機器學習的融入，精準醫學也得以出現進一步的發展。

“精準醫學”有時也被稱為“個性化醫學”，在醫療保健領域仍是一個相對較新的概念，但其基本思路多年之前就早已存在。根據美國國家醫學圖書館的資料，精準醫學是指“一種新興的疾病治療與預防方法，其考慮到每個人在基因、環境以及生活方式等方面的個體差異。”

精準醫學能夠幫助醫生考量並採用更加個性化的治療方法，而不再面向所有患者實施統一的治療方法，從而確保治療流程確切匹配病患的具體情況。在確定治療方案的過程中，醫生往往需要檢視患者的遺傳史、生活地區、環境因素、生活方式以及習慣等等。

藉助人工智慧技術，精準醫學也邁入了新的階段與高度，能夠為患者提供更準確的預測性結論。同時，還有人認為，如果沒有機器學習演算法支援整個流程，精準醫學根本不可能完全實現。

在由Chilmark Research釋出一的份報告中，研究人員指出要充分發揮精準醫學的潛力，除了以遠超人類的速度讀取並分析大量醫學資料之外，AI技術還能夠更準確地給出判結果，包括適用於患者的治療選項以及可能的治療結果等重要論斷。

在AI的幫助下，我們不僅能夠預測治療效果，甚至有望預測患者未來患病的可能性，這也正是精準醫學的一大核心優勢。透過更透徹地理解為何發生疾病以及在哪些環境之下更可能產生疾病，人工智慧得以幫助並引導醫學從業者瞭解可以根據哪些發病前跡象實現疾病預判。對於醫療行業以及每一位普通人而言，這種提前評估疾病風險的能力無疑是革命性的。

此外，機器學習還有助於改善美國食品藥物管理局（FDA）制定的關於測試、藥物與藥物合成合作關係的法規，進而支撐起更完善的治療體系。更具體地講，要全面實現精準醫學，我們首先需要在各製藥企業、生物技術公司、學術界、診斷機構等參與方之間建立起緊密的協作體系，從而推動創新工作的快速進步。

行業領先的精準醫學情報公司Amplion最近釋出了Dx: Revenue。這是一套軟體情報平臺，利用機器學習技術提供與各製藥合作方相關的洞察見解。

這套平臺覆蓋包括臨床試驗、科學出版物、會議摘要、FDA批准測試、實驗室測試以及其他資訊的總計3400萬個資料來源，旨在確保測試服務供應商的能力與製藥企業的特定需求相匹配。

Amplion公司CEO Chris Capdevlia表示，“這種能力在癌症領域尤其重要，因為我們正努力將以往千篇一律的匹配方法轉化為更具針對性的個性化實施方向，從而根據每一位患者的生物學特徵進行治療。透過這種醫療保健個性化方法，我們不僅能夠為患者帶來更好的治療結果，還能夠透過降低週期與提高成功率的方式壓縮藥物開發成本，推動有價值藥物的上市速度——這一切都將為患者帶來更好的診療體驗與治癒效果。”

精準醫學有望真正改善民眾的生活質量，甚至挽救更多生命。而人工智慧的應用則能夠顯著放大這種積極效果。對於眾多因目前診療費用及醫療保險額度而無法承擔高複雜度治療方法的患者，精準醫學與AI技術的結合還能顯著降低治療的成本與享用門檻。誠然，精準醫學仍然面臨著諸多挑戰，但我們相信人工智慧的介入將幫助我們不斷探索、最終實現這一偉大目標。