首先，歷史記錄有助於我們對事物進行透視。每個時代都經歷著它所分享的這個時代的居民所認為的革命。在醫學的早期，新的令人驚異的技術包括現在常見的基本要素，如顯微鏡，喉鏡，聽診器和X射線。我們這一代人受到人工智慧的吸引，雖然人工智慧的特殊性和範圍可能不同，但其原理仍然是一樣的：技術對任何醫學專業的影響已經並將繼續受到智力，社會法律，地理和政治力量。認為高科技本身可能導致一種專業相對於另一種專業的消亡，就是無法理解工作中因素的動態複雜性。其次，圍繞人工智慧的炒作並不新鮮。每一項新技術都與勝利的先驅者一起抵達;這種行為只是突出了我們對新穎性的人類偏好。整個醫學史上的大多數革命性技術都是由擴大醫學和科學知識的集體願望所驅動的。技術有其他目的，AI的作用也不例外。正如專業化的歷史所表明的，隨著知識的擴充套件，需要進一步分工（分專業化）以及更好的工具（方法）來組織新的知識體系。

與上述相關的是，人工智慧將為醫生創造更多的就業機會，甚至可能創造新的專業，而不是更少。人工智慧對任何專業的影響都將部分成為專家們在其實踐範圍內利用該技術的積極性的副產品。心胸外科手術和介入心臟手術相對於開放心臟手術與內鏡心臟手術相比，提供了技術如何影響專科的歷史線索。隨著心臟病專家選擇並完善內窺鏡心臟手術的技術，他們在市場上的價值急劇上升，從而導致了這一次專業的擴張。

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

人工智慧技術與醫療事業的契合點在哪裡？現階段的人工智慧是否能夠對醫療事業帶來重大影響？我們簡單的來分析一下。

傳統醫療行業與模式存在眾多弊端

醫療作為一個特殊的行業存在，由於其自身體系的獨特性與封閉性，難免會存在著這樣或那樣的問題，就像大家知道的那樣，看病難、看病貴已經成為人們普遍抱怨的物件。人民的生活水平得到了逐步的提高，對醫療資源的需求也日益增強。由此一來，衛生服務需求與醫療衛生資源的矛盾日益突顯。

醫療資源集中、小病也去大醫院，無形之中就給醫院帶來了很大的負擔。大醫院的功能本應是收治危重病人和疑難病人，卻收治了大量常見病、多發病患者，不僅造成看病難、看病貴，還浪費了大量的寶貴資源；“以藥養醫”的畸形發展更是給病患就診帶來了不必要的經濟負擔，小毛病動輒開藥幾百上千元早就是家常便飯，回扣的潛規則導致一些醫生並不是為患者考慮最優的診療方案，而是最貴的方案；地域之間的公共醫療資源分配不均，比如三甲醫院大部分都分佈在省會城市，先進的醫療器械和優質的醫護資源也都集中在這些醫院中，這就自然導致了大量的患者湧入這些醫院，就診效果難以保證。從另一個角度來看，傳統醫療手段對於疾病診斷方面存在一定的誤差，在某些疑難病症上的診斷與治療更是存在兩眼一抹黑的情況。

人工智慧技術在哪些環節擁有優勢？

可見，醫療是個“歷史遺留”問題，在中國是這樣，在很多發展中國家乃至發達國家也擁有類似的問題。而對於人工智慧技術來說，其在大資料領域與運算速度上的先天優勢可能為醫療事業帶來驚人的進步。在最簡單的化驗分析階段，如今已經擁有人工智慧裝置在進行這一環節的操作，雖然樣本採集諸如採血、採便、穿刺等還需要人工來進行，但後續環節已經完全可以由人工智慧技術代勞，樣本分類、離心、推片、染色、劃片等步驟要比人類操作的效率高很多，即便是鑑定也可以透過將樣本資料與大資料進行分析比對來進行判定。

統計機構IDC的預測資料顯示，到2020年醫療資料量將達40萬億GB，資料生成和共享的速度將迅速增長，其中80％以上的資料為非結構化資料。IDC認為，未來人工智慧技術將在醫療領域被廣泛應用，尤其在輔助診斷、藥物研究、醫學影像、基因科學等細分的醫療場景。從目前來看，IBM的“沃森”應該是全球領先的醫療人工智慧系統，它將人工智慧的資料整合、分析與判斷能力與人類醫生的診療經驗相結合，提供輔助醫療的處理邏輯。

新醫療技術更加依賴人工智慧

中醫“望聞問切”的時代早已遠去，今天的醫療技術更加追求縝密、嚴謹、細緻，這恰好是人工智慧技術所擅長的。在疑難雜症方面，人工智慧技術可以把全球病例彙集成一個龐大的資料庫，只要幾毫秒的時間就能調取並檢索關鍵資料；而基於神經網路、計算機視覺、深度學習和語音識別等技術的人工智慧系統還能對阿爾茲海默症、精神分裂症等疾病進行早期預警與診斷。

Winterlight的機器學習軟體對阿茲海默症患者和健康人的演講進行分析，從語料中找到語速、語調和語法的區別，找出規律。普通人用這個軟體去測試，能夠得知自己未來罹患阿茲海默症或其他認知障礙的風險有多高這項技術能夠幫助人們提早預測抑鬱、中風、失語、自閉症、多動症等認知障礙，進而進行預防或提早接受治療；波士頓生物醫療公司的BERG人工智慧系統對比分析從癌症患者和健康人身上採集的樣本，試圖在14萬億個資料節點中找到能夠“對症下藥”的那些關鍵節點，而如此海量的資料節點完全無法依靠人類醫生來分析。由此可見，因為資料量龐大、病例罕見等原因導致很難由人類醫生的完成的工作，正在被人工智慧技術一點點發現並解決，雖然人工智慧要形成完全的診療能力還需要很長時間，但其已經影響到了醫療行業的工作模式，讓新藥研發、病理診斷等工作變得更加高效；同樣，未來的新醫療技術也更加依賴人工智慧。

大資料系統為人群提供量身定做的醫療服務

相對於僱傭家庭醫生的高價格，人工智慧技術可以透過人們的工作環境、工作時間、作息規律、飲食偏好、病患病史等眾多細節來量身定做一套適合每一個個體的醫療服務，還包括健身、保健等等。透過智慧手環、智慧心率帶、智慧內衣等周邊裝置獲取人們的資料，並上傳到雲端伺服器，再透過系統制定一套可供參考的醫療服務細則，類似的事情已經在歐美國家開始部分試點，想必距離全面鋪開也只是時間問題。而對於基因測序這種前沿科學，業內人士普遍認為基因測序在未來一定能夠實現全民普及，把基因和鍛鍊、飲食、感測器等加起來，基於大資料進行深度分析就可以進行有效的健康預測、健康管理。

“人工智慧＋醫療”，不是噱頭，而是未來

總的來說，人工智慧在醫療領域的機遇主要有七大方向：

一是提供臨床輔助診斷等醫療服務，應用於早期篩查、診斷、康復、手術風險等評估場景；

二是醫療機構的資訊化，透過資料分析，幫助醫療機構提升運營效率；

三是進行醫學影像識別，幫助醫生更快更準地讀取病人的影像所見；

四是助力醫療機構大資料視覺化及資料價值提升；

五是在藥品研發領域，解決藥品研發週期長、成本高的問題；

六是健康管理服務，透過包括可穿戴裝置在內的手段，監測使用者個人健康資料，預測和管控疾病風險；

七是在基因測序領域，將深度學習用於分析基因資料，推進精準醫療。

所以，人工智慧在醫療領域的發展前景廣闊，一定能發展起來。

可以說現在的達芬奇手術機器人等手術機器人都是手術機器人的初級產品，隨著技術的發展智慧奈米手術機器人必將成為手術機器人的終極代表。

而這些技術的發展都是離不開人工智慧的，尤其人工智慧對人腦認識的不斷深入，類腦人工神經網路會不斷髮展，腦機融合、人機融合的產品也會得以開發，在大資料、生物技術等交叉學科的支技下，醫療領域的人工智慧會發學校、醫院得到更好的發展。

我也一直覺得網路的發展是網際網路—物聯網—腦聯網。感測器技術發展的高階階段就是融合大腦，形成人機人真正融合的時代。各種體感感測器監測著人體，各種資料傳送到處理中心，人工智慧透過對資料的解讀，來對每個人的身體狀況作出評詁。也許正如今天的報道說人工智慧會改變今天的醫保。

甚至我覺得人工智慧在醫療領域的發展會形成“醫腦”，就象人工智慧會在社會各個領域都形成“腦”一樣，形響著人類社會的各個方面。