1.4 医疗技术：人工智能与医疗的新融合

人工智能的发展可谓如火如荼，落实到具体行业中，医疗健康领域的人工智能创业公司表现尤为突出。而在医疗领域最突出的问题就是优质医疗资源不足，同时，医生对疾病的诊断准确度和效率还有非常大的提升空间。长期以来，大多数国家和地区，特别是进入老龄化社会之后，对医生的需求量有增无减。要想解决医生资源不足的问题，除了增加医生供给量，别无他法。但医生培养需要周期，而且供给量也不是无限增加的。

于是，人们开始寄希望于机器。因为一旦能够实现机器看病，供给量将会无限增加。所以，人工智能与医疗健康的结合，是人工智能最重要的应用场景之一。

1.4.1 人工智能与医疗的发展史

1972年由利兹大学研发的AAPHelp是资料记载当中医疗领域最早出现的人工智能系统。这个系统基于贝叶斯决策理论^[1]开发，主要用于腹部剧痛的辅助诊断及手术的相关需求。

1972年，MYCIN（图1-3）诞生于斯坦福大学。这款人工智能系统基于专家系统，通过医生输入一些和患者有关的信息，从而给出可能导致患者病情的细菌种类，并且给出药物建议。算法的核心其实是医生给出的约600条的诊断规则，医生结合患者的实际情况，回答系统显示的问题。系统会根据答案，给出可能致病的细菌，并且给出概率排序和置信度，同时给出每类诊断的依据。研究显示，MYCIN的诊断算法在所有的测试样例中均达到了69%的准确率，要高于依据相同规则进行诊断的医生。

然而，MYCIN专家系统并没有真正在医院中获得推广。这是因为当时的准确率偏低，而最主要的原因是受到软、硬件条件的限制。那时没有成熟的办公软件，更不用说云计算等技术。医生为了使用智能机器进行诊断，需要花费30分钟甚至更多的时间输入问题的答案。医生长时间消耗在问题录入上，对病情的诊断显然有影响。

20世纪80年代，出现了一些商业化应用系统，如快速医疗参考（Quick Medical Reference，QMR），还有哈佛医学院开发的决策支持系统（DXplain），它主要依据临床表现提供诊断方案。据了解，决策支持系统的知识库中已经收录了2000多种疾病和5000多种症状。

20世纪八九十年代，随着个人计算机的快速发展，医疗领域也进入信息化时代。但此时的计算机应用大多局限于患者信息记录、病历管理、医院管理等信息化建设，并不能提供诊断意见。90年代末期，计算机辅助诊断（Computer Aided Diagnosis，CAD）系统出现，它可以帮助医生对疾病进行辅助诊断。乳腺X线摄影计算机辅助诊断是比较成熟的医学图像计算机辅助应用，欧美已经针对这种计算机进行了近20年的研究。X射线图像经CAD处理后，肿瘤、结节、空洞、炎症及纤维化病变的检出率都提高了。

CAD技术主要基于医学影像学，CAD研究大多局限在乳腺和胸部肺结节病变方面。CAD技术虽然也通过计算机在图像上自动标注病变位置，但是并没有人工智能技术加入，无法通过自动学习的方式提升准确度。

2007年，IBM公司开发出了一款人工智能系统，并以IBM创始人托马斯·约翰·沃森（Thomas J.Watson）的姓沃森（Watson）来命名。Watson拥有了理解自然语言和精确回答问题的能力。Watson应用的技术主要包括自然语言处理（包括语音和语义识别、自动翻译）、计算机视觉（图像识别）、知识表示、自动推理（包括规划和决策）、机器学习和训练。

2011年8月，Watson开始应用于医疗领域，成立沃森健康（Watson Health）。例如，在肿瘤治疗方面，到2015年Watson已收录了肿瘤学研究领域的42种医学期刊、临床试验的60多万条医疗证据和200万页文本资料。随后，IBM Watson Health参与多项医疗应用人工智能研究，包含慢病管理、健康监测、新药研发、白内障手术、液体活检等领域，并迅速完成了商业化应用。

2016年2月，谷歌DeepMind^[2]成立DeepMind Health部门，与英国国家医疗服务体系（NHS）合作，辅助医生决策，提高效率，缩短时间。在与皇家自由医院的合作试点中，DeepMind Health开发了名为Streams的软件。这一软件用于血液测试的AKI报警平台，可以帮助临床医生更快地查看医疗结果。

2016年7月，谷歌DeepMind与NHS再次合作，同Moorfields眼科医院一起开发辨识视觉疾病的机器学习系统。通过一张眼部扫描图，该系统能够辨识出视觉疾病的早期症状，达到提前预防视觉疾病的目的。

1.4.2 人工智能与医疗的未来

人工智能辅助医疗健康领域，可以获得诸多颠覆性的改进。

科技辅助医疗发展的3个阶段如图1-4所示。

第一，人工智能的应用可以帮助医生提高医疗诊断速度和准确率，提高医生的供应量。第二，可以提高患者自查、自诊、自我管理的比例，降低患者对医生的需求量，减少成本。第三，可以更早发现疾病，减少后续的医疗费用支出。第四，可以提高医疗机构和医生的工作效率，降低医疗成本。第五，可以优化医院的管理水平，减少不合理的医疗支出。第六，可以帮助研发人员发现有价值的新药物，帮助医生对患者进行个性化分析，优化治疗方案。

所以，人工智能和医疗的结合可以大大提高医疗质量，降低医疗成本，激发人们对人工智能改变生老病死的想象。

1.4.3 人工智能医疗能力圈正不断拓展边界

人工智能医疗能力圈识别如表1-2所示。

人工智能的这些能力应用于医疗领域，人工智能医疗系统将具有各种形式的对话能力，这将有助于信息在个人之间的流动，因为它们能够与人类进行对话，根据病史来了解病患，帮助医疗机构向用户提供有吸引力的个性化医护建议。

用户可借助由提供商提供支持的人工智能系统进行互动，如医疗对话、收集医疗数据和健康效益等信息，人工智能系统还可以快速准确地回答用户所提出的复杂医疗问题。通过实现动态、个性化的健康体验，人工智能医疗系统可帮助用户做出以自己为中心的、明智的健康建议。

人工智能系统有助于用户发掘即使最聪明的人类也可能无法发掘的洞察力，发掘和分析全球大量可用信息。举例来说，医疗研究领域存在大量信息，高级人工智能能力已显著缩短了科研所需的时间，从数月缩短到了数分钟。

除此之外，人工智能系统可以加工大量医疗和患者信息，从而使医师将更多的时间放在患者身上。人工智能系统可提供基于综合信息的辅助建议，进而帮助决策并减少人为偏差。人工智能系统根据新的信息、结果和操作不断学习，有助于医疗专业人员做出更加明智、及时的决策。人工智能几无边界，这意味着现有的医疗人工智能能力圈也将不断扩展，而这一切正在发生。

[1] 贝叶斯决策理论：是主观贝叶斯派归纳理论的重要组成部分。 贝叶斯决策就是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策。

[2] DeepMind：位于英国伦敦，是由人工智能程序师兼神经科学家戴密斯·哈萨比斯(Demis Hassabis)等联合创立的，是前沿的人工智能企业，其将机器学习和系统神经科学的最先进技术结合起来，建立起强大的通用学习算法。目前，Google旗下的DeepMind已经成为AI领域的明星。