【摘要】人工智能(AI)是20世纪来的新兴的高端技术之一，作为一个跨领域学科，AI将计算机科学、统计学、逻辑学、控制论、决定论等多学科交互融合，最终形成了以学习、模拟甚至超越人脑智慧为目标的这样一个新兴学科。近年来，随着AI领域内重要技术分支机器学习(ML)和深度学习(DL)算法的出现和逐步成熟，整个AI领域都获得了跨越式发展，完成了多项里程碑式成就，进入AI新时代。随着AI领域的快速发展，其在医学领域的应用也进入快车道，在临床疾病的诊断、治疗及其他医疗行为的应用取得长足进步，正在形成了医学AI的新局面。本文将针对AI在医学领域中的现状、所面临的挑战和未来进行宏观分析和述评，并呼吁广大科学工作者更多地关注医学AI这一新兴领域，正视挑战，拥抱未来。
【关键词】骨科; 人工智能; 机器学习
01 DL的基本概念 作为20世纪来的新兴高端技术之一，人工智能(artificial intelligence，AI)是由计算机科学、统计学、逻辑学、控制论、决定论等多学科交互融合形成的一项前沿技术。AI用来研究知识表示、知识发现和知识应用，通过计算机系统和智能化设备来学习、模拟甚至超越人脑智慧。1950年AI的理念首次被"人工智能之父"Alan Turing所提出，随后在1956年的达特茅斯会议上被正式作为一门新学科而成立，随后经过数个阶段的探索，AI获得了一定的成就和发展，但终因曾经的计算机算力不足、硬件水平落后、算法模型不完善等诸多问题几次陷入寒冬。20世纪以来，随着机器学习(machine learning，ML)和深度学习(deep learning，DL)算法的出现和成熟，AI迎来新的跨越式发展，目前已形成计算机视觉、自然语言处理、图像识别、大数据库学习、专家决策系统及智能机器人等多个技术领域，并且快速融入到医学领域，形成了医学AI的新型诊疗模式，为医学行业的创新与变革带来无限可能。本文将对我国AI在医学领域中的现状、所面临的挑战和未来进行宏观分析和述评，并呼吁广大科学工作者更多地关注到医学AI这一新兴领域，促进我国医学AI长足进步与发展。 在AI领域内，ML被誉为目前实现AI理念的技术关键，它能通过算法对现存大数据库进行分析和特征信息提取，从而推演新数据库中的数据归属，因此是赋予计算机算法智能的根本。DL作为ML的代表性算法，被称作践行ML的最佳的方法和工具。DL也被称为深度结构学习、层次学习或深度DL，是一系列该类型算法的总称。这类算法目前是ML领域内最重要的分支，旨在更深入理解AI的本质，并模拟人脑多层神经元的运算结构，创造出像人脑智慧一样能够响应和执行复杂任务的新型计算机算法。 DL的首要特点是提出通过模拟人脑神经元结构以构建多层次、多卷积核的神经网络算法架构，从而实现对数据特征多重多维的分析、提取和表达，并加以执行数据分类或回归任务。此外，DL的另一特点是通过多重神经网络自动化学习数据特征，免除了传统ML需要手动特征筛选的步骤，这进一步降低了数据特征选取工程的难度和复杂性。整体来看，DL的核心技术理念即模拟人脑神经网络的生理结构来构建算法模型，从而在数据处理、运算的形式和整体工作结构上实现了对人脑智慧的双重模拟，因而能够更好地解释、学习外界事物(数据)。由于DL算法选用的多重深度神经网络是以人脑神经网络为模版而构建所得，并设置有多重隐藏层网络，每层的神经元接收到外界输入的信息后，会将其进行初步解析并传递给下一层的所有神经元进一步解析，以此类推，最终实现数据特征解析工作流程的指数级扩增。得益于DL算法这样的架构特点，它的核心优势也在于能够利用深度神经网络自动化提取复杂的数据特征，并能够实现对图像、文本和声音等多种数据类型进行层次化的特征分析和解释，通过多层次卷积层的转换阶段化加深对数据的理解，从而可以综合低级特征来构建更高级别的抽象表征、归纳数据属性类别，进而揭示数据的分布式特征。目前，DL在计算机视觉、自然语言处理、图像识别、大数据库学习、专家决策系统及智能机器人等多个技术领域中均获得显著成就，其智能化均超过同期其他AI算法，并在处理和分析高维数据及复杂数据方面展示了优异性能。在医学AI的新兴领域内，现阶段也广泛形成了以DL为主的临床辅助性应用。 02 医学AI的应用现状 医学AI是AI技术与医学高度融合形成的创新产物，代表着两个跨专业领域深度交叉而诞生的新兴领域，与AI在其他领域中融合应用的模式相似，一切"行业＋AI"的模式都遵循同一理念：AI是方法手段，行业(医学)是最终目的。医学AI则是基于医学领域为基础，进一步融入AI技术来模拟临床的医疗思维活动，从而提升临床医疗工作的质量安全，并解决传统医学行业中存在的难点问题，最终促进传统医学进一步的更新发展。随着医学AI的三大核心要素：医学数据库、算力、算法模型的成熟与发展，现今以DL为代表性应用的AI已经在医学领域中的疾病临床诊断、手术治疗方案决策、预后预测、术中智能导航辅助、康复护理以及医药研发等多个方向形成应用热点，其中以疾病的临床诊断尤为广泛，相关应用的详细介绍已在笔者团队发表的《中国骨科人工智能的发展现状与未来》一文中详细介绍，本文中将简要概述。 (一)在疾病临床诊断方面，临床疾病的漏诊和误诊是诊断性医疗事故的主要原因之一，这种情况尤其发生在以急诊为主的环境中，漏诊和误诊将导致治疗延误，不但错过最佳治疗时机，也会诱发多种并发症出现，严重危害患者生命安全。目前，临床疾病的诊断很大程度上需参考临床检查、检验的结果报告，例如X线、CT、MRI的影像学图像检查、病理切片的图像学检查、超声图像学检查、心电图图像学检查以及血清生化指标等文本检验结果。而这些检查结果的判读都十分依赖于诊断医生的个人经验，临床数据的正确判读对于具备丰富工作经验的临床医生来说相对容易，而在夜间、急诊等环境中，低年资临床一线医务人员，面对大量的临床检查检验结果时容易出现漏诊、误诊等诊断失误，这给医疗安全带来很大隐患。近年来，随着AI技术的融入，其计算机视觉、图像识别(医学图像数据处理)和自然语言处理(医学文本数据处理)的功能在这一临床问题中得到应用，在很多医疗场景中提升了临床诊断的准确性。例如，针对肺结节影像识别费时费力的问题，国内多家研究机构建了DL模型对大样本量患者的肺部CT图像学习训练，最终算法对于CT上肺结节的自动识别水平超过了放射科医生；同样，在骨科领域，由于人体骨骼部位的多样性和解剖特点的复杂性，尤其当存在原位骨折、不完全骨折或存在早期骨关节病变时，同样容易出现影像学漏诊和误诊的可能。针对这一问题，笔者团队在前期研究中构建并改良了Faster RCNN、ResNet、YOLO等多种DL算法模型，最终成功实现了多部位骨折的准确影像学识别和诊断。目前，病理图片、超声图像、心电图图像的AI自动化识别在国内外也已获得良好效果，为我国临床疾病诊治的安全性和准确性提供了多重保障。 (二)在手术治疗方案决策、预后预测方面，选择合适的临床干预措施是促进患者良好转归的重要保障。虽然现阶段各类临床疾病已有国际通用指南发布，每种疾病的整体治疗方案也制定了一系列共识，但由于每个国家、地区、对应人种和具体医疗水平仍存在差异化，患者个体特征也存在多样化等因素，不同地区患者的预后转归仍然存在较大差异。AI技术的大数据库学习、专家决策系统功能在这一问题中的针对性应用可以极大提升临床治疗方案决策的准确性和医疗安全性。通过对既往类似患者病情资料数据库(治疗前及治疗后转归数据)的学习和分析，算法能够对现有样本资料进行智能归纳总结，最终对导入的新发病例资料完成推演模拟，预测其在不同治疗方案下的临床并发症和预后转归情况。目前我国已有多项研究建立、完善并推出了此类"手术风险计算器"、"手术方案决策系统"、"临床转归预测器"，不仅能为外科医生对患者的术式选择起到智能化推荐的作用，同时也能对心脏内科、呼吸内科、ICU等重症内科患者的临床转归预后提供预测参考，促使临床及时准确地响应预警，有效避免临床不良结局的发生。 (三)在术中智能导航辅助方面，外科手术操作要求高、术中解剖组织错综复杂、手术开展依赖于高年资外科医生经验的情况严重制约了高难度手术的推广普及。尤其对于医疗欠发达的地区，手术治疗的质量和效率一直是医疗工作的痛点。对此，融入AI技术的智能手术机器人，极大提升了高难度外科手术的精准性和安全性。融合了5G远程医疗的远程手术机器人，还可以实现远程的精准操作，进一步解决了偏远地区患者转运不便、医疗专家难以及时到达的难题。目前，我国自主研发的骨科手术机器人，通过术中人体空间定位、术区校准后，能够智能化建立追踪式的人体坐标系，经过外设系统规划手术方式、路径后，手术机器人的机械臂能够智能到达空间坐标系中预设位置并辅助导航，执行外科手术操作。近年来类似的智能化手术机器人不断迭代更新，其功能也不断扩充并趋于智能化。但从严格意义上来讲，当前阶段的外科手术机器人并未实现真正意义上的AI，仍然算是一类具备了部分智能属性的半自动化装置。相信未来随着AI智能机器人的进一步发展，完全意义上的全自主、全自动化、全智能化、无监督式AI外科手术机器人将会为外科领域带来新一轮颠覆式革命。 (四)在患者的康复护理方面，内嵌AI算法的医疗传感器、可穿戴式用具等医疗设备能够对患者生命体征等临床数据实时监测、智能化分析，并向临床预警以及时响应、干预。 (五)在医药研发方面，AI技术的融入也改变了传统药物研发模式。基于AI技术的高效性、精准性和可预测性，AI赋能下的新药结构合成、老药新用、药理作用推演、药物靶点发掘、药物结构分子设计优化、化合物虚拟筛选、药物ADMET(Absorption、Distribution、Metabolism、Excretion、Toxicity)预测等技术有效缩短了传统的药物研发周期，降低了研发人力、物力成本。同时，目前AI不仅能够根据氨基酸序列来准确预测蛋白质的三维结构，还能够预测含有蛋白质数据库内几乎所有分子类型的复合物的结构，从而帮助科学家在原子水平上精确观察生物分子系统结构。这有助于人类精准了解疾病通路、基因组学、治疗靶点、蛋白质工程及合成生物学等领域，有望颠覆当前的药物研发模式。 此外，近年来生成式大语言模型发展迅速，在全球范围内掀起了AI技术的新一轮热潮。Chat GPT-4是基于DL运算方法、使用Transformer架构的生成式大语言模型，它能够根据用户输入的上下文语义分析理解并生成高质量的语言文本来反馈用户，同时兼并执行多种自然语言处理任务。基于这样的AI大语言模型为算法内核，相应的临床虚拟问诊助手、医疗咨询助手、医学教育助手等研究在逐步摸索并推出。Med-Gemini是一个专门用于医学的高性能多模态模型家族，通过14个医学基准测试对Med-Gemini进行评估后发现，已有10项达到了最先进的性能。 03 我国医学AI面临的挑战与未来 早在2017年，清华大学和iFlyTek公司合作创建了"AI小医生"，在经过200万个病例和40万篇医学论文的训练学习后，"AI小医生"在中国执业医师资格考试中取得了456分的及格分数。但其在知识记忆方面表现出色，却在患者病例诊治方面表现不佳。到目前为止，医疗领域的DL主要是基于数据集的学习，深度解析到了什么，AI就会基于此输出什么。而人类则完全不同，人脑智慧具有创新性、适应性、交互性等特性，因此AI在很多简单基准测试上超越人类，例如：图像分类、视觉推理和语言理解；而在竞赛级数学、视觉常识推理和规划等更复杂的任务上，依然落后于人类。另外，虽然基于大语言模型的医学AI表现令人鼓舞。但目前大语言模型严重缺乏健全、可靠的标准化评估方法，包括OpenAI、谷歌和Anthropic在内的头部AI机构都是依据不同的安全标准测试AI模型，这使不同LLM之间的比较更加具有风险和局限性。 (一)目前，医学AI在我国发展发展迅猛，形成了诸多中国特有的优势 1．数据库庞大： 根据我国国家卫生健康委发布的《2023年我国卫生健康事业发展统计公报》数据显示，上年度我国共在册有1 070 785家医疗卫生机构(美国同比为6 100余家)，年度总就诊患流量高达95.5亿，这代表着我国患者就医所产生的海量医学数据量十分庞大，甚至将以ZB、YB为单位都无法衡量。并且，根据我国医疗卫生健康管理规定，研究在获得患者知情同意并申请所在单位伦理委员会审核通过后，于中国临床试验注册中心(chinese clinical trial registry，ChiCTR)注册备案，即可在保护患者隐私安全的前提下合理、合法、合规地获取脱敏后的临床样本数据，以促进人类卫生健康事业发展为宗旨开展相关研究。而欧美国家则大都将患者数据认定为私有财产并纳入法律维护，这种情况下若需要获取临床数据则需通过法律流程向每个患者提出申请，这对于构建以万乃至百万为单位的大型数据库来说将十分受限。此外，我国卫生技术人员1 248.8万人(美国同比100万余人)，因此对于数据获取后的临床标注工作具有充足人力储备，数据标注工作费时费力，成本消耗巨大，然而仅有经过良好预处理和标注后的数据才能算作优质数据，以此构建的数据库对于医学AI的模拟训练将带来最大收益。上述因素都为我国医学AI发展的三大核心要素之"医学数据库"奠定了雄厚的基础。 2．算法、算力发展成熟： 我国在AI技术领域已跻身国际前列，国内诸多科技巨头(华为、百度、腾讯等)早已在AI领域积极产业化布局，推动了国内算法技术的不断创新发展。此外，国内各大高校、科研机构、技术研发中心也对AI领域长期聚焦研发热点，并迅速将AI技术领域的前沿动态转化社会应用，促进AI技术发展落地。例如，2023年2月，由我国复旦大学自主研发并推出了国内首个生成式大语言模型MOSS，MOSS模型与Chat GPT都基于Transformer架构设计而成，但其设计理念中进一步提出了将大语言模型与现实世界交互的六大方向(高效架构、数据治理、人类对齐、工具增强、跨模态融合和智能体)，意在促进大语言模型进一步成为具备感知和预测能力的世界模拟器；同年3月，由我国百度基于Transformer结构自主研发推出的"文心一言"大预言模型，进一步融入了古汉语文学创作、商业文案创作、数理逻辑推算、中文理解、多模态生成等多种功能，为生成式大语言模型的发展融入了中国式特色；同样，我国自主研发的天舟货运飞船通过与AI辅助的微波雷达实现与空间站的精准对接；我国自主研发的视频大模型Vidu可以通过文字或图片生成高质量视频，为AI视频创作带来了质的飞跃；2024年IEEE国际智能和服务系统工程大会及2024年IEEE未来科技峰会也于7月15日于我国上海组织召开，标志着我国在AI技术领域中的国际实力和地位。此外，为了满足国内AI相关的产学研日益增长的算力需求，我国于2024年依托上海超级计算中心建立了首个中国AI公共算力平台，贯彻落实国家战略、加快实施"东数西算"工程、深化发展数字经济，探索算力调度新模式。这一AI公共算力平台全面使用国产自研的达芬奇架构AI算力，计算峰值可达100PFLOPS(FP16)，硬件选用国产自研的华为昇腾AI核心芯片和服务器集群软件产品，确保全程自主可控、数据安全和隐私保护。上述因素都为我国医学AI发展的三大核心要素之"算法"和"算力"提供了良好平台。 3．宏观政策支持： 2024年11月，我国国家数据局最新发布了《关于完善数据流通安全治理，更好促进数据要素市场化价值化的实施方案》，强调对于重要数据，在保护国家安全、个人隐私和确保公共安全的前提下，鼓励通过"原始数据不出域、数据可用不可见、数据可控可计量"等方式，依法依规实现数据价值开发。在当下AI和数字化的热潮中，我国也积极将AI发展纳入战略规划，并早在2021年9月就发布了《新一代人工智能伦理规范》，近年来《生成式人工智能服务管理暂行办法》和《人工智能安全治理框架》都随之出台，这都说明AI技术的发展在我国获得了国家层面的高度重视与认可，支持并鼓励国内AI相关研究的推动和发展，这对于AI未来在我国的发展及跨领域融合都将提供有力保障。 (二)我国医学AI未来的发展，也面临一些挑战 1．数据获取仍存在不便： 虽然我国医疗卫生机构和卫生技术从业人员远超其他国家，但目前国内不同医院之间数据尚未支持联通访问、开放获取，这也与不同医疗机构间电子病历系统尚未完全统一、不同省份、地市间医疗管理制度有所差异而相关，因而为大数据库的建立带来一定限制。如何解决医疗数据孤岛和医疗数据合法合规流通两者之间的关系，是急需解决的问题。 2．数据安全问题仍存在隐患： 虽然用于医学AI相关的数据将经过脱敏处理，隐藏、保护患者隐私信息，但当海量数据收集建成大数据库后，如何防止数据泄露和滥用、保障数据库存储和传输的安全性，这既需要技术保障，也需要相关政策法规的制定和完善。 3．跨领域人才稀缺： 医学AI的发展高度需要跨学科的人才支持，包括医学、计算机科学等。然而，目前这类复合型人才相对短缺，这相对限制了AI和医学的进一步深度融合。立足我国现状，充分发挥我国医学教育体系已有的优势，实现"复合型医工融合人才"的源头培养，构建全方位的医工融合培养体系，迫在眉睫。 4．医学AI的可解释性有待解决： AI的分析、决策过程类似人脑思维过程，尤其是DL算法，其通过多重、多层卷积神经网络进行判别，而其中潜在逻辑却处于"黑箱"状态，难以解释，这也从某种程度上降低了临床工作中AI被医患双方的可信任度。因此未来需要在医疗工作中使用的AI除给出疾病诊断外，还要附带解释，可以方便临床医生评估AI结果的可靠性。 5．相关医疗政策法规仍需进一步完善： 我国虽然早已颁布了AI技术的研发、应用管理规范，但目前还尚无专门针对医学AI应用的医疗卫生法规发布，相关医疗权责问题存在一定争议，这也限制了医学AI的推广和发展。同时，医学AI的最终准确率很难达到100%的水平，最终结果仍需具备丰富经验的高年资临床工作者进行审核把控。AI的目的是用于辅助临床医生、减轻临床工作负担，而非取代临床医生。 医学人工智能是未来医学发展的重要方向，对于提高医疗服务质量、降低医疗成本、实现医疗资源的合理分配具有重要意义，必将给医学的发展和进步带来更加光明的未来。
特别声明：智慧医疗网转载其他网站内容，出于传递更多信息而非盈利之目的，同时并不代表赞成其观点或证实其描述，内容仅供参考。版权归原作者所有，若有侵权，请联系我们删除。
凡来源注明智慧医疗网的内容为智慧医疗网原创，转载需获授权。
