AI与医学的结合有大的突破让更多基层百姓享受到技术进步

人工智能是当今科技界最热门的领域，而医学人工智能更是热门中的热门。谷歌、微软、IBM、百度等科技巨头都积极布局智能医疗产业，美国麻省理工学院、斯坦福大学、卡内基梅隆大学以及我国的清华大学等知名学府均把医学人工智能作为未来发展重点，美国、中国、日本、英国等世界各国人工智能计划也都把医疗作为重要的应用领域。

众所周知，现代医学建立在循证医学的基础之上，单次拍摄、几秒钟获取的x光片便可反映病人的大部分病情状况。数据显示，有超过90%医疗数据来自医学影像。然而，受我国专业医生缺口大，工作繁琐重复等因素影响，医学影像诊断效率较低，服务模式亟待创新。

依托于“图像识别”和“深度学习”两项技术，人工智能+医学影像成为“AI医疗”领域中最成熟的应用场景。“图像识别”技术主要应用于感知环节，将非结构化的影像数据进行分析与处理;随后，将大量临床影像数据和诊断经验输入人工智能模型，可以对神经元网络进行“深度学习”训练;最后，基于不断验证与打磨的算法模型，人工智能即可借助影像进行智能推理，输出个性化的诊疗判断结果。

医学一直是专家系统应用最有效的领域。人工智能几乎一诞生就应用于医学领域。1954年，美国华人科学家钱家其就使用计算机计算剂量分布、进行放射治疗。1959年，美国乔治敦大学教授莱德利(Robert S. Ledley)首次应用布尔代数和贝叶斯定理建立了计算机诊断的数学模型，并成功诊断了一组肺癌病例，开创了计算机辅助诊断的先河。1966年，莱德利正式提出了“计算机辅助诊断”的概念(Computer Aided Diagnosis，CAD)。1968年，DENDRAL专家系统诞生。不久，MYCIN医学专家系统就研制成功。该系统首次采用知识库、推理机系统结构，引入“可信度”概念，进行非确定性推理，对用户咨询提问进行解释回答，并给出答案的可信度估计，形成了一整套专家系统的开发理论，为其他专家系统的研究与开发提供了范例和经验。

AI与医学影像的结合起步很早却难有大的突破。医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。自第一张X光片出现后，随着20世纪科学技术的发展，逐渐形成了以X射线、CT、磁共振成像、超声和核医学等为代表的多种医学影像技术设备，成为医疗绝大多数数据的来源。

提升医疗效率，完成对医生的智力解放，让医生资源专注到核心业务中，从而实现医生群体业务能力的提升，通过多地域多医院的介入，提升医疗体系的运行效率及诊疗规范性。同时把顶级诊疗机构的诊疗能力赋能到基层，提升基层医疗机构的诊疗能力，缓解当前中国最为急需解决的优质医疗资源短缺及分布不均的问题，让更多基层百姓享受到技术进步带来的诊疗体验提升，最终实现整体医疗资源医疗水平的提升。

医疗数据结构随意、差异化大、病历格式不同、描述不同，临床语言属于自然语言范畴，同时具备医学表述所特有的语法结构特点和语义特点，特定医学实体识别相对容易，全量信息解析提取没有现成可用的成果。

人工智能打破了医院与医院的边界，延长了服务半径，能直接快速的提高本院及基层医疗服务水平，助力分级诊疗。可比较高效的提升医疗体系的运行效率及诊疗规范性，提升基层医疗机构的诊疗能力，缓解当前中国最为急需解决的优质医疗资源短缺及分布不均的问题，让更多基层百姓享受到技术进步带来的诊疗体验提升。