主页（http://www.cnwulian.net）：关于智能医疗研究与发展的思考
近年来人工智能的突破性进展和移动互联网的普及，催生了智能医疗。所谓智能医疗是通过物联网、人工智能等技术打造的信息高效共享和交换的医疗信息平台。它以病人为本，使医疗服务过程的信息互动智能化，使手术过程精准和微创化。这就像一位具有海量经验和精确判断能力，不知疲倦工作的“超级医生”，可以快速查阅患者的健康档案，解读医学影像资料及检测数据，进行精准诊断。还能依据患者自身条件提供最佳医疗方案，精准和微创地施行手术，并提供治疗后康复监控和疾病复发预警。
智能医疗是超级医生：精准、快速、系统、普及
2017年1月，斯坦福大学的研究人员开发了一种深度学习算法，在识别皮肤癌的准确率上已经与专业的皮肤科医生不相上下，相关的研究论文被英国《自然》周刊选为封面论文发表。为了搜集足够多的训练样本，研究人员从杂乱的互联网图像数据中整理出近13万幅皮肤病变图像，这些图像来自2000多种疾病类型。图像的像素和疾病标签作为深度卷积神经网络（CNN）的输入，用于训练学习病变在皮肤外观上的模式，并在新图像中识别皮肤癌。在可预测的未来，如果智能手机里能有这样的皮肤癌检测客户端软件（APP），那么皮肤科医生的专业诊断服务就会变得触手可及。 在同期的《自然》周刊上还有北卡罗来纳大学（UNC）教堂山分校的研究人员开发的另外一种深度学习算法，这种算法在预测2岁前自闭症高危儿童（有自闭症的哥哥或者姐姐）是否会在2岁之后被诊断为自闭症时，不仅以88% 的准确度远超基于行为观察与问卷调查的传统方法50%的准确度，还打破了传统方法的瓶颈，可以在儿童12个月大时预测是否会在2岁被诊断为自闭症。
人工智能在医学研究中展露超凡能力，掀起了世界热潮。我国有关人工智能辅助诊疗的研究，同样走在世界前列。刘奕志教授领衔中山大学和西安电子科技大学的研究团队，利用深度学习算法，建立了全球首个临床应用的人工智能眼病诊疗平台。它能根据上传的图片，计算诊断先天性白内障等罕见疑难病，并提供治疗方案，已达资深眼科专家水平。此原创成果已于2017年2月份作为封面文章发表在《自然·生物医学工程》上。该项研究表明，针对人群发病率只有1%，训练样本少的先天性白内障，人工智能算法一样可以达到很高准确度。预计在不久的将来，人工智能会在罕见疾病的诊疗上取得更多进展。
从医学成像技术看智能医疗
从2016年年底到现在，短短几个月时间，人工智能在医学研究上已经取得的进展体现了智能医疗具有造福社会的广阔前景。当前的突破主要集中在有医学影像等宏观数据的疾病诊断上。医学成像技术像是智能医疗这位“超级医生”的眼睛，其“视力”远远好于人类。它能够以非侵入的方式，获得人体内部影像。常用的医学成像技术包括计算机断层扫描成像（CT）、超声成像、正电子发射断层成像（PET）、核磁共振成像（MRI）、弥散张量成像（DTI）等，它们有不同的特点与功能，能完成特定的医学成像任务。
医学影像是智能医疗最重要的信息来源之一。以数据量为衡量标准，超过90%的医疗数据来自于医学成像技术。因此，从医学影像进行机器学习，是智能医疗的关键技术和热点领域。据报道，谷歌、IBM、百度等数十家企业都已开展了基于医学影像的智能医疗研究。主要技术路线都是利用深度学习等人工智能方法，从大量的医学影像中学习知识和构建网络，进而对特定病灶做出判断。
医学影像在临床应用中发挥越来越重要作用。目前医生在许多疑难杂症和肿瘤疾病的诊断方面，均须分析医学影像读片报告的结果，医学影像的计算机辅助诊断技术可以减轻医生读片和定量化分析的工作量。国际信息技术大公司对这些方面研究的人力与资金投入越来越多。例如，谷歌公司开始探索，利用机器学习来筛查糖尿病性视网膜病变（DR），并在《美国医学会期刊》（JAMA）上发表了研究成果：一种深度学习算法能够解释视网膜照片中的DR迹象，可能会帮助医生筛查更多的病人，诊断水平超过高年资医师的平均水平。国内的信息技术领军人物马云等，也声称将投资计算机智能诊断的研究。
医学影像分析和三维重建技术不仅应用于辅助诊断，还广泛应用于手术机器人和手术导航，实现精准医疗和微创医疗。著名的“达芬奇机器人”被成功应用于心外科、胸外科、泌尿外科等手术。习近平主席访问英国时专程参观了帝国理工学院杨广中教授领导的手术机器人研究中心。杨广中与上海交通大学和上海市闵行区政府合作共建医疗机器人研究中心。
除直接应用于医学诊疗之外，医学成像技术在对脑的认识中也扮演极为重要的角色。过去，正是由于采用了MRI等医学成像技术，能够无创地对脑部进行观察，人们才得以了解脑部活动的信息并进行功能区域定位。现在，DTI技术通过追踪水分子的移动方向，能够对脑白质纤维等有效地进行观察；PET技术通过观测示踪剂在人体中代谢的情况，可以了解活体的生物分子代谢情况，进而知道受体和神经介质的活动情况。利用这些新型医学成像技术（以及未来能够更好地进行微观观测和功能性观测的成像技术），人们可以越来越深入地观测脑部结构与活动情况。利用人工智能方法对这些新型脑影像数据进行学习（如挖掘结构信息，构建功能网络等），能够从根本上支撑并推动脑科学的发展。
从组学测序技术看智能医疗
根据国家癌症中心发布的2012年中国恶性肿瘤发病与死亡分析，全国恶性肿瘤发病率为264.85/10万，累积率（0～74岁）为21.82%。全部地区恶性肿瘤死亡率为161.49/10万，累积死亡率（0～74岁）为12.61%。其中，肺癌、胃癌、肝癌占据我国恶性肿瘤发病率的前三位，死亡率也居前三位。例如，胃癌的高发病率、高死亡率和低早诊率是对我国居民生命健康的重大威胁。癌症诊断与治疗的难点在于病因复杂多样，亚型多且随时间变化。随着新一代高通量测序技术的不断发展与价格下降，大规模组学生物学数据的技术，包括基因组学、蛋白质组学、代谢组学、表观基因组学等，得到快速发展。肿瘤发生的遗传学和表观遗传学分子特征，可以被大量数字化测量。特别是单细胞测序技术的发展，使得对每一个肿瘤细胞的刻画成为可能，从而得到肿瘤细胞群的分子标志物的分布，捕捉其随时间的变化特征。通过研究分子标志物的微观测量数据，开发机器学习、因果关系发现和网络推理等新技术，可帮助揭示肿瘤发生的分子机理，从肿瘤发生学角度对不同的肿瘤亚型进行归类区分。简言之，人工智能建模将有助于系统研究癌症的动力学特点，把握癌症多样性特征，提高癌症诊疗水平。
