人工智能是計(jì)算機(jī)科學(xué)的一個(gè)領(lǐng)域，旨在模擬人類(lèi)的思維過(guò)程、學(xué)習(xí)能力和知識(shí)存儲(chǔ)。1950年，數(shù)學(xué)家阿蘭·圖靈在其探索人工智能開(kāi)創(chuàng)性論文的第一行中提出“機(jī)器能思考嗎？” 1956年，斯坦福大學(xué)J.McCarthy教授、麻省理工學(xué)院M.L.Minsky教授、卡內(nèi)基梅隆大學(xué)H.Simon和A.Newell教授（四位均獲得圖靈獎(jiǎng)），以及貝爾實(shí)驗(yàn)室的C.E.Shannon（也稱(chēng)為“信息論”）、IBM的N.Rochester和其他學(xué)者，在美國(guó)達(dá)特茅斯學(xué)院率先提出了“人工智能”這一概念。他們對(duì)人工智能的定義是指機(jī)器以與人類(lèi)相似的方式理解、思考和學(xué)習(xí)的能力，表明使用計(jì)算機(jī)模擬人類(lèi)智能的可能性。自20世紀(jì)70年代以來(lái)，人工智能已擴(kuò)展到機(jī)械定理證明、機(jī)器翻譯、專(zhuān)家系統(tǒng)、博弈論、模式識(shí)別、機(jī)器學(xué)習(xí)、機(jī)器人和智能控制等研究領(lǐng)域。

自1990年代初以來(lái)，簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)已被用于醫(yī)學(xué)中，以解釋心電圖、診斷心肌梗塞、并預(yù)測(cè)心臟手術(shù)后重癥監(jiān)護(hù)病房的住院時(shí)間等。近年來(lái)，人工智能的醫(yī)學(xué)應(yīng)用激增，如機(jī)器人、醫(yī)學(xué)診斷、疾病預(yù)測(cè)、圖像分析（放射學(xué)、組織學(xué)），文本識(shí)別與自然語(yǔ)言處理、藥物活性設(shè)計(jì)和基因突變表達(dá)預(yù)測(cè)、健康管理、醫(yī)學(xué)統(tǒng)計(jì)學(xué)和人類(lèi)生物學(xué)、治療效果和預(yù)后預(yù)測(cè)以及近年來(lái)快速發(fā)展的組學(xué)技術(shù)等。2000年，美國(guó)食品藥品監(jiān)督管理局（FDA）批準(zhǔn)美國(guó)公司Intuitive Surgical生產(chǎn)的達(dá)芬奇外科手術(shù)系統(tǒng)上市。這種微創(chuàng)手術(shù)系統(tǒng)可以用于泌尿外科、心臟瓣膜修復(fù)和婦科等復(fù)雜手術(shù)。這一系統(tǒng)目前在世界各地已超過(guò)5000臺(tái)投入運(yùn)行。一種獨(dú)特的新型精準(zhǔn)藥物輸送納米機(jī)器人也得到廣泛使用。

人工智能提高了學(xué)習(xí)能力，提供了規(guī)?；臎Q策支持系統(tǒng)，正在改變醫(yī)療保健的未來(lái)。雖然人工智能可以在許多方面幫助醫(yī)生，但在可預(yù)見(jiàn)的未來(lái)它不太可能取代醫(yī)生。讓我們看看人工智能在醫(yī)學(xué)中的新用途。

當(dāng)前的生物醫(yī)學(xué)大數(shù)據(jù)，由電子醫(yī)療記錄和數(shù)字圖像存檔（每幅圖像約20MB）積累而成，以每年1.2至2.4 exabytes的速度增長(zhǎng)到了驚人的100至250 exabytes。然而，這一生物醫(yī)學(xué)大數(shù)據(jù)仍然非常零碎和無(wú)序。截止目前，傳統(tǒng)的“自上而下”數(shù)據(jù)需要醫(yī)療保健數(shù)據(jù)庫(kù)或登記處（包括手動(dòng)輸入數(shù)據(jù)及其固有的準(zhǔn)確性和完整性限制，然后使用相對(duì)基本的統(tǒng)計(jì)工具進(jìn)行數(shù)據(jù)分析）。

近年來(lái)，這種新的大數(shù)據(jù)范式主要以基因組醫(yī)學(xué)及其不斷升級(jí)的基因轉(zhuǎn)錄大數(shù)據(jù)的形式成功地應(yīng)用于生物醫(yī)學(xué)科學(xué)。這種基因大數(shù)據(jù)的巨大規(guī)模和快速獲取是絕對(duì)令人眩暈的。盡管面臨著艱巨的挑戰(zhàn)，但也有一些人已經(jīng)迎接了這一挑戰(zhàn)，并成功地邁向了對(duì)患者護(hù)理的積極影響?；蚪M醫(yī)學(xué)的整個(gè)數(shù)據(jù)轉(zhuǎn)換工作的頂峰是ENCyclopedia Of DNA Elements (ENCODE project),這是由國(guó)家人類(lèi)基因組研究所資助的研究小組的國(guó)際合作，旨在描繪人類(lèi)基因組中編碼的功能元素的整體。

電子病歷（EMR）記錄和共享醫(yī)療信息的有效工具。但隨著時(shí)間的推移和設(shè)備的升級(jí)換代，電子病歷缺乏跨技術(shù)平臺(tái)的互操作性，其結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)難以大規(guī)模擴(kuò)展兼容。集成專(zhuān)門(mén)為管理數(shù)據(jù)集設(shè)計(jì)的基于機(jī)器學(xué)習(xí)的建模，可以幫助檢測(cè)潛在的并發(fā)癥，提高醫(yī)療資源的利用率和個(gè)性化水平的結(jié)果。利用自然語(yǔ)言處理這一人工智能工具，可以閱讀并聯(lián)系上下文處理電子病歷，以用戶(hù)友好的方式準(zhǔn)確地編譯和連接數(shù)十年積累的各種電子病歷數(shù)據(jù)數(shù)據(jù)（歷史、物理、實(shí)驗(yàn)室、成像、藥物等）。例如，IBM開(kāi)發(fā)的Watson能在幾秒鐘內(nèi)從不同的電子病歷，生成準(zhǔn)確的通用問(wèn)題列表，同時(shí)根據(jù)臨床查詢(xún)編譯相關(guān)的醫(yī)學(xué)文獻(xiàn)。此外，電子病歷數(shù)據(jù)記憶的深度學(xué)習(xí)模型可用來(lái)預(yù)測(cè)未來(lái)的疾病軌跡和醫(yī)療結(jié)果。利用機(jī)器學(xué)習(xí)應(yīng)用于電子病歷數(shù)據(jù)已證明可預(yù)測(cè)膿毒癥患者的結(jié)果。一項(xiàng)基于機(jī)器學(xué)習(xí)的大型死亡率研究，根據(jù)超聲心動(dòng)圖結(jié)合電子病歷數(shù)據(jù)預(yù)測(cè)患者生存率的準(zhǔn)確性達(dá)到96%。

由于藥物開(kāi)發(fā)成本高、可指導(dǎo)藥物靶點(diǎn)特征化的三維結(jié)構(gòu)信息的可用性增加、臨床試驗(yàn)的成功率極低，機(jī)器學(xué)習(xí)現(xiàn)在被用于藥物發(fā)現(xiàn)過(guò)程中。機(jī)器學(xué)習(xí)可作為實(shí)現(xiàn)跨域鏈接的橋梁。它可以通過(guò)識(shí)別上下文線(xiàn)索（如對(duì)其適應(yīng)癥或副作用的討論）來(lái)識(shí)別新批準(zhǔn)的藥物。總的來(lái)說(shuō)，人工智能在應(yīng)用于現(xiàn)有資源時(shí)已經(jīng)取得了成功，包括利用藥物信息，通過(guò)在所有疾病中應(yīng)用相似性指標(biāo)等技術(shù)來(lái)尋找共享途徑，從而獲得對(duì)作用機(jī)制的洞察。另一個(gè)例子是使用自然語(yǔ)言處理來(lái)識(shí)別隱藏的或新關(guān)聯(lián)，檢測(cè)潛在藥物不良反應(yīng)。

使用機(jī)器學(xué)習(xí)方法，通過(guò)建立臨床試驗(yàn)研究和醫(yī)院數(shù)據(jù)庫(kù)中的生物系統(tǒng)模型，描述了腫瘤藥物開(kāi)發(fā)中使用的數(shù)值方法，為預(yù)測(cè)性、預(yù)防性、個(gè)性化和參與性醫(yī)學(xué)鋪平了道路。這種方法使搜索者能夠在臨床試驗(yàn)中部分替換動(dòng)物或人類(lèi)，并生成具有特定特征的虛擬患者，以增強(qiáng)此類(lèi)研究的結(jié)果。這些方法尤其有助于兒科或孤兒病的試驗(yàn)，并可應(yīng)用于從臨床前階段到上市后階段的藥代動(dòng)力學(xué)和藥效學(xué)。在一項(xiàng)研究中，研究人員在該研究中使用虛擬療法對(duì)克羅恩病的抽搐患者合成物進(jìn)行治療。結(jié)果表明，初始疾病活動(dòng)評(píng)分與疾病活動(dòng)評(píng)分下降呈正相關(guān)，但不同藥物的療效不同。在臨床試驗(yàn)中，在生物醫(yī)學(xué)產(chǎn)品的設(shè)計(jì)和發(fā)現(xiàn)階段、生物標(biāo)志物識(shí)別、劑量?jī)?yōu)化或擬議干預(yù)的持續(xù)時(shí)間方面，可能具有相當(dāng)大的潛力。

已知概率人群之間的傳染病分布模式基于對(duì)環(huán)境生態(tài)和生物學(xué)特征的先驗(yàn)知識(shí)。如果模型參數(shù)部分已知，則可以早期預(yù)測(cè)流行?。ㄈ绺腥靖叻搴统掷m(xù)時(shí)間）。一個(gè)例子是谷歌追蹤流感流行（稱(chēng)為“流感趨勢(shì)”），并在流行病學(xué)研究中使用大型數(shù)據(jù)集進(jìn)行了進(jìn)一步完善。新的Hadoop數(shù)據(jù)庫(kù)技術(shù)將數(shù)據(jù)處理的提取-轉(zhuǎn)換-負(fù)載（或ETL）循環(huán)最小化，從而有助于實(shí)時(shí)收集和分析大數(shù)據(jù)。另一項(xiàng)研究，成功預(yù)測(cè)了烏干達(dá)西部、西南部和中部可能爆發(fā)絲狀病毒的地區(qū)。此外，通過(guò)對(duì)埃及伊蚊幼蟲(chóng)雌蚊感染率的估算，確定了泰國(guó)中部地區(qū)登革熱出血熱的發(fā)病率，并在訓(xùn)練和試驗(yàn)中分別達(dá)到了95%和88%的預(yù)測(cè)準(zhǔn)確率。

治療效果和結(jié)果預(yù)測(cè)也是疾病管理策略和個(gè)性化護(hù)理計(jì)劃中具有潛在臨床意義的重要領(lǐng)域。十年前，只有分子和臨床信息被用來(lái)預(yù)測(cè)癌癥的結(jié)局。隨著高通量技術(shù)的發(fā)展，包括基因組、蛋白質(zhì)組學(xué)和成像技術(shù)，新的輸入?yún)?shù)被收集并用于預(yù)測(cè)。由于樣本量大，多模式數(shù)據(jù)類(lèi)型完整，包括組織學(xué)或病理學(xué)評(píng)估，這些方法可以顯著提高癌癥易感性（15%-25%）、結(jié)果預(yù)測(cè)和預(yù)后的準(zhǔn)確性。

例如，為了改善充血性心力衰竭患者的護(hù)理，一項(xiàng)研究使用了監(jiān)督機(jī)器學(xué)習(xí)法，對(duì)397例射血分?jǐn)?shù)維持的心力衰竭患者的46個(gè)臨床變量進(jìn)行了研究。表型熱圖比常用的風(fēng)險(xiǎn)評(píng)估工具更準(zhǔn)確地預(yù)測(cè)患者的生存率。精準(zhǔn)藥物治療癌癥的目標(biāo)之一是根據(jù)單個(gè)患者腫瘤的基因組數(shù)據(jù)準(zhǔn)確預(yù)測(cè)最佳藥物治療。在一項(xiàng)研究中，研究人員提出了一種開(kāi)放訪(fǎng)問(wèn)算法，用于預(yù)測(cè)癌癥對(duì)7種常用化療藥物的反應(yīng)。精準(zhǔn)藥物的成功取決于算法能夠?qū)⒋罅康慕M學(xué)數(shù)據(jù)轉(zhuǎn)化為臨床可操作的預(yù)測(cè)。人工智能可能有用的另一個(gè)領(lǐng)域是監(jiān)測(cè)引導(dǎo)藥物輸送到靶器官、組織或腫瘤。例如，納米機(jī)器人可以克服治療劑難以擴(kuò)散到感興趣靶點(diǎn)的輸送問(wèn)題。

人工智能可以根據(jù)癥狀幫助患者分類(lèi)。例如，數(shù)字醫(yī)療公司HealthTap開(kāi)發(fā)了“Dr.A.I.”，該公司根據(jù)過(guò)去的病史和從經(jīng)驗(yàn)豐富的醫(yī)生那里提取的知識(shí)進(jìn)行操作，并要求患者指定癥狀，以便分診他們是否應(yīng)該去急診室、急診室或初級(jí)保健醫(yī)生。在不久的將來(lái)，人體對(duì)血糖、紅細(xì)胞壓積、血氧飽和度、糖化血紅蛋白、血脂、感染和炎癥生物標(biāo)志物的檢測(cè)也將被整合到人工智能技術(shù)中。此外，人工智能可以通過(guò)減少處理時(shí)間來(lái)促進(jìn)醫(yī)生和患者之間的溝通，從而提高患者的護(hù)理質(zhì)量。

人工智能在醫(yī)學(xué)中另一種應(yīng)用是使用機(jī)器人作為幫手；例如，日本的Carebots機(jī)器人為認(rèn)知能力下降或行動(dòng)能力有限的老年人提供陪護(hù)。機(jī)器人在外科手術(shù)中被用作助理外科醫(yī)生，甚至獨(dú)立主刀。此外，機(jī)器人還能與自閉癥兒童交流并提供教育。

基因和生物醫(yī)學(xué)研究繼續(xù)進(jìn)行調(diào)查，目的是揭示基因與人類(lèi)特征或疾病之間的聯(lián)系。許多研究依賴(lài)于大規(guī)模的敏感基因型或表型數(shù)據(jù)，跨機(jī)構(gòu)的共享對(duì)于此類(lèi)研究的成功至關(guān)重要。例如，在最近一項(xiàng)樣本量有限的病例對(duì)照研究中，研究人員開(kāi)發(fā)了一種整合個(gè)人全基因組測(cè)序和電子病歷數(shù)據(jù)的算法，并將該算法用于腹主動(dòng)脈瘤的研究。他們根據(jù)個(gè)人基因組基線(xiàn)評(píng)估了修改個(gè)人生活方式的有效性，證明了該模型作為個(gè)人健康管理模型的實(shí)用性。這些研究有可能揭示其他復(fù)雜疾病的生物學(xué)結(jié)構(gòu)。

數(shù)據(jù)科學(xué)所帶來(lái)的倫理挑戰(zhàn)也是一個(gè)爭(zhēng)論的領(lǐng)域。這些挑戰(zhàn)可以在概念空間內(nèi)映射，并由3個(gè)研究分支來(lái)描述：數(shù)據(jù)和隱私倫理、算法倫理和道德以及實(shí)踐倫理和價(jià)值觀(guān)。其中，隱私一直是關(guān)注的中心。人工智能并不是專(zhuān)門(mén)為醫(yī)療保健開(kāi)發(fā)的工具。雖然人工智能已經(jīng)準(zhǔn)備好解決醫(yī)學(xué)實(shí)踐中的“痛點(diǎn)“，但技術(shù)進(jìn)步需要收集和共享大量數(shù)據(jù)，從而產(chǎn)生對(duì)隱私的擔(dān)憂(yōu)，即數(shù)據(jù)的所有權(quán)和信息的保密性可能導(dǎo)致對(duì)患者的識(shí)別（尤其是通過(guò)一個(gè)稱(chēng)為三角測(cè)量的過(guò)程）。機(jī)器學(xué)習(xí)在精準(zhǔn)醫(yī)學(xué)的發(fā)展中起著關(guān)鍵的作用，根據(jù)患者的臨床或遺傳風(fēng)險(xiǎn)因素進(jìn)行治療。這些進(jìn)步需要收集和共享大量數(shù)據(jù)，從而產(chǎn)生對(duì)隱私的關(guān)注。在這種情況下，需要建立一個(gè)隱私保護(hù)框架，并應(yīng)適用于研究參與者和機(jī)構(gòu)的隱私和保密性屬于關(guān)注點(diǎn)。

人工智能不同于傳統(tǒng)的計(jì)算機(jī)算法，它能夠根據(jù)積累的經(jīng)驗(yàn)進(jìn)行自我訓(xùn)練。這種獨(dú)特的功能使人工智能能夠在相同的情況下，根據(jù)先前執(zhí)行的操作，采取不同的行動(dòng)。這種積累經(jīng)驗(yàn)并從中吸取教訓(xùn)的能力，以及獨(dú)立行動(dòng)和做出個(gè)人決定的能力，為損害創(chuàng)造了先決條件。這意味著人工智能在其行為中可能因某種原因造成損害。但現(xiàn)行法律都不承認(rèn)人工智能是一個(gè)法律主體，這意味著人工智能對(duì)其造成的損害不承擔(dān)個(gè)人責(zé)任。那么誰(shuí)對(duì)人工智能的行為造成的損害負(fù)責(zé)呢？因此，人工智能的發(fā)展及其不斷增長(zhǎng)的實(shí)際應(yīng)用，需要法律法規(guī)框架的變化。

雖然人工智能可以在許多方面幫助醫(yī)生，但在可預(yù)見(jiàn)的未來(lái)它不太可能取代醫(yī)生。在預(yù)測(cè)分析和圖像識(shí)別方面，人工智能可能很快會(huì)比醫(yī)生更有效，因?yàn)獒t(yī)生無(wú)法在任何合理的時(shí)間段內(nèi)處理數(shù)百萬(wàn)圖像。盡管如此，由于人工智能的局限性，它還不能取代床邊的醫(yī)生。首先，人工智能不能與患者進(jìn)行高層對(duì)話(huà)或互動(dòng)，以獲得他們的信任、安撫他們或表達(dá)同理心，這是醫(yī)患關(guān)系的所有重要組成部分。其次，人工智能傳感器可以收集有價(jià)值的信息（如體積狀態(tài)或炎性細(xì)胞因子），以幫助診斷，但仍然需要醫(yī)生進(jìn)行傳統(tǒng)的身體檢查，特別是在需要高水平互動(dòng)和批判性思維的神經(jīng)學(xué)領(lǐng)域。第三，盡管人工智能可能達(dá)到可以進(jìn)行實(shí)時(shí)CT掃描或其他物理掃描以檢測(cè)疾病的程度，但仍需要醫(yī)生在不明確的情況下進(jìn)行解釋?zhuān)哉喜∈?、進(jìn)行物理檢查并促進(jìn)進(jìn)一步討論。