【摘要】人工智能(AI)是20世紀來的新興的高端技術(shù)之一，作為一個跨領(lǐng)域?qū)W科，AI將計算機科學、統(tǒng)計學、邏輯學、控制論、決定論等多學科交互融合，最終形成了以學習、模擬甚至超越人腦智慧為目標的這樣一個新興學科。近年來，隨著AI領(lǐng)域內(nèi)重要技術(shù)分支機器學習(ML)和深度學習(DL)算法的出現(xiàn)和逐步成熟，整個AI領(lǐng)域都獲得了跨越式發(fā)展，完成了多項里程碑式成就，進入AI新時代。隨著AI領(lǐng)域的快速發(fā)展，其在醫(yī)學領(lǐng)域的應(yīng)用也進入快車道，在臨床疾病的診斷、治療及其他醫(yī)療行為的應(yīng)用取得長足進步，正在形成了醫(yī)學AI的新局面。本文將針對AI在醫(yī)學領(lǐng)域中的現(xiàn)狀、所面臨的挑戰(zhàn)和未來進行宏觀分析和述評，并呼吁廣大科學工作者更多地關(guān)注醫(yī)學AI這一新興領(lǐng)域，正視挑戰(zhàn)，擁抱未來。
【關(guān)鍵詞】骨科; 人工智能; 機器學習
01 DL的基本概念 作為20世紀來的新興高端技術(shù)之一，人工智能(artificial intelligence，AI)是由計算機科學、統(tǒng)計學、邏輯學、控制論、決定論等多學科交互融合形成的一項前沿技術(shù)。AI用來研究知識表示、知識發(fā)現(xiàn)和知識應(yīng)用，通過計算機系統(tǒng)和智能化設(shè)備來學習、模擬甚至超越人腦智慧。1950年AI的理念首次被"人工智能之父"Alan Turing所提出，隨后在1956年的達特茅斯會議上被正式作為一門新學科而成立，隨后經(jīng)過數(shù)個階段的探索，AI獲得了一定的成就和發(fā)展，但終因曾經(jīng)的計算機算力不足、硬件水平落后、算法模型不完善等諸多問題幾次陷入寒冬。20世紀以來，隨著機器學習(machine learning，ML)和深度學習(deep learning，DL)算法的出現(xiàn)和成熟，AI迎來新的跨越式發(fā)展，目前已形成計算機視覺、自然語言處理、圖像識別、大數(shù)據(jù)庫學習、專家決策系統(tǒng)及智能機器人等多個技術(shù)領(lǐng)域，并且快速融入到醫(yī)學領(lǐng)域，形成了醫(yī)學AI的新型診療模式，為醫(yī)學行業(yè)的創(chuàng)新與變革帶來無限可能。本文將對我國AI在醫(yī)學領(lǐng)域中的現(xiàn)狀、所面臨的挑戰(zhàn)和未來進行宏觀分析和述評，并呼吁廣大科學工作者更多地關(guān)注到醫(yī)學AI這一新興領(lǐng)域，促進我國醫(yī)學AI長足進步與發(fā)展。 在AI領(lǐng)域內(nèi)，ML被譽為目前實現(xiàn)AI理念的技術(shù)關(guān)鍵，它能通過算法對現(xiàn)存大數(shù)據(jù)庫進行分析和特征信息提取，從而推演新數(shù)據(jù)庫中的數(shù)據(jù)歸屬，因此是賦予計算機算法智能的根本。DL作為ML的代表性算法，被稱作踐行ML的最佳的方法和工具。DL也被稱為深度結(jié)構(gòu)學習、層次學習或深度DL，是一系列該類型算法的總稱。這類算法目前是ML領(lǐng)域內(nèi)最重要的分支，旨在更深入理解AI的本質(zhì)，并模擬人腦多層神經(jīng)元的運算結(jié)構(gòu)，創(chuàng)造出像人腦智慧一樣能夠響應(yīng)和執(zhí)行復雜任務(wù)的新型計算機算法。 DL的首要特點是提出通過模擬人腦神經(jīng)元結(jié)構(gòu)以構(gòu)建多層次、多卷積核的神經(jīng)網(wǎng)絡(luò)算法架構(gòu)，從而實現(xiàn)對數(shù)據(jù)特征多重多維的分析、提取和表達，并加以執(zhí)行數(shù)據(jù)分類或回歸任務(wù)。此外，DL的另一特點是通過多重神經(jīng)網(wǎng)絡(luò)自動化學習數(shù)據(jù)特征，免除了傳統(tǒng)ML需要手動特征篩選的步驟，這進一步降低了數(shù)據(jù)特征選取工程的難度和復雜性。整體來看，DL的核心技術(shù)理念即模擬人腦神經(jīng)網(wǎng)絡(luò)的生理結(jié)構(gòu)來構(gòu)建算法模型，從而在數(shù)據(jù)處理、運算的形式和整體工作結(jié)構(gòu)上實現(xiàn)了對人腦智慧的雙重模擬，因而能夠更好地解釋、學習外界事物(數(shù)據(jù))。由于DL算法選用的多重深度神經(jīng)網(wǎng)絡(luò)是以人腦神經(jīng)網(wǎng)絡(luò)為模版而構(gòu)建所得，并設(shè)置有多重隱藏層網(wǎng)絡(luò)，每層的神經(jīng)元接收到外界輸入的信息后，會將其進行初步解析并傳遞給下一層的所有神經(jīng)元進一步解析，以此類推，最終實現(xiàn)數(shù)據(jù)特征解析工作流程的指數(shù)級擴增。得益于DL算法這樣的架構(gòu)特點，它的核心優(yōu)勢也在于能夠利用深度神經(jīng)網(wǎng)絡(luò)自動化提取復雜的數(shù)據(jù)特征，并能夠?qū)崿F(xiàn)對圖像、文本和聲音等多種數(shù)據(jù)類型進行層次化的特征分析和解釋，通過多層次卷積層的轉(zhuǎn)換階段化加深對數(shù)據(jù)的理解，從而可以綜合低級特征來構(gòu)建更高級別的抽象表征、歸納數(shù)據(jù)屬性類別，進而揭示數(shù)據(jù)的分布式特征。目前，DL在計算機視覺、自然語言處理、圖像識別、大數(shù)據(jù)庫學習、專家決策系統(tǒng)及智能機器人等多個技術(shù)領(lǐng)域中均獲得顯著成就，其智能化均超過同期其他AI算法，并在處理和分析高維數(shù)據(jù)及復雜數(shù)據(jù)方面展示了優(yōu)異性能。在醫(yī)學AI的新興領(lǐng)域內(nèi)，現(xiàn)階段也廣泛形成了以DL為主的臨床輔助性應(yīng)用。 02 醫(yī)學AI的應(yīng)用現(xiàn)狀 醫(yī)學AI是AI技術(shù)與醫(yī)學高度融合形成的創(chuàng)新產(chǎn)物，代表著兩個跨專業(yè)領(lǐng)域深度交叉而誕生的新興領(lǐng)域，與AI在其他領(lǐng)域中融合應(yīng)用的模式相似，一切"行業(yè)＋AI"的模式都遵循同一理念：AI是方法手段，行業(yè)(醫(yī)學)是最終目的。醫(yī)學AI則是基于醫(yī)學領(lǐng)域為基礎(chǔ)，進一步融入AI技術(shù)來模擬臨床的醫(yī)療思維活動，從而提升臨床醫(yī)療工作的質(zhì)量安全，并解決傳統(tǒng)醫(yī)學行業(yè)中存在的難點問題，最終促進傳統(tǒng)醫(yī)學進一步的更新發(fā)展。隨著醫(yī)學AI的三大核心要素：醫(yī)學數(shù)據(jù)庫、算力、算法模型的成熟與發(fā)展，現(xiàn)今以DL為代表性應(yīng)用的AI已經(jīng)在醫(yī)學領(lǐng)域中的疾病臨床診斷、手術(shù)治療方案決策、預后預測、術(shù)中智能導航輔助、康復護理以及醫(yī)藥研發(fā)等多個方向形成應(yīng)用熱點，其中以疾病的臨床診斷尤為廣泛，相關(guān)應(yīng)用的詳細介紹已在筆者團隊發(fā)表的《中國骨科人工智能的發(fā)展現(xiàn)狀與未來》一文中詳細介紹，本文中將簡要概述。 (一)在疾病臨床診斷方面，臨床疾病的漏診和誤診是診斷性醫(yī)療事故的主要原因之一，這種情況尤其發(fā)生在以急診為主的環(huán)境中，漏診和誤診將導致治療延誤，不但錯過最佳治療時機，也會誘發(fā)多種并發(fā)癥出現(xiàn)，嚴重危害患者生命安全。目前，臨床疾病的診斷很大程度上需參考臨床檢查、檢驗的結(jié)果報告，例如X線、CT、MRI的影像學圖像檢查、病理切片的圖像學檢查、超聲圖像學檢查、心電圖圖像學檢查以及血清生化指標等文本檢驗結(jié)果。而這些檢查結(jié)果的判讀都十分依賴于診斷醫(yī)生的個人經(jīng)驗，臨床數(shù)據(jù)的正確判讀對于具備豐富工作經(jīng)驗的臨床醫(yī)生來說相對容易，而在夜間、急診等環(huán)境中，低年資臨床一線醫(yī)務(wù)人員，面對大量的臨床檢查檢驗結(jié)果時容易出現(xiàn)漏診、誤診等診斷失誤，這給醫(yī)療安全帶來很大隱患。近年來，隨著AI技術(shù)的融入，其計算機視覺、圖像識別(醫(yī)學圖像數(shù)據(jù)處理)和自然語言處理(醫(yī)學文本數(shù)據(jù)處理)的功能在這一臨床問題中得到應(yīng)用，在很多醫(yī)療場景中提升了臨床診斷的準確性。例如，針對肺結(jié)節(jié)影像識別費時費力的問題，國內(nèi)多家研究機構(gòu)建了DL模型對大樣本量患者的肺部CT圖像學習訓練，最終算法對于CT上肺結(jié)節(jié)的自動識別水平超過了放射科醫(yī)生；同樣，在骨科領(lǐng)域，由于人體骨骼部位的多樣性和解剖特點的復雜性，尤其當存在原位骨折、不完全骨折或存在早期骨關(guān)節(jié)病變時，同樣容易出現(xiàn)影像學漏診和誤診的可能。針對這一問題，筆者團隊在前期研究中構(gòu)建并改良了Faster RCNN、ResNet、YOLO等多種DL算法模型，最終成功實現(xiàn)了多部位骨折的準確影像學識別和診斷。目前，病理圖片、超聲圖像、心電圖圖像的AI自動化識別在國內(nèi)外也已獲得良好效果，為我國臨床疾病診治的安全性和準確性提供了多重保障。 (二)在手術(shù)治療方案決策、預后預測方面，選擇合適的臨床干預措施是促進患者良好轉(zhuǎn)歸的重要保障。雖然現(xiàn)階段各類臨床疾病已有國際通用指南發(fā)布，每種疾病的整體治療方案也制定了一系列共識，但由于每個國家、地區(qū)、對應(yīng)人種和具體醫(yī)療水平仍存在差異化，患者個體特征也存在多樣化等因素，不同地區(qū)患者的預后轉(zhuǎn)歸仍然存在較大差異。AI技術(shù)的大數(shù)據(jù)庫學習、專家決策系統(tǒng)功能在這一問題中的針對性應(yīng)用可以極大提升臨床治療方案決策的準確性和醫(yī)療安全性。通過對既往類似患者病情資料數(shù)據(jù)庫(治療前及治療后轉(zhuǎn)歸數(shù)據(jù))的學習和分析，算法能夠?qū)ΜF(xiàn)有樣本資料進行智能歸納總結(jié)，最終對導入的新發(fā)病例資料完成推演模擬，預測其在不同治療方案下的臨床并發(fā)癥和預后轉(zhuǎn)歸情況。目前我國已有多項研究建立、完善并推出了此類"手術(shù)風險計算器"、"手術(shù)方案決策系統(tǒng)"、"臨床轉(zhuǎn)歸預測器"，不僅能為外科醫(yī)生對患者的術(shù)式選擇起到智能化推薦的作用，同時也能對心臟內(nèi)科、呼吸內(nèi)科、ICU等重癥內(nèi)科患者的臨床轉(zhuǎn)歸預后提供預測參考，促使臨床及時準確地響應(yīng)預警，有效避免臨床不良結(jié)局的發(fā)生。 (三)在術(shù)中智能導航輔助方面，外科手術(shù)操作要求高、術(shù)中解剖組織錯綜復雜、手術(shù)開展依賴于高年資外科醫(yī)生經(jīng)驗的情況嚴重制約了高難度手術(shù)的推廣普及。尤其對于醫(yī)療欠發(fā)達的地區(qū)，手術(shù)治療的質(zhì)量和效率一直是醫(yī)療工作的痛點。對此，融入AI技術(shù)的智能手術(shù)機器人，極大提升了高難度外科手術(shù)的精準性和安全性。融合了5G遠程醫(yī)療的遠程手術(shù)機器人，還可以實現(xiàn)遠程的精準操作，進一步解決了偏遠地區(qū)患者轉(zhuǎn)運不便、醫(yī)療專家難以及時到達的難題。目前，我國自主研發(fā)的骨科手術(shù)機器人，通過術(shù)中人體空間定位、術(shù)區(qū)校準后，能夠智能化建立追蹤式的人體坐標系，經(jīng)過外設(shè)系統(tǒng)規(guī)劃手術(shù)方式、路徑后，手術(shù)機器人的機械臂能夠智能到達空間坐標系中預設(shè)位置并輔助導航，執(zhí)行外科手術(shù)操作。近年來類似的智能化手術(shù)機器人不斷迭代更新，其功能也不斷擴充并趨于智能化。但從嚴格意義上來講，當前階段的外科手術(shù)機器人并未實現(xiàn)真正意義上的AI，仍然算是一類具備了部分智能屬性的半自動化裝置。相信未來隨著AI智能機器人的進一步發(fā)展，完全意義上的全自主、全自動化、全智能化、無監(jiān)督式AI外科手術(shù)機器人將會為外科領(lǐng)域帶來新一輪顛覆式革命。 (四)在患者的康復護理方面，內(nèi)嵌AI算法的醫(yī)療傳感器、可穿戴式用具等醫(yī)療設(shè)備能夠?qū)颊呱w征等臨床數(shù)據(jù)實時監(jiān)測、智能化分析，并向臨床預警以及時響應(yīng)、干預。 (五)在醫(yī)藥研發(fā)方面，AI技術(shù)的融入也改變了傳統(tǒng)藥物研發(fā)模式?；贏I技術(shù)的高效性、精準性和可預測性，AI賦能下的新藥結(jié)構(gòu)合成、老藥新用、藥理作用推演、藥物靶點發(fā)掘、藥物結(jié)構(gòu)分子設(shè)計優(yōu)化、化合物虛擬篩選、藥物ADMET(Absorption、Distribution、Metabolism、Excretion、Toxicity)預測等技術(shù)有效縮短了傳統(tǒng)的藥物研發(fā)周期，降低了研發(fā)人力、物力成本。同時，目前AI不僅能夠根據(jù)氨基酸序列來準確預測蛋白質(zhì)的三維結(jié)構(gòu)，還能夠預測含有蛋白質(zhì)數(shù)據(jù)庫內(nèi)幾乎所有分子類型的復合物的結(jié)構(gòu)，從而幫助科學家在原子水平上精確觀察生物分子系統(tǒng)結(jié)構(gòu)。這有助于人類精準了解疾病通路、基因組學、治療靶點、蛋白質(zhì)工程及合成生物學等領(lǐng)域，有望顛覆當前的藥物研發(fā)模式。 此外，近年來生成式大語言模型發(fā)展迅速，在全球范圍內(nèi)掀起了AI技術(shù)的新一輪熱潮。Chat GPT-4是基于DL運算方法、使用Transformer架構(gòu)的生成式大語言模型，它能夠根據(jù)用戶輸入的上下文語義分析理解并生成高質(zhì)量的語言文本來反饋用戶，同時兼并執(zhí)行多種自然語言處理任務(wù)?；谶@樣的AI大語言模型為算法內(nèi)核，相應(yīng)的臨床虛擬問診助手、醫(yī)療咨詢助手、醫(yī)學教育助手等研究在逐步摸索并推出。Med-Gemini是一個專門用于醫(yī)學的高性能多模態(tài)模型家族，通過14個醫(yī)學基準測試對Med-Gemini進行評估后發(fā)現(xiàn)，已有10項達到了最先進的性能。 03 我國醫(yī)學AI面臨的挑戰(zhàn)與未來 早在2017年，清華大學和iFlyTek公司合作創(chuàng)建了"AI小醫(yī)生"，在經(jīng)過200萬個病例和40萬篇醫(yī)學論文的訓練學習后，"AI小醫(yī)生"在中國執(zhí)業(yè)醫(yī)師資格考試中取得了456分的及格分數(shù)。但其在知識記憶方面表現(xiàn)出色，卻在患者病例診治方面表現(xiàn)不佳。到目前為止，醫(yī)療領(lǐng)域的DL主要是基于數(shù)據(jù)集的學習，深度解析到了什么，AI就會基于此輸出什么。而人類則完全不同，人腦智慧具有創(chuàng)新性、適應(yīng)性、交互性等特性，因此AI在很多簡單基準測試上超越人類，例如：圖像分類、視覺推理和語言理解；而在競賽級數(shù)學、視覺常識推理和規(guī)劃等更復雜的任務(wù)上，依然落后于人類。另外，雖然基于大語言模型的醫(yī)學AI表現(xiàn)令人鼓舞。但目前大語言模型嚴重缺乏健全、可靠的標準化評估方法，包括OpenAI、谷歌和Anthropic在內(nèi)的頭部AI機構(gòu)都是依據(jù)不同的安全標準測試AI模型，這使不同LLM之間的比較更加具有風險和局限性。 (一)目前，醫(yī)學AI在我國發(fā)展發(fā)展迅猛，形成了諸多中國特有的優(yōu)勢 1．數(shù)據(jù)庫龐大： 根據(jù)我國國家衛(wèi)生健康委發(fā)布的《2023年我國衛(wèi)生健康事業(yè)發(fā)展統(tǒng)計公報》數(shù)據(jù)顯示，上年度我國共在冊有1 070 785家醫(yī)療衛(wèi)生機構(gòu)(美國同比為6 100余家)，年度總就診患流量高達95.5億，這代表著我國患者就醫(yī)所產(chǎn)生的海量醫(yī)學數(shù)據(jù)量十分龐大，甚至將以ZB、YB為單位都無法衡量。并且，根據(jù)我國醫(yī)療衛(wèi)生健康管理規(guī)定，研究在獲得患者知情同意并申請所在單位倫理委員會審核通過后，于中國臨床試驗注冊中心(chinese clinical trial registry，ChiCTR)注冊備案，即可在保護患者隱私安全的前提下合理、合法、合規(guī)地獲取脫敏后的臨床樣本數(shù)據(jù)，以促進人類衛(wèi)生健康事業(yè)發(fā)展為宗旨開展相關(guān)研究。而歐美國家則大都將患者數(shù)據(jù)認定為私有財產(chǎn)并納入法律維護，這種情況下若需要獲取臨床數(shù)據(jù)則需通過法律流程向每個患者提出申請，這對于構(gòu)建以萬乃至百萬為單位的大型數(shù)據(jù)庫來說將十分受限。此外，我國衛(wèi)生技術(shù)人員1 248.8萬人(美國同比100萬余人)，因此對于數(shù)據(jù)獲取后的臨床標注工作具有充足人力儲備，數(shù)據(jù)標注工作費時費力，成本消耗巨大，然而僅有經(jīng)過良好預處理和標注后的數(shù)據(jù)才能算作優(yōu)質(zhì)數(shù)據(jù)，以此構(gòu)建的數(shù)據(jù)庫對于醫(yī)學AI的模擬訓練將帶來最大收益。上述因素都為我國醫(yī)學AI發(fā)展的三大核心要素之"醫(yī)學數(shù)據(jù)庫"奠定了雄厚的基礎(chǔ)。 2．算法、算力發(fā)展成熟： 我國在AI技術(shù)領(lǐng)域已躋身國際前列，國內(nèi)諸多科技巨頭(華為、百度、騰訊等)早已在AI領(lǐng)域積極產(chǎn)業(yè)化布局，推動了國內(nèi)算法技術(shù)的不斷創(chuàng)新發(fā)展。此外，國內(nèi)各大高校、科研機構(gòu)、技術(shù)研發(fā)中心也對AI領(lǐng)域長期聚焦研發(fā)熱點，并迅速將AI技術(shù)領(lǐng)域的前沿動態(tài)轉(zhuǎn)化社會應(yīng)用，促進AI技術(shù)發(fā)展落地。例如，2023年2月，由我國復旦大學自主研發(fā)并推出了國內(nèi)首個生成式大語言模型MOSS，MOSS模型與Chat GPT都基于Transformer架構(gòu)設(shè)計而成，但其設(shè)計理念中進一步提出了將大語言模型與現(xiàn)實世界交互的六大方向(高效架構(gòu)、數(shù)據(jù)治理、人類對齊、工具增強、跨模態(tài)融合和智能體)，意在促進大語言模型進一步成為具備感知和預測能力的世界模擬器；同年3月，由我國百度基于Transformer結(jié)構(gòu)自主研發(fā)推出的"文心一言"大預言模型，進一步融入了古漢語文學創(chuàng)作、商業(yè)文案創(chuàng)作、數(shù)理邏輯推算、中文理解、多模態(tài)生成等多種功能，為生成式大語言模型的發(fā)展融入了中國式特色；同樣，我國自主研發(fā)的天舟貨運飛船通過與AI輔助的微波雷達實現(xiàn)與空間站的精準對接；我國自主研發(fā)的視頻大模型Vidu可以通過文字或圖片生成高質(zhì)量視頻，為AI視頻創(chuàng)作帶來了質(zhì)的飛躍；2024年IEEE國際智能和服務(wù)系統(tǒng)工程大會及2024年IEEE未來科技峰會也于7月15日于我國上海組織召開，標志著我國在AI技術(shù)領(lǐng)域中的國際實力和地位。此外，為了滿足國內(nèi)AI相關(guān)的產(chǎn)學研日益增長的算力需求，我國于2024年依托上海超級計算中心建立了首個中國AI公共算力平臺，貫徹落實國家戰(zhàn)略、加快實施"東數(shù)西算"工程、深化發(fā)展數(shù)字經(jīng)濟，探索算力調(diào)度新模式。這一AI公共算力平臺全面使用國產(chǎn)自研的達芬奇架構(gòu)AI算力，計算峰值可達100PFLOPS(FP16)，硬件選用國產(chǎn)自研的華為昇騰AI核心芯片和服務(wù)器集群軟件產(chǎn)品，確保全程自主可控、數(shù)據(jù)安全和隱私保護。上述因素都為我國醫(yī)學AI發(fā)展的三大核心要素之"算法"和"算力"提供了良好平臺。 3．宏觀政策支持： 2024年11月，我國國家數(shù)據(jù)局最新發(fā)布了《關(guān)于完善數(shù)據(jù)流通安全治理，更好促進數(shù)據(jù)要素市場化價值化的實施方案》，強調(diào)對于重要數(shù)據(jù)，在保護國家安全、個人隱私和確保公共安全的前提下，鼓勵通過"原始數(shù)據(jù)不出域、數(shù)據(jù)可用不可見、數(shù)據(jù)可控可計量"等方式，依法依規(guī)實現(xiàn)數(shù)據(jù)價值開發(fā)。在當下AI和數(shù)字化的熱潮中，我國也積極將AI發(fā)展納入戰(zhàn)略規(guī)劃，并早在2021年9月就發(fā)布了《新一代人工智能倫理規(guī)范》，近年來《生成式人工智能服務(wù)管理暫行辦法》和《人工智能安全治理框架》都隨之出臺，這都說明AI技術(shù)的發(fā)展在我國獲得了國家層面的高度重視與認可，支持并鼓勵國內(nèi)AI相關(guān)研究的推動和發(fā)展，這對于AI未來在我國的發(fā)展及跨領(lǐng)域融合都將提供有力保障。 (二)我國醫(yī)學AI未來的發(fā)展，也面臨一些挑戰(zhàn) 1．數(shù)據(jù)獲取仍存在不便： 雖然我國醫(yī)療衛(wèi)生機構(gòu)和衛(wèi)生技術(shù)從業(yè)人員遠超其他國家，但目前國內(nèi)不同醫(yī)院之間數(shù)據(jù)尚未支持聯(lián)通訪問、開放獲取，這也與不同醫(yī)療機構(gòu)間電子病歷系統(tǒng)尚未完全統(tǒng)一、不同省份、地市間醫(yī)療管理制度有所差異而相關(guān)，因而為大數(shù)據(jù)庫的建立帶來一定限制。如何解決醫(yī)療數(shù)據(jù)孤島和醫(yī)療數(shù)據(jù)合法合規(guī)流通兩者之間的關(guān)系，是急需解決的問題。 2．數(shù)據(jù)安全問題仍存在隱患： 雖然用于醫(yī)學AI相關(guān)的數(shù)據(jù)將經(jīng)過脫敏處理，隱藏、保護患者隱私信息，但當海量數(shù)據(jù)收集建成大數(shù)據(jù)庫后，如何防止數(shù)據(jù)泄露和濫用、保障數(shù)據(jù)庫存儲和傳輸?shù)陌踩?，這既需要技術(shù)保障，也需要相關(guān)政策法規(guī)的制定和完善。 3．跨領(lǐng)域人才稀缺： 醫(yī)學AI的發(fā)展高度需要跨學科的人才支持，包括醫(yī)學、計算機科學等。然而，目前這類復合型人才相對短缺，這相對限制了AI和醫(yī)學的進一步深度融合。立足我國現(xiàn)狀，充分發(fā)揮我國醫(yī)學教育體系已有的優(yōu)勢，實現(xiàn)"復合型醫(yī)工融合人才"的源頭培養(yǎng)，構(gòu)建全方位的醫(yī)工融合培養(yǎng)體系，迫在眉睫。 4．醫(yī)學AI的可解釋性有待解決： AI的分析、決策過程類似人腦思維過程，尤其是DL算法，其通過多重、多層卷積神經(jīng)網(wǎng)絡(luò)進行判別，而其中潛在邏輯卻處于"黑箱"狀態(tài)，難以解釋，這也從某種程度上降低了臨床工作中AI被醫(yī)患雙方的可信任度。因此未來需要在醫(yī)療工作中使用的AI除給出疾病診斷外，還要附帶解釋，可以方便臨床醫(yī)生評估AI結(jié)果的可靠性。 5．相關(guān)醫(yī)療政策法規(guī)仍需進一步完善： 我國雖然早已頒布了AI技術(shù)的研發(fā)、應(yīng)用管理規(guī)范，但目前還尚無專門針對醫(yī)學AI應(yīng)用的醫(yī)療衛(wèi)生法規(guī)發(fā)布，相關(guān)醫(yī)療權(quán)責問題存在一定爭議，這也限制了醫(yī)學AI的推廣和發(fā)展。同時，醫(yī)學AI的最終準確率很難達到100%的水平，最終結(jié)果仍需具備豐富經(jīng)驗的高年資臨床工作者進行審核把控。AI的目的是用于輔助臨床醫(yī)生、減輕臨床工作負擔，而非取代臨床醫(yī)生。 醫(yī)學人工智能是未來醫(yī)學發(fā)展的重要方向，對于提高醫(yī)療服務(wù)質(zhì)量、降低醫(yī)療成本、實現(xiàn)醫(yī)療資源的合理分配具有重要意義，必將給醫(yī)學的發(fā)展和進步帶來更加光明的未來。
特別聲明：智慧醫(yī)療網(wǎng)轉(zhuǎn)載其他網(wǎng)站內(nèi)容，出于傳遞更多信息而非盈利之目的，同時并不代表贊成其觀點或證實其描述，內(nèi)容僅供參考。版權(quán)歸原作者所有，若有侵權(quán)，請聯(lián)系我們刪除。
凡來源注明智慧醫(yī)療網(wǎng)的內(nèi)容為智慧醫(yī)療網(wǎng)原創(chuàng)，轉(zhuǎn)載需獲授權(quán)。
智慧醫(yī)療網(wǎng) ? 2022 版權(quán)所有 ICP備案號：滬ICP備17004559號-5
