1.3 “人工智能+”下，醫療正進擊

相對于制造業、通信、傳媒、零售、教育等人工智能應用領域，全球的人工智能醫療還處于早期階段，商業化程度相對較低，行業滲透率較低。但不可否認的是，人工智能在醫療領域的結合點響應了傳統醫療的諸多困境，具有廣泛的市場需求和多元業務趨向，擁有廣闊的發展空間。

尤其是OpenAI大語言模型（也稱大型語言模型）的突破，將加速人工智能技術介入醫療的普及與應用速度。例如，訓練人工智能輔助醫生完成病歷的撰寫及診療過程的問題概述。基于影像學與檢測指標的人工智能診斷，以及借助人工智能技術的專科醫生打造，都正在實現的路上。

從具體應用層面來看，人工智能在醫療領域主要有5個應用方向：輔助診療、醫學影像、健康管理、藥物研發、疾病預測。

1.3.1 輔助診療

人工智能輔助診療主要提供醫學影像、電子病歷、導診機器人、醫療助手、輔助醫療、臨床輔助決策等服務，利用機器學習+計算機視覺緩解病理專家稀缺的現狀，利用人工智能+大數據對患者進行系統化記錄和健康管理，利用人工智能+機器人技術分擔醫院從醫人數不足的壓力。

（1）在電子病歷方面，人工智能普遍在病種專業化平臺、智能語音錄入、自然語言識別、臨床決策支持這4個場景開展服務。以語音電子病歷為例，人工智能基于脫敏的病歷數據和臨床使用不斷訓練模型、優化算法，通過語音識別引擎實現人機交互和文本轉錄。

（2）在導診機器人方面，我國機器人應用相對成熟，應用場景明晰，一般多為院內導診環節，使得醫療機器人具有相應的發展優勢。醫療領域機器人主要基于人臉識別、語音識別等技術，再通過后臺嫁接醫院信息等知識系統，實現導診功能。

（3）在醫療助手方面，智能問診是主要應用場景，通過建立疾病知識庫和歷史問診記錄，實現人機交互的智能問診功能。例如，在新冠疫情期間，入院問診存在交叉感染的風險，對有問診需求的患者造成不便，并且疫情給公眾帶來一定的心理恐慌，在線下醫療受阻，但又急需專業的醫學信息來解決問題的情況下，在線問診發展迅速。在在線問診的過程中，用戶在在線問診平臺輸入癥狀，人工智能系統將識別用戶輸入的文本，并完成分詞、詞性標注、句法解析、信息抽取等一系列工作，最終在知識庫中進行檢索，把類似信息推給用戶，完成精準的信息匹配。騰訊云基于醫療行業語料及醫療專業詞匯，打造醫療行業語音識別模型。醫生在門診、住院查房、交接班等場景下，均可使用語音輸入軟件，將傳統的手寫病歷轉換為語音輸入，大幅度縮短病歷錄入的時間，減輕工作負擔。

（4）在輔助醫療方面，人工智能已經形成了一些實質性應用，手術機器人和醫療機器人就是比較活躍的嘗試。手術機器人已經在胃腸外科、泌尿外科、婦科和心外科等的手術中滲透與應用。手術機器人通過高分辨率三維立體視覺及器械自由度，在狹小的手術空間內提供超越人類的視覺系統、更大的操作靈活性與精準度，拓展了腹腔鏡手術的適應證，增強了手術效果。

（5）人工智能技術還可用于臨床輔助決策。臨床輔助決策支持系統（Clinical Decision Support System，CDSS）相當于一個不斷更新的醫學知識庫，是基于人機交互的醫療信息技術應用系統，通過數據和模型輔助醫生完成臨床決策。CDSS的使用場景涵蓋診前決策、診中支持和診后評價全流程，幫助臨床醫生做出最為恰當的診療決策，提高診斷效率與診斷質量。目前，世界上絕大多數CDSS都由3個部分組成，即臨床知識庫、推理機和人機交流接口，其中龐大可靠的臨床知識庫是CDSS的行業壁壘。一個完整的臨床知識庫應當包含各種最新臨床指南、循證醫學證據、醫學文獻、醫學辭典、醫學圖譜計算工具、大量電子病歷等海量數據，還應當交互良好，方便臨床醫生從中獲取信息。此外，臨床知識庫必須是開放的、動態更新的。

1.3.2 醫學影像

作為輔助診療的一個細分領域，將人工智能技術應用于醫學影像診斷中，是醫療領域人工智能應用最為廣泛的場景。人工智能醫學影像得以率先爆發與落地應用，主要是由于影像數據的相對易獲取性和易處理性。相比于病歷等跨越三五年甚至更長時間的數據積累，影像數據僅需要單次拍攝，幾秒鐘即可獲取，一張影像片子即可反映病人的大部分病情狀況，成為醫生確定治療方案的直接依據。醫學影像龐大且相對標準的數據基礎，以及智能圖像識別等算法的不斷進步，為人工智能醫療在該領域的落地應用提供了堅實基礎。

具體而言，醫學影像診斷主要依托圖像識別和深度學習這兩項技術。依據臨床診斷路徑，首先，將圖像識別技術應用于感知環節，對非結構化影像數據進行處理和分析，提取有用信息；其次，利用深度學習技術，將大量臨床影像數據和診斷經驗輸入人工智能模型，使神經元網絡進行深度學習訓練；最后，基于不斷驗證與打磨的算法模型，進行影像診斷智能推理，輸出個性化的診療判斷結果。

從落地方向來看，人工智能主要解決3種影像需求：第1種是病灶識別與標注，針對X射線影像（也稱X影像或X線片）、計算機斷層掃描（Computed Tomography，CT）影像（也稱CT片）、磁共振成像（Magnetic Resonance Imaging，MRI）影像等醫學影像進行圖像分割、特征提取、定量分析和對比分析，識別與標注病灶，幫助醫生發現肉眼難以發現的病灶，降低假陰性診斷發生率，提高醫生診斷效率；第2種是靶區自動勾畫與自適應放療，針對腫瘤放療環節進行影像處理，幫助影像科醫生對200～450張CT影像進行自動勾畫，時間縮短到30分鐘一套，在患者15～20次上機照射過程中不斷識別病灶位置變化以達到自適應放療，減少射線對患者健康組織的輻射與傷害；第3種是影像三維重建，基于灰度統計量的配準算法和基于特征點的配準算法，解決斷層圖像配準問題，有效節約配準時間，在手術環節有重要應用。

從落地情況來看，目前中國人工智能醫學影像產品主要應用在疾病篩查方面，以腫瘤和慢性疾病領域為主。其中，肺癌和眼底篩查領域介入企業最多，近兩年乳腺癌也成為熱門布局領域之一。此外，不同企業針對客戶群體也有所差別，除三甲醫院和基層醫院外，也有面向C端和保險公司等的產品。

1.3.3 健康管理

將人工智能技術應用到健康管理的具體場景，通常與互聯網醫療緊密結合，被視為互聯網醫療的深化發展階段。目前，人工智能技術主要應用于風險識別、虛擬護士、精神健康、移動醫療、可穿戴設備等健康管理領域。

人工智能可實現精準健康管理。從技術驅動的角度看，人工智能能通過高效的計算和精準的決策分析，使個性化健康管理成為可能，推動健康管理的精準化，甚至未來營養師和運動專家可以基于人工智能系統生成精準健康干預方案，并探究數據背后的學科邏輯。

例如，日本就將醫療健康管理和護理作為結合人工智能的突破口，旨在緩解本國嚴重的老齡化問題帶來的壓力。借助各種智能設備，如智能馬桶可以對尿液與糞便進行自動監測與檢測，結合人工智能的健康管理系統，不僅能實時地掌握健康狀況，同時還能推演出潛在的健康問題。我國的人工智能健康管理產業起步較晚，但隨著各種檢測技術（如可穿戴設備、基因檢測等）的發展，伴隨著物聯網大環境的促進，當前健康管理市場正在進入一個高速發展階段。

盡管可穿戴設備產業之前已經發展了十多年，但一直沒有獲得足夠的市場認同，其中兩大核心制約要素就是硬件與軟件。所謂的硬件，就是可穿戴設備產品本身，不論是傳感器還是其他的監測技術，其針對人體健康指標的健康精密度都還存在著優化的空間。所謂的軟件，就是基于可穿戴設備所采集的大量健康數據，我們需要借助人工智能的健康管理系統，才能構建實時的健康管理效果，否則可穿戴設備就只能停留在運動計步等初級運動數據的監測，難以進入真正的健康管理領域。不過可以預見的是，在人工智能醫療技術的突破之下，可穿戴設備產業擁有更加廣闊的發展前景。尤其是在健康管理領域，可穿戴設備是不可或缺的實現載體。

1.3.4 藥物研發

藥物研發主要包括藥物發現、臨床前研究、臨床研究及審批上市4個階段。目前，藥物研發的核心困難在于研發過程中存在諸多不確定性因素，如靶點有效性、模型有效性等問題，需要通過大量實驗予以確認。而在藥物研發過程中引入人工智能技術，利用深度學習技術對分子結構進行處理和分析，在不同研發環節建立擁有較高準確性的預測系統，可以減少各個研發環節的不確定性，從而縮短研發周期，降低試錯成本，提高研發成功率。

在新冠疫情期間，通過大數據處理、機器學習、深度學習等技術，人工智能在藥物研發領域發揮了重要作用，這些應用主要集中在靶點發現、疾病網絡構建和藥物篩選等方面。

1.人工智能技術在智能藥物研發中的優勢

基于大語言模型人工智能技術的不斷發展，將會加速人工智能在醫療領域的應用，其中智能藥物研發必然是不可或缺的環節。人工智能技術在智能藥物研發中主要有以下3個方面的優勢：

首先是加速研發。傳統的藥物研發需要耗費大量的時間和人力、物力，而人工智能技術可以通過對海量數據的分析和挖掘，加快藥物篩選和優化的過程，并且可以針對疾病配對出更加有效的藥物，就能在最大程度上縮短研發時間，降低研發成本。

其次是提高成功率。人工智能技術可以通過對疾病與藥物數據的深度學習和模式識別，發現和分析隱藏在數據中的規律和特征，包括對不同藥物分子的合成模擬配對，最大程度地提高藥物研發的準確性與成功率。

最后是提高效率。通常的藥物研發需要處理大量的數據、實驗和信息，而人工智能技術通過自動化的算法和模型，不僅可以對數據進行準確、快速的處理和分析，同時還可以模擬推演各種配對結果，讓實驗從實驗室走向人工智能虛擬實驗，從而提高研發效率。

2.人工智能技術在智能藥物研發中的局限性

目前，人工智能技術在智能藥物研發中還存在一些局限性，主要體現在以下3個方面。

一是數據不足。人工智能驅動下的智能藥物研發，顯然需要基于大量的數據和信息，但是目前可用的數據仍然相對有限，不論是臨床疾病的數據，還是藥物數據庫的信息，這在很大程度上限制了人工智能技術在藥物研發領域的應用。

二是算法不完善。尤其是在沒有大語言模型技術之前，人工智能的算法技術更像是數據統計分析，而不具備自研發的能力。但隨著大語言模型技術的突破，基于人工智能藥物研發的算法技術將會在最大程度上獲得優化。

三是涉及倫理和法律問題。人工智能技術的應用涉及一些倫理和法律問題。一方面是數據隱私保護與數據安全等方面的問題；另一方面則是人工智能技術驅動下的藥物研發，需要相對應的監管與審批流程，尤其是一些臨床測試環節在借助人工智能技術獲得了模擬與優化之后。

但總的來說，借助人工智能技術優化藥物研發，并推動藥物研發、監管、審批等體系的變革與優化，以及借助人工智能技術實現快速、高效、精準、個性化藥物配對、研發、生產、治療的時代正在到來。

1.3.5 疾病預測

對公共衛生領域來說，人工智能技術的疾病預測無疑具有重要意義。傳染病防控是目前人工智能在疾病預測領域的最大應用場景，人工智能主要在傳染病暴發預測、傳播與溯源排查、發展趨勢預測等方面發揮作用。

（1）在傳染病暴發預測方面，利用網絡爬蟲技術、自然語言處理技術及其他人工智能技術，持續收集并分析全球范圍內關于疾病和重大公共衛生事件的新聞、報告、評論和搜索引擎指數，從海量數據中過濾并提取有效信息，對關鍵信息進行智能化分析，可對傳染病暴發做出可能性預測。

（2）在傳染病傳播與溯源排查方面，利用深度學習技術，根據出行軌跡流動信息、社交信息、消費信息、暴露接觸史等大量數據進行科學建模，結合感染者確診時間及其密切接觸者的空間位置信息確定可能存在交叉感染的時間點與具體傳播路徑，為傳染病溯源分析提供可靠依據。

（3）在傳染病發展趨勢預測方面，基于高危人群感染數據，結合新增確診病例、疑似病例、死亡病例與治愈病例數等，借助傳播動力學模型、動態感染模型、回歸模型等大數據分析模型，人工智能技術可以對發病熱力分布與密切接觸者的風險熱力分布進行分析與展示，并對疫情峰值與拐點等重要趨勢進行研判。

在新冠疫情期間，基于人工智能技術的創新防疫應用在各地相繼落地。在韓國，基于地理位置和行動軌跡的大數據信息平臺成為控制病毒傳播的重要工具，當人們靠近疫情危險區時，會自動收到危險報警。在美國加州，科學家研發出針對易感者的健康預警系統，能夠遠程監控包括獨居老人在內的易感人群的身體健康狀況，起到傳染病預警作用。在我國，人工智能在無接觸式體溫檢測、社區居民健康快速篩查、疫情宣教、流行病學數據采集與應用、智慧化管理平臺建設等方面展開應用。