1.3 “人工智能+”下，医疗正进击

相对于制造业、通信、传媒、零售、教育等人工智能应用领域，全球的人工智能医疗还处于早期阶段，商业化程度相对较低，行业渗透率较低。但不可否认的是，人工智能在医疗领域的结合点响应了传统医疗的诸多困境，具有广泛的市场需求和多元业务趋向，拥有广阔的发展空间。

尤其是OpenAI大语言模型（也称大型语言模型）的突破，将加速人工智能技术介入医疗的普及与应用速度。例如，训练人工智能辅助医生完成病历的撰写及诊疗过程的问题概述。基于影像学与检测指标的人工智能诊断，以及借助人工智能技术的专科医生打造，都正在实现的路上。

从具体应用层面来看，人工智能在医疗领域主要有5个应用方向：辅助诊疗、医学影像、健康管理、药物研发、疾病预测。

1.3.1 辅助诊疗

人工智能辅助诊疗主要提供医学影像、电子病历、导诊机器人、医疗助手、辅助医疗、临床辅助决策等服务，利用机器学习+计算机视觉缓解病理专家稀缺的现状，利用人工智能+大数据对患者进行系统化记录和健康管理，利用人工智能+机器人技术分担医院从医人数不足的压力。

（1）在电子病历方面，人工智能普遍在病种专业化平台、智能语音录入、自然语言识别、临床决策支持这4个场景开展服务。以语音电子病历为例，人工智能基于脱敏的病历数据和临床使用不断训练模型、优化算法，通过语音识别引擎实现人机交互和文本转录。

（2）在导诊机器人方面，我国机器人应用相对成熟，应用场景明晰，一般多为院内导诊环节，使得医疗机器人具有相应的发展优势。医疗领域机器人主要基于人脸识别、语音识别等技术，再通过后台嫁接医院信息等知识系统，实现导诊功能。

（3）在医疗助手方面，智能问诊是主要应用场景，通过建立疾病知识库和历史问诊记录，实现人机交互的智能问诊功能。例如，在新冠疫情期间，入院问诊存在交叉感染的风险，对有问诊需求的患者造成不便，并且疫情给公众带来一定的心理恐慌，在线下医疗受阻，但又急需专业的医学信息来解决问题的情况下，在线问诊发展迅速。在在线问诊的过程中，用户在在线问诊平台输入症状，人工智能系统将识别用户输入的文本，并完成分词、词性标注、句法解析、信息抽取等一系列工作，最终在知识库中进行检索，把类似信息推给用户，完成精准的信息匹配。腾讯云基于医疗行业语料及医疗专业词汇，打造医疗行业语音识别模型。医生在门诊、住院查房、交接班等场景下，均可使用语音输入软件，将传统的手写病历转换为语音输入，大幅度缩短病历录入的时间，减轻工作负担。

（4）在辅助医疗方面，人工智能已经形成了一些实质性应用，手术机器人和医疗机器人就是比较活跃的尝试。手术机器人已经在胃肠外科、泌尿外科、妇科和心外科等的手术中渗透与应用。手术机器人通过高分辨率三维立体视觉及器械自由度，在狭小的手术空间内提供超越人类的视觉系统、更大的操作灵活性与精准度，拓展了腹腔镜手术的适应证，增强了手术效果。

（5）人工智能技术还可用于临床辅助决策。临床辅助决策支持系统（Clinical Decision Support System，CDSS）相当于一个不断更新的医学知识库，是基于人机交互的医疗信息技术应用系统，通过数据和模型辅助医生完成临床决策。CDSS的使用场景涵盖诊前决策、诊中支持和诊后评价全流程，帮助临床医生做出最为恰当的诊疗决策，提高诊断效率与诊断质量。目前，世界上绝大多数CDSS都由3个部分组成，即临床知识库、推理机和人机交流接口，其中庞大可靠的临床知识库是CDSS的行业壁垒。一个完整的临床知识库应当包含各种最新临床指南、循证医学证据、医学文献、医学辞典、医学图谱计算工具、大量电子病历等海量数据，还应当交互良好，方便临床医生从中获取信息。此外，临床知识库必须是开放的、动态更新的。

1.3.2 医学影像

作为辅助诊疗的一个细分领域，将人工智能技术应用于医学影像诊断中，是医疗领域人工智能应用最为广泛的场景。人工智能医学影像得以率先爆发与落地应用，主要是由于影像数据的相对易获取性和易处理性。相比于病历等跨越三五年甚至更长时间的数据积累，影像数据仅需要单次拍摄，几秒钟即可获取，一张影像片子即可反映病人的大部分病情状况，成为医生确定治疗方案的直接依据。医学影像庞大且相对标准的数据基础，以及智能图像识别等算法的不断进步，为人工智能医疗在该领域的落地应用提供了坚实基础。

具体而言，医学影像诊断主要依托图像识别和深度学习这两项技术。依据临床诊断路径，首先，将图像识别技术应用于感知环节，对非结构化影像数据进行处理和分析，提取有用信息；其次，利用深度学习技术，将大量临床影像数据和诊断经验输入人工智能模型，使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，进行影像诊断智能推理，输出个性化的诊疗判断结果。

从落地方向来看，人工智能主要解决3种影像需求：第1种是病灶识别与标注，针对X射线影像（也称X影像或X线片）、计算机断层扫描（Computed Tomography，CT）影像（也称CT片）、磁共振成像（Magnetic Resonance Imaging，MRI）影像等医学影像进行图像分割、特征提取、定量分析和对比分析，识别与标注病灶，帮助医生发现肉眼难以发现的病灶，降低假阴性诊断发生率，提高医生诊断效率；第2种是靶区自动勾画与自适应放疗，针对肿瘤放疗环节进行影像处理，帮助影像科医生对200～450张CT影像进行自动勾画，时间缩短到30分钟一套，在患者15～20次上机照射过程中不断识别病灶位置变化以达到自适应放疗，减少射线对患者健康组织的辐射与伤害；第3种是影像三维重建，基于灰度统计量的配准算法和基于特征点的配准算法，解决断层图像配准问题，有效节约配准时间，在手术环节有重要应用。

从落地情况来看，目前中国人工智能医学影像产品主要应用在疾病筛查方面，以肿瘤和慢性疾病领域为主。其中，肺癌和眼底筛查领域介入企业最多，近两年乳腺癌也成为热门布局领域之一。此外，不同企业针对客户群体也有所差别，除三甲医院和基层医院外，也有面向C端和保险公司等的产品。

1.3.3 健康管理

将人工智能技术应用到健康管理的具体场景，通常与互联网医疗紧密结合，被视为互联网医疗的深化发展阶段。目前，人工智能技术主要应用于风险识别、虚拟护士、精神健康、移动医疗、可穿戴设备等健康管理领域。

人工智能可实现精准健康管理。从技术驱动的角度看，人工智能能通过高效的计算和精准的决策分析，使个性化健康管理成为可能，推动健康管理的精准化，甚至未来营养师和运动专家可以基于人工智能系统生成精准健康干预方案，并探究数据背后的学科逻辑。

例如，日本就将医疗健康管理和护理作为结合人工智能的突破口，旨在缓解本国严重的老龄化问题带来的压力。借助各种智能设备，如智能马桶可以对尿液与粪便进行自动监测与检测，结合人工智能的健康管理系统，不仅能实时地掌握健康状况，同时还能推演出潜在的健康问题。我国的人工智能健康管理产业起步较晚，但随着各种检测技术（如可穿戴设备、基因检测等）的发展，伴随着物联网大环境的促进，当前健康管理市场正在进入一个高速发展阶段。

尽管可穿戴设备产业之前已经发展了十多年，但一直没有获得足够的市场认同，其中两大核心制约要素就是硬件与软件。所谓的硬件，就是可穿戴设备产品本身，不论是传感器还是其他的监测技术，其针对人体健康指标的健康精密度都还存在着优化的空间。所谓的软件，就是基于可穿戴设备所采集的大量健康数据，我们需要借助人工智能的健康管理系统，才能构建实时的健康管理效果，否则可穿戴设备就只能停留在运动计步等初级运动数据的监测，难以进入真正的健康管理领域。不过可以预见的是，在人工智能医疗技术的突破之下，可穿戴设备产业拥有更加广阔的发展前景。尤其是在健康管理领域，可穿戴设备是不可或缺的实现载体。

1.3.4 药物研发

药物研发主要包括药物发现、临床前研究、临床研究及审批上市4个阶段。目前，药物研发的核心困难在于研发过程中存在诸多不确定性因素，如靶点有效性、模型有效性等问题，需要通过大量实验予以确认。而在药物研发过程中引入人工智能技术，利用深度学习技术对分子结构进行处理和分析，在不同研发环节建立拥有较高准确性的预测系统，可以减少各个研发环节的不确定性，从而缩短研发周期，降低试错成本，提高研发成功率。

在新冠疫情期间，通过大数据处理、机器学习、深度学习等技术，人工智能在药物研发领域发挥了重要作用，这些应用主要集中在靶点发现、疾病网络构建和药物筛选等方面。

1.人工智能技术在智能药物研发中的优势

基于大语言模型人工智能技术的不断发展，将会加速人工智能在医疗领域的应用，其中智能药物研发必然是不可或缺的环节。人工智能技术在智能药物研发中主要有以下3个方面的优势：

首先是加速研发。传统的药物研发需要耗费大量的时间和人力、物力，而人工智能技术可以通过对海量数据的分析和挖掘，加快药物筛选和优化的过程，并且可以针对疾病配对出更加有效的药物，就能在最大程度上缩短研发时间，降低研发成本。

其次是提高成功率。人工智能技术可以通过对疾病与药物数据的深度学习和模式识别，发现和分析隐藏在数据中的规律和特征，包括对不同药物分子的合成模拟配对，最大程度地提高药物研发的准确性与成功率。

最后是提高效率。通常的药物研发需要处理大量的数据、实验和信息，而人工智能技术通过自动化的算法和模型，不仅可以对数据进行准确、快速的处理和分析，同时还可以模拟推演各种配对结果，让实验从实验室走向人工智能虚拟实验，从而提高研发效率。

2.人工智能技术在智能药物研发中的局限性

目前，人工智能技术在智能药物研发中还存在一些局限性，主要体现在以下3个方面。

一是数据不足。人工智能驱动下的智能药物研发，显然需要基于大量的数据和信息，但是目前可用的数据仍然相对有限，不论是临床疾病的数据，还是药物数据库的信息，这在很大程度上限制了人工智能技术在药物研发领域的应用。

二是算法不完善。尤其是在没有大语言模型技术之前，人工智能的算法技术更像是数据统计分析，而不具备自研发的能力。但随着大语言模型技术的突破，基于人工智能药物研发的算法技术将会在最大程度上获得优化。

三是涉及伦理和法律问题。人工智能技术的应用涉及一些伦理和法律问题。一方面是数据隐私保护与数据安全等方面的问题；另一方面则是人工智能技术驱动下的药物研发，需要相对应的监管与审批流程，尤其是一些临床测试环节在借助人工智能技术获得了模拟与优化之后。

但总的来说，借助人工智能技术优化药物研发，并推动药物研发、监管、审批等体系的变革与优化，以及借助人工智能技术实现快速、高效、精准、个性化药物配对、研发、生产、治疗的时代正在到来。

1.3.5 疾病预测

对公共卫生领域来说，人工智能技术的疾病预测无疑具有重要意义。传染病防控是目前人工智能在疾病预测领域的最大应用场景，人工智能主要在传染病暴发预测、传播与溯源排查、发展趋势预测等方面发挥作用。

（1）在传染病暴发预测方面，利用网络爬虫技术、自然语言处理技术及其他人工智能技术，持续收集并分析全球范围内关于疾病和重大公共卫生事件的新闻、报告、评论和搜索引擎指数，从海量数据中过滤并提取有效信息，对关键信息进行智能化分析，可对传染病暴发做出可能性预测。

（2）在传染病传播与溯源排查方面，利用深度学习技术，根据出行轨迹流动信息、社交信息、消费信息、暴露接触史等大量数据进行科学建模，结合感染者确诊时间及其密切接触者的空间位置信息确定可能存在交叉感染的时间点与具体传播路径，为传染病溯源分析提供可靠依据。

（3）在传染病发展趋势预测方面，基于高危人群感染数据，结合新增确诊病例、疑似病例、死亡病例与治愈病例数等，借助传播动力学模型、动态感染模型、回归模型等大数据分析模型，人工智能技术可以对发病热力分布与密切接触者的风险热力分布进行分析与展示，并对疫情峰值与拐点等重要趋势进行研判。

在新冠疫情期间，基于人工智能技术的创新防疫应用在各地相继落地。在韩国，基于地理位置和行动轨迹的大数据信息平台成为控制病毒传播的重要工具，当人们靠近疫情危险区时，会自动收到危险报警。在美国加州，科学家研发出针对易感者的健康预警系统，能够远程监控包括独居老人在内的易感人群的身体健康状况，起到传染病预警作用。在我国，人工智能在无接触式体温检测、社区居民健康快速筛查、疫情宣教、流行病学数据采集与应用、智慧化管理平台建设等方面展开应用。