1、互聯網醫療健康醫療人工智能技術與應用白皮書前言2017 年醫療人工智能發展迅速，產業格局。人工智能在醫療領域中的應用已非，醫學影像、臨床決策支持、語音識別、挖掘、健康管理、病理學等眾多領域。人工智能技術呈現與醫療領域不斷融合的趨勢，其中數據資源、計算能力、算法模型等基礎條件的日臻成熟成為行業技術發展的重要力量。在新形勢下，我國醫療人工智能的發展著機遇和，技術能力不斷增強，但和服務仍需完善。本白皮書梳理和研究國際、國內醫療人工智能的發展狀況，總結醫療人工智能行業及基礎設施領域國內外的技術發展特點和趨勢，分析我國醫療人工智能產業的環境，為及產業界決策提供參考。2互聯網醫療健康醫療人工智能技術與應用

2、白皮書目錄一、人工智能的發展4（一）人工智能的技術演變4（二）人工智能發展的三大因素6（三）人工智能上升為我國戰略10二、醫療人工智能的寶貴價值12（一）輔助醫生，緩解漏診誤診問題12（二）提高效率，彌補資源供需缺口13（三）疾病風險預警，提供健康顧問服務14研發，提升制藥效率15（四）支持（五）手術，提升外科手術精準度15三、國內外醫療人工智能發展狀況及分析16（一）市場規模及發展趨勢16（二）國內外行業發展熱點分析17四、我國醫療人工智能細分領域21（一）虛擬助理22（二）病歷與文獻分析25（三）醫療影像輔助.27（四）研發33（五）基因測序35五、的問題與.37（一）數據是行業發展的瓶頸

3、，積累與創新是解決問題的關鍵37（二）醫療 AI需要實現從試驗向臨床應用的.38（三）加深合作，可持續的商業模式亟待建立39（四）明確醫療責任主體，劃清權責范圍40（五）制定培養計劃，搶占戰略制高點413互聯網醫療健康醫療人工智能技術與應用白皮書一、人工智能的發展（一）人工智能的技術演變從上世紀十年代的 PC到二十一世紀的互聯網，信息技術改造了人類的生產方式，提高了生產效率了我們的生活。在進入移動互聯網后，萬物互聯成為趨勢，但技術的限制導致移動互聯網難以催生出的新應用和新業態。如今，人工智能儼然已經成為這個最炙手可熱的技術，甚至將成為未來十年內產業發展的焦點。人工智能的概念誕生于上世紀 50

4、年代，從最初的神經網絡和模糊邏輯，到現在的深度學習、圖像搜索，人工智能技術經歷了一系列的起伏。在 1956 年的一次科學會議上，人工智能的概念被首次確立：讓機器像人那樣思考和認知，用計算機實現對人腦的模擬。上世紀50 年代至 70 年代是人工智能的早期發展階段，該階段人工智能主要用于解決一些小型的數學問題和邏輯問題。此時人工智能出現了一些代表性應用，如機器明、機器翻譯、系統、模式識別等，但是該階段人工智能仍可以被歸納為“弱人工智能”，其發展和應用還遠遠不能達到人類的智慧水平。4互聯網醫療健康醫療人工智能技術與應用白皮書1972 年，用于傳染性血液和處方的知識工程系統 MYCIN 研發，該標志著

5、人工智能進入“系統”時期。系統的出現使得計算機可以和人進行結合，通過對數據的分析解決一些實際的問題。但是系統的發展并不順利，也并未得到廣泛的應用。其主要有兩個方面。一是專業知識的獲取需要行業內長時間的積累，大量的行業數據在彼時難以全部植入系統。二是系統的程序主要由解釋性語言“LIPS”編寫，其開發效率和易用性較低，難以實現實際應用。人工智能技術發展在彼時陷入的瓶頸使得人類開始思考，如何讓計算機自發理解和歸納數據，掌握數據間的規律，即“機器學習”。上世紀 90 年代末，“深藍”計算機擊敗國際象棋大師再次了全球對人工智能技術的關注。但是受限于當時的技術條件，人工智能尚無法支撐大規模的商業化應用。2

6、006 年，GeoffreyHinton 教授發表的A Fast Learning Algorithm for Deep BeliefNets中提出了神經網絡逐層訓練的高效算法，使算條件下的神經網絡模型訓練成為了可能。5互聯網醫療健康醫療人工智能技術與應用白皮書（二）人工智能發展的三大因素人工智能的概念雖然在上世紀已經出現，但由于彼時軟硬件條件的不成熟，數據資源的短缺，人工智能并未實現廣泛的應用。如今，隨著算法、算力等基礎技術條件的日漸成熟，行業數據的積累，人工智能得以應用在各個領域。算力。GPU（圖形處理器）顯著提升了計算機的性能，擁有CPU 的并行計算能力。由于處理器的計算方式不同，CPU

7、 擅長處理面向操作系統和應用程序的通用計算任務，而 GPU 擅長完成與顯示相關的數據處理。CPU 計算使用基于 x86 指令集的串行架構，適合快速完成計算任務。GPU 擁有多內核處理并行計算，適合處理 3D 圖像中上百萬的圖像像素。此外，FPGA 也在越來越多地應用在 AI 領域。FPGA（Field Programmable Gate Array）是在 PAL、GAL、CPLD 等可編程邏輯器件的基礎上進一步發展的產物。它是作為集成電路領域中的一種半定制電路而出現的，既解決了全定制電路的不足，又克服了原有可編程邏輯器件門電路數有限的缺點。一方面，FPGA 是可編程重構的硬件，相比 GPU 有

8、更強大的可調控能力；另一方面，與日增長的門資源和內存帶寬使得它有更大的設計空間。由于神經網絡包含多個隱藏層，大量神經元之間的計算具有高并行性的特點，具6互聯網醫療健康醫療人工智能技術與應用白皮書備支撐大規模并行計算的 FPGA 和GPU 架構已成為了現階段深度學習的主流硬件平臺。FPGA 和GPU 架構能夠根據應用的特點定制計算和的結構，方便算法進行微調和優化，實現硬件與算法的最佳匹配，獲得較高的性能功耗比。算法。深度學習是當前研究和應用的熱點算法，也是人工智能的重要領域。深度學習通過構建多隱層模型和學習海量訓練數據，可以獲取到數據有用的特征。通過數據挖掘進行海量數據處理，自動學習數據特征，尤

9、其適用于包含少量未標識數據的大數據集。深度學習采用層次網絡結構進行逐層特征變換，將樣本的特征表示變換到一個新的特征空間，從而使或更加容易。深度學習驅動圖像識別精度大幅度提升。2012 年, 深度學習模型首次被應用在圖像識別大賽（ImageNet），將錯誤率降至 16.4%，一舉奪冠。2015 年，微軟通過152 層的深度網絡，將圖像識別錯誤率降至 3.57%，而人眼的辨識錯誤率約在 5.1%，Deep Learning 模型的識別能力已經超過了人眼。在2017 年的ImageNet賽中，Momenta 團隊利用SENet 架構奪魁，他們的融合模型在測試集上獲得了 2.251% 的錯誤率，對比于

10、去年第一名的結果 2.991%,獲得了將近 25% 的精度提升。7互聯網醫療健康醫療人工智能技術與應用白皮書圖 1 2010-2017 年 ImageNet 競賽圖像識別錯誤率自Hinton 提出 DBN（深度置信網絡）以來，深度學習的發展經歷了一個快速迭代的周期，其中卷積神經網絡（ConvolutionalNeural Network,）目前已成為圖像識別領域應用最廣泛的算法模型。在利用卷積神經網絡（）進行圖像理解的過程中，圖像以像素矩陣形式作為原始輸入，第一層神經網絡的學習功能通常是檢測特定方向和形狀的邊緣的與否，以及這些邊緣在圖像中的位置；第二層往往會檢測多種邊緣的特定布局，同時忽略邊緣

11、位置的微小變化；第三層可以把特定的邊緣布局組為實際物體的某個部分；后續的層次將會通過全連接層來把這些部分組合起來，實現物體的識別。目前，已廣泛應用于醫療健康行業特別是醫療影像輔助，用以實現病變檢測和特定疾病的早期篩查。8互聯網醫療健康醫療人工智能技術與應用白皮書大數據。機器學習是人工智能的和基礎，而數據和以往的經驗是機器學習優化計算機程序的性能標準。隨著大數據的到來，來自全球的海量數據為人工智能的發展提供了良基礎。據 IDC 統計，2011 年全球數據總量已經達到 1.8ZB，并以每兩年翻一番的速度增長，預計到 2020 年全球將總共擁有 35ZB 的數據量，數據量20 倍；數據規模方面，預計

12、到 2020 年，全球大數據產業規模將達到萬億元 1。2047 億，我國產業規模將圖 2 全球和數據產業規模隨著病歷的實施，CT 影像、磁共振成像等放射圖像的普及，醫療行業的數據量已呈現指數級增長。據統計，2013 年全球醫療健1 數據來源：IDC 統計數據9互聯網醫療健康醫療人工智能技術與應用白皮書康數據量為 153EB，預計年增長率為 48%。通過自然語言理解、機器學習等技術，大量文本、圖像等非結構化數據得以分析利用。來源于三甲醫院的病歷數據庫，基層醫院和體檢機構的健康數據庫各統計部門的人口數據庫通過大數據技術可以實現互聯互通，形成個人完整生命周期的醫療健康大數據，為人工智能技術在醫療健康

13、行業的應用提供了的支撐。（三）人工智能上升為我國戰略2017 年 7 月 20 日正式新一代人工智能發展規劃（以下規劃），提出了面向 2030 年我國新一代人工智能發展的指導思想、戰略目標、重點任務和保障措施，部署構筑我國人工智能發展的先發優勢，加快建設創新型和世界科技強國，描繪了我國新一代人工智能發展的藍圖。規劃指出以提升新一代人工智能科技創新能力為主攻方向，構建開放協同的人工智能科技創新體系，把握人工智能技術屬性和屬性高度融合的特征，堅持人工智能研發攻關、應用和產業培育“三位一體”推進。其中，對于涉及民生需求的醫療、養老等方面，規劃重點提出應加快人工智能創新應用，為公眾提供個性化、多元化、

14、高品質服務，：推廣應用人工智能治療新模式新，建立快速精準的智能醫療體系；探索10互聯網醫療健康醫療人工智能技術與應用白皮書智慧醫院建設，開發人機協同的手術、智能診療助手，研發柔性可穿戴、生物兼容的生理監測系統，研發人機協同臨床智能診療方案，實現智能影像識別、病理分型和智能多學科會診；基于人工智能開展大規模基因組識別、蛋白組學、代謝組學等研究和新藥進監管智能化；加強流行病智能監測和防控。同時，也從科技專項角度支持醫療人工智能發展，醫學人工智能成為了 2018 年科技部專項的重點。2017 年 5 月份，我國科技部發布“十三五”衛生與健康科技創新專項規劃，提出加快引領性技術的創新和應用發展，攻克一

15、批急需的先進臨床診治。重點部署生命組學、基因操作、精準醫學、醫學人工智能、疾病早期發現、新型檢測與成像、生物治療、微創治療等前沿及共性技術研發，提升我國醫學前沿領域水平，增強創新驅動源頭供給，加快前沿技術創新及臨床轉化。“十三五”衛生與健康科技創新專項規劃對推進醫學人工智能的技術發展指明了具體方向：開展醫學大數據分析和機器學習等技術研究，開發集中式智能和分布式智能等多種技術方案，重點支持機器智能輔助個性化、精準治療輔助決策支持系統、輔助照看等研究，支撐智慧醫療發展。11互聯網醫療健康醫療人工智能技術與應用白皮書二、醫療人工智能的寶貴價值醫療行業長期優質醫生資源分配不均，誤診漏診率較高，醫療費用

16、成本過高，放射科、病理科等科室醫生培養周期長，醫生資源供需缺口大等問題。隨著近些年深度學習技術的不斷進步，人工智能逐步從前沿技術轉變為現實應用。在醫療健康行業，人工智能的應用場景越發豐富，人工智能技術也逐漸成為影響醫療行業發展，提升醫療服務水平的重要因素。與互聯網技術在醫療行業的應用不同，人工智能對醫療行業的改造生產力的提高，生產方式的改變，底層技術的驅動，上層應用的豐富。通過人工智能在醫療領域的應用，可以提高醫療準確率與效率；提高患者自診比例，降低患者對醫生的需求量；輔助醫生進行病變檢測，實現疾病早期篩查；大幅提高新藥研發效率，降低制藥時間與成本。（一）輔助醫生，緩解漏診誤診問題醫療數據中有

17、超過 90%的數據來自于醫學影像，但是對醫學影像的依賴于人工分析。人工分析只能憑借經驗去，容易發生誤判。據醫學會數據資料顯示，臨床醫療每年的誤診人數約為 5700 萬人，總誤診率為 27.8%，器官異位誤診率為 60%。以心肌12互聯網醫療健康醫療人工智能技術與應用白皮書絞痛病癥為例，其早期臨床表現輕微，除胸口痛外，常會伴隨出現肩部到手部內側疼痛，精神焦慮，血壓異常等尋常體征現象，對于門診醫生而言很容易發生誤診。對于病理醫生而言，從眾多細胞中依靠經驗找到微小的細胞難度較大，錯誤現象時有發生。人工智能技術的出現已經在一定程度上緩解了以上問題。利用圖像識別技術，通過大量學習醫學影像，人工智能輔助可

18、以輔助醫生進行病灶區域定位，有效緩解漏診誤診問題。（二）提高效率，彌補資源供需缺口據統計，我國每千人平均醫生擁有量僅為 2.1 人 2，醫生資源缺口問題較為嚴重。圖 3 我國每千人平均醫生擁有量2 數據來源：統計數據13互聯網醫療健康醫療人工智能技術與應用白皮書醫生資源缺口問題在影像科、病理科方面尤為嚴重。目前我國醫學影像數據的年增長率約為 30%，而放射科醫師數量的年增長率僅為4.1%。放射科醫師數量的增長遠不及影像數據增長。這個現象意味著放射科醫師在未來處理影像數據的會越來越大，甚至遠過負荷。供需不對稱的問題在病理方面表現尤甚。據統計，我國病理醫生缺口達到 10 萬，而培養病理醫生的周期卻

19、很長，這意味著此問題短期內將無法解決。面對嚴重的稀缺資源缺口問題，人工智能技術或將帶來解決這個難題的。人工智能輔助技術應用在某些特定病種領域，甚至可以代替醫生完成疾病篩查任務，這將大幅提高醫療機構、醫生的工作效率，減少不合理的醫療支出。（三）疾病風險預警，提供健康顧問服務多數疾病都是可以預防的，但是由于疾病通常在發病前期表征并不明顯，到病況加重之際被發現。雖然醫生可以借助工具進行疾輔助，但的復雜性、疾病的多樣性會影響的準確程度。人工智能技術與醫療健康可穿戴的結合可以實現疾病的風險預測和實際干預。風險對個人健康狀況的預警，以及對流行病14互聯網醫療健康醫療人工智能技術與應用白皮書等公共衛生的；干

20、預則主要指不同患者的個性化的健康管理和健康咨詢服務。圖 4 人工智能+院前管理：+干預（四）支持研發，提升制藥效率利用傳統的研發需要進行大量的模擬測試，周期長、成本高。目前業界已嘗試利用人工智能開發虛擬篩選技術，發現靶點、篩選，以取代或增強傳統的量篩選（HTS）過程，提高潛在的篩選速度和率。通過深度學習和自然語言處理技術可以理解和分析醫學文獻、專利、基因組數據中的，從中找出相應的候選，并篩選出特定疾病有效的化合物，從而大幅縮減研發時間與成本。（五）手術，提升外科手術精準度智能手術是一種計算機輔助的新型的人機外科手術平臺，主要利用空間導航技術，將醫學影像處理輔助系統、15互聯網醫療健康醫療人工智

21、能技術與應用白皮書以及外科醫師進行了有效的結合。手術不同于傳統的手術概念，外科醫生可以遠離手術臺操縱機器進行手術，是世界微創外科領域一項性的。目前是世界上最為先進的微創外科手術系統之一，集成了三維高清視野、可轉腕手術器械和直覺式動作三大特性，使醫生將微創技術更廣泛地應用于復雜的外科手術。相比于傳統手術需要輸血，會帶來傳染疾病等，做手術則很少。此外，手術可以保證精準定位誤差不到 1 毫米，對于一些對精確切口要求非常高的手術實用性很高。三、國內外醫療人工智能發展狀況及分析（一）市場規模及發展趨勢據統計，到 2025 年人工智能應用市場總值將達到 1270 億，其中醫療行業將占市場規模的五分之一。我

22、國正處于醫療人工智能的風口：2016 年工智能+醫療市場規模達到 96.61 億元，增長37.9%；2017 年將超過 130 億元，增長 40.7%；2018 年有望達到 200億元。投資方面，據 IDC 發布報告的數據顯示，2017 年全球對人工智能和認知計算領域的投資將迅猛增長60%，達到125 億，在2020年將進一步增加到 460 億。其中，醫療人工智能行業的投資16互聯網醫療健康醫療人工智能技術與應用白皮書也呈現逐年增長的趨勢。其中 2016 年總額為 7.48 億，總交為 90 起，均達到歷史最高值 3。圖 5 2012-2016 年全球醫療人工智能投融資情況（二）國內外行業發展

23、熱點分析國內外科技巨頭均重視人工智能技術在醫療領域的布局與應用。在2006 年啟動Watson 項目，于2014 年投資10 億成立Watson事業集團。Watson 是一個通過自然語言處理和機器學習，從非結構化數據中洞察數據規律的技術平臺。Watson 將散落在各處的知識片段連接起來，進行推理、分析、對比、歸納、總結和論證，獲取深入3 數據來源：IDC 統計數據17互聯網醫療健康醫療人工智能技術與應用白皮書的洞察以及決策的證據。2015 年，健康(Watson Health)成立，專注于利用認知計算系統為醫療健康行業提供解決方案。Watson 通過和一家中心合作，對大量臨床知識、基因組數據、

24、病歷、醫學文獻進行深度學習，建立了基于證據的臨床輔助決策支持系統。目前該系統已應用于腫瘤、心疾病等領域的和治療，并于 2016 年進入市場，在國內眾多醫院進行了推廣。Watson 在醫療行業的應用標志著認知型醫療的到來，該解決方案不僅可以提高的準確率和效率，還可以提供個性化的治療方案。此外，谷歌、微軟等也都紛紛布局醫療 AI。2014 年谷歌收購DeepMind 公司，后開發知名的人工智能程序 AlphaGo。在基礎技術層面，谷歌的開源平臺 TensorFlow 是當今應用最廣泛的深度學習框架。在醫療健康領域，Google 旗下的 DeepMind Health 和英國醫療服務體系NHS(Na

25、tional Health Service)展開合作，DeepMind Health可以NHS 的患者數據進行深度學習，訓練有關腦部的識別模型。微軟將人工智能技術用于醫療健康計劃“Hanover”，尋找最有效的和治療方案。此外，微軟有多個關于醫療健康的研究項目。Biomedical Natural Language Processing 利用機器學習從18互聯網醫療健康醫療人工智能技術與應用白皮書醫學文獻和病歷中挖掘有效，結合患者基因研發用于輔助醫生進行診療的推薦決策系統。國內科技巨頭也紛紛開始在醫療人工智能領域布局，各家公司均投入大量資金與資源，但各自的發展重點與發展策略并不相同。例如，阿里

26、健康以云平臺為依托，結合機器學習平臺 PAI2.0 構建了堅實而完善的基礎技術支撐。同時，阿里健康與浙江大學醫學院附屬第一醫院、浙江大學第二附屬醫院等醫院、上海交通大學醫學院附屬新華醫院以及第醫學影像中心建立了合作伙伴，重點打造醫學影像智能平臺，提供三維影像重建、智能等服務。此外，阿里云聯合英特爾、零氪科技聯合舉辦了天池醫療 AI 大賽。該大賽面向全球第一高發肺癌，以肺部小結節病變的智能識別、為課題，開展大數據與人工智能技術在肺癌早期影像上的應用探索。大賽基于阿里云天池大數據平臺，邀請全球生物、醫療、人工智能等眾多領域的校內團隊、學者、醫療企業參賽。參賽者使用大賽提供的數千份胸部 CT 掃描數

27、據集進行預訓練，在此基礎上開發算法模型，檢測 CT 影像中的肺部結節區域。準確率排名靠前的參賽者將進入決賽，決賽要求參賽者提交結果的 CSV 文件，并標記檢測到的結節坐標，最終根據參賽者給出的坐標結節是否19互聯網醫療健康醫療人工智能技術與應用白皮書檢測正確，如果結節落在以參考標準為中心半徑為 R 的球體中，則認為檢測正確。大賽通過探索早期肺癌精確智能的優秀算法，提升早期肺癌檢測的準確度，降低臨常見的假陽性的誤診發生，實現“早發現，早，早治療”。同時，本次大賽能夠激發傳統醫學與機器學習的碰撞與融合，為整體學科發展進行探路與思辨，推動了人工智能技術在醫療影像上的應用。騰訊在人工智能領域的布局涵蓋

28、基礎研究、研發、投資與孵化等多個方面。騰訊在 2016 年建立了人工智能AI lab，專注于AI 技術的基礎研究和應用探索。2017 年 11 月，在“2017 騰訊全球合作伙伴大會”上騰訊宣布了的“AI計劃”，旨在開放AI 技術，并結合資本機構孵化醫療 AI 創業項目。2017 年 4 月，騰訊向碳云智能投資 1.5 億。碳云智能由原華大基因 CEO牽頭組建，致力于建立人工智能的內核模型，并對健康風險進行預警、進行精準診療和個性化醫療。在研發方面，騰訊在 2017 年 8 月推出了首個應用在醫學領域的 AI騰訊覓影。騰訊覓影把圖像識別、深度學習等領先的技術與醫學跨界融合，可以輔助醫生對食管癌

29、進行篩查，有效提高篩查準確度，促進準確治療。除了食管癌，騰訊20互聯網醫療健康醫療人工智能技術與應用白皮書覓也將支持早期肺癌、性視網膜病變、乳等病種的早期篩查。在國際上權威的肺結節檢測比賽 LUNA 中，企業參賽隊伍阿里云 ET 和科大訊飛均取得了優異的成績。科大訊飛醫學影像團隊以92.3%的率刷新了世界。率是指發現的結節數在樣本數據中總節結數的。率是評測準確率的重要指標，召回率低代表遺漏了患者的關鍵病灶，因此科大訊飛團隊采用了多尺度、多模型集成學習的顯著提升了率，同時假陽性導致的醫生重復檢測問題，創新性地使用結節分割和特征圖融合的策略進行。在效率方面，科大訊飛團隊采用 3D模型來計算特征圖，

30、并在特征圖上進行檢測，并通過預訓練大幅提升了檢測效率，實現薄層 CT 的秒級別處理。四、我國醫療人工智能細分領域人工智能與醫療的結合方式較多，就醫流程方面診前、診中、診后；適用對象方面醫院、醫生、患者、藥企、檢驗機構等；從醫療行業的角度分析，降低醫療成本，提高效率等多種21互聯網醫療健康醫療人工智能技術與應用白皮書模式。我國醫療人工智能企業聚焦的應用場景集中在虛擬助理、病歷與文獻分析、醫療影像輔助、研發、基因測序等領域。（一）虛擬助理虛擬助理是指通過語音識別、自然語言處理等技術，將患者的病癥描述與標準的醫學指南作對比，為用戶提供醫療咨詢、自診、導診等服務的系統。智能問診是虛擬助理廣泛應用的場景

31、之一。智能問診是指機器通過語義識別與用戶，聽懂用戶對于癥狀的描述，再根據醫療數據庫進行對比和深度學習，對患者提供診療建議，用戶可能患有的健康隱患，應當在醫院進行復診的門診科目等。通用型的虛擬助手如Siri、微軟Cortana 等與用戶時，用戶可以輸入，由虛擬助手進行語義理解。醫療領域的虛擬助手與通用型的虛擬助手和用戶的方式不同，因為普通用戶難以使用準確的醫學用語去描述的問題。因此，醫療虛擬助手在幫助用戶進行智能問診時通常采用選擇題的形式。22互聯網醫療健康醫療人工智能技術與應用白皮書圖 6 虛擬助理系統進行智能問診智能問診在醫生端和用戶端均發揮了較大的作用。在醫生端，智能問診可以輔助醫生，尤其

32、是受限于基層醫療機構全科醫生數量、質量的不足，醫療條件的欠缺，基層醫療成為了我國分級診療發展的瓶頸。人工智能虛擬助手可以幫助基層醫生進行對一些常見病的篩查，以及疾病的預警與，幫助基層醫生更好地完成轉診的工作，這是人工智能問診在醫生端的價值體現。在用戶端，人工智能虛擬助手能夠幫助普通用戶完成健康咨詢、導診等服務。在很多情況下，用戶身體只是稍感不適，并不需要進入醫院進行就診。人工智能虛擬助手可以根據用戶的描述定位到用戶的健康問題，提供輕問診服務和用藥指導。2017 年，、大數醫達等公司研發的智能預問診系統得到了在多家醫院的落地應用。預問診系統是基于自然語言理解、醫療知識圖譜及自然語言生成等技術實現

33、的問診系統。患者在就診前使用預問診系統填寫病情相關，由23互聯網醫療健康醫療人工智能技術與應用白皮書系統生成規范、詳細的門診病歷發送給醫生。預問診系統采用層次轉移的設計架構模擬醫生進行問診，既能有邏輯地像醫生一樣詢問基本、疾病、癥狀、治療情況、既往史等，同時可以任一癥狀、病史等進行細節特征的問診。除問診外，預問診系統基于自然語言生成技術自動生成規范、詳細的問診報告，主要：患者基本、主訴、現病史、既往史和過敏史五個部分。此外，語音識別技術為醫生書寫病歷，為普通用戶在醫院導診提供了極大的便利。當放射科醫生、外科醫生、口腔科醫生工作時雙手無法空閑出來去書寫病歷，智能語音錄入可以醫生的雙手，幫助醫生通

34、過語音輸入完成查閱資料、文獻精準推送等工作，并將醫生口述的醫囑按照患者基本、檢查史、病史、檢查指標、檢查結果等形式形成結構化的病歷，大幅提升了醫生的工作效率。科大訊飛的智能語音“”為了應對醫院科室內嘈雜的環境，達到更語音處理效果，開發了醫生麥克風，可以過濾掉噪音及干擾，將醫生口述的內容轉換成文字。目前，訊飛醫療的語音轉錄準確率已超過 97%，同時推出了 22 種方言的版本，并已在北大口腔、瑞金醫院等超過 20 家醫院落地使用。科大訊飛的另一款“”導診利用科大訊飛的智能語音和人工智能技術，能夠通過與患24互聯網醫療健康醫療人工智能技術與應用白皮書者進行理解患者的需求，實現智能地院內導診，告訴患者

35、科室位置、應就診的科室，并解答患者就診過程中遇到的其他問題，實現導醫導診，進一步助力分診。“”目前已在省立醫院、等多家醫院投入使用。（二）病歷與文獻分析病歷是在傳統病歷基礎上醫生與的交互過程以及病情發展情況的化病情，包含病案首頁、檢驗結果、住院記錄、手術、醫囑等。其中既有結構化數據，也大量文本輸入的非結構化數據。對病歷及醫學文獻中的海量醫療大數據進行分析，有利于促進醫學研究，同時也為醫療器械、的研發提供了基礎。人工智能利用機器學習和自然語言處理技術可以自動抓取來源于異構系統的病歷與文獻數據，并形成結構化的醫療數據庫。大數醫達、惠每醫療、森億智能等企業正是基于構建的知識圖譜，形成了供醫生使用的臨

36、床決策支持，為醫生的提供輔助，包括病情評估、診療建議、等。25互聯網醫療健康醫療人工智能技術與應用白皮書圖 7 醫療知識圖譜構建及應用構建醫療知識圖譜的過程需經過醫學知識抽取、醫學知識融合的過程。在醫學知識抽取過程中，傳統的基于醫學詞典及規則的實體抽取諸多弊端。首先，目前沒有醫學詞典能夠完整地囊括所有類型的生物命名實體，此外同一詞語根據上下文語境的不同可能會指代的是不同實體，因此簡單的文本匹配算法無法識別實體。近年來，深度學習開始被廣泛應用于醫學實體識別，目前實驗結果表明基于BiLSTM-CRF 的模型能夠達到最識別效果。由于數據來源的多樣性，在醫學知識融合的過程中近義詞需要進行歸類，目前回歸

37、樹算法、SVM在實體對過程中可以實現良效果。和其他行業相比，分散在醫療化各個業務系統中的數據包含管理、臨床、區域人口等多種數據，復雜性更高，隱藏價值更大。26互聯網醫療健康醫療人工智能技術與應用白皮書新等企業在 2017 年大力推進利用大數據技術挖掘醫療數據價值，助力人工智能與精準醫療。通過大數據平臺充分挖掘各種類型數據的價值，幫助實現輔助、精準醫療、臨床科研等多種目標。大數據平臺通過自然語言處理技術，對病歷中的文本進行分詞、實體識別、依存句法分析、提取等操作，實現文本結構化。在實現病歷結構化的基礎上，利用機器學習聚類分析建立建議模型，從而為醫生的臨床決策提供支持。對病歷的結構化和數據挖掘，可

38、以幫助一線及科研挖掘疾病規律，進行疾病相關性分析、患病分析、疾病譜分析等，并建立新的研究課題。例如，新在協助醫院進行關于癌的相關課題研究時，得小板與淋巴細胞的對癌具有重要價值。（三）醫療影像輔助醫療影像數據是醫療數據的重要組成部分，從數量上看超過 90%以上的醫療數據都是影像數據，從產生數據的來看CT、X 光、MRI、PET 等醫療影像數據。據統計，醫學影像數據年增長率為 63%，而放射科醫生數量年增長率僅為 2%，放射科醫生供給缺口很大。人工智能技術與醫療影像的結合有望緩解此類問題。人工智能技術在醫27互聯網醫療健康醫療人工智能技術與應用白皮書療影像的應用主要指通過計算機視覺技術對醫療影像進

39、行快速讀片和智能。人工智能在醫學影像中應用主要分為兩部分： 一是感知數據，即通過圖像識別技術對醫學影像進行分析，獲取有效;二是數據學習、訓練環節，通過深度學習海量的影像數據和臨床數據，不斷對模型進行訓練，促使其掌握能力。目前，人工智能技術與醫療影像的結合場景肺癌檢查、糖網眼底檢查、食管癌檢查以及部分疾病的核醫學檢查和病理檢查等。利用人工智能技術進行肺部腫瘤良性惡性的步驟主要：數據收集、數據預處理、圖像分割、肺結節標記、模型訓練、預測。首先要獲取放射性如 CT 掃描的序列影像，并對圖像進行預處理以消除原 CT 圖像中的邊界噪聲,然后利用分割算法生成肺部區域圖像，并對肺結節區域進行標記。數據獲取后

40、，對 3D 卷積神經網絡的模型進行訓練，以實現在肺部影像中尋找結節位置并對結節性質進行。28互聯網醫療健康醫療人工智能技術與應用白皮書圖 8 人工智能技術在肺結節檢查中的應用食管癌是常見之一，據統計，我國 2015 年新發食管癌人數為 47.7 萬，占全球患數的 50%。食管癌的早期治療是診療的關鍵，食管癌早期五年內治療的生存率超過 90%，而進展期/晚期五年生存率則小于 15%。但是由于基層醫療機構醫生缺乏足夠的認知以及篩查，導致我國對早期食管癌的檢出率較低。利用人工智能技術輔助醫生對食管癌進行篩查，可以有效提高篩查準確度與檢測效率。騰訊公司研發的覓影 AI食管癌的早期篩查準確率可超過 90

41、%，并且完成一次內鏡檢查的時間已經可在數秒之內。29根據深度學習訓練經驗進行篩選，并手工輸入大量標記數據對深度學習模型進行訓練和調整根據拓撲特征分割初始區互聯網醫療健康醫療人工智能技術與應用白皮書圖 9 騰訊覓影對食管癌的識別整體流程病，俗稱老年癡呆癥，是一種發病進程緩慢、隨著時間不斷惡化的持續性神經功能，該疾病的因至今仍不明確，沒有可以阻止或逆轉病程的治療。在我國，對該病癥的重視程度不高，現已造成就診率低、率低、治療率低的“三低”局面。根據國際病聯合會報告，2015 年病患者超過 950 萬，患數已居世界第一，且仍在快速增長，2050 年或將達到 3000 萬。癥在患病早期是可以干預的，但檢

42、測卻相對，越早檢測出這種病癥，患者就越有機會提早尋求治療，減緩病情的影響。病的臨床需要通過神經心理學測驗、血液學檢查、結構影像學或功能影像學檢查、腦電圖等方式綜合。病的診療難點在于癥狀以及檢查指標等的非特異性，較難實現早期。雅森科技等企業通過輸入核磁、腦電圖和量表三種不30互聯網醫療健康醫療人工智能技術與應用白皮書同類型的數據，綜合運用機器訓練、統計分析和深度學習的，找出患者是否患病與輸入之間的。對于病所用到的人工智能，已不只是傳統意義上的深度學習對醫學影像的識別，而是在此基礎上找出多種源之間的，并基于這三種數據訓練多模態神經網絡訓練模型，從而提前兩至三年老年癡呆發病的可能性以及病情發展的階段

43、。糖網病是引起的視網膜病變。據統計，我國約 5 億人處于前期，患者約有 1.1 億人，糖網病患者約有 3000 萬。對患者進行眼底篩查具有重要意義，因為糖網病患者通常早期難以發覺患有疾病，癥狀表現不明顯，只有經過眼底早期篩查，及時發現糖網病，及早干預，才能有效疾病的發生。相較于其他疾病的需要結合臨床，人工智能在糖網眼底領域的檢查具備更高的可操作性，因為僅眼部圖像的檢查就具備較高的診療價值。針對滲出或者等病變，AI 系統也可以實現較高的準確率。在 2017年，眾多企業、科研機構均進行了關于此方面的研究。例如，移動通信與沈陽何氏眼科醫院深度合作，研發眼底圖像質量評估、視網膜病變嚴重程度分級、糖網病

44、變病灶位置檢測等智能算法。首先對所的眼底圖像質量是否合格（即是31互聯網醫療健康醫療人工智能技術與應用白皮書否滿足病理分析要求）進行評估，并對質量合格的眼底圖像，分析其為左眼或右眼、是否眼底疾病、糖網病變嚴重程度的分級（糖網），并檢測眼底圖像中出現微動脈瘤、滲出等糖網病變病灶的具置，最終自動生成結構化篩查報告，為患者提供轉診建議。移動面向基層醫院、眼視光中心、社區服務站、鄉村診所等基層篩查場景，將專業眼科影像的眼底圖像通過固網或移動蜂窩網上傳至云端，利用先進的人工智能、深度學習技術進行分析，實現眼底致盲疾病的自動篩查、視網膜病變（）嚴重程度分級以及病灶位置檢測和跟蹤，其結果供臨床醫生參考，施行

45、必要的干預、治療，使廣泛、低成本、快速響應的規模化篩查成為可能。病理是醫學界的金標準，也是許多疾病的最終確定指標。但是，病理醫生通常必須花費大量的時間檢查病理切片，因為病理醫生需要在上億級像素的病理圖片中識別微小的癌細胞。對于同一種疾病的病理，不同的醫生往往會得出不同的結論，足見病理的誤診問題。人工智能技術為數字病理帶來了技術革新，幫助病理醫生提高效率避免遺漏。相較于 CT、X 光等影像的人工智能輔助，病理人工智能輔助難度更大，因為病理的既要觀察整體，還要觀察局部；不只要學習細胞特征，還要學習其生物行為。32互聯網醫療健康醫療人工智能技術與應用白皮書我國已有高科、迪英加科技等眾多企業開始研究利

46、用人工智能輔助數字病理，他們開發的人工智能輔助系統乳、宮頸癌等疾病的病理檢查已實現較高的準確率。圖 10 人工智能在乳腺組織病理切片中的癌細胞檢測應用（四）研發人工智能正在重構新藥研發的流程，大幅提升制成的效率。傳統研發需要投入大量的時間與金錢，制藥公司平均研發一款新藥需要 10 億及 10 年左右的時間研發需要經歷靶點篩選、挖掘、臨床試驗、優化等階段。目前我國制藥企業紛紛布局 AI 領域，主要應用在新藥發現和臨床試驗階段。33互聯網醫療健康醫療人工智能技術與應用白皮書表 1 人工智能技術與研發的結合靶點篩選。靶點是指與機體生物大分子的結合部位，通常涉及受體、酶、離子通道、轉運體、免疫系統、基

47、因等。現代新藥研究與開發的關鍵首先是尋找、確定和篩選靶分子藥靶。傳統尋找靶點的方式是將市面上已有的與身上的一萬多個靶點進行交叉匹配以發現新的有效的結合點。人工智能技術有望這一過程。AI 可以從海量醫學文獻、專利、臨床試驗等非結構化數據中尋找到可用的，并提取生物學知識，進行生物化學預測。據，該有望將研發時間和成本各縮短約 50%。挖掘。挖掘也可以稱為先導化合物篩選，是要將制藥行業積累的數以百萬計的小分子化合物進行組合實驗，尋找具有某種生物活性和化學結構的化合物，用于進一步的結構改造和修飾。人工智34研發人工智能結合點發現階段靶點篩選文本分析篩選量篩選、計算機視覺臨床試驗階段招募病例分析晶型虛擬篩

48、選互聯網醫療健康醫療人工智能技術與應用白皮書能技術在該過程中的應用有兩種方案，一是開發虛擬篩選技術取代高通量篩選，二是利用圖像識別技術優化量篩選過程。利用圖像識別技術，可以評估不同疾病的細胞模型在給藥后的特征與效果，有效的候選。招募。據統計，90%的臨床試驗未招募到足夠數量和質量的患者。利用人工智能技術對患者病歷進行分析，可以更精準的挖掘到目標患者，提高招募患者效率。晶型。晶型對于制藥企業十分重要，熔點、溶解度等因素決定了臨床效果，同時具有巨大的專利價值。利用人工智能可以高效地動態配置晶型，防止漏掉重要晶型，縮短晶型開發周期，減少成本。（五）基因測序基因測序是一種新型技術，它通過分析測定基因序

49、列，可用于臨床的遺傳病、產前篩查、罹患腫瘤與治療等領域。單個人類基因組擁有 30 億個堿基對，編碼約 23000 個含有功能性的基因，就是通過解碼從海量數據中挖掘有效。目前量測序技術的運算層面主要為解碼和，較難以實現基因解讀，所35互聯網醫療健康醫療人工智能技術與應用白皮書以從基因序列中挖掘出的有效十分有限。人工智能技術的介入可目前的瓶頸。通過建立初始數學模型，將健康人的全基因組序列和RNA 序列導入模型進行訓練，讓模型學習到健康人的RNA 剪切模式。之后通過其他分子生物學對訓練后的模型進行，最后對照病例數據檢驗模型的準確性。目前，國內的華大基因、生物、金域檢驗等龍頭企業均已開始的人工智能布局

50、。以金域檢驗為例，金域檢驗利用其綜合檢驗檢測技術平臺，以疾病為導向設立檢測中心，融合生物技術與人工智能等新一代為廣大患者提供專業化的臨床檢驗服務。金域檢驗的基因組檢測中心擁有全基因組掃描、熒光原位雜交、細胞遺傳學、傳統 PCR，并利用基因測序領域中最具性的新技術之量測序技術(HTS)為臨床提供量、大規模、自動化及全方位的服務。同時，金域檢驗依托覆蓋全國 90以上的人口所在地區、年服務醫療機構 21000 多家和年標本量超 4000萬例的覆蓋全國不同地域、不同民族、不同層次的海量醫療檢測樣本數據，創建了具有廣州特色的“精準醫療”檢驗檢測大數據研究院。36互聯網醫療健康醫療人工智能技術與應用白皮書

51、五、的問題與（一）數據是行業發展的瓶頸，積累與創新是解決問題的關鍵數據是人工智能技術最重要的因一。對于機器學習而言，模型越復雜、越具有強表達能力越容易降低對未來數據的解釋能力，而專注于解釋訓練數據。這種現象會導致訓練數據效果很好，但遇到未知的測試數據效果會大幅降低，即發生過擬合現象，從而也就需要的數據來避免該問題的發生，以保證訓練的模型對新的數據也能有良表現。對于醫療人工智能而言，數據的重要性更為明顯。以醫療影像輔助公司為例，企業訓練模型的數據來源通常是公開數據集，或者企業與個別醫院合作獲取的影像數據。這種模式在企業創業初期可以維持，但是當企業發展到一定階段時弊端會開始出現。以肺結節 CT 篩查為例，企業通常與個別醫院