目前，人工智慧已成為醫療健康應用發展新的驅動力。為及時掌握全國範圍內醫療健康人工智慧技術的推廣及應用情況，發揮典型引領、示範作用，推動新一代人工智慧技術的應用落地，2019年1月，國家衛生健康委統計信息中心面向全國開展人工智慧技術應用落地案例徵集活動。
圖片來源：圖蟲創意
1. 案例來源
2019年1月—3月，通過網上填報共收集案例245例，經篩選進入評選環節的案例190例，涉及137所醫療衛生機構和科研院所；有55例案例未通過形式審查。收集的信息包括案例名稱、申報類型、申報單位、承建商、基本情況、實現功能、應用效果、技術特點、軟體著作和專利及獲獎情況。申報類型分為疾病預測幹預智能化、疾病諮詢智能化、疾病診療智能化、藥物研發智能化、衛生事業管理智能化和其他類型案例6類[1]。
2. 案例分析
2.1案例分類
按照單位填報的案例類別統計，在190個案例中，疾病輔助診療類案例98例，佔比52%；疾病預測幹預類案例31例，佔比16%；疾病諮詢類案例22例，佔比12%；衛生事業管理類案例24例，佔比13%；其他案例15例，佔比8%；藥物研發智能化案例為0。
2.1.1疾病輔助診療類
主要收集臨床輔助診療、疾病康複方面的相關應用案例，包括知識庫、智能輔助診斷系統等，以及臨床醫療機器人、護理機器人、手術機器人、康復機器人等服務系統。疾病輔助診療類以醫學影像類居多。其中，電子計算機斷層掃描（CT）影像類28例。多模態影像，如CT影像與磁共振（MR）或正電子發射計算機斷層顯像（PET）等融合28例。應用場景相對單一，技術也趨於同質化。
2.1.2疾病預測幹預類
主要關注健康風險預測、疾病流行和公共衛生事件等案例。疾病預測幹預類案例主要收集健康管理諮詢、虛擬助手、智能全科醫生等針對疾病及健康知識等實現的相關應用。在此類應用的22個案例中，有9例是「智能導診」應用場景。
2.1.3衛生事業管理類
主要收集公共衛生管理、醫院管理、分級診療、醫患溝通、人文關懷等應用案例，如患者隨訪、護理質量管理等。在此類應用的24個案例中，主要以健康大數據管理為主，側重於提升醫院管理水平，支撐分級診療工作開展。
2.1.4藥物研發類
主要收集新藥發現階段與臨床試驗等應用案例，如靶點篩選、藥物發掘、藥物優化、服藥依從性管理、藥物晶型預測等，但此類案例缺失，分析其原因：首先，本次案例徵集主要針對醫療衛生機構，沒有涉及到藥品研發及生產過程；其次，對藥物研發，尤其是基於分子生物學的分子功能分析等需求關注較少。
2.1.5其他
主要關注「防病輔醫研藥協管」以外的智能化應用案例，申報案例有智能護理包、智能平臺、物流機器人等。
2.2分析結果
2.2.1申報案例以醫療衛生機構為主
按照東、中、西部地區進行統計，東部地區申報案例數量為120例，佔比63%，佔比較高；中部地區為31例，佔比16%；西部地區為39例，佔比21%。按照醫療衛生機構類別進行統計，各級醫療機構共111家，佔比81%，其中三級醫院99家，二級醫院5家，一級及未定級醫院7家；公共衛生單位22家，佔比16%；科研院所4家，佔比3%。
申報項目數量排前3位的省份分別是廣東省22例、北京市20例、上海市和浙江省同為16例。深圳市申報項目12例，佔了廣東省的一半以上。報送案例數量超過10例的還有山東省、四川省、江蘇省、安徽省、重慶市和福建省。
2.2.2疾病輔助診斷應用超過半數以上，以醫學影像應用為主
現代醫學屬於循證醫學，影像檢查，是現代醫療診斷的主要依據之一。醫學影像的數據具有可獲得、易標註、質量較好、數據標準化程度較高等特點，使得人工智慧在醫學影像應用中最為成熟。大部分案例通過對病灶或靶區的自動勾畫，以及三維模型的重建，實現影像分類、靶點檢測、圖像分割、影像檢索。本次疾病輔助診斷案例大多以醫學影像數據為基礎，從原始數據中得出抽象的泛化特徵，通過反覆學習和模型建立進行判斷，完成醫學影像識別應用。許多醫院通過使用人工智慧醫學圖像識別系統，提升診斷效率和精準度。基層醫療衛生機構通過信息技術賦能，提升診斷水平、促進醫療資源下沉。
2.2.3輔助診斷應用以肺結節、腫瘤、心腦血管、眼底病等疾病為主
（1）肺結節等肺部疾病檢測及診斷案例有46例。案例多通過人工智慧技術輔助完成診斷工作，並基於篩查結果自動生成結構化診斷報告。
（2）腫瘤篩查申報案例有30例。主要通過人工智慧算法自動識別病灶及評估腫瘤良惡性概率，同時根據病灶位置、大小、密度、鈣化及良惡性等徵象特徵，作出預測。多數還可以自動匹配具有病理結果的相似病理，作為當前病例的診斷參考。該類案例主要包括肺癌篩查及檢測、婦女兩癌篩查（乳腺、宮頸）、消化道腫瘤篩查、肝癌篩查等。
（3）心腦血管疾病案例為15例。主要包括心電圖輔助診斷檢測及監護、圍術期超聲心動圖檢測、冠狀動脈疾病診斷和預測、靜脈血栓塞及心腦血管斑塊和狹窄檢出等。
（4）眼底疾病申報情況。案例主要包括糖網病、黃斑水腫、高度近視眼底改變、黃斑病變、視網膜分支靜脈阻塞、視網膜中央靜脈阻塞等相關疾病的智能化篩查和識別。
3. 人工智慧技術應用分析
近兩年，巨大的醫療健康需求，快速發展的數據技術，讓醫療人工智慧備受各界關注。有報告將人工智慧分為機器學習、知識工程、計算機視覺、自然語言處理、語音識別、計算機圖形學、多媒體技術、人機互動、機器人、資料庫技術、可視化、數據挖掘、信息檢索與推薦13個[2]技術領域。本文主要對照機器學習、知識工程等7個技術點，對本次案例進行分析後發現，超過84%的案例實現了多任務、多模態的技術模式，如在肺部疾病、心腦血管、消化道、乳腺及宮頸癌、眼科等疾病篩查及輔助診斷治療中，採用計算機視覺、知識工程、自然語言處理（natural language processing，NLP）等技術，實現醫學圖像分割、病灶識別分類、知識庫建立等功能。在智能導診系統中，採用語音識別、NLP、自動駕駛等，實現語音識別與分析，並引導患者就醫。在疾病輔助診斷案例中，通過大數據技術進行大規模數據獲取，利用知識圖譜、大規模語義網絡技術，建立知識庫等自動識別和自動歸類等。
3.1 機器學習技術
機器學習主要涉及到算法的選擇、分類器的構建[3]。算法通過輸入的數據進行自動學習獲得知識，並基於輸入數據建立模型，對新數據進行精確預測。數據的積累有利於分類器性能的提升。機器學習可以從大量醫療數據集的數據中學習和識別，為醫療健康人工智慧的輔助診斷和輔助治療提供支持。機器學習又分為有監督學習、無監督學習、強化學習、深度學習等。深度學習是一種特定形式的機器學習，隨著卷積神經網絡、深度置信網絡等技術的進步，深度學習引領了圖像識別和語音識別等領域的突破性進展。
在此次分析的190例醫療健康人工智慧應用案例中，有65例使用了機器學習技術，包括支持向量機（support vector machine, SVM）算法、決策樹算法、回歸預測算法、推薦算法等，應用範圍包括導診導醫機器人、傳染病和慢性病預測及篩查系統、智能診斷系統（兒科、血液病、心腦血管、消化道、肺部診斷、腫瘤等）、臨床用藥輔助決策系統、健康管理系統等。有108例使用了深度學習技術，包括NLP、即時定位與地圖構建（simultaneous localization and mapping，SLAM）、計算機視覺、語音語義技術等，應用範圍包括導診導醫系統、傳染病和慢性病預測及篩查系統、智能診斷篩查系統（兒科、血液病、心腦血管、消化道、宮頸及乳腺癌、肺部疾病、眼科、腫瘤等）、骨科術前方案制定系統、術後康複評定系統、急診（救）輔助決策系統、臨床用藥輔助決策系統、健康管理系統等。
3.2 知識工程（專家系統）
業界對知識工程定義為將知識集成到計算機系統，從而完成需要特定領域專家才能完成的複雜任務。專家系統是知識工程的雛形或簡單呈現，計算機系統從診斷、檢查等數據中，半自動或自動獲取知識，由於沒有明確的知識庫和推理機，直接模擬診斷缺乏靈活性。隨著算力算法、知識圖譜和自然語言識別等進步，知識工程已經從單純的搜集獲取信息轉變為自動化的知識服務，通過為數據添加語義/知識，完成從數據到信息、到知識，最終到智能應用的轉變過程[8]。由於醫療診斷是一項典型的專家任務，所以知識工程是應用較早、使用廣泛、卓有成效的人工智慧技術。本次案例中，有7例使用了專家系統作為關鍵字，應用範圍包括基於醫療檢查結果進行分析和判斷的醫療檢查解釋系統，心腦血管、腫瘤等診斷專家系統，慢病及中醫健康管理專家系統等。例如：智能病史採集系統主要面向門診診療，提供智能問診、病史採集、病歷自動生成、病程可視化等能力，覆蓋消化、呼吸、內分泌等專科常見病、多發病，在患者就診時，系統已自動傳輸、提前採集，並生成的智能病史至醫生電子病歷系統。糖尿病智能管理處方系統將國內外糖尿病及相關併發症的各類指南和共識中的要義轉換成數字醫學規則，通過收集患者糖尿病影響因子，結合用戶畫像模型及糖尿病知識庫，指導患者正確飲食，監測血糖、運動、足部護理等，智能生成「糖尿病個體化控制處方」，對患者進行智能化、個性化正向幹預。
3.3計算機視覺
計算機視覺技術是使計算機具有類似人類眼睛所具有的分割、分類、識別、跟蹤、判別、決策等功能。本次許多案例都利用相關技術，提供了較好的應用案例。冠狀動脈CT血管造影（CT angiography，CTA）是經靜脈注射造影劑後，CT掃描並計算機重建的心臟冠狀動脈成像的一種檢查方法，案例醫院在冠狀動脈CTA後處理及診斷應用中，採取對圖像分割技術、三維重建、血管中心線提取、斑塊和狹窄識別判別等技術，為醫生提供更精細化的圖像處理，輔助醫生提高效率，對質量控制起到非常好的作用。有的案例醫院通過肺癌影像智能應用，對檢測出的肺結節，描述其大小、體積、密度、CT值等形態特徵，並基於算法智能分析胸部CT其他影像表現，如針對分葉、毛刺、胸膜凹陷、空洞、空泡、鈣化，6種常見的良惡性徵象，提示良性、惡性肺部病變的概率評估，供醫師參考。同時，自動匹配相似病理結果，提供結構化的定量評估、進行多平面重組（MPR）追蹤和隨訪分析。皮膚病學的基礎是皮損的可視化特徵，很多皮膚病特徵適合使用計算機視覺進行輔助診斷，有的案例醫院利用已標註的皮膚影像資源，能識別的皮膚疾病數量達50餘種，並形成皮膚腫瘤、黑甲、銀屑病、白癜風等疾病的輔助診斷管理平臺。
3.4自然語言處理（NLP）
自然語言處理是實現人機間信息交流的重要技術和環節，自然語言處理就是計算機理解自然語言，包括自然語言理解和自然語言生成兩個方面。有的案例醫院利用智能化靜脈血栓栓塞症智能管理系統，針對靜脈血栓形成及肺血栓栓塞症對文獻和指南進行彙編，構建標準化名詞和數據集。利用NLP技術從既往病史、檢查報告、病理報告、臨床診斷、手術記錄識別出指標信息，通過歸一化處理、邏輯推理等操作，實現對患者的自動量表評分，大幅提升效率和效果。有的醫院建立覆蓋90%兒童的亞專科智能病種庫，將非結構化文本形式的病歷數據變成規範化、標準化、結構化的數據，以便計算機輔助診斷系統可以準確完整地「讀懂」病歷。然後，將文本病歷轉換成輸入部分，包含患兒的性別、年齡等基本信息，身高、體重等生命體徵，以及症狀、化驗指標和影像檢查標誌物等，把診斷結果作為輸出部分。利用高年資兒科醫生標註診斷，確定金標準測試集，來判斷算法的準確度。
3.5 語音識別
語音識別應用主要包含兩個方面：一方面，提取語音庫中語音樣本進行學習和訓練；另一方面，語音信號的準確識別。識別結果的好壞與模板庫是否準確、模型參數的好壞，以及特徵參數的選擇都有直接關係。我國語音識別相關技術基本與國外先進技術處於同一檔次[5]。有的案例醫院在門診醫生站嵌入語音電子病歷系統，通過對病歷數據與用戶使用系統中產生的真實音頻數據的訓練，形成定製版的醫療語言模型，並利用海量語料訓練語言模型融合，獲得更好的語言模型，保證醫生在真實使用場景中，識別準確度越來越精準。另外，面對醫生診間背景噪音、醫生方言口音等具體問題，建立不同方言和不同類型背景噪聲的海量語音數據，通過先進的區分性訓練方法，進行語音建模，使語音識別在複雜應用環境下均有良好的效果。有的案例醫院在患者病情隨訪中心使用語音識別技術，通過終端自動撥打患者電話，真人真音與患者進行出院隨訪溝通，並有效地採集患者回答的信息，將患者回答的語音自動轉錄為文字記錄，大大減輕醫務人員工作量，保證病人隨訪的質量。
3.6機器人
聯合國標準化組織給機器人定義 為「一種可編程和多功能的操作機；或是為了執行不同的任務而具有可用電腦改變和可編程動作的專門系統。一般由執行機構、驅動裝置、檢測裝置和控制系統及複雜機械等組成。」機器人既可以接受人類指揮，又可以運行預先編排的程序進行行動。
有的案例醫院利用導醫機器人，集成導診分診、院內導航、健康宣教等功能於一體，利用語音識別、自然語言理解、語音合成、人臉檢測等技術，以「患者需求引導功能」模式，利用聲源定位技術，主動判斷聲源方位，開展導醫服務。有的案例醫院利用物流機器人，應用於手術室、靜脈補液配送、標本運送等場景。物流機器人利用物聯網，基於計算機視覺的多源傳感器融合導航技術與環境感知技術，具備適應醫院室內定位和導航的傳感系統和模塊，實現了自主定位導航、自主電梯控制、自主門禁控制、醫療物品運輸等功能。
3.7人機互動技術
人機互動（human-computer interaction，HCI），是人與計算機之間為完成某項任務所進行的信息交換過程。由於人體動作蘊含豐富的語義，動作交互技術不僅體現了感知技術的發展，也需要發現或設計有明確交互語義的動作。在本次案例中，有的醫院針對腦卒中、帕金森病、阿爾茨海默病等重大神經系統疾病，應用多模態自然人機互動系統，從患者書寫運動中，提取認知與運動功能特徵，建立正常人/患者的運動及筆跡模型，從而實現神經功能異常檢測與輔助診斷。基於深度視覺捕捉技術隱式獲取人體在自然行走狀態下的運動學參數，包括步速、步頻、步長、步寬、協調性等運動學特徵，構建神經系統疾病分類預測模型等。將慣性傳感器與日常餐具結合，利用患者在吃飯、喝水中，使用餐具時的手部運動行為，提取震顫、遲緩等病症相關特徵，建立正常人/患者的動作模型，對帕金森病患者進行運動功能評估等，為神經醫學檢測提供定量化、多模態和非任務態監測的支持。
圖片來源：圖蟲創意
4. 討論
4.1亟需構建統一完整的人工智慧應用評價體系
4.1.1人工智慧應用與信息化應用評估的區別
人工智慧應用與信息化應用有本質的區別。信息化是將傳統業務中的流程和數據，通過建設信息系統，將技術應用於個別資源或流程來提高效率。智能化是使對象具備靈敏、準確的感知功能、正確的思維與判斷功能、自適應的學習功能、行之有效的執行功能而進行的工作。智能化也是從人工到自動再到自主的過程[5]。人工智慧是由人工建設的系統或數據學習所表現出來的智能，是使機器/系統能夠完成一些通常需要人類智慧才能完成的複雜任務的技術和方法論，也是實現智能化的主要途徑。
為了更好的推動醫療健康人工智慧應用的發展，國家衛生健康委統計信息中心聯合醫療機構、研究機構及相關企業，建立了醫療健康人工智慧應用評估模型。評估模型主要圍繞醫學智能應用、智商評估，分為基礎環境、智能應用、服務效能3個方面。基礎環境是指數據環境、網絡環境、基礎架構、人才儲備等。智能應用是最能體現醫療服務系統智能水平的核心部分，早期的初級智能主要表現為自動化能力；中期則主要體現在基本的認知能力，包括知識的獲取和發現，且具備一定的自我學習能力；高級的智慧則體現在主動識別、主動發現、自我學習能力，有一定的邏輯思維能力。服務效能是智能化的最終目標，即改善醫療服務效能，提升醫療服務能力。
4.1.2評價指標體系有待在應用中完善
針對應用評估模型，前期已設計完成醫療健康人工智慧應用評價指標，評價指標體系設立了5個一級指標：創新性、有用性、易用性、安全與隱私性、普適性。創新性主要對模式創新程度和技術先進性兩個維度進行評價，評價點包括解決的問題是否熱點、前沿，應用模式是否創新，利用數據資源是否新穎，是否應用人工智慧技術算法，所採用的人工智慧技術是否前沿，是否針對健康醫療領域問題有較大貢獻等；有用性指標充分考慮了效率、效能和經濟性等因素，如有用性、易用性、安全與隱私性、用戶體驗等；易用性主要對醫護人員的操作簡捷和兼容擴展性進行評價；安全與隱私性主要圍繞醫療安全、系統安全和隱私性3個維度進行評價，包括醫院有明確的機制、流程、指南，以保障醫療安全；有明確應急預案及措施，以儘可能地減少差錯損失，保證系統運行的安全性與穩定性，確保用戶敏感信息不被洩露；普適性主要圍繞全局應用能力、跨域推廣能力等進行評價。
本次案例評審，按照評價指標體系對案例申報文檔進行分析與評價，檢驗了評價體系對應用的指導和評價作用，但整個評價指標有待在實際應用中進一步完善，並在系統性、完整性等方面有待提高。
4.2 數據是醫療健康人工智慧應用發展的基礎
4.2.1 人工智慧應用前提是醫療數據可用性
醫療健康數據具有真實性強、敏感度高、覆蓋面廣、規模大、數據結構多樣和邏輯複雜等[7]的特點。這些真實記錄診療、檢查等活動的數據，不僅反應了患者個體與疾病的對應關係，也在宏觀上包含了疾病傳播、地區流行病發病情況、區域人口健康狀況等，數據敏感度高。醫院內部的信息系統眾多，各個系統之間的數據關係及數據結構複雜，還需要集成和融合異構數據集，如圖像、生理數據、文本（非標準化或非結構化信息，以及不同的組學概況，包括基因、代謝等）。所以，醫療健康數據的可獲取性、安全性、標準化、共享交互能力、倫理性等，將直接決定了醫療健康人工智慧應用的發展。
4.2.2 借鑑國外醫療人工智慧應用數據治理
有學者對美國醫療人工智慧應用研究發現[8]，美國的醫療人工智慧技術已逐漸從早期的數據整合階段，即由於醫療數據標準化低、共享機制弱造成的人工智慧在醫療行業的應用領域和效果受限階段，逐漸過渡到數據共享+感知智能階段；實現了醫療數據的融合，已出現效果較好的輔助性醫療系統，最後進入認知智能+健康大數據階段；人工智慧整體上從感知智能向認知智能發展，健康大數據的獲取成本也將降低，該階段也將出現替代人類醫生的人工智慧應用。
4.2.3我國醫療數據治理存在的主要差距及對策
醫院信息化經過多年的發展，積累了大量的診療、檢驗與檢查等數據，一些人工智慧企業一般通過獲得單一醫院的數據進行模型訓練，但單一來源的訓練結果易產生偏差[9]。訓練數據來源醫院產生的影像數據診斷靈敏度高，而其他醫療機構數據來源的數據診斷靈敏度低，不同醫院之間臨床數據往往會有系統性偏差。人工智慧所需數據的多樣性是一個重要問題。不同醫院之間的系統由於缺乏標準的數據採集和共享平臺，大量珍貴的疾病數據散落在不同系統、不同平臺中，使得數據的獲取及標準化程度較低。此外，由於對數據的理解、標註等需要大量臨床醫生的參與，醫生因有大量的臨床工作，對於人工智慧的應用往往是靠熱情，一般利用閒暇時間，促使應用推進效果不明顯；人工智慧系統對數據和其他系統接口的兼容性、易操作性、對環境的適應性，數據處理的速度及準確性等，均成為限制醫療人工智慧快速發展的瓶頸[10]。
推動人工智慧與醫療健康的深度融合，要在數據管理上投入更多的關注，要建立、健全數據管理機制，提高數據標準化和數據質量。同時，需要推動數據資源開放共享，加快解決醫院內部、醫療衛生行業的數據孤島、數據碎片化等難題，形成系統化數據採集和管理的系統。通過對治療、檢驗檢查、用藥、健康管理等各類數據的採集、傳輸、分析，形成智能反饋，實現全要素、全生命周期、全醫療健康流程的對接。
4.3 培植、建立醫療健康人工智慧應用示範基地
4.3.1 應用示範基地能力要求
參考其他行業的融合推進經驗[11]，選取醫院信息化治理體系健全、信息化基礎較好的醫院，積極發揮重點應用的示範作用。醫療健康人工智慧基地的選擇，可考慮4個維度的核心能力，醫院智能化戰略能力，包括對人工智慧驅動醫療業務的理解、創新應用能力等；醫院信息化組織能力，主要包括管理層、業務層和技術層的融合，人工智慧不是單純的信息化和技術問題，需要專業醫生的深入參與；最後，最重要的維度是數據。醫院需要將數據作為主要的戰略發展資源進行管理，不但要數據質量能力高，還要數據服務能力支持度高，並有較高的數據安全意識和手段。
4.3.2 加強示範基地的配套建設
醫療健康與人工智慧深入融合，實際上是醫療健康行業AI賦能的過程。加強示範基地的配套建設，儘快完善建設內容，建立「人工智慧+醫療健康」數據訓練科目，為推動醫療健康業與人工智慧融合發展，提供安全、標準的數據資源和訓練環境；與人工智慧的研究機構、企業合作，以場景應用為抓手，通過「技術投入+場景應用」雙輪驅動，加深產品設計、應用轉化等各場景融合程度，推動培育人工智慧和醫療健康行業深度融合的創新項目。
5. 結語
通過對徵集案例的分析，可以看出醫療健康人工智慧應用目前較多的還是單純場景或單純應用的工程實踐，距離成為一門成熟的科學體系還有一定距離。醫療健康人工智慧的應用和技術需進一步拓展及深化。由於人工智慧在醫療健康領域的發展，既對提高居民生活水平、解決民生問題等至關重要，也在國家發展中具有重要的戰略意義。所以，要加大基礎建設力度，建立系統完整的應用評價體系，加強數據治理和數據質量管理。通過建立醫療健康人工智慧應用示範基地，實現產、學、研有機結合，跨學科聯動發展，推動我國醫療健康人工智慧應用健康發展。
作者簡介
徐向東，處長，研究員；研究方向：醫院信息化、區域信息平臺等；
胡建平，副主任，研究員；研究方向：醫院信息化、區域信息平臺、衛生信息標準。