人工智慧概念自1956年被首次提出以來，經過了60多年的演進與發展。在超級計算、大數據、移動網際網路、傳感網、腦科學等新技術、新理論以及經濟社會發展的推動下，人工智慧已經在各行各業初顯身手，呈現跨界融合、人機協同、自主操控、深度學習等特徵。
2018年10月31日，習近平總書記在中共中央政治局集體學習人工智慧發展現狀和趨勢時指出，人工智慧是引領這一輪科技革命和產業變革的戰略性技術，具有溢出帶動性很強的「頭雁」效應。我國從2015年開始先後頒布了《中國製造2025》《國務院關於積極推進「網際網路+」行動的指導意見》《新一代人工智慧發展規劃》等重要國家級戰略規劃，各地方政府也積極出臺政策支持人工智慧發展，形成了中國人工智慧發展的熱潮。
醫療人工智慧是人工智慧技術在醫療領域的運用與發展，其應用主要表現在智能診療、智能影像識別、智能健康管理、智能藥物研發和醫療機器人等方面。近年來，醫療人工智慧研究快速發展，產品不斷推陳出新。
為了解國內醫療人工智慧發展現狀與趨勢，探討人工智慧影響醫療健康產業發展的未來前景，本書從醫療人工智慧政策制度、臨床應用、科研投入與人才培養、社會認知和倫理等方面進行專項研究，旨在了解各國醫療人工智慧政策的發布趨勢，把握我國在醫療人工智慧領域的科研投入現狀及科技產出能力，明晰當前醫療人工智慧領域的學科發展水平、人才培養情況及前沿技術，明確我國人工智慧的臨床應用現狀以及產業化現狀，調查我國民眾對醫療人工智慧的認知現狀，探討醫療人工智慧帶來的倫理風險，為後續相關研究及政策制定提供參考。
2019年度報告側重於對我國醫療人工智慧現狀的研究，綜合採用了文獻調研、專家諮詢、現狀調研、問卷調查以及信息計量等方法。在臨床應用方面選擇了兒科、皮科和糖尿病視網膜病變案例進行專科專病領域的應用研究，目前我國醫療人工智慧臨床應用研究領域比較熱門的醫學影像、肺結節等內容，將在未來的報告中進一步深入研究。
同時，我們將不斷探索建立醫療人工智慧在臨床應用、學科投入、產業成熟度等領域的評價模型，開展系統、連續的研究，持續展示我國醫療人工智慧的最新研究和應用成果，推動人工智慧在醫療領域持續健康發展。
一、醫療人工智慧發展歷程
人工智慧（AI）的歷史可以追溯到中國神話和希臘神話，現代意義上的AI始於古典哲學家解釋人類思考過程的嘗試。
20世紀40年代計算機的發明使科學家開始探討構造電子大腦的可能性。
1956年，達特茅斯學院舉行的一次會議正式確立了人工智慧研究領域。會議參加者在接下來的數十年間大多成為AI研究的領軍人物。他們預言，經過一代人的努力，與人類具有同等智能水平的機器將會出現。之後的科研實踐證明，研究人員低估了這一工程的難度，人工智慧發展史上出現過好幾次低潮，半個世紀中AI研究高潮和低谷不斷交替出現，具有與人類同等智能水平的機器至今仍未出現。
AI從產生的第一天起，就與醫學密不可分。我們相信，醫學研究的深入發展必將對AI產生深遠影響；反之，AI的研究成果也將促進醫學的發展，兩者攜手共同接受時代的挑戰。人工智慧在醫療領域的應用帶來的不僅有技術革新，還有醫療服務模式的轉變。人工智慧可以在醫療行業多個環節發揮作用，如醫學影像、健康管理、疾病風險預測、虛擬助理、藥物設計、臨床診療、精神疾病診療、病理學和營養學研究等。目前醫療活動中比較成功的AI應用包括影像AI、藥物研發AI、醫療機器人和IBM Waston等。
1.人工智慧（AI）誕生
希臘神話和中國神話中都出現過機械人和人造人。Samuel Butler的《機器中的達爾文》（Darwin among the Machines）一文（1863）探討了機器通過自然選擇進化出智能的可能性。至今人工智慧仍然是科幻小說的重要元素。許多文明的歷史都記載了創造自動人偶的傑出工匠，例如，偃師（中國西周）、希羅（希臘）等。已知最古老的「機器人」是古埃及和古希臘的聖像，信徒認為工匠給這些神像賦予思想，使它們具有智慧。
人工智慧的基本假設是人類的思考過程可以機械化。哲學家拉蒙·柳利（1232～1315年）開發了一些「邏輯機」，試圖通過邏輯方法獲取知識。17世紀中期，萊布尼茲、託馬斯·霍布斯和笛卡兒嘗試將理性的思考系統化為代數學或幾何學那樣的體系。20世紀，數理邏輯研究上的突破使得人工智慧呼之欲出。這方面的基礎著作包括布爾的《思維的定律》與弗雷格的《概念文字》。邱奇-圖靈論題暗示，一臺僅能處理0和1這樣簡單二元符號的機械設備能夠模擬任意數學推理過程。這裡最關鍵的靈感是圖靈機，其看似簡單的理論構造抓住了抽象符號處理的本質。這一創造促使科學家們探討讓機器思考的可能。
第一批現代計算機是「二戰」期間建造的大型解碼機，包括Z3、ENIAC和Colossus等。後兩個機器的理論基礎是圖靈和約翰·馮·諾伊曼提出和發展的學說。在20世紀40年代和50年代，一批來自不同領域（數學、心理學、工程學、經濟學和政治學）的科學家開始探討製造人工大腦的可能性。1956年，人工智慧被確立為一門學科。最初的人工智慧研究是20世紀30年代末到50年代初的一系列科學進展交會的產物。神經學研究發現大腦是由神經元組成的電子網絡，其激勵電平只存在「有」和「無」兩種狀態，不存在中間狀態。控制論描述了電子網絡的控制和穩定性。
資訊理論則描述了數位訊號（高低電平代表的二進位信號）。圖靈的計算理論證明數位訊號足以描述任何形式的計算過程。這些密切相關的想法暗示了構建電子大腦的可能性。馬文·明斯基1951年建造了第一臺神經網絡機——SNARC。在接下來的50年中，明斯基是AI領域最重要的領導者和創新者之一。1950年，圖靈發表了一篇劃時代的論文，預言了創造具有真正智能的機器的可能性。他提出了著名的圖靈測試，圖靈測試是人工智慧在哲學方面第一個嚴肅的提案。1956年達特矛斯會議的組織者是馬文·明斯基、約翰·麥卡錫和另外兩位資深科學家克勞德·香農、內森·羅徹斯特（Nathan Rochester）。與會者接受「人工智慧」一詞作為本領域的名稱。1956年達特矛斯會議上AI的名稱和任務得以確定，這一事件被認為是AI誕生的標誌。
2.AI研究高潮和低谷交替出現
第一次高潮（1956～1974年）。達特茅斯會議之後AI進入大發展的時代。20世紀50年代後期到60年代湧現了大批成功的AI程序和新的研究方向。AI研究的一個重要目標是使計算機能夠通過自然語言（例如英語）進行交流。早期的一個成功範例是Daniel Bobrow的程序STUDENT，它能夠解決高中水平的代數應用題。ELIZA是第一個聊天機器人，與ELIZA「聊天」的用戶有時會誤以為自己是在和人類而不是一個程序交談。實際上ELIZA根本不知道自己在說什麼，它只是按固定套路作答，或者用符合語法的方式將問題複述一遍。維諾格拉德（T.Winograd）設計的SHRDLU系統能用普通的英語句子與人交流，還能做出決策並執行操作。麻省理工學院（MIT）、卡內基-梅隆大學、史丹福大學、愛丁堡大學這四個研究機構一直是AI學術界的研究中心。
第一次低谷（1974～1980年）。20世紀70年代初，AI遭遇瓶頸。即使是最傑出的AI程序也只能解決它們嘗試解決的問題中最簡單的部分，所有AI程序都只是「玩具」。AI研究者們遭遇了無法克服的基礎性障礙。當時面臨的具體問題包括：計算機的運算能力，當時的計算機有限的內存和處理速度不足以解決實際的AI問題；計算複雜性，除了那些最簡單的情況，許多問題的解決需要近乎無限長的時間，這就意味著AI中的許多程序永遠也不會發展成為實用的系統；
常識與推理，許多重要的AI應用，例如，機器視覺和自然語言，需要大量對世界的認識信息，當時沒人能夠提供如此巨大的資料庫，也沒人知道一個程序怎樣才能學到如此豐富的信息。
第二次高潮（1980～1987年）。20世紀80年代，一類名為「專家系統」的AI程序開始為全世界的公司採納，而「知識處理」成為主流AI研究的焦點。專家系統是一種程序，能夠依據一組從專門知識中推演出的邏輯規則在某一特定領域回答或解決問題。專家系統僅限於一個很小的知識領域，從而避免了常識問題，其簡單的設計又使它能夠較為容易地實現編程或修改。實踐證明了這類程序的實用性。直到此時AI才開始變得實用起來。專家系統的能力來自其存儲的專業知識。這是20世紀70年代以後AI研究的一個新方向。1981年日本政府支持第五代計算機項目，其目標是造出能夠與人對話、翻譯語言、解釋圖像，並且像人一樣推理的機器。1982年，物理學家John Hopfield證明一種新型的神經網絡（現被稱為「Hopfield網絡」）能夠用一種全新的方式學習和處理信息。同時David Rumelhart推廣了反向傳播算法，一種神經網絡訓練方法。1986年由Rumelhart和心理學家James McClelland主編的兩卷本論文集《分布式並行處理》問世，這一新領域從此得到了發展。20世紀90年代神經網絡獲得了商業上的成功，它們被應用於光字符識別和語音識別軟體。
第二次低谷（1987～1993年）。20世紀80年代對AI的追捧與冷落符合經濟泡沫的經典模式。AI發展低谷最早的徵兆是1987年AI硬體市場需求的突然下跌。Apple和IBM生產的臺式機性能不斷提升，到1987年其性能已經超過了其他廠家生產的昂貴的Lisp機，老產品失去了存在的理由。最初大獲成功的專家系統維護費用居高不下，它們難以升級、不易使用、脆弱（當輸入異常時會出現莫名其妙的錯誤），其實用性僅僅局限於某些特定情景。到1991年，日本政府支持的「第五代工程」並沒有實現預定目標，事實上其中一些目標，比如「與人展開交談」，直到2010年也沒有實現。
AI發展新階段（1993年至今）。「實現人類水平的智能」這一最初的夢想曾在20世紀60年代令全世界為之著迷。
現已年過半百的AI終於在幾個子領域實現了最初的一些目標，今天AI被成功地應用在技術產業中。1997年5月11日，「深藍」戰勝西洋棋世界冠軍卡斯帕羅夫，成為打敗人類的第一個計算機系統。2005年，史丹福大學開發的一臺機器人在一條沙漠小徑上成功地自動行駛了131英裡，贏得了DARPA挑戰大賽頭獎。2011年，IBM Waston參加《危險邊緣》節目，在最後一集打敗了人類選手。2016年3月，AlphaGo擊敗李世石；2017年5月，AlphaGo在中國烏鎮圍棋峰會的三局比賽中擊敗當時世界排名第一的中國棋手柯潔。越來越多的AI研究者開始開發和使用複雜的數學工具。人們認識到，許多AI領域要解決的問題已經成為數學、經濟學和運籌學領域的研究課題。數學不僅使AI可以與其他學科展開更高層次的合作，而且使研究結果更易於評估和證明。AI已成為一門非常嚴格的科學分支，現已投入應用的新工具包括貝葉斯網絡、隱馬爾可夫模型、資訊理論、隨機模型和經典優化理論。針對神經網絡和進化算法等「計算智能」範式的精確數學描述也被發展出來。AI研究者們開發的算法開始變為核心業務系統的一部分。已經應用AI技術的領域有數據挖掘、工業機器人、物流、無人駕駛、語音識別、銀行業軟體、醫療診斷和Google搜尋引擎等。進入21世紀，得益於大數據和計算機技術的快速發展，許多先進的機器學習技術被成功應用於經濟社會的更多領域，例如，生態學模型訓練、經濟領域中的應用、醫學研究中的疾病預測及新藥研發等。深度學習（特別是深度卷積神經網絡和循環網絡）極大地推動了圖像和視頻處理、文本分析、語音識別等問題的研究進程。深度學習是機器學習的分支，它通過一個具有很多層處理單元的深層網絡對數據中的高級抽象進行建模。根據全局逼近原理，對於神經網絡而言，要擬合任意連續函數，深度性並不是必需的，即便是一個單層的網絡，只要擁有足夠多的非線性激活單元，也可以達到擬合目的。目前深度神經網絡得到了更多關注，主要源於其層次結構能夠對更加複雜的情況快速建模，同時避免淺層網絡可能遭遇的缺點。深度學習（以循環神經網絡為例）最常見的問題是梯度消失（在沿著時間序列反向傳播過程中，梯度逐漸減小到零附近，造成學習停滯）。為了解決這些問題，很多有針對性的模型被提出來，例如，LSTM（長短期記憶網絡）、GRU（門控循環神經單元）等。現在，最先進的神經網絡結構在某些領域已經能夠達到甚至超過人類平均準確率，例如，在計算機視覺領域，特別是一些具體的任務上，如MNIST數據集（一個手寫數字識別數據集）、交通信號燈識別等。
3.醫學與人工智慧
縱觀AI的歷史，集醫學、腦科學、認知學、心理學和生理學等為一體的綜合科學對AI的產生和發展起著重要的作用。
AI從產生的第一天起，就與醫學結下了不解之緣。早在12世紀末，西班牙神學家和邏輯學家RomenLuee就試圖製造一臺能像人一樣解決各種問題的通用邏輯機。19世紀末，西班牙解剖學家Cajal和Golig創立了神經元學說，指出人腦中存在著由大量神經細胞構成的神經網絡。在AI發展的進程中，20世紀60年代後期出現的以模擬人類醫學專家思維過程為特點的專家系統。70年代初，史丹福大學的傳染病學家研製的用於診斷和治療感染性疾病的MYCIN系統是世界上第一個將Al應用於醫學領域的專家系統。美國醫學界對它評價很高，曾兩次對該系統進行嚴格「考試」，其成績都在醫學專家之上。MYCIN系統的問世是專家系統走向成熟的重要裡程碑，也是AI理論應用於醫學領域的重要裡程碑。在MYCIN系統的影響下，20世紀70年代後期到80年代中期，出現了一系列新的醫學專家系統。最著名的醫學專家系統有三個：一是由羅格斯大學研製的用於治療青光眼的CASNET系統；二是由匹茲堡大學研製的用於診治內科疾病的INTERNIST系統，該系統包含3000多種疾病症狀，能診治500多種內科疾病，美國國家衛生學院曾對該系統進行嚴格臨床試驗，證明它能夠應對美國臨床病理學會提出的大多數病例；三是由史丹福大學根據MYCIN系統開發的診治肺功能失調的PuFF系統，美國醫學界曾對該系統進行150個病例的測試，結果90%符合呼吸科專家的意見。我國類似研究起步較晚，我國專家吸取了MYCIN系統的優點，相繼研製了不少醫學專家系統，尤其是肝病診治系統等一批中醫專家系統，具有很高的學術水平和實用價值。我國的中醫專家系統在國際上一直處於領先地位。
在神經生理和神經解剖學研究成果的基礎上，Hopfield網絡模型問世，AI研究者開始研究以人腦連接機制為特點的人工神經網絡（ANN）。ANN是AI的一個新領域，具有以下特點：一是並行性好；二是自學習自適應性強；三是聯想性好，人的思想很易「由此及彼」，ANN能從不完全知識中通過「聯想」推出正確解；四是容錯性高，ANN的信息分布儲存在整個網絡的連接點上，它像人的大腦一樣，某些神經元出現故障不會影響整個網絡正常工作。ANN的研究始於20世紀40年代的神經元模型。據統計，目前世界上著名的ANN模型已有50多種，其中有相當數量應用於生命科學中。面對大腦的強大功能和複雜結構，怎樣使AI研究取得實質性的突破，這是當今醫學向AI提出的挑戰。生命科學家的新發現將不斷向AI提出新課題；反過來AI在醫學中應用的深入和發展，也向生命科學家提出更高要求，生命在運動，大腦還在進化，許多新問題有待生命科學家去探索。要徹底揭開大腦智能之謎，單靠任何一方面都是不可能完成的。我們相信，生命科學的深入發展必將對AI產生深遠影響；反之，AI的！
智能應用於醫療領域已經成為現代科技熱點。基於大量數據的人工智慧算法為醫療服務提供了快捷、優化的途徑，人工智慧在醫療領域的應用帶來的不僅有技術革新，還有醫療服務模式的轉變。美國的頂尖醫院如梅奧、克裡夫蘭等都開始與人工智慧公司合作，希望成為醫療人工智慧應用領域的中心，對疾病進行監測、診斷、治療和管理。人工智慧可以在醫療行業多個環節發揮作用，如醫學影像、健康管理、疾病風險預測、虛擬助理、藥物設計、臨床診療、精神疾病、病理學和營養學等。目前醫療活動中比較成功的AI應用包括影像AI、藥物研發AI、醫療機器人和IBM Waston等。AI在醫學影像中取得了較好的應用成效，如基於鉬靶影像的乳腺病變檢測、基於皮膚照片的皮膚癌分類診斷、基於數字病理切片的乳腺癌淋巴結轉移檢測、基於眼底照片的糖尿病視網膜病變檢測、基於胸部X線片的肺部炎性疾病。藉助深度學習，藥物研發AI在心血管藥、抗腫瘤藥和常見傳染病治療藥等領域取得新突破，縮短了藥物研發時間、提高了研發效率且控制了研發成本。醫療機器人中的達·文西機器人早已在各大醫院推廣應用，其他類型的機器人也隨著AI的發展逐步進入醫療市場。在智能診療領域，IBM Waston展示了AI診斷和治療人類疾病的可行性。
健康醫療大數據是在人們對自身進行日常健康管理的過程中產生和形成的。智能可穿戴設備和家庭智能健康檢測監測設備的研發和應用，實現了動態監測個人健康數據，利用這些數據進行人工智慧計算，可以對個人健康進行精準把握，規範、準確地預測疾病風險，管理個人健康。人工智慧可以在血糖管理、血壓管理、用藥提醒、健康要素監測等方面給予精準的指導，為患者提供高質量、智能化、日常化的醫療護理和健康指導，為人群提供全方位、全周期的健康服務。這種方式對於提高患者的依從性、提高慢病管理效率、節約醫療成本具有重要的社會意義。2008年，谷歌推出流感預測服務，通過檢測用戶在谷歌上的搜索內容有效地追蹤流感爆發的跡象。人工智慧定時收集樣本並據以找出疾病的高風險人群。利用大數據分析和深度學習技術，人工智慧已經能夠預測阿爾茲海默病、心血管疾病、癌症、精神疾病等。這些預測能夠用於有效防控公共疫情和提高個人健康水平。
目前，我國科學研究者也積極參與到醫療AI產品的研發中，包括病理輔助診斷、眼部疾病、皮膚疾病、醫學影像、中醫藥、心電監測、手術機器人、腫瘤治療等領域。AI在醫療領域中的應用主要有三個角度。①AI比醫生做得更好，可以用來提高診斷的準確度和治療的效果。有些信息在診斷圖像和其他數據中隱藏得比較深，或者隱藏在高維空間中，醫生的肉眼無法辨別，而AI可以精確找到。②AI不比醫生做得更好，但是比醫生做得更快，可以用來提高效率。③AI不比資深醫生做得更好，但可以通過學習資深醫生、大醫院的經驗，來幫助年資低的醫生和基層醫療機構的醫生提出更準確的診斷和治療方案。未來，人工智慧將成為建立新型醫療服務體系的重要支撐，結合信息化的發展全面構建優質高效的新型醫療服務體系。
二、我國醫療人工智慧發展現狀分析
1.政策現狀
國際上主要發達國家和地區近年來積極制定人工智慧戰略規劃，醫療人工智慧是主要研究和應用領域之一。
同發達國家一樣，我國近兩年高度重視人工智慧在醫學中的應用，在不同等級的政策文件中都提出了醫療人工智慧研究的重點方向。
主要國家和地區在醫療領域應用人工智慧的重點略有差異。美國近年醫療人工智慧規劃重點在可穿戴設備、記憶輔助系統、醫療診斷等方面，歐盟更加關注各種機器人的研發和精準醫療，英國的重點研究領域包括病情診斷支持、影像診斷支持、潛在流行病的早期發現和發病率追蹤等，日本則更加關注實用化機器人技術、手術機器人、醫療輔助系統等。我國近年的醫療人工智慧政策重點包括可穿戴設備在健康管理中的應用、醫用機器人、智能影像識別、智能診療、智能康復等。
2015年以來，我國出臺的涉及醫療人工智慧的主要政策文件有《國務院關於積極推進「網際網路+」行動的指導意見》（2015年7月）、《中華人民共和國國民經濟和社會發展第十三個五年規劃綱要》（2016年3月16日）、《國務院辦公廳關於促進和規範健康醫療大數據應用發展的指導意見》（2016年6月）。
此外，《「十三五」國家科技創新規劃》（2016年7月）《智能硬體產業創新發展專項行動（2016～2018年）》《「十三五」國家戰略性新興產業發展規劃》《「網際網路+」人工智慧三年行動實施方案》等相關文件，都有關於人工智慧在醫療健康領域應用的內容。
2017年，「人工智慧」首次被寫入我國的政府工作報告，並上升為國家重要戰略，而人工智慧在醫療健康領域的應用也是國家關注的重點。同年7月，國務院發布《國務院關於印發新一代人工智慧發展規劃的通知》，各省份相繼出臺當地人工智慧發展規劃，掀起了人工智慧研究和應用的熱潮。12月14日，工業和信息化部發布《促進新一代人工智慧產業發展三年行動計劃（2018～2020年）》，具體落實規劃內容。
2018年4月，《國務院辦公廳關於促進「網際網路+醫療健康」發展的意見》等文件的發布推動醫療人工智慧研究和應用進入高潮。全國各省份積極響應國家政策號召，發布了多項與醫療人工智慧應用相關的政策文件，截至2018年10月，各省份醫療人工智慧政策發布數量達到峰值。通過各地區政策發布數量可以看出，華東和華北地區醫療人工智慧發展較快。華東地區以長三角為依託，以江蘇、上海和浙江為代表，該地區經濟發展實力強大，技術創新資源雄厚，為醫療人工智慧的發展提供了有利條件。華北地區以京津冀為依託，這裡是我國人才最為密集的區域，擁有眾多科研機構、科研院校和創新創業園區，會集了大量高科技人才。京津冀地區利用其獨有的知識資源優勢，帶動人工智慧在醫療健康產業中的發展。
2.臨床應用研究現狀
面對醫療市場迫切的需求，在技術和政策的推動下，目前，中國醫療人工智慧產業進入高速發展時期。
根據相關機構的研究報告，近兩年，我國「人工智慧+醫療」市場規模快速增長，獲得投融資的醫療人工智慧創業企業數量和資金量上升。然而，我國醫療機構應用人工智慧技術的態度和現狀如何，尚缺乏數據。
本書以國家衛健委網站公布的二級以上醫療機構目錄為依據，通過抽樣調查（共發放問卷300份，最終收回有效問卷213份）發現：①我國各級醫療機構對於人工智慧的應用表現出積極的態度，並對利用人工智慧提升診療水平寄予厚望，但在醫療人工智慧實質性投入方面，大部分仍呈觀望態勢；②醫療人工智慧技術應用水平呈現明顯的區域差異，表現為我國三級醫院人工智慧技術應用程度遠高於二級醫院，人工智慧應用和建設程度呈現區域階梯狀，即東部＞中部＞西部，基層醫院和偏遠地區醫療機構在醫療人工智慧應用方面尚處於落後狀態；③在已有的臨床應用研究中，自然語言處理技術應用程度最高，結構化數據補充成為其主要用途，影像輔助診斷技術中CT、腫瘤應用範圍最廣，技術成熟度最好，輔助診斷方向是醫院最為關注的應用領域；④由於在標準制定、產品落地等方面存在短板以及複合型人才短缺，醫院的人工智慧應用和建設主要採用「拿來主義」模式，希望用產品購買的方式直接獲得醫療人工智慧應用的成熟產品。
在兒科人工智慧應用方面，通過對北京、上海、廣州等20個城市的52家兒童專科醫院的調查和部分訪談，發現在兒科領域人工智慧應用範圍相對較窄，主要集中在醫學影像和疾病診斷預測方面。專注兒科人工智慧的公司數量也非常有限，產品多數還處在學習優化、更新迭代的層面，與真正應用落地仍有一定差距。人工智慧產品在兒科落地的最大阻礙是醫院對產品的期待與人工智慧公司對市場的估計存在斷層，加強臨床參與才能為醫療人工智慧落地提供助力。
通過對皮科大夫的調查發現，我國不同性別、學歷、職稱、醫療機構的皮膚科醫生對於人工智慧均表現出極高的關注度，絕大部分皮膚科醫生認為人工智慧的功能為「輔助皮膚科醫生日常診療活動」，皮膚科醫生更希望將人工智慧應用於皮膚腫瘤的診斷與治療中。近年來我國皮膚科領域相繼成立了多個人工智慧組織，也已出現多款人工智慧產品，未來需要將更多資源融入其中，包括政府部門關注、主管部門經費投入、專家團隊建立、企業資源匯聚等，才能進一步推動我國皮膚科人工智慧的快速發展和應用。
3.學科發展和技術現狀
近年來，我國醫療人工智慧領域科研經費投入持續增長。在科技產出方面，近10年我國醫療人工智慧領域中文科技論文發文量逐年快速增長，說明醫療人工智慧是我國學者重點關注的研究領域。通過醫療人工智慧領域中文科技論文的學科分布情況可以看出，我國醫療人工智慧領域中文科技論文涉及的主要學科包括生物醫學工程、自動化技術、臨床醫學、腫瘤學和計算機軟體及計算機應用等。人工智慧在醫學中的主要應用領域包括腫瘤、神經性疾病、心血管疾病、精神疾病、內分泌腺及全身性疾病、感染性疾病及傳染病等方面。
我國醫療人工智慧領域外文科技論文產出在2008～2016年呈現線性增長趨勢，截至2017年，我國醫療人工智慧領域外文科技論文產出累計達到34655篇。發文量排名前5的機構為中國科學院、上海交通大學、浙江大學、清華大學和香港中文大學。醫療人工智慧領域外文科技論文涉及的學科主要為計算機科學、數學計算生物學、工程、數學、放射學、核醫學等，其中在計算機科學領域發表的科技論文數量最多，為32359篇，放射學、核醫學等醫學圖像處理領域的發文量為18480篇。此外，醫療人工智慧科技文獻也出現在生物化學、分子生物學、細胞生物學、遺傳學、腫瘤等醫學學科中。
近10年來，醫療人工智慧領域的專利申請和專利公開都呈現逐年增長的趨勢，2017年的專利數量和申請人數都有較大幅度增長，能夠確定當前該技術領域正處於技術成長期階段。其中，廣東、江蘇、北京、上海和浙江的醫療人工智慧相關專利申請量都在200項以上，說明這五個省市是醫療人工智慧領域技術研發的核心區域，專利活動活躍，其中廣東省的專利申請量更高達453項，居全國首位。
利用大為Innojoy專利搜尋引擎自帶的聚類分析功能，通過設置相關參數及定義停用詞過濾標準，繪製醫療人工智慧領域技術研發的科學知識圖譜，可以發現，目前醫療人工智慧的技術研發熱點及人工智慧在醫學領域的應用方向主要包括腦電信號的處理與分析、心電信號的處理與分析、肌電信號的處理與分析、康復訓練、醫療機器人、疾病診斷、病人監測和藥物控制等。
4.產業現狀
向300多家醫療人工智慧企業發出調查問卷，回收有效調查問卷45份。調查發現，超過75%的企業處於融資的不同階段，只有25%的企業不需要融資，因此資本是現階段行業發展的重要推動力。調查中，2018年有12家企業累計融資金額1億～10億元，而2016年基本融資金額最多只達到千萬元級，可以看出資本持續看好醫療人工智慧行業的發展，整體投資處在加速階段。
目前醫療人工智慧應用按場景可分為醫學影像、輔助診療、虛擬助理、健康管理、智慧醫院等。在醫學影像場景，根據臨床數據採集內容的不同，可細分為CT、視網膜眼底圖、X射線、病理、超聲、內窺鏡、皮膚影像等應用。輔助診療基於醫院電子病歷等系統，通過對患者信息的推理，自動生成針對患者的精細化診治建議，供醫生決策參考。虛擬助理是指通過語音識別、自然語言處理等技術，將患者的病症描述與標準的醫學指南做對比，為用戶提供醫療諮詢、自診、導診等服務的信息系統。人工智慧在健康管理中的應用包括：通過對日常健康行為的監測管理實現健康監控並提前進行疾病預測；使用電子通信軟體和人工智慧技術監測慢病患者日常生活習慣，智能給出用藥指南，提醒患者服藥；監控智能檢測設備數據，對數據進行評估，及早發現異常並發出預警。智慧醫院基於醫院信息系統、臨床數據中心和集成平臺，結合人工智慧、雲計算、醫療大數據、物聯網、移動網際網路等技術，優化患者就醫流程，節省患者時間和醫療資源，持續改善患者就醫感受。
人工智慧在我國醫療領域的應用剛剛起步，成長過程中遇到了來自各個層面的問題。當前阻礙醫療人工智慧發展的因素中企業選擇最多的五個因素是：缺少醫療人工智慧複合型人才、醫學數據標註及共享困難、缺少多病種病症的國家標準資料庫進行模型驗證、商業模式及各方權責不明確、缺少合作的醫療機構。超過50%的企業表示其產品已經在全國數十家甚至上百家醫療機構進行臨床研究，由於產品認證的問題，大部分應用都是服務科研，即使應用於臨床也只是給醫生診斷提供參考。
5.社會認知和倫理現狀
採用問卷調查法，隨機調查了224個城市的2500位不同年齡、職業人群，了解我國民眾對醫療人工智慧的認知現狀。目前，民眾對人工智慧在醫療領域的影響力感受度偏低，但對醫療人工智慧持支持態度的佔比達到78.44%，整體抱有相當大的期待。民眾認為人工智慧在醫療領域應用的最大優點是提高診斷效率，但對智能儀器應變能力也存在擔心。醫學影像是民眾最能接受的人工智慧醫療應用領域。大多數人認為醫療人工智慧未來的發展趨勢是醫療人工智慧與傳統模式相結合。隨著醫療人工智慧的發展，相信並使用醫療人工智慧將逐漸成為主流，AI時代的到來是無法阻止的，也是勢在必行的。醫療人工智慧發展前景廣闊，同時擁有很大的空間，需要相關領域研究人員繼續挖掘潛力。
我國尚未出臺醫療人工智慧應用的倫理性的相關文件。根據關於我國居民對人工智慧的倫理認知的調查，當醫生和人工智慧的診療意見不一致時，更多人選擇相信醫生。民眾「最擔心的倫理問題」包括：沒有充分的知情告知，個人隱私數據洩漏」「因無須人體試驗，單純從藥物大數據中即可研發出新的藥物，從而涉及禁忌藥物的研發」「算法運作的不可知導致數據讀取過程中運算結果的出乎預料或者出錯」等。超過半數的人認為現階段不可以賦予人工智慧醫生法律主體資格，並認為當人工智慧技術造成醫療損害時，應釐清醫生與設計者、製造者、人工智慧等各方的責任，讓相關責任方承擔應盡的責任。人工智慧帶來醫療水平的提高和人類健康保障的進步，隨之而來的一系列倫理風險不容忽視。醫學界需要前瞻性地評估醫療人工智慧的利弊和風險，加強對其的掌控能力，趨利避害，進一步促進醫療保健事業的發展。
三、醫療人工智慧發展中面臨的問題和挑戰
1.政策與監管的挑戰
2017年7月，國務院發布《國務院關於印發新一代人工智慧發展規劃的通知》，人工智慧上升為國家戰略，國家對醫療人工智慧的發展提出了更高要求，醫療人工智慧進入全新的高速發展軌道。國家的醫療人工智慧發展要求包括提出醫學大數據、醫學信息化、智能醫學等多個方面的具體應用需求，對醫療人工智慧基礎研究的政策支持，以及對大健康、老齡化等方面的醫療人工智慧應用的大力支持。
基於以上綱領性文件，針對醫療人工智慧的發展提出具體落實行動，將成為相關部門政策制定的重點，預計將發布一大批具體的推進方略，下大力氣促進醫療人工智慧領域的發展與提升。2018年以來，圍繞醫療人工智慧發展的重點政策領域包括：滿足民營醫院的設備需求，鼓勵各級醫院採購國產高端醫療設備；著力構建大數據云端醫療資料庫，推動醫學大數據的開發與落地，大力加強醫療信息化基礎建設；鼓勵民間資本投資遠程醫療和第三方檢驗中心，全面推進分級診療的落地；大力發展網絡醫學影像平臺、高端影像設備、第三方影像中心、大力推進影像信息化等。
2.技術和人才的挑戰
據相關研究，醫療人工智慧處在人工智慧熱潮的中心地位，有非常快的發展速度。醫療人工智慧的技術和人才水平高，有可能儘快實現產業化，相關原因包括：第一，醫療人工智慧研究機構與國內的各大醫院合作開展了科學研究、臨床實驗、產業轉化等工作；第二，醫療人工智慧的研究機構眾多，包括科研單位、高校、大企業、創業企業等，造就了一大批奮戰在一線的醫療人工智慧科研機構；第三，醫療人工智慧有較好的投資盈利預期，得到資本方面的追捧；第四，醫療人工智慧是人工智慧應用的熱門領域，在多種維度的醫學圖像識別領域，擁有豐富的技術和設備等資源。醫療人工智慧的快速發展來自迅速增長的醫學大數據規模、快速提高的GPU速度和醫療人工智慧理論基礎的飛躍，決定於醫療人工智慧的算法、算力、數據等關鍵技術因素。
第一，高性能、低功耗的人工智慧晶片的發展。各家醫療人工智慧的研究機構都在絞盡腦汁開發高性能、低功耗的人工智慧晶片。醫療人工智慧晶片的優劣主要決定於計算能力和能耗比例。現在市場上的主要醫療人工智慧晶片巨頭製造商包括英特爾、英偉達（NVIDIA）、華為海思、寒武紀、百度企業、蘋果、谷歌等，競爭非常激烈。
第二，深度學習軟體和平臺大大加速了醫療人工智慧應用的開發。人工智慧包括但不限於卷積神經網絡、循環神經網絡等，其核心思想是神經網絡的理論和實踐。與影像組學不同，醫學深度學習通過自動得到各個層次的特徵量，以自動的方式生成規模特別巨大的特徵量，實現了在人工智慧方面的巨大飛躍。
近年來，深度學習神經網絡在醫學影像識別領域已經取得長足的進步，卷積神經網絡的識別錯誤率已經降至非常低的水平，甚至低於人眼識別的錯誤率。深度學習通過反向傳播、權值共享、感受野等策略，最終大大超過人眼的性能。
同時，醫療人工智慧通過基礎平臺等方式提供給醫生使用，複雜的醫療人工智慧理論被打包成界面友好的產品和服務，促進了卷積神經網絡的理論和工程技術體系的成熟。大量的醫療人工智慧軟體大大減少了醫生們使用卷積神經網絡的困難，業界企業也大量開展醫療人工智慧的研發和產品開發，極大降低卷積神經網絡算法開發的難度，專注於臨床應用領域的軟體和平臺的研發。深度卷積神經網絡非常適用於醫療人工智慧的臨床場景。通過卷積神經網絡方法，深度學習就能從醫學影像中找出許多非常繁雜且不可能詳盡描述的醫學影像特徵。在醫療人工智慧的快速發展之中，基於醫療人工智慧最新進展的醫學影像的判定和識別，可能會在分級診療、婦幼保健、遠程醫療、網際網路醫療等領域大規模應用示範，並形成產業化條件。
我國醫療人工智慧應用的最熱門領域是醫學影像，數據取決於醫學設備的人工智慧應用程度，其核心是晶片技術。
當前人工智慧晶片的技術路徑主要有三種類型。
一是美國谷歌等企業布局的基於專用處理器ASIC架構的人工智慧晶片。美國谷歌是張量處理器（TPU）的發明者。TPU廣泛應用於美國谷歌的產品之中，包括AlphaGo、AlphaZero等明星人工智慧應用。美國谷歌已經推出第二代TPU，為該企業的人工智慧戰略打下堅實的基礎。
二是美國英偉達等企業布局的基於GPU架構的人工智慧晶片。美國英偉達等企業是主要的GPU生產商之一，已經推出了多款世界上最強大的具有優良的人工智慧算法處理性能的GPU顯示卡。美國英偉達總裁黃仁勳先生在2018年度GPU技術大會上表示，與老款的GPU顯示卡相比，該企業最新款GPU已經獲得數倍性能提升。
三是美國英特爾等企業布局的基於CPU架構的人工智慧晶片。美國英特爾為了進軍人工智慧領域，先後收購了Mobileye、Nervana Systems、Altera等企業。因為FPGA的功耗要遠遠低於CPU和GPU，美國英特爾希望以其在人工智慧領域通過多年積累的CPU晶片技術和業務作為基礎，研發CPU和FPGA混合構架的人工智慧晶片，搶佔日益蓬勃的人工智慧晶片市場。現階段，醫療人工智慧設備選用了FPGA、CPU、GPU等處理器進行設備控制、重建和影像後處理，有著非常明顯的優勢。現在，有很多醫療設備製造商都採用專用處理器，包括DPU等晶片，進行醫學影像的後處理工作。具有高速高效計算性能的GPU伺服器，能夠提供比CPU等計算部件快數倍的計算性能。當臨床醫生需要實時查看患者資料的時候，實時檢查的CT和核磁共振的影像能夠快速傳遞到電腦終端，或者通過平板電腦等傳送給醫生。通過GPU伺服器提供的醫學信息，醫生可以快速得到患者的相關信息。以GPU為例，現在，越來越多的醫療器械，包括病理影像儀器、內窺鏡、CT、超聲波診斷設備、MRI等醫療器械都搭載了美國英偉達生產的GPU，分析處理效率得到了極大提升。特別是在一些應用之中，影像工作站和伺服器需要分析高密度、高精度CT和核磁共振影像，GPU大大提高了影像工作站和伺服器的計算能力。
綜上所述，醫療健康領域已經成功使用了CPU、GPU、ASIC等人工智慧晶片，使醫療器械更加智能化，極大地提高了醫生們的工作效率和工作質量，大大方便了患者的就診與治療。
3.資料庫建設的挑戰
高質量數據獲取、標註和更新是醫療人工智慧企業的關鍵能力。我國擁有十多億人口、上萬家醫院，每年產生規模巨大的醫療健康數據，其中包括醫學影像數據。但是，在如此大量的醫療健康數據中，絕大部分是非結構化數據，標準化、統一化、智能化程度非常低，難以進行綜合利用，對政府部門、醫院、科研院所、高校等機構來說也並非有效的價值體系。
訓練集合的質量和數量是決定人工智慧算法的性能（performance）的主要因素之一。其中，訓練數據的質量和標註的質量決定著人工智慧算法的學習能力，而訓練數據的數量決定人工智慧算法的泛化能力。在美國英偉達不斷推出高性能GPU伺服器，提供更大的人工智慧計算能力的前提下，高質量和大規模的醫學數據就變得更加重要起來。
醫療人工智慧的大發展推動健康大數據時代的來臨，全球醫療數據呈現爆炸式增長的趨勢。醫療健康行業的數據量非常大，建設中的三個「國家醫學數據中心」的量級都在EP級別，單個患者的醫療全過程數據也達到TB級別。近年來，我國醫院信息化能力大大提升，其使用電子病歷的比例也大幅增加了。在醫療人工智慧領域，獲取和標註高質量的醫學影像數據有非常大的難度，具體表現如下。
第一，醫學影像數據的前處理和標註的代價巨大。
在醫療人工智慧領域，醫學影像數據前處理和標註的代價巨大，佔據開發成本的絕大部分。
然而，在醫療人工智慧算法開源的時代，醫學影像數據前處理和標註的質量對醫療人工智慧的性能有著舉足輕重的影響。按照多中心來源的要求，醫學影像數據的來源多種多樣，需要進行前處理，以保證醫學影像訓練數據的有效性。
現有的醫學影像數據主要通過人工的方式進行標註，工作量巨大，耗費大量的人力、物力和財力。
第二，醫學影像數據獲取的代價巨大。
由於現代醫學影像技術的飛速發展，醫學影像數據的產生技術也變得越來越複雜，客觀上加大了醫學影像數據的獲取和使用難度。同時，因為醫學影像數據具有私密性，醫療人工智慧數據的擁有方在醫學影像數據的保護方面不遺餘力，這也加大了醫療人工智慧研發單位獲取數據的難度。
第三，我國幅員遼闊、人口眾多，基層醫院和研究型醫院的差異巨大。為了在多種多樣的場景下獲得足夠的靈敏度和特異性，醫療人工智慧算法和軟體的泛化能力面臨巨大的挑戰。政府、醫院等各方面需要攜手合作，解決獲取醫學影像數據代價巨大的問題。從政府層面來講，由國家衛健委牽頭的國家健康醫療大數據中心正在修建之中，預計建成以後數據儲量為1000ZB。國家健康醫療大數據中心的構成方式為「一個國家中心，三個國家隊」，即該中心包括中國健康醫療大數據股份有限公司、中國健康醫療大數據產業發展集團公司和中國健康醫療大數據科技發展集團公司三個主體。國家健康醫療大數據中心的數據中心包括華東數據中心、華北數據中心、東北數據中心、西南數據中心和各省市級中心，其中各省市級中心的設置地點包括寧波、山東、四川、江西、遼寧、廣東、貴州、甘肅、安徽、黑龍江、雲南、內蒙古、陝西。國家健康醫療大數據中心的建設將極大推動我國醫療人工智慧事業的迅速發展。
4.商業模式與運營的挑戰
醫療人工智慧企業如何獲得利潤？這是社會各方面，包括政府部門、投資機構、醫療人工智慧企業、醫院、醫療人工智慧運營機構共同關注的問題。隨著醫療人工智慧的不斷發展，多款醫療人工智慧產品已經開發出來，包括基於眼底照片的糖尿病篩查、基於薄層CT的肺部結節篩查等。這些醫療人工智慧產品即將獲得國家許可，其走向市場可能的商業途徑主要包括兩個方面：
第一，將醫療人工智慧產品出售給大型運營機構，包括政府部門、投資機構、醫療人工智慧企業、醫院、醫療人工智慧運營機構，實現盈利；第二，與第三方運營機構，包括政府部門、投資機構、醫療人工智慧企業、各級醫院、醫療人工智慧運營機構合作，實現盈利。
5.法律與倫理的挑戰
（1）成果轉化周期長、難度大。
針對醫療人工智慧產品的審評與註冊問題，2014年2月，國家食品藥品監督管理總局開闢快速通道，《創新醫療器械特別審批程序（試行）》（食藥監械管〔2014〕13號）提出，對符合以下規定的創新醫療器械設置快速審批通道。
①我國原創發明
具體的準入條件是：主要工作原理/作用機制為國內首創，產品性能或者安全性與同類產品比較有根本性改進，技術上處於國際領先水平，並且具有顯著的臨床應用價值。
②對創新醫療器械設置擁有發明專利
具體的準入條件是：審批申請人經過其技術創新活動，在中國依法擁有產品核心技術發明專利權，或者依法通過受讓取得中國的發明專利權或其使用權，或者核心技術發明專利的申請已由國務院專利行政部門公開。
③產品基本完成
具體的準入條件是：申請人已完成產品的前期研究並具有基本定型產品，研究過程真實和受控，研究數據完整和可溯源。
（2）醫療人工智慧數據保護
醫療人工智慧軟體需要大量使用數據，包括訓練數據和患者臨床的數據。在美國，醫療人工智慧產品需要符合《隱私法案》及HIPAA的規定。但是，我國尚未出臺相關法律，醫療人工智慧的數據保護工作還沒有法律規定可以規範。
關於醫療人工智慧軟體牽涉的患者臨床數據的安全保障規定，可以參考我國頒布的《網絡安全法》第四十一條和第六十四條。我國頒布的《網絡安全法》第四十一條規定：「網絡運營者收集、使用個人信息，應當遵循合法、正當、必要的原則，公開收集、使用規則，明示收集、使用信息的目的、方式和範圍，並經被收集者同意。
網絡運營者不得收集與其提供的服務無關的個人信息，不得違反法律、行政法規的規定和雙方的約定收集、使用個人信息，並應當依照法律、行政法規的規定和與用戶的約定，處理其保存的個人信息。我國頒布的《網絡安全法》第六十四條規定：「網絡運營者、網絡產品或者服務的提供者違反本法第二十二條第三款、第四十一條至第四十三條規定，侵害個人信息依法得到保護的權利的，由有關主管部門責令改正，能根據情節單處或者並處警告、沒收違法所得、處違法所得一倍以上十倍以下罰款，沒有違法所得的，處一百萬元以下罰款，對直接負責的主管人員和其他直接責任人員處一萬元以上十萬元以下罰款；情節嚴重的，並能責令暫停相關業務、停業整頓、關閉網站、吊銷相關業務許可證或者吊銷營業執照。」
（3）法律法規滯後，監管無法可依
醫療人工智慧產品的註冊、使用、監管等法律法規正在制定之中，有待完善。以醫療人工智慧產品的註冊為例，根據我國《醫療器械註冊管理辦法》的規定，在中華人民共和國境內銷售、使用的醫療器械，應當按照本辦法的規定申請註冊或者辦理備案。因此，醫療人工智慧產品需要辦理註冊和備案。為加強醫療器械產品註冊工作的管理、指導和技術審評工作，國家食品藥品監督管理總局制定了相應醫療人工智慧產品的註冊指導原則。國家衛生與健康委員會、國家發改委、工信部等機構也在積極調研、起草和制定醫療人工智慧產品的使用、監管等法律法規，確保醫療人工智慧造福於民。
（4）醫療人工智慧的智慧財產權判定
在我國現有的法律體系中，醫療人工智慧的智慧財產權還難以清晰判定。
我國的智慧財產權判定依據的主要法律是《著作權法實施條例》，尚沒有對醫療人工智慧的智慧財產權的判定做出詳細規定，在實踐操作中有相當大的難度。
四、醫療人工智慧前景展望與預測分析
儘管目前人工智慧在醫療健康領域還沒有形成規模化、常態化的應用，而且還受到一些政策、法律和倫理等方面的限制和約束，但不可否認的是，隨著人工智慧研究的深入，以及醫療資源匱乏弊端的顯現，醫療人工智慧應用將越來越廣泛和深入，其產業也將越來越成熟。
1.人工智慧在醫療健康領域的應用會越來越廣泛
隨著醫療健康信息化的快速發展，醫療機構及各類醫療健康服務型企業會產生大量的醫療健康數據，包括醫療圖像、電子病歷、健康檔案等，人工智慧技術能夠對這些醫療大數據進行語義分析和數據挖掘，並實現對部分疾病的早期預警或自動診斷。這些應用主要體現在九個細分領域，包括疾病篩查和預測、醫院管理、健康管理、醫學影像、電子病歷/文獻分析、虛擬助手、智能化醫療器械、新藥發現、基因分析和解讀。
疾病篩查和預測：利用人工智慧技術，依據歷史就醫數據以及行為、醫學影像、生化檢測等多種結果進行綜合分析和判斷，或者依據某個長期形成的單一數據進行疾病預測。譬如，骨關節炎發展預測，卡內基-梅隆大學通過收集大量人群10年間的軟骨MRI影像數據，並利用人工智慧技術進行圖像數據的學習，從而發現正常人軟骨中的異常，可以預測其未來3年患有骨關節炎的概率。基於各類醫療健康大數據的採集和匯聚，類似的疾病預測將會越來越普遍，預測精度也會越來越高。
醫院管理：人工智慧在醫院管理上的應用主要包括優化醫療資源配置、彌補醫院管理漏洞和提升患者就醫體驗。人工智慧可以部分甚至完全代替人工在醫院管理和服務中的某些角色和工作，譬如，病人管理、智能導醫等。
健康管理：
隨著各種檢測技術（如可穿戴設備、基因檢測等）的發展，個人健康數據越來越多、越來越複雜，包括生物數據（如基因等）、生理數據（如血壓、脈搏）、環境數據（如每天呼吸的空氣）、心理狀態數據、社交數據以及就診數據（即個人的就醫、用藥數據等）等。這些數據匯聚在一起，利用人工智慧技術進行分析，可以對潛在健康風險做出提示，並給出相應的改善策略，最終可以實現對健康的前瞻性管理。
醫學影像：
目前人工智慧在醫學影像領域應用得較為廣泛和深入。由於各種成像技術（包括直接成像或間接成像）在醫療健康領域的廣泛應用，醫療診斷對影像的依賴程度越來越高。醫學影像已經成為醫療診斷的重要依據。龐大的影像數據量為深度學習系統提供了數據基礎。利用人工智慧技術可以幫助醫生對醫學影像完成各種定量分析、歷史圖像的比較或可疑病灶的發現等，從而高效、準確地完成診斷。
電子病歷/文獻分析：
人工智慧主要是利用機器學習和自然語言處理技術自動抓取病歷中的臨床變量，智能化融匯多源異構的醫療數據，結構化病歷、文獻生成標準化的資料庫，將積壓的病歷自動批量轉化為結構化資料庫。目前電子病歷/文獻分析的應用場景主要有三類：病歷結構化處理、多源異構數據挖掘、臨床決策支持。
虛擬助手：
虛擬助手是人工智慧技術在醫療健康領域最先嘗試應用的領域之一，它利用人工智慧技術，通過對醫療健康大數據的學習或挖掘，在「理解」用戶需求的前提下，按照要求輸出相關的醫學知識和信息，輔助人們進行健康管理或就醫問藥。虛擬助手較多地應用於個人問診、用藥諮詢、導診機器人、分診和慢性病管理、電子病歷語音錄入等。
智能化醫療器械：
智能化醫療器械是指現代通信與信息技術、計算機網絡技術、行業技術、智能控制技術、人工智慧技術在醫療器械上的應用。但智能化醫療器械不只是擁有智能功能的普通醫療器械，它可以擺脫對醫生操作的依賴，通過機器學習等底層技術實現自我更新迭代。智能化醫療器械能夠在兩個方面大大提升醫療效率：首先，智能化醫療器械能夠幫助醫生節省工作量；其次，智能化醫療器械能夠提高器械使用的精準度。
新藥發現：
新藥的開發流程可分為藥物發現、臨床前開發和臨床開發三個部分。而現代藥物發現在技術上又可以分為三個階段：靶點的發現和確證、先導物的發現、先導物的優化。人工智慧在新藥研發上的應用主要有兩個階段：一個是新藥發現階段，另一個是臨床試驗階段。共有7種不同應用方向。
基因分析和解讀：
基因檢測技術不斷發展和完善，檢測價格不斷下降，基因檢測趨向大眾化發展。隨著數據的不斷積累，分析能力和大資料庫是遺傳解讀和諮詢的關鍵，信息的解讀與整合成為基因相關企業的核心競爭力。人工智慧便依靠其強大的數據處理能力和學習能力給基因分析和解讀帶來了人類不曾擁有的能力。基因檢測由專業檢測機構完成，結果分析交給人工智慧，臨床醫師只需要最終結論，用這個結論去指導治療並進行精準的健康管理。
2.醫療AI產品將正式被批准成為醫療器械
在美國，FDA（食品藥品監督管理局）於2018年4月批准了世界上第一款人工智慧醫療設備IDx-DR，該設備可以在沒有醫生幫助的情況下診斷疾病，其內置攝像頭用於拍攝患者眼睛的照片，再通過算法評估該照片，確定患者是否有糖尿病視網膜病變的跡象；5月24日，Imagen公司的OsteoDetect軟體也獲FDA批准，該軟體利用機器學習技術，分析二維X光圖像，通過識別患者手腕前後和側面X光圖像判斷該患者是否骨折。
11月19日，國內的樂普醫療自主研發的心電圖人工智慧自動分析診斷系統「AI-ECG Platform」獲得FDA註冊批准，成為國內首項獲得美國FDA批准的人工智慧心電產品。截至目前，FDA已經批准了12個泛AI類醫療產品進入臨床應用。
由於AI醫療器械初期需要大量高質量、已標註的醫學數據進行模型訓練和學習，而目前一方面高質量的數據因為各種原因難以獲得，另一方面一些算法模型還不夠準確，導致很多AI產品在實際應用中會產生誤診、錯診、漏診等問題。
醫療健康行業事關人民身體健康，來不得半點馬虎。著名的IBM Watson人工智慧產品就因為錯診，開出不安全藥物而不斷受到質疑，美國德克薩斯大學MD安德森癌症中心這樣的頂級醫療機構在投入6700萬美元之後還是選擇放棄該項目。
但讓AI產品成為醫療器械，並讓其為患者帶來真正的福音的努力並沒有停止。國家食品藥品監督管理總局（CFDA）為了更好地規範國內發展迅速的智能輔助診斷產品，2017年9月發布了新版《醫療器械分類目錄》，2018年8月1日起開始施行。該新版目錄新增了與人工智慧輔助診斷相對應的類別，具體為對醫學影像與病理圖像的分析與處理。按照最新的分類規定，若診斷軟體通過算法提供診斷建議，僅有輔助診斷功能，不直接給出診斷結論，則可申報二類醫療器械，如果對病變部位進行自動識別，並提供明確診斷提示，則按照第三類醫療器械管理。2018年11月19日，國家藥品監督管理局醫療器械技術審評中心發出通知，公開向境內外徵集生產人工智慧醫療器械產品的企業信息，這表明其開始為我國AI醫療器械審批做準備。預計最晚到2020年，我國將會出現首批基於人工智慧的醫療器械產品並應用於醫療診斷服務中。
如果各醫療人工智慧公司要走醫院採購這條路，那麼獲得國家藥監局認證是必經之路，如果要認證三類醫療器械，那麼大量真實的臨床應用數據將會為公司的申請提供巨大的幫助。為此，目前醫療器械人工智慧產品第三方評測機構已經開始開展工作，包括構建智能產品評測資料庫，建立智能產品評測標準和明確評測步驟等，以便為企業提供真實可靠的評測環境。
3.醫療智能化應用的監管將越來越規範和嚴格
由於醫療數據涉及患者本人的隱私，在道德倫理和法律層面上都屬於非常敏感的問題。另外和其他領域的AI產品對比而言，醫療智能化產品及服務，尤其是診斷和治療方面的產品和服務，對人類醫生專家的決策勢必會產生一定的影響，一旦出現判斷失誤，患者的生命健康會面臨嚴重的威脅。
在美國，醫療器械根據其風險程度被劃分為三類，其中第Ⅲ類為具有高風險的醫療器械，具體指擬用於支持或維持人類生命或預防人類健康受損，或可能導致潛在的不合理疾病或傷害風險的醫療器械。根據美國聯邦法律，第Ⅲ類設備除需進行一般監管外，還需進行上市前審批（PMA）。但同時FDA也鼓勵企業醫療AI產品進行更新迭代，為此它有著全新的加速審批通道。FDA局長Scott Gottlieb在華盛頓舉行的2018 Health Datapalooza大會上表示，在保護患者的前提下，FDA正在擴大數字醫療工具獲批的機會，並積極開發新的監管框架，用新的方法來審查人工智慧。
可見FDA在人工智慧醫療器械方面有較多的審核方式，而國內監管部門對於利用人工智慧技術提供診斷功能的審核則更為嚴格，《醫療器械分類目錄》對醫療AI產品的界定是：若診斷軟體通過其算法提供診斷建議，僅有輔助診斷功能不直接給出診斷結論，則按照二類醫療器械申報認證；如果對病變部位進行自動識別並提供明確診斷提示，則必須按照第三類醫療器械進行臨床試驗認證管理。此外，國家衛生和計劃生育委員會於2017年2月發布的《人工智慧輔助診斷技術管理規範（2017年版）》和《人工智慧輔助治療技術管理體系規範（2017年版）》還對醫療機構及其醫務人員應用AI輔助診斷和治療提出了極具操作性的要求，具體包括醫療機構的硬體設施、醫務人員的資質要求以及技術管理和培訓管理制度等。
未來全球仍然需要推動醫療領域相關制度的制定和完善，各個國家和地區根據自身的法律法規和道德環境，加速制定關於人工智慧產品的一系列制度標準，包括產品的開發、生產、評估和定價等各個方面。作為監管部門，當下的重點是制定一套科學、合理、明確的產品分類分級標準。目前，世界各主要國家幾乎都將AI輔助診斷和治療產品作為醫療器械加以監管，AI輔助診斷和治療產品如需上市，必須根據醫療器械的等級分類標準獲得監管部門相應的許可和認證。對於高風險的AI產品，提高審核標準、嚴格把關，最大限度降低出現醫療事故的風險；對於低風險的AI產品，可以採用鼓勵和引導的監管方式，減少認證的周期，從而加速其產品和技術的迭代和發展。此外，監管部門對相關的醫療事故責任主體、各方責任權利範圍要仔細地劃分，這樣才能保證醫療AI產品快速穩定地被社會認可。
4.對人工智慧理論和技術的研究將更加深入
人工智慧技術發展迅猛，在很多研究項目上取得了一定的成果。然而，醫療衛生行業不同於其他行業，它對於實驗結果的可信度、可解釋性的要求還是很高的。例如，對醫學影像進行基於深度學習的數據分析，儘管這類技術能夠取得很高的準確率，但是模型本身屬於「黑箱技術」導致其結果缺乏判斷依據，人類醫生和患者往往很難相信實驗結果的可靠性，最後產品難以投入實際使用。另外，很多研究內容都是針對單病種或者少量病種的分類、檢測，多病種任務的人工智慧分析還需要算法的進一步提升，在保證模型實驗精度的基礎上提高其本身的泛化能力。就醫療領域的硬體設備而言，發展中國家與發達國家相比缺乏核心研發技術，創新能力十分薄弱，在人工智慧的部署方面存在較大難度。
由此，針對未來的醫療人工智慧，還需要進行理論技術上的推動和創新。人工智慧不僅是計算機科學的前沿，還是數學、軟體工程、腦神經科學等學科的新方向，其在醫學領域的未來發展要計算機軟硬體專家、醫學專家和統計學家等的共同努力，需要進行跨學科、跨領域的通力合作。一方面，使用更為成熟的人工智慧理論來提升各個系統模塊的思維邏輯能力，讓專家系統在儘可能複雜的環境下準確而又迅速地提供診療方案；另一方面，繼續加強人工智慧技術的實踐，使其具備更強的學習、自組織、泛化及訓練能力，加快從「弱人工智慧」到「強人工智慧」的轉化。例如，在深度學習中的可解釋性問題，目前已經有學者試圖通過注意力機制和可視化方法對這類技術進行分析。當然，未來仍然需要科研人員進一步探究這些「黑箱技術」內部的實現原理和技術細節。