20世纪80年代和90年代带来了微型计算机的激增和新的网络连接水平。在此期间，研究人员和开发人员认识到，医疗保健系统在医疗保健方面的设计必须能够适应缺乏完美数据和建立在医生的专业知识基础上。涉及模糊集理论，贝叶斯网络和人工神经网络的方法已经应用于医疗保健领域的智能计算系统。

这半个世纪以来，人工智能技术在医疗上的成长有这些方面：计算能力的提高导致更快的数据收集和数据处理，个人和医疗保健相关设备的健康相关数据的数量和可用性增加，基因组测序数据库的增长，电子健康记录系统的广泛实施，自然语言处理和计算机视觉的改进，使机器能够复制人类感知过程，机器人辅助手术的精确度提高。

而在放射学上，解读成像结果的能力可以帮助临床医生检测详细细节的图像变化，或临床医生可能意外漏掉的某些变化。这种在放射学中纳入AI的研究是斯坦福大学的一项研究，该研究的结果表明，他们创建的算法可以比放射科医师更好地检测肺炎。放射学会议北美放射学会在其成像中实施了大部分时间表来使用人工智能。

自动阅片写报告，AI辅助诊断让医生患者都受益

阅片是影像科医生的一项常规工作内容，需要非常专业的知识，但同时也是一项机械、繁琐的工作。医生需要对影像资料进行分析对比，然后书写诊断意见或进一步检查的建议，重复的工作无形中占用了大量的时间，降低了医疗效率。医生疲惫不堪，病人也因为排长队而叫苦不迭。

面对这种情况，计算机和医学领域的研究人员都在考虑：如果能够让“全能”的人工智能帮助医生阅片，自动诊断写报告，岂不是能节省大量的时间，让医生和病人都受益？

啄医生”——由四万余块260核芯片组成的“超级计算机”，将超算技术与人工智能结合，学习了10万多套肺片，在短时间内，迅速达到了有15年临床经验的影像科医生的阅片水平。

图片来源：央视《机智过人》——2017-12-22

从一位就医者者角度，人工智能可以在以下几方面给患者和医疗资源做一些事情。

1、检查诊断方面

验血、尿检等等，很多检查基本上是通过仪器检测出相应的数据，然后拿着化验单再给医生看，医生也是凭借化验单上的数据判断病因，并给予患者治疗方案。

是否可以基于大数据，在化验之后直接给出患者治疗方案以及推荐的药物等，减少排队看病给患者和医护人员带来的时间浪费。（比如一般的感冒、发烧，排队一个小时，看化验单2分钟，也就是医生诊断的时间，这个效率太低了）

2、对于慢性病或需要长期治疗的疾病

借助领先的人工智能技术产品组合，英特尔与诺华、博德研究所、华大基因等众多国内外生态合作伙伴在精准医疗和医学影像分析等领域积极部署人工智能解决方案，推动医疗的智能化发展。英特尔成为法国居里研究所的首席合作伙伴，双方将共同开发、使用和实施创新型生物信息学工具和技术，从而改进研究和临床肿瘤学中分子表达谱的应用。此外，英特尔与飞利浦合作，利用使用英特尔®至强®可扩展处理器和OpenVINO™工具包加快深度学习推理速度。

针对癌症的精准医疗要求根据每位患者的基因特征来提供个性化的医疗护理。但是，由此产生的庞大数据量，对医生筛选海量基因变体，做出正确的诊断提出了很大的挑战。尽管人工智能在基因组解读方面的应用刚刚兴起，但这项技术的发展十分迅速，它可以作为过滤器，大幅减少变体数量，为医生提供极大的帮助。

居里研究所和英特尔之间的开创性合作，旨在共同开发、使用和实施创新的生物信息学技术，缩短诊断时间、提高诊断准确率，提出更有针对性的治疗建议。通过这项合作，居里研究所将会获得英特尔专家的支持，来帮助优化及保障其高性能计算和人工智能基础设施，以便部署英特尔基因组生态系统合作伙伴解决方案和最佳实践。此外，还将额外开发集成和分析异构生物医学数据所需的定制工具。此次合作将部署用于基因分析的英特尔® 精选解决方案，该方案基于英特尔® 至强® 可扩展处理器和英特尔® Omni-Path架构。

人工智能将给医疗领域带来哪些改变？问题问得比较笼统，但是，如果太具体了，就需要专业人士来了。看来，我可以钻这个孔子。据我所知，我们国家现在已经研制出了专门用于手术治疗的机器人，这台机器人在不联网的情况下，通过严格的各种医疗操作考试，同时可以在医护人员的协助下独立完成手术。至于现在是否用于实际工作中就不知道了。总之，人工智能应用在医疗领域还需要我们每一个人的心理适应期和承受期。毕竟，人命关天，在现阶段，谁都不愿意把自己的生命交给人工智能。实际上，人工智能在一些领域的应用还得需要

社会的共同认可，和法律的认定，不是说应用就应用，说推广就推广。当然，由医疗人员操作的机器手之类的智能机械已经用在了辅助医疗中了。

不可否认，人工智能已经来了，而且就在我们身边，几乎无处不在。但并非所有人都能留意到它的存在，可能大多数人只是单纯的将它视作寻常科技的一种。

到底什么是人工智能？

通常意义上的人工智能，是我们日常生活中接触的比如，百度的智能搜索引擎、智能翻译、智能助理；今日头条的机器写作、机器视觉；又或者百度的自动驾驶、机器人等。

但如果从科学定义的角度来看，能遵照思维里的逻辑规律进行思考，完成人们不认为机器能胜任的事情，具有简单实用特色的计算机程序。

在药物研发领域，未来AI可能带来翻天覆地的变化。

最明显的是：可以大大缩短药企研发时间，同时可以节约药企巨大的研发成本。

药企巨头罗氏曾调研分析，药企要成功研发一种药，平均需要10年，甚至更久，而成本至少15亿以上。

而AI设计药物骨架，完全有可能在几个月内完成。

比如AI药物研发公司Insilico Medicine，2019年9月在国际顶级学术杂志《Nature》子刊上发表了《深度学习能够快速识别强效DDR1激酶抑制剂》，从最初的靶点确定，到完成苗头化合物结构虚拟筛选，仅用时21天，到苗头化合物的合成及初步体外实验验证，用时仅46天。让整个研发时间缩短到5-10年。

人工智能给医疗行业带来的改变主要有3方面：

1.医疗影像分析：

在医疗数据中有90%以上都来自医疗影像，特别是CT和磁共振，一个病人的一个部位就要几十、几百副影像图片，人工智能可以代替医生从中寻找病变的蛛丝马迹，减轻了医生的工作量，而且还提高了诊断效率。特别是病例分析，面对的影像资料都是细胞和组织，对医生的精力和专业度都有很高的要求，而通过计算机进行机器学习之后，不仅可以提高效率，而且还能提供更加准确的诊断结果。同时也解决了病理医生的10万人缺口的问题。这方面，IBM的Watson Health部分已经做得很好了，国内的推想科技、汇医慧影、图玛深维、DeepCare等也在这方面有很久的研究，并且大多已经实现了技术落地。

2.医疗手术：

比如智能取号，叫号

健康大数据及其人工智能分析

随着科技进步和社会人群对生活质量要求日益增高，人们对医疗行业的要求已经开始从临床转向健康。

众多研究显示，与有显著差别的临床数据不同，传统的实验室数据结果往往不显示清晰稳定的个人健康改变。究其可能原因，首先，健康状态变化虽然在主观感觉和行为表现上已经明显，但由于人体巨大的代偿能力，数据改变并不像疾病时那样大。其次，传统的评估方法对于健康状态的描述既不敏感特异性也不高，而真正重要的信息可能湮没在数据中，传统人工比较几乎不可能识别这样的健康信息。再者，如果数据涨落波动的确很大，干扰因素多或数据容易被污染，在样本量小的情况下容易出现分析结果的随机偏差，影响对健康状态的准确评估。

大数据分析(Big Data Analytics, BDA)为解决这些困扰因素提供了一个有效手段。个人健康大数据来自量化的反复检查结果，有准确性和精度描述，具可验证真实性特征，呈单向增量累积，类型有向量和标量、有参和无参、低维和高维之分，可做四则运算和定量分析。与健康相关的数据量巨大，欧盟的一家普通医院每年生成的数据量在10^13-10^15字节范围[45]，在美国的健康保险业，十多年前数据量已经达到10^18[46]。这种量级的健康数据已经无法进行人工分析，甚至对于个人计算机也构成挑战[47]，需要借助云储存和云计算方法。如果健康数据来源成为个人日常生活的一部分（被称为体检生活an examined life）[48]，例如进行个人心脏健康管理，产生的数据量每天大约为10^7-10^9字节，其年数据生成量为10^10-10^12字节左右，对于一个万人社区来说，数据增量已经超过一家医院。

已有健康大数据中，许多重要的健康信息目前并没有被分析挖掘出来，这与缺乏有效的认识和算法有关。大数据分析最困难之处，在于如何根据生物医学理论模型来建立数据分析的预期目标，并选择有效的分析技术以实现其应用价值[49]。例如，虚拟生理人(virtual physiological human, VPH)使用生理数据代入，以期再现个人健康状态的变化过程[50]。从数据的归属来看，健康大数据可分个人健康大数据和群体健康大数据，前者来自个人健康数据的不断获取和积累，后者为个人健康大数据的汇总。群体健康大数据不仅能够反映区域内群体的健康变化趋势，还能够成为个人健康状态评估的基线，而个人健康大数据则是个人健康状态评估的依据。健康大数据往往是以多参数（高维度）形式出现，以心电ECG数据为例，不仅有P波、QRS波、T波的幅值参数和时间关系参数以及导联参数，还含有时域参数、频域参数、非线性域参数等信息，每个维度均映射出独特的心脏功能信息以及健康储备信息。即使是单调的血糖数据，一旦进入动态监测并且与高维度的饮食和运动数据耦合，其定量分析也无法手工实现，只能借助于人工智能(Artificial Intelligence, AI)和机器学习(Machine Learning, ML)等计算机算法来实现自动分析和评估[51]。可以确认的是，应用大数据分析手段，不仅能够揭示并发症进程的病理机制及其诱发病因的相互作用关系、基因组学和药物敏感性、24/7全天候监护的价值，也改善公共预防和健康管理体系的精准性[52]。