本文摘要：2014年，斯坦福大学启动了“AI100”项目，即“人工智能百年研究”。

2014年，斯坦福大学启动了“AI100”项目，即“人工智能百年研究”。该项目进发了各领域顶尖的研究人员，目的研究并预测人工智能将如何发展，及其对人类和社会的影响。

“人工智能＋医疗保健”仍然被视作极具发展潜力的新兴领域。未来几年，基于人工智能的应用程序未来将会提高数百万人的健康状况和生活质量，并改良医务工作者和患者之间的交流方式。

动脉网编译器了AI100报告中与医疗有关的部分，本文的主要内容还包括：临床环境：AI助手协助自动化问诊流程；医疗分析：管理临床记录和患者数据、自动图像除错；医疗机器人：人机工程学＋智能自动化；数字医疗：利用生物识别技术，获取个性化建议；老年护理：多项创意技术为居家生活获取便捷。“AI＋医疗”的主要应用领域还包括：临床决策反对、患者监控和指导、辅助手术、患者护理的自动化设备以及医疗保健系统的管理等。例如，利用社交媒体来推断有可能不存在的身体健康风险，利用机器学习来预测疾病以及通过机器人来辅助手术。

然而，如何提供医生、护士和患者的信任，如何避免政策、法规以及商业上的妨碍，这些都是必须解决问题的问题。与在其他领域一样，数据都是关键的推动者。

从个人监控设备再加移动应用程序、临床环境中的电子身体健康记录（EHR）到医疗机器人，研究人员不断创新，在搜集简单医疗数据方面，获得了巨大进步。但事实证明，涉及人员很难利用这些数据为单个患者和患者群体获取更加精准的临床和化疗。过时的规章制度和激励机制都妨碍了产品的研发和上市。在可观且简单的医疗系统中，嵌入式方式不完备以及技术应用于不存在艰难和风险，都为人工智能应用于医疗领域带给了挑战。

通过增加或避免这些妨碍，再加大大的创意，数百万人的健康状况就能获得提高。临床环境：AI助手协助自动化问诊流程几十年来，人工智能驱动的临床医生助理这一概念大大被驳回。

尽管有些“AI＋医疗”的试点项目获得了顺利，但目前的医疗系统在结构上依然无法适应环境这一技术。平价医疗法案中的鼓舞措施加快了电子身体健康记录（EHR）在临床实践中的应用于，但实行效果不欠佳，也让临床医生对其有效性产生了批评。其中不存在的问题还包括，一小部分公司掌控着EHR市场，以及公众普遍认为用户界面不符合标准，比如医生一般来说不会忽视的插入窗口。由于以上问题以及监管方面的拒绝，通过人工智能，利用EHR的数据展开分析的愿景，在相当大程度上未有构建。

在未来15年，如果人工智能发展很快，再加充足多的数据以及适合的系统，就未来将会提高临床医生的工作效率。目前，按照相同流程，患者不会再行对症状展开口头叙述，然后医生们再行将症状与未知疾病的临床表现联系一起。如果以上流程构建了自动化，那么医生可以监督问诊过程，运用经验和直觉来指导输出过程，并评估机器的智能输入。

医生的“实践中”经验仍将至关重要。而其中，仅次于的挑战在于，如何将人性化的护理与自动化推理小说过程融合一起。

为了达到最佳效果，临床医生必需在一开始就参予进去，以保证系统的长时间运营。目前，新一代医生早已通晓这些技术，并开始在移动设备上用于专门的应用程序。与此同时，初级保健医生的工作量不会大幅地减少。

但是，只要解决问题监管、法律和社会方面的问题，就能很大地提高临床的分析，其中还包括研发新的自学方法、通过自动分析科学文献来创立结构化的推理小说模式、通过权利对话的形式来创立理解助手等。医疗分析：管理临床记录和患者数据、自动图像除错人工智能可以分析数百万条患者临床记录，从而构建更加精确、更加个性化的临床和化疗。随着仅有基因组测序沦为患者的常规检查，基因型－表型的相关性分析也将沦为有可能。

比如，可以通过类似于群组分析，即寻找“相近患者”，来要求化疗方案。通过社交平台以及传统或非传统的医疗数据，来要求患者分组。而每一组都有一个专门的系统展开管理，系统由医疗服务提供者以及自动引荐和监控系统构成。如果将这一技术应用于数亿人的临床记录，就有可能彻底提高医疗服务。

此外，人工智能技术也可以获取个性化的医疗服务，比如，通过可穿着设备自动提供个人环境数据，以产生个性化的分析和建议。目前，ShareCare等公司正在将这一技术应用于医疗场景。然而，想构建较慢创意，依然必须解决许多艰难。

FDA在批准后创意临床软件方面进展较慢；HIPAA法案（身体健康保险装载和责任法案）拒绝维护患者隐私，这就为通过人工智能技术用于患者数据设置了法律障碍。批准后的药物或产品可能会经常出现意料之外的负面影响，比如，用作分析药物相互作用的移动应用程序不会被禁令从患者记录中萃取适当的信息。总的来说，由于缺少普适的隐私维护方法和标准，医疗领域的人工智能研究和创意受到了妨碍。

FDA如期没批准后创新软件，部分原因是无法权衡这些系统的成本与效益。如果监管机构（主要是FDA）意识到，上市后报告可以有效地防止某些安全性风险，那么它们可能会更慢地批准后新的化疗方式和介入措施。几十年来，自动图像除错仍然是一个极具发展潜力的领域。

而这一领域获得的进展都引起了很大的注目，比如除错大量标记较强的图像（如从网络上撷取的大型照片）。在此之前，医学图像的除错未获得如此大的进展。

因为大多数医学光学方式（CT、MR、成像）本质上都是数字化的，图像都展开了副本，而且有大型的、技术成熟期的公司（如西门子、飞利浦、通用电气等）专门从事光学研究。但到目前为止，依然不存在一些障碍，容许了这一领域的发展。大多数医院的图像档案在过去十年才数字化。

更加最重要的是，解决问题医学问题，依赖的并某种程度是辨识图像中的东西，而是对其做出精确的辨别。而这些高风险的辨别都会受到严苛的监管。

即使有了最先进设备的技术，放射科医生有可能还是必须查阅图像，因此其判断的结果仍不具备说服力。此外，医疗保健法规禁令横跨机构的数据共享。因此，只有像KaiserPermanente这样的大型综合医疗机构才能解决问题以上问题。尽管如此，自动／强化图像除错这一领域仍发展很快。

在未来15年，有可能会经常出现几乎自动化的放射学，但对于图像“分流”或二级检查的可行性尝试，未来将会提升医学光学的速度和成本效益。融合电子病历系统，机器学习技术可大规模地应用于医学图像数据。例如，几个大型的医疗系统都存在数百万名患者的档案，每个档案都有涉及的放射学数据。

另一方面，涉及文献指出，深度神经网络可以通过训练分析放射学的数据，并且具备较高的可信度。

本文来源：Kaiyun·yunkai(中国)官方网站-www.93ly.com