孔鳴，何前鋒，李蘭娟

（1.浙江大學(xué)計算機科學(xué)與技術(shù)學(xué)院，杭州310027；2.浙江大學(xué)醫(yī)學(xué)院附屬第一醫(yī)院，杭州 310003）

一、前言

每年我國各類醫(yī)療機構(gòu)診療總?cè)舜纬^70億次，且存在醫(yī)療資源分配不均、布局結(jié)構(gòu)不合理等問題，醫(yī)療衛(wèi)生行業(yè)面臨巨大的服務(wù)需求壓力。隨著醫(yī)療信息化的快速發(fā)展，電子病歷和健康檔案的實行，產(chǎn)生了大量的文檔、表格、圖像、語音等多媒體信息。利用人工智能技術(shù)輔助開展醫(yī)療過程，對數(shù)據(jù)進行整合分析，為提升醫(yī)療衛(wèi)生服務(wù)能力，解決醫(yī)療資源緊缺帶來了新契機。

2017年7月，國務(wù)院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》中提到，應(yīng)深化人工智能在智能醫(yī)療領(lǐng)域的應(yīng)用，推廣應(yīng)用人工智能診療新模式、新手段，建立快速精準(zhǔn)的智能醫(yī)療體系。人工智能技術(shù)能夠?qū)Υ笠?guī)模開放式醫(yī)療數(shù)據(jù)的語義進行分析、挖掘和理解，實現(xiàn)對醫(yī)學(xué)語義網(wǎng)絡(luò)和知識中心的自動構(gòu)建。通過對海量的醫(yī)學(xué)文獻、病例數(shù)據(jù)和診療方案進行快速檢索，分析數(shù)據(jù)之間的隱含關(guān)系，能夠開展輔助診療、藥物研發(fā)等問題的研究，推動醫(yī)療技術(shù)的進步。通過對醫(yī)學(xué)影像的智能分析，能夠準(zhǔn)確提取特征，定位病灶，為疾病預(yù)防與診斷提供幫助。此外，語音識別、視頻理解、智能問答等技術(shù)能夠在輔助病歷記錄、臨床護理、康復(fù)指導(dǎo)、自動導(dǎo)診等諸多領(lǐng)域展開應(yīng)用。

實現(xiàn)醫(yī)療信息和健康數(shù)據(jù)的融合、開放共享，并利用人工智能對碎片化醫(yī)學(xué)信息進行整理分析，對醫(yī)療診斷過程提供輔助，可改善醫(yī)療健康服務(wù)，促進政府決策合理化，解決醫(yī)療衛(wèi)生資源配置不均衡問題，是人工智能與醫(yī)療領(lǐng)域的最直接應(yīng)用，也是醫(yī)療人工智能發(fā)展的重點。本文選取健康醫(yī)療信息人機交互、數(shù)據(jù)智能中的語義理解與醫(yī)學(xué)影像分析作為切入點，簡要闡述了人工智能在輔助診療問題上的發(fā)展方向與現(xiàn)狀，討論了智能診療技術(shù)發(fā)展與應(yīng)用的問題與挑戰(zhàn)，為相關(guān)部門提供決策支持。

二、醫(yī)療信息語義理解與影像分析發(fā)展現(xiàn)狀

目前，利用人工智能技術(shù)對疾病進行臨床診斷的研究主要圍繞兩方面展開：一是對海量醫(yī)學(xué)數(shù)據(jù)進行分析處理，通過推理、分析、對比、歸納、總結(jié)和論證，從大量數(shù)據(jù)中快速提取關(guān)鍵信息，對患者身體狀態(tài)和患病情況得出認(rèn)知結(jié)論[1,2]；二是通過對文字、音頻、圖像、視頻等多媒體形式的診斷數(shù)據(jù)進行分析與理解，挖掘和區(qū)分病情特征，進行診斷和評估[3]。其中，醫(yī)學(xué)信息的標(biāo)準(zhǔn)化表征和結(jié)構(gòu)化整合是實現(xiàn)基于大數(shù)據(jù)智能手段進行輔助診斷的基礎(chǔ)；而醫(yī)學(xué)影像數(shù)據(jù)作為一種能夠準(zhǔn)確、直觀反映病情表征狀態(tài)的重要診斷依據(jù)，加之深度學(xué)習(xí)技術(shù)在圖像特征提取方面的突破性進展，成為當(dāng)前人工智能與輔助診斷結(jié)合最緊密的領(lǐng)域之一。本節(jié)將從醫(yī)療信息語義理解與醫(yī)學(xué)影像分析兩方面的研究現(xiàn)狀入手，對人工智能輔助診療的發(fā)展現(xiàn)狀進行分析。

（一）醫(yī)學(xué)知識圖譜與醫(yī)學(xué)術(shù)語標(biāo)準(zhǔn)構(gòu)建

醫(yī)療健康信息化的推進積累了海量的醫(yī)學(xué)數(shù)據(jù)。轉(zhuǎn)化自然語言的原始數(shù)據(jù)表達方式，整合提煉不同來源的數(shù)據(jù)，形成標(biāo)準(zhǔn)化信息，建立結(jié)構(gòu)統(tǒng)一的信息化醫(yī)學(xué)檔案，不僅方便對醫(yī)學(xué)數(shù)據(jù)進行存儲、整理和查找，也有利于與人工智能技術(shù)相結(jié)合。

知識圖譜作為一種應(yīng)對互聯(lián)網(wǎng)當(dāng)中海量而零散信息的高效檢索需求所設(shè)計的語義網(wǎng)絡(luò)結(jié)構(gòu)，對大規(guī)模數(shù)據(jù)及數(shù)據(jù)實體之間的關(guān)系具有很強的表達和管理能力。通過對海量的醫(yī)學(xué)概念、實體、關(guān)系及事實進行整合，能夠有效表示實體間的語義關(guān)系。將醫(yī)療機構(gòu)、醫(yī)藥產(chǎn)品、診療病例、健康監(jiān)測數(shù)據(jù)、基因數(shù)據(jù)、健康飲食數(shù)據(jù)、運動數(shù)據(jù)等相關(guān)數(shù)據(jù)與圖譜進行鏈接并在時間維度上進行延展，是構(gòu)建個性化、動態(tài)、多模態(tài)、可語義理解并用于人工智能輔助決策的健康醫(yī)療信息的基礎(chǔ)。基于知識圖譜既能夠進行高效的信息檢索、查詢，也能夠基于已有信息進行推理，挖掘隱含知識，開展科普查詢、輔助診療、臨床決策、藥物研發(fā)、智能導(dǎo)醫(yī)等相關(guān)應(yīng)用的研究[4,5]，提高醫(yī)生及醫(yī)院的工作效率，提供針對分級診療的智能輔助。

目前，通用知識圖譜的應(yīng)用已經(jīng)十分廣泛，如Google Knowledge Graph、Yago、DBpedia、搜狗“知立方”等。大型知識圖譜的構(gòu)建是在融合“在線百科全書”等結(jié)構(gòu)化、半結(jié)構(gòu)化數(shù)據(jù)的基礎(chǔ)上，利用實體抽取、實體鏈接、關(guān)系抽取、屬性填充等技術(shù)，對不斷產(chǎn)生的不同來源、不同格式的開放式非結(jié)構(gòu)化信息進行抽取，并通過知識融合、知識驗證實現(xiàn)對知識圖譜的擴充和更新[6]。

作為知識圖譜重要的垂直應(yīng)用領(lǐng)域，醫(yī)學(xué)知識圖譜的發(fā)展也早已引起國內(nèi)外的關(guān)注。醫(yī)學(xué)知識圖譜構(gòu)建在對醫(yī)學(xué)知識進行全面整理的基礎(chǔ)上，對關(guān)鍵醫(yī)學(xué)知識和基本概念進行嚴(yán)格定義，形成權(quán)威、準(zhǔn)確的醫(yī)學(xué)本體描述規(guī)范，方便對不同學(xué)科、不同專業(yè)和不同來源的數(shù)據(jù)進行融合與驗證，形成語義網(wǎng)絡(luò)，為臨床數(shù)據(jù)標(biāo)引、醫(yī)療信息存儲、檢索和聚合提供便利。耶魯大學(xué)通過整合神經(jīng)科學(xué)知識庫SenseLab[7]，構(gòu)建了包含從微觀分子層面到宏觀行為層面的腦科學(xué)知識圖譜，幫助人類理解和表示神經(jīng)科學(xué)領(lǐng)域海量信息之間的關(guān)聯(lián)。由國際衛(wèi)生術(shù)語標(biāo)準(zhǔn)制定組織（IHTSDO）維護的醫(yī)學(xué)本體知識庫SNOMED CT[8]，包含了超過31萬個具有獨立編號的醫(yī)學(xué)相關(guān)的本體，以及超過136萬個本體間的相關(guān)關(guān)系，廣泛應(yīng)用于電子病歷、基因數(shù)據(jù)庫、檢驗結(jié)果報告和計算機輔助醫(yī)囑錄入等多個領(lǐng)域。由美國國立醫(yī)學(xué)圖書館（NLM）建設(shè)的一體化醫(yī)學(xué)知識語言UMLS[9]，整合了100多部受控詞表和分類體系，包含了超過100萬個生物醫(yī)學(xué)概念和超過500萬個概念名稱。UMLS對不同詞表在不同領(lǐng)域當(dāng)中的應(yīng)用進行聯(lián)通，具有跨語言、跨領(lǐng)域和工具化的特點，在信息檢索、自然語言處理、電子病歷和健康數(shù)據(jù)標(biāo)準(zhǔn)方面得到廣泛應(yīng)用。

我國對臨床術(shù)語的探索起步較晚，目前還未形成一套完整的、廣泛應(yīng)用的術(shù)語標(biāo)準(zhǔn)。中國中醫(yī)科學(xué)院中醫(yī)藥信息研究所研制的中醫(yī)藥學(xué)語言系統(tǒng)包含超過12萬個概念，60萬個術(shù)語和127萬個語義關(guān)系的大型語義網(wǎng)絡(luò)，構(gòu)建了中醫(yī)藥知識圖譜[10]。但該系統(tǒng)存在構(gòu)建定位局限、內(nèi)容不夠完善等問題，尚未得到廣泛應(yīng)用。此外，國內(nèi)醫(yī)療衛(wèi)生領(lǐng)域的相關(guān)機構(gòu)和個人發(fā)起成立了開放醫(yī)療與健康聯(lián)盟（OMAHA），通過行業(yè)協(xié)作、開源開放的方式來實現(xiàn)健康信息技術(shù)的標(biāo)準(zhǔn)化。2017年5月，OMAHA啟動了醫(yī)學(xué)術(shù)語協(xié)作項目，致力于通過眾包協(xié)作的方式構(gòu)建中文醫(yī)學(xué)術(shù)語標(biāo)準(zhǔn)。

（二）人工智能醫(yī)學(xué)影像分析

傳統(tǒng)基于機器學(xué)習(xí)的醫(yī)學(xué)影像研究圍繞醫(yī)生指定的圖像特征展開研究，這使得模型只能圍繞指定特征進行判斷，導(dǎo)致模型泛化能力弱，且難以對病情發(fā)展程度進行分類。而深度學(xué)習(xí)模型具備良好的圖像特征提取能力，能夠?qū)θ祟愲y以分辨和容易忽略的特征進行準(zhǔn)確提取和有效分析，從而取得更高的準(zhǔn)確率。

基于人工智能的醫(yī)學(xué)影像研究圍繞電子計算機斷層掃描（CT）、核磁共振（MRI）、X射線、超聲波、內(nèi)窺鏡和病理切片等多種類型的醫(yī)學(xué)圖像分析展開，對包括肺、乳腺、皮膚、腦部疾病和眼底病變等展開研究。對于部分疾病，人工智能診斷和分析的準(zhǔn)確率已達到專業(yè)醫(yī)生的水準(zhǔn)。

視網(wǎng)膜“糖網(wǎng)”病變是糖尿病的一種典型癥狀。Google DeepMind Health團隊將深度學(xué)習(xí)模型應(yīng)用到視網(wǎng)膜“糖網(wǎng)”病變分類問題當(dāng)中，通過準(zhǔn)確檢測視網(wǎng)膜眼底圖像的病變情況對糖尿病黃斑水腫程度進行分級，對測試者進行病情預(yù)警和診斷。研究團隊利用12.8萬張視網(wǎng)膜眼底圖像對深度學(xué)習(xí)模型進行訓(xùn)練，在測試過程中取得了 97.5% 的靈敏性和93.4% 的特異性，判斷準(zhǔn)確率與人類專業(yè)醫(yī)生相當(dāng)。

國內(nèi)利用人工智能技術(shù)開展醫(yī)學(xué)影像進行分析的研究也已收獲成果。某眼科中心研發(fā)的人工智能診斷平臺[11]能夠利用深度學(xué)習(xí)模型對先天性白內(nèi)障進行檢測，利用晶狀體不透明面積、深淺和位置三大指標(biāo)對患者的患病幾率進行危險評估，并根據(jù)診斷結(jié)果輔助眼科醫(yī)師進行治療決策。通過實驗對先天性白內(nèi)障的診斷準(zhǔn)確率達到98.87%，三項指標(biāo)（不透明面積、深淺和位置）準(zhǔn)確率分別為93.98%、95.06%和95.12%。在輔助決策方面，為醫(yī)師提供建議的準(zhǔn)確率達到97.56%。

目前，基于深度學(xué)習(xí)的醫(yī)學(xué)影像分析主要是利用深度學(xué)習(xí)模型對圖像特征的提取能力，完成病灶區(qū)域識別和病情病種分類。盡管這類技術(shù)能夠取得較高的準(zhǔn)確率，但其結(jié)果缺乏對判斷依據(jù)的描述，難以與人類醫(yī)生的思路相結(jié)合，難以投入實際應(yīng)用。因此，醫(yī)學(xué)影像分析需進一步結(jié)合注意力機制等技術(shù)[12]，尋求得到符合人類思維邏輯的分析結(jié)果。

斯坦福大學(xué)提出的CheXNet深度卷積神經(jīng)網(wǎng)絡(luò)模型，在利用胸部X線片對肺炎患者的患病情況進行判斷的基礎(chǔ)上，考慮了模型的可解釋性。該模型利用DenseNet深度神經(jīng)網(wǎng)絡(luò)模型對圖像特征進行分析，不僅在利用胸部X線片作為診斷依據(jù)的情況下，精度超過人類醫(yī)生的平均水平，還通過計算模型每個像素點上的各類圖像特征的權(quán)值之和，衡量圖像各位置在分類決策中的重要性，解釋決策過程，幫助人類醫(yī)生對患者病情進行理解?？突仿〈髮W(xué)邢波教授組近期提出一個多任務(wù)協(xié)同框架，通過引入?yún)f(xié)同注意力機制，來對異常區(qū)域進行準(zhǔn)確定位和概括。不僅通過標(biāo)簽對圖像內(nèi)容進行描述，還利用層級長短期記憶（LSTM）模型生成長文本形式的醫(yī)學(xué)影像分析報告，通過文字描述對分析結(jié)果進行描述和解釋[13]。

除了直接通過對醫(yī)學(xué)影像圖片進行特征提取的方式來進行病情預(yù)測與診斷外，還能夠通過影像對人體結(jié)構(gòu)進行三維建模，實現(xiàn)對內(nèi)鏡機器人等微型診療設(shè)備在人體內(nèi)的定位和識別[14,15]，提供更加豐富的醫(yī)療數(shù)據(jù)采集方式。采用無監(jiān)督學(xué)習(xí)等方式對醫(yī)學(xué)影像特征進行提取分析，減少對數(shù)據(jù)標(biāo)注的依賴，方便醫(yī)學(xué)影像分析過程的開展[16]，也是當(dāng)前醫(yī)學(xué)影像研究的重要內(nèi)容。此外，目前主要的醫(yī)學(xué)影像研究僅圍繞影像數(shù)據(jù)本身展開。利用海量醫(yī)學(xué)知識，構(gòu)建多模態(tài)數(shù)據(jù)采集分析與結(jié)構(gòu)化知識推理相結(jié)合的智能診療模型，將成為醫(yī)學(xué)影像分析的未來發(fā)展方向之一。

三、我國人工智能輔助診斷發(fā)展存在的難點與挑戰(zhàn)

（一）醫(yī)療信息化程度問題

人工智能技術(shù)以數(shù)據(jù)驅(qū)動為主體，構(gòu)建內(nèi)容齊全、結(jié)構(gòu)統(tǒng)一的醫(yī)學(xué)健康大數(shù)據(jù)能夠為人工智能在醫(yī)療診療領(lǐng)域的研究提供有力支持，也有助于智能診療技術(shù)的應(yīng)用與推廣。

近年來，我國在全面提升醫(yī)療信息化水平方面做出了巨大努力。自2010年以來，國家財政多次撥款，加大各地醫(yī)療信息化建設(shè)力度，推進國家、省級、區(qū)域三級衛(wèi)生信息平臺建設(shè)。目前，我國的區(qū)域醫(yī)療信息化覆蓋率較高，計算機基礎(chǔ)設(shè)施基本實現(xiàn)廣泛覆蓋，省、市級醫(yī)院已基本實現(xiàn)全面信息化管理。但應(yīng)對人工智能輔助醫(yī)療的新形勢，尚存在許多問題：一方面，不同地區(qū)、不同機構(gòu)間的醫(yī)療信息化發(fā)展程度存在較大差異，利用信息化手段解決醫(yī)療衛(wèi)生問題的技能與思想尚未得到有效普及；另一方面，各機構(gòu)之間的醫(yī)療信息化平臺缺乏協(xié)同性，不同平臺、不同版本之間缺乏標(biāo)準(zhǔn)化信息交換接口，機構(gòu)之間信息交流不暢，缺乏對醫(yī)療數(shù)據(jù)的統(tǒng)一管理與長期存儲。此外，醫(yī)療信息的產(chǎn)生過程和質(zhì)量的控制也制約著人工智能相關(guān)技術(shù)的應(yīng)用深度，構(gòu)建共享、開放、規(guī)?；?、高質(zhì)量的面向?qū)I(yè)疾病的智能輔助分析決策、新藥研發(fā)、公共衛(wèi)生決策的統(tǒng)一醫(yī)療健康大數(shù)據(jù)是重要而長期的工作任務(wù)。建立國家級的健康醫(yī)療大數(shù)據(jù)云平臺，開放數(shù)據(jù)市場，制定醫(yī)院服務(wù)中數(shù)據(jù)還給患者的方式方法，服務(wù)流程標(biāo)準(zhǔn)及收費規(guī)范，以個體的應(yīng)用以及交易帶動健康醫(yī)療數(shù)據(jù)市場化的發(fā)展，從而開辟新的數(shù)據(jù)和信息整合、知識發(fā)現(xiàn)及服務(wù)市場。

（二）醫(yī)療工作者參與度問題

不論是構(gòu)建規(guī)范統(tǒng)一的醫(yī)學(xué)信息系統(tǒng)和內(nèi)容準(zhǔn)確完備的知識圖譜，還是設(shè)計實現(xiàn)針對特定疾病的輔助診療系統(tǒng)，都需要獲取權(quán)威的醫(yī)學(xué)知識和豐富的臨床經(jīng)驗，經(jīng)驗豐富的醫(yī)生與醫(yī)學(xué)專家的參與和指導(dǎo)至關(guān)重要。但在現(xiàn)階段，我國存在人口眾多，人均優(yōu)質(zhì)醫(yī)療衛(wèi)生資源匱乏的問題，一些醫(yī)生與專家雖期待人工智能能夠為診療方式帶來變革，但往往忙于臨床診療，難以投入大量精力參與到相關(guān)研究工作當(dāng)中。因此，需要在跨領(lǐng)域協(xié)作組織和激勵機制上進行改善，成立相應(yīng)的創(chuàng)新中心，部署新穎的科技計劃，實施有效的“產(chǎn)學(xué)研”一體化策略，推動該領(lǐng)域快速健康發(fā)展。

（三）人工智能技術(shù)與醫(yī)療設(shè)備結(jié)合問題

相比于醫(yī)療器械強國，我國醫(yī)療器械研發(fā)技術(shù)的創(chuàng)新能力依然不足，核心技術(shù)開發(fā)能力不強，原創(chuàng)核心技術(shù)較少，低端產(chǎn)品較多，關(guān)鍵零部件依賴進口，高端產(chǎn)品依然以仿制和改進為主[17]。缺乏高端醫(yī)療設(shè)備的開發(fā)能力與自主知識產(chǎn)權(quán)，使得人工智能技術(shù)難以實現(xiàn)在國產(chǎn)高端醫(yī)療設(shè)備上的關(guān)聯(lián)與部署，這使得構(gòu)建信息采集、分析處理與整合存儲的一體化信息化醫(yī)療系統(tǒng)難度進一步增大。醫(yī)療器械自主研發(fā)與生產(chǎn)能力不足，導(dǎo)致高端醫(yī)療器械與設(shè)備依賴進口，價格昂貴，難以在基層醫(yī)療機構(gòu)實現(xiàn)全面部署，也是當(dāng)前醫(yī)療人工智能系統(tǒng)的推廣和普及所面臨的困難，并制約我國醫(yī)療產(chǎn)業(yè)的升級轉(zhuǎn)型。有針對性地制定企業(yè)在該領(lǐng)域的創(chuàng)新發(fā)展策略，鼓勵企業(yè)跨國并購該領(lǐng)域的優(yōu)秀國外傳統(tǒng)醫(yī)療器械制造企業(yè)，相應(yīng)的醫(yī)療器械與人工智能相結(jié)合的產(chǎn)品在稅收、審批、補助以及等級醫(yī)院在國產(chǎn)人工智能設(shè)備采購上給予相關(guān)的政策傾斜，助力我國在前沿市場上發(fā)力成為新一輪產(chǎn)業(yè)的領(lǐng)導(dǎo)者。

四、人工智能輔助診療的發(fā)展建議

（一）構(gòu)建開放共享的健康醫(yī)療信息環(huán)境

人工智能輔助診療以大數(shù)據(jù)智能作為基礎(chǔ)，需要解決醫(yī)療健康數(shù)據(jù)碎片化的問題，實現(xiàn)從數(shù)據(jù)到知識，從知識到智能的跨躍，打穿數(shù)據(jù)孤島，建立鏈接個人和醫(yī)療機構(gòu)的跨領(lǐng)域醫(yī)療知識中心，形成開放式、互聯(lián)互通的醫(yī)療信息共享機制。

首先，我國應(yīng)著手建立一套完備的中文醫(yī)學(xué)本體知識庫，對目前主要的醫(yī)學(xué)本體內(nèi)容制定統(tǒng)一的描述規(guī)范，建立完善的分類編碼描述方式，對內(nèi)容進行管理，定期進行修改和補充。

其次，應(yīng)整合不同來源、不同類型的醫(yī)療數(shù)據(jù)，依照統(tǒng)一標(biāo)準(zhǔn)，開展針對不同醫(yī)學(xué)學(xué)科、醫(yī)療領(lǐng)域、醫(yī)療機構(gòu)和具體應(yīng)用的醫(yī)學(xué)知識圖譜構(gòu)建工作，完善數(shù)字化中文醫(yī)學(xué)體系，推動信息化醫(yī)學(xué)語義網(wǎng)絡(luò)的構(gòu)建，并在此基礎(chǔ)上開發(fā)醫(yī)學(xué)概念查詢、文獻檢索等工具，為醫(yī)療工作者提供權(quán)威、準(zhǔn)確的醫(yī)學(xué)信息查詢渠道。

最后，應(yīng)構(gòu)建開放共享的健康醫(yī)療大數(shù)據(jù)云平臺。建議對各級醫(yī)療機構(gòu)、各種健康信息數(shù)據(jù)源、公共醫(yī)療健康服務(wù)機構(gòu)的信息進行統(tǒng)一管理，實現(xiàn)對個體健康檔案、生物樣本、基因序列、醫(yī)療保健、行為方式甚至生活環(huán)境等數(shù)據(jù)的高度整合；另一方面，在現(xiàn)有醫(yī)療信息化平臺的基礎(chǔ)上進行標(biāo)準(zhǔn)化改良，統(tǒng)一數(shù)據(jù)格式和描述規(guī)范，實現(xiàn)不同機構(gòu)、不同來源信息存儲與表達的規(guī)范化。利用標(biāo)準(zhǔn)化信息接口串聯(lián)各機構(gòu)數(shù)據(jù)，優(yōu)化健康醫(yī)療信息管理結(jié)構(gòu)，實現(xiàn)健康醫(yī)療信息系統(tǒng)的實時、同步更新，實現(xiàn)各級、各機構(gòu)間的健康醫(yī)療信息共享網(wǎng)絡(luò)。

（二）建立人機結(jié)合的新型醫(yī)療發(fā)展體系

利用人工智能參與診療過程，不是讓人工智能取代醫(yī)生，而是應(yīng)當(dāng)構(gòu)建人機協(xié)同的新型醫(yī)療診療體系，將生物智能與人工智能相結(jié)合。在利用認(rèn)知模型實現(xiàn)人工智能系統(tǒng)知識更新的同時，提升人類對醫(yī)學(xué)領(lǐng)域的認(rèn)知水平。

在醫(yī)療設(shè)備方面，應(yīng)加強國產(chǎn)高端醫(yī)療器械的研發(fā)力度，推動智能化醫(yī)療器械和智能可穿戴式設(shè)備的研發(fā)，實現(xiàn)醫(yī)療器械與信息化醫(yī)療數(shù)據(jù)管理平臺的數(shù)據(jù)對接，方便人工智能系統(tǒng)的部署。

在醫(yī)療人員方面，應(yīng)當(dāng)建立醫(yī)學(xué)信息化人才培養(yǎng)體系，加強醫(yī)療工作者利用人工智能輔助醫(yī)療流程的思維方式與能力，改變傳統(tǒng)的工作流程與習(xí)慣[18]。同時，應(yīng)當(dāng)鼓勵醫(yī)療工作者參與人工智能與醫(yī)療結(jié)合的相關(guān)研究，將人工智能作為研究醫(yī)學(xué)、了解醫(yī)學(xué)的新手段，促進醫(yī)學(xué)理論的更新與發(fā)展。最后，還應(yīng)當(dāng)將人工智能應(yīng)用到醫(yī)療衛(wèi)生教育與培訓(xùn)過程中，改進傳統(tǒng)教育與培訓(xùn)模式，縮短高水平醫(yī)務(wù)人員的培訓(xùn)周期。

（三）推動相關(guān)制度的制定與完善

智能診療系統(tǒng)投入實際應(yīng)用，需要依照相關(guān)規(guī)定和標(biāo)準(zhǔn)進行開發(fā)、生產(chǎn)和審批。較之發(fā)達國家，我國尚未構(gòu)建醫(yī)療信息產(chǎn)業(yè)的一些基礎(chǔ)行業(yè)標(biāo)準(zhǔn)，也未針對智能輔助診療系統(tǒng)的開發(fā)和應(yīng)用制定適宜的行業(yè)監(jiān)管制度。應(yīng)當(dāng)盡快制定與技術(shù)進展相匹配的醫(yī)療信息與人工智能系統(tǒng)的行業(yè)標(biāo)準(zhǔn)，為相關(guān)系統(tǒng)和設(shè)備投入市場化運營提供制度與監(jiān)管上的支持。

[1] Chen Y, Argentinis J E, Weber G. IBM Watson: How cognitive computing can be applied to big data challenges in life sciences research [J]. Clinical Therapeutics, 2016, 38(4): 688–701.

[2] Dilsizian S E, Siegel E L. Artif i cial intelligence in medicine and cardiac imaging: Harnessing big data and advanced computing to provide personalized medical diagnosis and treatment [J]. Current Cardiology Reports, 2014, 16(1): 441.

[3] Stoitsis J, Valavanis I, Mougiakakou S G, et al. Computer aided diagnosis based on medical image processing and artif i cial intelligence methods [J]. Nuclear Instruments & Methods in Physics Research, 2006, 569(2): 591–595.

[4] Rotmensch M, Halpern Y, Tlimat A, et al. Learning a health knowledge graph from electronic medical records [J]. Scientific Reports, 2017, 7(1): 5994.

[5] 袁凱琦,鄧揚,陳道源,等.醫(yī)學(xué)知識圖譜構(gòu)建技術(shù)與研究進展[J].計算機應(yīng)用研究, 2018, 35(7): 1–11.Yuan K Q, Deng Y, Chen D Y, et al. Construction techniques and research development of medical knowledge graph [J]. Application Research of Computers, 2018, 35(7): 1–11.

[6] 徐增林, 盛泳潘, 賀麗榮,等. 知識圖譜技術(shù)綜述 [J]. 電子科技大學(xué)學(xué)報, 2016, 45(4): 589–606.Xu Z L, Sheng Y P, He L R, et al. Review on knowledge graph techniques [J]. Journal of University Electronic Science and Technology of China, 2016, 45(4): 589–606.

[7] Crasto C J, Marenco L N, Liu N, et al. SenseLab: New developments in disseminating neuroscience information [J]. Brief i ngs in Bioinformatics, 2007, 8(3):150–162.

[8] Donnelly K. SNOMED-CT: The advanced terminology and cod-ing system for eHealth [J]. Studies in Health Technology & Informatics, 2006(121): 279–290.

[9] Bodenreider O. The Unif i ed Medical Language System (UMLS):Integrating biomedical terminology [J]. Nucleic Acids Research,2004(32): 267–270.

[10] 阮彤, 孫程琳, 王昊奮,等. 中醫(yī)藥知識圖譜構(gòu)建與應(yīng)用 [J]. 醫(yī)學(xué)信息學(xué)雜志, 2016, 37(4): 8–13.Ruan T, Sun C L, Wang H F, et al. Construction of traditional Chinese medicine knowledge graph and its application [J]. Journal of Medical Intelligence, 2016, 37(4): 8–13.

[11] Long E P, Lin H T, Liu Z Z, et al. An artif i cial intelligence platform for the multihospital collaborative management of congenital cataracts [J]. Nature Biomedical Engineering, 2017, 1(2): 0024.

[12] Xu K, Ba J, Kiros R, et al. Show, attend and tell: Neural image caption generation with visual attention [J]. Computer Science,2015: 2048–2057.

[13] Jing B Y, Xie P T, Xing E. On the automatic generation of medical imaging reports. 2017 November 22. arXiv preprint arX-iv:1711.08195.

[14] Turan M, Pilavci Y Y, Jamiruddin R, et al. A fully dense and globally consistent 3D map reconstruction approach for GI tract to enhance therapeutic relevance of the endoscopic capsule robot. 2017 May 18. arXiv preprint arXiv:1705.06524.

[15] Turan M, Almalioglu Y, Konukoglu E, et al. A deep learning based 6 degree-of-freedom localization method for endoscopic capsule robots. 2017 May 15. arXiv preprint arXiv:1705.05435.

[16] Wu G, Kim M, Wang Q, et al. Scalable high performance image registration framework by unsupervised deep feature representations learning [J]. Deep Learning for Medical Image Analysis,2017, 63(7): 245–269.

[17] 程京, 邢婉麗. 醫(yī)療器械與新型穿戴式醫(yī)療設(shè)備的發(fā)展戰(zhàn)略研究 [J].中國工程科學(xué), 2017, 19(2): 68–71.Cheng J, Xing W L. Research on the development strategy of medical devices and new wearable devices [J]. Strategic Study of CAE, 2017, 19(2): 68–71.

[18] Jha S, Topol E J. Adapting to artificial intelligence: Radiologists and pathologists as information specialists [J]. Jama, 2016,316(22): 2353.