近幾年，隨著科學技術的不斷進步，特別是人工智能在硬件設備和算法不斷成熟的情況下，機器學習及深度學習算法進入公眾視野，它的應用也得到廣泛的探索和開發。醫療行業的人工智能發展有巨大潛力，應用人工智能與醫療影像大數據結合將帶來巨大價值。與人腦相比，人工智能在提高醫療服務效率和診斷的準確率上具有機器算法在特定技術條件下的天然優勢，醫療系統擁有的醫療影像大數據以及“云”技術的發展，使得人工智能與醫療領域結合的條件更加成熟。

　　通過研究國際上人工智能在醫療診斷方面的情況，可以看到在國外已有較多研究和相對成熟的案例。國外最早將人工智能用于醫療的是MYCIN專家系統，由美國斯坦福大學在上世紀七十年代初研制，是一種幫助醫生對血液感染患者進行診斷和治療上抗菌素類藥物選擇的人工智能系統。另外一個Watson系統是更加成熟的智能診療應用案例，它在17秒內閱讀3469本醫學專著、248000篇論文、69種治療方案、61540次試驗數據和106000份臨床報告。Watson于2012年通過美國職業醫師資格考試，已部署在美國多家醫院，提供多種癌癥的輔助診療服務，包括乳腺癌、肺癌、結腸癌、前列腺癌、膀胱癌、卵巢癌和子宮癌等。可見人工智能在人類醫療領域已經在貢獻著重要的價值。

　　2017年7月8日，國務院印發《新一代人工智能發展規劃》，提出要圍繞教育、醫療、養老等迫切民生需求，加快人工智能創新應用，為公眾提供個性化、多元化、高品質的服務。中央政策的指引，是行業利用自身醫療系統的技術和數據的優勢條件，結合人工智能先進技術，在全國乃至全球搶先跨越式提升醫療水平，發展高端醫療產業的良好契機。

　　在醫療影像方面，大量做過精標注的影像數據是深度學習和人工智能醫療的訓練和提高識別能力的基礎數據，是結合人工智能提高醫療輔助識別能力的重要海量數據資源。因此構建醫療影像數據庫或者醫療信息大數據中心，是形成醫療與人工智能技術應用的基礎構架，設立醫療影像信息大數據中心及人工智能實現疾病輔助診斷及科學研究應用平臺項目，針對從胸腔、腹部、顱腦、骨科等入手，探索不同領域的醫療影像智能化模型，對海量醫療影像數據進行深度學習，實現疾病輔助診斷及科學研究應用研究，并以此為基礎開展各類醫院服務的臨床示范應用。

　　1.首要任務是創建醫療影像數據倉庫，與醫療單位協作，給所有的影像產生機構開放加密端口，通過技術手段對病人隱私數據進行加密或者屏蔽，把各個醫療院所的醫療影像數據進行封裝，上傳到“云”（數據中心），數據中心僅提取醫學信息，并實現深度學習和云計算能力，并對提交的指令進行分析和處理，并下行輸出處理結果。

　　2.針對龐大的現有的醫學影像數據實現線上和線下協同的，篩選、標注和結構化、標準化處理，對現有醫療影像數據進行學習。

　　3.醫療機構可以利用該平臺人工智能技術下的不斷學習和進化能力，提供輔助診斷建議，以及在線遠程會診等，協助醫生提高工作效率，避免因醫生個人因素而導致的診療差異。

　　4.在科研院所，該平臺能為研究人員提供最新的病例報告（通過加密和屏蔽技術，保護病人的個人隱私）和海量的高質量影像數據，不斷優化人工智能模型；例如，通過對海量疾病標注的影像和之前健康時期（比如常規體檢）采集影像的對比學習，可以實現人類肉眼不能識別的疾病初始狀態學習識別和分析，發揮人工智能的優勢，通過機器學習和訓練，逐步實現無創影像疾病預測技術應用，使得人工智能在醫療領域的作用不斷擴展。

　　5.在政府機構，該平臺能提供大數據分析結果，把握居民整體健康指數和疾病發展，變化趨勢，合理調配醫療資源提供重要參考，也可以為政府設計政策性指導提出建議和方案，更可以在緊急疾病爆發時期，快速提供決策分析的重要參考數據，為我國人工智能醫療影像診斷應用發展做出貢獻。

掃一掃在手機打開當前頁