人工智能在醫療設備中的應用

吳智星

摘要：隨著計算機網絡的不斷發展，現在我們已經進入了人工智能時代。人工智能作為一個全新的技術領域，不管是國家還是企業都需要掌控這一領域。本文研究分析了人工智能在醫療設備中的應用。

關鍵詞：醫療；人工智能；智能醫療

中圖分類號：TP18 文獻標識碼：A 文章編號：1007-9416（2018）06-0061-01

近年來，智能醫療在國內外的發展熱度不斷提升。一方面，圖像識別、深度學習、神經網絡等關鍵技術的突破帶來了人工智能技術新一輪的發展。大大推動了以數據密集、知識密集、腦力勞動密集為特征的醫療產業與人工智能的深度融合。另一方面，隨著社會進步和人們健康意識的覺醒，人口老齡化問題的不斷加劇，人們對于提升醫療技術、延長人類壽命、增強健康的需求也更加急迫。對于醫療進步的現實需求極大地刺激了以人工智能技術推動醫療產業變革升級浪潮的興起。

1 人工智能醫療的相關概念

人工智能是以計算機網絡技術發展為基礎的，它具體是一門研究、理解和模擬人類的行為動作，能夠發現其中運行的內在規律并且形成一種習慣的學科。它是計算機網絡高度發展的拓展，也是計算機網絡發展的結果，而人工智能作為計算機科學的一個重要分支，它正在試圖挖掘智能的實質，與此同時，發明出一種同人類思考方式一樣，并且能夠做出人類相似反應的智能機器，所以人工智能是計算機發展的組成部分，也是心理學和哲學的集合，只有這三者的有機結合，才能夠模擬人的意識和思維做出人類的反應，從而達到便民利民的目的。

隨著科學技術的發展，人工智能技術的三大主要分支——專家系統、人工神經網絡、數據深度挖掘，在醫療領域所起到的作用越來越大，其地位也越來越重要，引起了人們極大的關注。

2 人工智能在醫療設備上的應用場景

目前人工智能技術與醫療設備的結合主要體現在以下五個方面[1]：

（1）醫療機器人。醫療領域常見的應用很多，例如智能假肢，外骨骼和其他一些輔助設備幫助改善人體受損身體。保健機器人輔助醫護人員的工作。（2）智能診療。智能診療就是在診療中采用人工智能技術進行輔助，讓計算機“學習”專家醫生的醫療知識，模擬專家醫生的思維和診斷推理，從而給出診斷結果和治療方案。智能診療場景是人工智能在醫療領域最重要、也最核心的應用場景。（3）智能影像識別。智能醫學影像是將醫學影像的診斷上利用人工智能技術。醫學影像應用人工智能主要分為兩種情況：一是圖像識別，應用于感知環節，其主要目的是分析影像，獲取一些有意義的信息；二是深度學習，在學習和分析環節中，利用大量的影像數據和診斷數據，對神經元網絡進行持續深度學習訓練，使其掌握診斷能力。（4）智能健康管理。智能健康管理是將人工智能技術應用到健康管理的具體場景中。目前主要集中在風險識別、虛擬護士、精神健康、在線問診、健康干預以及基于精準醫學的健康管理。（5）智能藥物研發。利用人工智能中的深度學習技術應用于藥物研究，通過大數據分析等技術手段 通過模擬，對藥物活性、安全性和副作用進行預測， 大大縮小篩選的范圍，進而縮短周期，降低新藥研發成本，提高新藥研發成功率。

3 醫學專家系統的發展歷程及應用

“專家系統”是一個不斷被開發、完善、利用的系統，在第二次人工智能高潮的時期，“專家系統”起到了很好的作用。這個“專家系統”不是個人，只是一個程序而已，通過將各類行業的專業知識引入到系統里，然后經過復雜的推理，則其將會像專家一樣去執行工作。當然，在醫學專家系統里則是將醫學專業知識和診斷知識導入的了計算機里，然后在經過“專家系統”在所存的知道系統庫里不斷推斷，最后確診并提出治療方案。在20世紀70年代初時美國一所大學就開發了類似“專家系統”的MYCIN系統，他的功能就是對感染疾病的患者進行診斷，并給出抗生素處方。并且，經過測試這個系統，其以及超過了相關領域的專家。

我們通常認為知識庫和推理機組合成了傳統的專家系統，所以也把該系統稱為知識和信息為基礎的系統。其中存在專家知識有固定的形式化語言表達和數據結構的組織樣式。一些在系統中形成規則的例子，當滿足系統條件時，系統就會得到某種結論或者執行某種動作，這種被稱為常見的直覺知識。在當直覺知識面臨的問題解決不了的時候就會借助支持知識。在系統中出現規則同時可以使用時，系統會自行運行推理機程序，決定哪一種規則可以優先使用[2]。

4 在醫療設備中的具體應用

4.1 CAD：計算機輔助診斷

乳房X光可以發現早期乳腺癌。輔助診斷在其中起到了很重要的作用，并呈現了很好的效果。研究發現，如果讓兩位專家評估一個乳房X光的話，問題失誤率會降低很多，但是專家的費用過高，而且幫助其他專家來看或者完成也是硬件很難的事情。所以如果讓計算機做為專家的話，費用明顯是降低的。而且會很好的提高了評估的正確率。探測X光中的MCs可以發現乳腺癌的癥狀，MCs就像乳腺癌的警示燈，發現了MCs集群就證明了乳腺癌的產生，在之前，MCs探測使用SVM，當然，其達到了非常好的成果，可以媲美專家的診斷。

4.2 圖像質量評估

圖像質量評估可以大大的提高醫學圖像的質量，而且判斷圖像質量是醫學方面一個重要的問題。為計算機圖像進行統計，并得到其統計值，這是傳統的看醫學圖像質量的方法，比如CHO或者特定的高斯過濾。雖然這兩種方法也能對結果做出判斷，不過這兩種方法都有自己缺陷進而各自的局限性。在此之上還有SVR機器學習，其跟傳統的兩種方法比較，優越的證明要比傳統方法好的多。當然，目前現在會采用深度學習來學習圖像的質量，通過熟練度和熟練率來超越比傳統方法要好的SVR機器學習。同時，也會提高醫學方面的工作效率。最主要的是深度學習可以自動提取，這樣在人力方面完勝傳統方法和SVR機器學習，節省了很多的人力物力。

4.3 大腦映射

大腦映射的實例是研究新出的新藥對大腦的影響，其方法就是采取兩個過程，一個是使用完藥物之后的個體和未使用藥物的個體，通過這兩個個體形成了不同的圖像，我們可以觀察這兩個圖像知道哪一個是服用完藥物之后的和未服用之前的個體。傳統的SVD方法精度在90%，我們會使用深度學習來更深一步的提高精準度。

4.4 智能診斷系統

在一家醫療機構中，客戶提供圖像及其是否健康的標志，他們則想使用CT來判斷患者是否有腫瘤。智能診斷首先必須使用大量數據把模型訓練出來，此過程需要大量時間，在訓練出模型之后我們就可以用此結果來對相應的圖像進行測試和診斷。同時還可以進行病例報告，幫助醫生診斷疾病。

參考文獻

[1]陳晉.人工智能技術發展的倫理困境研究[D].吉林大學，2016.

[2]孔祥溢，王任直.人工智能發展現狀及其在醫療領域的應用[J].醫學信息學雜志，2016，（11）：2-5.

Abstract：With the continuous development of computer networks， now we have entered the era of artificial intelligence. AI as a brand new technology field， whether it is state or enterprise needs to seize control of this field. This paper studies the application of artificial intelligence in medical equipment.

Key words：medical treatment； artificial intelligence； intelligent medical treatment