醫(yī)療領(lǐng)域中的AI

很多醫(yī)療領(lǐng)域內(nèi)，人們正在對AI的用途進行發(fā)掘，如通過學習電子病歷系統(tǒng)等健康管理系統(tǒng)得到有用的信息，并指導醫(yī)師進行治療決策。在很多專科，AI已經(jīng)嶄露頭角，表現(xiàn)不亞于甚至超過人類專家。

眼科：已有多項研究評估了AI篩查糖尿病視網(wǎng)膜病變（俗稱“糖網(wǎng)”）的能力，后者是全球范圍內(nèi)增長最快的致盲原因之一。如近期的一項研究中，接受了128 000張視網(wǎng)膜圖像數(shù)據(jù)的訓練后，一種深度學習算法在檢測有臨床意義的糖尿病視網(wǎng)膜病變方面顯示出了較高的敏感度及特異度。

心內(nèi)科：有研究者使用284 335例患者的視網(wǎng)膜眼底圖像數(shù)據(jù)集訓練了一種深度學習算法，該算法預測個體未來5年內(nèi)心血管風險的準確率為70%。值得注意的是，該算法基于年齡、性別、吸煙狀態(tài)、收縮壓等高危因素評估風險，而這些風險過去被認為無法在視網(wǎng)膜圖像中加以量化。另外，英國研究者評估了一種機器學習算法對個體未來10年內(nèi)首發(fā)心血管事件風險的預測效力，并將其與基于美國心臟病學會（ACC）風險評估指南的預測進行了比較。結(jié)果顯示，該算法可顯著提高心血管風險預測的準確性。

放射科：Thomas Jefferson大學醫(yī)院放射科的研究者訓練了兩種卷積神經(jīng)網(wǎng)絡（CNNs）——AlexNet和GoogleNet，并用于鑒別150張胸片是否存在結(jié)核。結(jié)果顯示，CNNs準確識別結(jié)核存在與否的曲線下面積（AUC）為0.99，且兩種網(wǎng)絡相結(jié)合時表現(xiàn)最好，識別準確率達96%。

卒中：ALADIN研究比較了一種AI算法與兩名訓練有素的神經(jīng)科醫(yī)生識別300張CT片大動脈閉塞的表現(xiàn)。該算法的敏感度為97%，特異度為52%，準確率為78%。

外科：AI技術(shù)加持下的外科機器人已問世多年，最有名的可能是達芬奇手術(shù)機器人系統(tǒng)，2000年獲FDA批準用于腹腔鏡手術(shù)。此外，McGill大學的研究者研發(fā)了一種名為“McSleepy”的麻醉用機器人，可分析患者的生物學資料及識別功能異常，同時“見機行事”。

皮膚科：一項研究中，研究者比較了深度CNNs與21名認證皮膚科醫(yī)師在2 000張圖片中識別皮膚癌的能力，真實患病情況已通過尸檢加以確認。結(jié)果顯示，CNNs的表現(xiàn)不亞于皮膚科專家。

病理科：同樣是與人類專家進行比較，一種CNN在顯微鏡下成功識別出92.4%的乳腺癌淋巴轉(zhuǎn)移，而病理科醫(yī)生的敏感度為73.2%。