场景二：人工智能+全科医生=辅助诊疗
分级诊疗体系的成功建立，需要重点补充大量全科医生，以满足广大群众中日常病患的处理。而目前我国基层的医疗机构中，医生的学历、经验等普遍偏低，全科诊疗能力明显不足。利用人工智能学习和复制优秀医生的经验，补充并辅助基层医生的诊疗工作，是较快推动医疗体系落地的好办法。例如，某公司的AI辅诊系统就是一个借助人工智能技术，能够根据病人症状描述快速给出疾病判断和诊疗建议的智能系统。其工作原理主要包括三步：
（1）基于机器视觉和自然语言处理技术，学习、理解并归纳现有的医疗信息和数据（包括医学文献书籍、诊疗指南和病例等），自动构建出“医学知识图谱”。
(2)基于深度学习技术，系统自动学习海量临床诊断病例，构建出“诊断模型”，实现根据症状输入、输出疾病判断和诊疗建议功能。
(3）实际参与诊断，对比专家医生的诊断结果进行模型优化。
这类AI辅诊系统对于缺乏专家等资源的基层医院特别有用：一是能帮助提高疾病风险排查率，通过提供疾病的预测建议降低基层医生对高危疾病漏诊的巨大风险；二是能帮助提高病案管理效率，目前国内的病案一般依赖病案室人力或数据公司整理，要投入大量的人力和资金，准确率也得不到保障。人工智能可以实现病案智能化管理，输出结构化病例，让医生从烦琐的病案工作中解脱，提升诊疗效率。
一些企业的AI辅诊系统据说已经能够识别预测500多种疾病，差不多覆盖了大部分科室，包括白内障、青光眼等常见病和肺癌、宫颈癌等重大疾病。诊疗风险预测准确率高达96%，已达到甚至超过普通医生的水平，能够有效补充和增强基层医生的诊疗能力。一些企业声称类似系统已经在100多家三甲医院落地，让人工智能辅诊成为高效的“助理医生”。
场景三：人工智能+专科医生=疾病筛查
对于专科医生，尤其是名医来说，海量需求带来的高强度工作是最头疼的问题。如何能够为这类医生节约时间是人工智能最大的价值。因此，在一些需要大量数据处理、重复性和规律性较强的环节，可以借助人工智能技术进行补充甚至替代。例如，AI影像系统就是以人工智能训练学习海量的影像数据，实现对特定疾病智能筛查的系统。该系统能够有效助力医生提升筛查诊断效率，从而提高早期患者的治愈率和存活率。其主要工作过程如下：
（1）把医疗传统影像系统里的患者影像传送到AI影像系统中。
(2）对图片进行预处理，包括去掉片子里拍到的其他部位、进行3D化增强等，形成机器可识别的图片。
(3)将图片放到后台模型中，判断该部分是否有病变，标识出病变位置，亮点越亮表示病变风险系数越高。
(4)最关键的一步——分辨到底是炎症还是癌症，除了进行图像切分和识别外，还可能结合患病位置、大小、周围环境等其他信息，最终对病变进行判断，从而达到较高的识别准确性。
第14章 医疗大数据和人工智能
419