近年来，医学在现代影像学、互联网、计算机科学等多种学科的帮助下取得了极大进展，多学科交叉的医疗模式越来越受到人们重视[1]。其中，人工智能(AI)在医学中的应用如雨后春笋般蓬勃成长。AI是由McCarthy等于1956年在美国达特茅斯学院的首次人工智能研讨会中提出的概念，后由NILSSON[2]定义为“通过模拟人类的方式，记录、积累再现和运用知识的学科”。AI综合了计算机工程、控制论、神经科学、心理学、哲学、数学、经济学、语言学等多个学科[3]，同时也广泛活跃于众多领域(机器人、专家系统、图像识别、医学诊断、自然语言理解等)，并已取得诸多重要成果。本文主要就AI在医疗领域中的应用前沿进行简单综述，并主要讨论以基于机器学习(ML)的专家系统为主导的图像识别和临床决策。

1 工作机制

1.1ML ML是AI的核心部分，专门研究计算机怎样模拟或达成人类的学习行为，以使计算机系统能够从数据观察中学习并改善系统对给定任务的行为反应。通过ML，计算机就可以根据以往经验自动学习并自我提升。ML的核心是ML算法。ML算法有3种类型：监督学习(基于先前示例调整预测算法使再次输入时预测的结果尽量接近示例输出值)、无监督学习(不给出输出值，训练系统查找模式的能力)，以及强化学习(使用奖励和惩罚序列，形成在特定问题空间中运作的策略)。ML通过支持向量机(SVM)、神经网络、决策树、贝叶斯学习、k均值聚类、关联规则学习、回归等技术得以实现[4]。

人工神经网络(ANN)是在生物神经网络的启发下产生的一种信息处理系统。其从人脑神经网络的工作方式中得到灵感，通过大量的单一节点(称为人工神经元)彼此按某种方式相互连接，并依靠系统自身状态对外部输入信息进行分层处理并响应，具有自适应、自组织和实时学习等优势。

深度学习是ML的特殊类型，其本质是一种对数据进行特征学习的方法，即对输入数据的特征进行分解分层，将其转化成为更高层次、更加抽象的表达，以使得计算多层神经网络得以实现。换言之，深度学习技术需要从输入的数据中提取信息并进行归纳总结，并得到结论，为当前需要解决的问题提供相关信息。深度学习的结构基础是ANN，典型的有深层神经网络(DNNs)及卷积神经网络(CNN)等。

1.2专家系统 专家系统是采用人类专家推理得到的计算机模型来处理实际生活中需要专家给出解释的复杂问题，且可得出与专家相同的结论的计算机程序系统[5]。专家系统的核心和难点是包含大量专家的知识和经验的知识库和以计算机及相应算法为载体的推理机。在获取足够庞大和准确的知识库后，计算机模拟专家的推理、诊断、判别思维，当输入新案例时，通过在知识库中提取相应资料并分析以得出与专家相同的结论。

在医疗领域，AI主要通过专家系统发挥功能。最初的专家系统是基于既定规则的，当面对临床数据的多样性时具有很大的局限性。但随着以上原理和技术的发展，搭载了AI的专家系统可随着案例输入的增加而进行自我学习，已成为临床工作中的有力工具。

2AI在临床中的应用范畴

2.1图像分析 用于AI识别的图像主要有3种：影像、内镜成像及病理学检查。利用AI识别影像能够有效提升识别的准确性、快捷性及稳定性。

AI可用于多种类型的影像，包括X射线，正电子发射型计算机断层显像(PET)、CT、磁共振成像(MRI)等。由斯坦福大学RAJPURKAR等[6]开发的CheXNet系统是一个121层的CNN，并由涵盖了14种疾病超过10万张胸部X线正位片、当前最大的开放胸部X线片数据库ChestX-ray14进行训练。通过与4位放射学医生的比较，CheXNet系统在肺炎上诊断准确率显著优于放射学医生的表现，亦在14种疾病上优于以往的算法。

用于内镜时，AI的实时特性能提高疾病的检出率，并可在手术过程中直接帮助医生决策。例如在结肠镜、胃镜等探查过程中，计算机辅助诊断(CAD)系统实时反馈，一旦发现如息肉、炎症、肿瘤等解剖学上的异常，就可提示医生进行细致检查或进行必要的活检[7]。用于疑难病例时，AI仍然有出色的表现。内镜下良恶性鼻咽癌由于形状、区域和图像强度的多样性，人工鉴别有较大困难。MOHAMMED等[8]利用基于ANN的算法对249例患者进行模式识别，并研究了多种图像特征的诊断价值。其结果表明该技术不仅具有超高的诊断价值(准确率为95.66%，灵敏度为95.43%，特异性为95.78%)，还发现了纹理特征对于诊断恶性肿瘤的重要意义，这也对深入研究疾病机制有一定帮助。类似地，由腾讯公司开发的腾讯觅影可在4 s内完成食管镜下的早期食管癌筛查，发现准确率高达90%，目前该项目已与国内上百家医院展开合作并已取得很大进展[9]。