郑 阳

    (南京市第二医院信息中心，江苏 南京 210003)

    人工智能(artificial intelligence，AI)是建立在计算机科学之上，利用模型算法对人的智能进行模拟和应用的一种多学科交叉的前沿科技，其目的是为机器赋予人类思维和行为，以帮助人们计算、识别、分析、预测等工作。随着科技的进步，AI 的发展和应用已逐渐渗入到人们生活工作各个领域之中。其中，AI 技术在医疗领域的应用是近年来研究的热门领域之一，将AI 技术结合其他新兴科技，融入医疗服务、临床诊疗、影像识别、药物研发、精准医学研究等领域[1，2]，创新医疗服务内容、模式和场景，能够提升医疗机构的工作效率和诊疗质量，为大众医疗健康提供更优质的服务，同时，还能给医疗科研领域提供新的技术途径以更深入、更广泛的探索新维度。为此，本文对AI 在医疗领域的应用进行分析，总结其技术优势与不足，旨在为医疗人工智能技术的发展提供帮助。

    1 医疗人工智能关键技术

    1.1 机器学习 机器学习是医疗AI 的重点核心技术，从不同的学科角度，如统计学、概率论、近似理论等设计不同的理论模型，用于计算机模拟人类思维或行为，使机器具备一定的学习、分析、分类、识别等能力，并通过累积经验不断的自我完善，提高性能和泛化能力。在医疗领域，机器学习是进行疾病诊断预测、预后评估、健康管理、精准医疗、图像诊断等智能化应用的关键基础技术。根据模型学习方式的不同，可分为监督学习、非监督学习、半监督学习和强化学习[3]。

    1.1.1 监督学习 在监督学习中，数据样本集分为训练库和测试库，其中训练库是有描述样本属性标记的集合，样本的属性一般是人为标注。构造学习模型，建立输入与输出的关系，以推断预测测试库中未知数据集的目标属性值，并通过调整参数使模型最优化。其目标是对大批量未知数据进行离散值分类或连续值回归。通过对某一疾病对应的相关体征数据进行学习，获得可预测该疾病的模型，然后通过分析获取的检查数据，预测病人患有该种疾病的概率，以方便临床决策。常用算法如下：最近邻节点算法(KNN)：以预先设定的分类节点为初始值，计算未知节点到各类之间的抽象距离，判定其所属类别；决策树算法：根据测试库训练得到决策树模型，由属性分类节点和分支构成，可以对未知数据按照各层次节点属性逐级判别分支走向，近而获得最终类别；朴素贝叶斯分类器是一种基于概率论的典型的生成学习方法，给定先验概率，从训练集数据学习中获得联合概率分布，计算未知数据后验概率分布；人工神经网络(ANNs)是通过激活函数传递激活响应来模拟大脑神经突触传递处理信息的一种模型 ......