人工智能（Artificial Inteligence, AI）一词于1956提出之后，AI的概念以及研究也随之扩展。近年来，AI赋能医药健康发展，发挥AI的变革性技术力量已然成为迈向健康医疗产业新发展阶段的关键任务。各国先后提出AI战略发展规划，提高人民健康福祉是多国AI应用核心，“人工智能+医药健康”上升为国家战略。

中国工程院院士李兰娟在2021年第十四届中国健康服务业大会暨中华医学会第十二次全国健康管理学学术会议上，对人工智能在医药健康领域的应用现状以及未来发展方向进行了详细的讲解。

AI赋能医药健康新内涵

医药人工智的定义和内涵：

应用一系列体现人类认知能力、学习和推理等的技术手段，重点是深度学习、跨界融合、人机协同、群智开放、自主操控等新一代人工智能；

研制的应用、系统或机器，具备可解释、稳定性、自主操控、自我优化，并接受人的指导；

能够对医药卫生领域的临床疾病诊断、疾病治疗、健康管理、药物研发、医疗监管等方面相关问题进行合理地思考、合理地行动。

AI赋能下，通过便捷高效智能医疗健康服务，异构性的医疗健康信息设施，泛在化的医疗传感单元，“感知健康、智能服务”成为未来保健的总体方向。

AI在医药健康领域的应用现状

人工智能基于视觉、听觉、触觉的医疗保健应用取得进展，其核心技术在细分领域中的落地应用场景不断涌现。核心技术包括大数据智能、混合智能、群体智能、跨媒体智能等，而核心应用则包括智能诊断、智能医疗、智能药物研发、智能健康管理、智能群体健康等。李兰娟院士对AI在医药领域的典型应用情况进行了举例。

1. AI在智能疾病诊断中的技术应用概况

●依托现有临床及各种组学数据资源，实现了新生儿疾病早期筛查、传染病发现、癌症早期诊断等；

●融合数据统计模型与专家知识，实现了电子病历非结构化数据挖掘，构建面向初级医生的智能诊断系统；

●结合深度学习、混合智能及群体智能等最新成果，实现医学影像智能识别、自动判别和疾病初筛；

●通过探索中西医多模态融合推理和远程信号还原技术，实现中医远程诊断，中医智能辅助诊断。

我国已累及批准15个影像辅助诊断应用产品，如下图所示：

2.AI在智能治疗中的技术应用研究概况

●基于语义和多尺度整合技术，突破数据驱动和知识引导的算法，融合医学多维度、跨媒体智能治疗引擎，研究个性化精准治疗技术；

●研究多感知集合技术，融合群体智能及人机协同混合智能理论与技术，研发感知与干预一体化可穿戴治疗仪器及智能机器人；

●应用混合智能和跨媒体推理，研究人机协同的手术机器人和手术培训模拟系统。

精细化的AI辅助治疗软件系统和机器人系统开发是核心关键

3.智能健康管理技术应用概述

●基于深度学习、自然语言处理以及图像识别技术构建AI健康管理系统软件，实现生理性疾病和精神疾病的监测和指导；

●通过智能穿戴设备的无缝集成，为患者及家属提供疾病知识科普教育、营养护理、运动康复、精神康复以及心理疏导等康复指导；

●智能健康管理发展强调闭环的人体疾病和健康智能管理研究。

●智能群体健康主要技术应用概述

●通过智能识别和跨媒体推理，创建疾病的智能预警、预测与干预系统；

●通过高通量智能感知和群体智能理论，开发智能群体健康管理系统和机器人医生；

●突破知识引擎、机器学习、群智决策技术等智能技术，研发智能可视化知识平台。

典型应用：基于AI和大数据的流行病学研究。通过AI测温仪提高现场调查效率，基于调查强情况分析推荐传播链，进行溯源，采用不同的AI分析模型进行分析跟踪并预测传染病的全球蔓延趋势。

5.智能药物研发的主要技术概述

●AI赋能新药发现、开发与制造全生命周期；

●基于NLP技术和机器学习技术的应用研究多集中于药物发现和虚拟筛查；

●基于深度学习技术助力“老药新用”和个性化精准用药。

典型应用：基于AI的智能药物研发以肿瘤等重大疾病为突破核心。如基于AI和基因测序数据分析病人突变基因，肿瘤治疗效果评估，以及后续药物重定位等；细分领域如新分子设计的AI辅助工具，多工具集成的AI操作系统，可交付候选药物的端到端AI驱动平台。

2020年国际蛋白质结构预测竞赛CASP公布的数据显示，在所有的目标蛋白中AlphaFold2取得92.4的评分，这为医药基础研究突破带来可能。新冠疫情期间，人工智能助力全球医药界抗新冠肺炎科研攻关，利用深度学习技术发现适用药物等。

以人工智能技术为核心的多元技术融合应用加快是现在技术的新特征。

AI技术应用面临的挑战和机遇

场景驱动的AI+医药健康应用表现出智能化共性特点与要求，这其中既有挑战也有机遇。

挑战1 数据层面：面临AI模型训练所需医疗健康数据质量低下，数据来源受限挑战

基于深度学习的智能医疗应用需要大规模、高质量数据支撑，但是目前因为训练数据，缺乏大型的、多样的、被标注的临床医学数据集和医疗多维度融合数据集；数据来源也存在数据开放程度不高，可及性低，数据结构化标准化程度不足可用性差，数据完整性不足，不能满足模型精准化训练需求等缺点而受限。

挑战2 算法层面：算法不可解释，难以满足基本医学专业信赖。

可解释性的智能算法应用，需健康医疗数据知识的数字化支撑。

挑战3 支撑层面：人工智能深入临床面临着监管挑战

成熟的智能应用，需要上市前后全方位、全周期的监管保障。但是AI独立医疗软件上市后监管制度不完善，AI独立医疗软件标准资源缺乏，监管受制于真实世界大型数据集等挑战。

机遇1 数据机遇：数据治理推动医疗大数据中心建设，实现高质量数据的共享

数据治理解决异构数据源的数据整合、数据标准化，实现数据的高效利用，提高数据价值。如实现基于数据中心的全量数据，构建应用主题库，为医院临床辅助、精细化运营管理、科研管理提供强有力的数据支持。实现以患者为中心的医疗信息采集、清洗、存储、加载和决策辅助。保障原始数据来源追溯、主数据标准唯一、数据应用及时高效。

树兰实践：打造院内、院外健康医疗大数据共享和科研一体化平台。

机遇2 算法机遇：可解释的AI（XAI）技术使AI的操作越来越透明和易于理解，提高了模型可解释性水平，包括知识蒸馏和规则提取，数据降维，注意力机制等。

树兰实践：基于知识图谱研制专科智能化CDSS。通过编写知识图谱网络的图形编辑器获取医疗专家的知识和经验，从人工肝、活性乙肝、肝癌智能诊断和治疗路径进行突破。

机遇3 支撑保障：国家药品监督管理局对于AI医疗器械审批监管不断完善。

未来发展之路-可计算的生命

由大数据和人工智能引领下的新的第四科学范式已经形成。2018年，李兰娟院士团队在《中国人工智能2.0发展战略报告研究》的智能医疗章节中指出，跨组学、跨尺度的可计算人体建模将是下一代数字医学的方向。

数字疗法作为新型治疗方式直接能够处理身体某种病况，分为两类，一类是针对慢性疾病，主要为医药或器械联用型产品。一类是针对精神类疾病，目前更多是一种基于可计算心理学的治疗方案。2020年疫情期间，美国FDA紧急审批了3款治疗心理疾病的数字疗法。高精尖的人体模型离不开真实世界的数据支持，更要落地到临床应用，数字医疗未来大有可为！树兰研究院提出计算医学的8个研究方向分别为，系统医学、医学信息学、生物动力学、计算生物学、生物信息学、系统生物学、时间生物学、生物医学工程。

最后，李兰娟院士表示，我们正处于“可计算生命”的前夜，未来数字医学要兼容包并上述8个计算医学的相关领域方向，这对推进计算医学非常重要。

作者：刘雪丽

来源：内分泌前线