人工智能的發(fā)展及其在醫(yī)學領域中的應用

張琪

摘 要 本文主要介紹人工智能的發(fā)展歷程，對人工智能的發(fā)展前景進行了概括描述。并且介紹了人工智能在醫(yī)學領域中的應用例如：在臨床診斷、中醫(yī)學、醫(yī)學影像等方面的應用研究。

【關鍵詞】人工智能 醫(yī)學領域

1 引言

人工智能（AI）是上世紀50年代發(fā)展起來的新興學科，主要內(nèi)容包括：知識表示、自然語言理解、機器學習和知識獲取、知識處理系統(tǒng)、計算機視覺、自動推理和搜索方法、智能機器人、自動程序設計等方面。在過去的幾十年里人工智能涌現(xiàn)出了大量的方法，大致可分為兩大類：第一類是基于Newell和Simon的物理符號系統(tǒng)假說的符號處理方法。這種方法大多采用從知識階段向下到符號和實施階段的自上而下的設計方法，第二類是采用自下而上設計的“字符號”方法。

2 人工智能的發(fā)展

全球?qū)θ斯ぶ悄艿难邪l(fā)經(jīng)歷了已經(jīng)有70年的發(fā)展，從上個世紀的50年代開始一直到今天，歷經(jīng)了兩次大起大落，但伴隨著深度學習的重燃、龐大的大數(shù)據(jù)支撐以及計算能力的不斷提升和成本的不斷下降這些因素的出現(xiàn)，尤其是在摩爾定律、大數(shù)據(jù)、互聯(lián)網(wǎng)和云計算、新方法這些人工智能進步的催化劑作用下，將迎來人工智能新的春天。

3 人工智能在醫(yī)學領域上的應用

3.1 在神經(jīng)網(wǎng)絡中人工智能的應用

在醫(yī)學診斷中人工智能的應用會出現(xiàn)一些難題，例如知識獲取比較難、推理速度慢、自主學習以及自適應變化能力弱。研究人腦連接發(fā)現(xiàn)了以人工神經(jīng)為特點可以解決在獲取知識中所出現(xiàn)的瓶頸和知識種類繁瑣問題，能夠提高對知識的推理能力，包括自主學習，自組織等方面的能力，促進了神經(jīng)網(wǎng)絡在醫(yī)學專家系統(tǒng)中的快速發(fā)展。

人工智能領域ANN，有不同于其他人工智能的方法，在傳統(tǒng)的結(jié)構(gòu)上，它只是AI分支中的一個，只能通過邏輯符號來模擬人腦的思維方式，進一步來實現(xiàn)人工智能，與之相比，不同的ANN是學習和訓練為一體來達到智能的。ANN具有學習的能力及特殊方法，用戶不用編寫復雜的程序來解決所遇到的問題，只用提供有效的數(shù)據(jù)就可以完成。迄今為止，醫(yī)學領域中對大部分的病理原因無法解釋，無法確定病理原因，加上各種疾病的表現(xiàn)種類復雜多變。在醫(yī)學的日常實踐中，疾病相應的治療只能以經(jīng)驗為基礎來判斷。所以，ANN有著記憶，學習和歸納總結(jié)為一體的人工智能服務，在醫(yī)學領域有很好的應用發(fā)展趨勢。

3.2 在中醫(yī)學中人工神經(jīng)網(wǎng)絡的應用

在中醫(yī)學中，所提出的“辨證論治”中的“證”具有模棚性、不確定性的特點，主觀性比較強，因此中醫(yī)的診斷方法和治療手段與醫(yī)師的經(jīng)驗水平有很大聯(lián)系。數(shù)年來在實驗研究，臨床觀察，文章整理，經(jīng)驗總結(jié)上，都有著對“證”的研究思想的深入調(diào)查。一部分“辨證”的過程可以用人工神經(jīng)網(wǎng)絡來替換使用。恰當?shù)闹嗅t(yī)癥狀可以作為基本輸入和適當人工神經(jīng)網(wǎng)絡模型，人工神經(jīng)網(wǎng)絡能夠根據(jù)以往的學習“經(jīng)驗”來進行綜合分析，從而提出中醫(yī)診斷方法。

由神經(jīng)元結(jié)構(gòu)模型、網(wǎng)絡連接模型、網(wǎng)絡學習算法等幾個要素組成了人工神經(jīng)網(wǎng)絡。具有某些智能系統(tǒng)的功能。 按照網(wǎng)絡結(jié)構(gòu)來劃分，人工神經(jīng)網(wǎng)絡有很多不同的種類，例如感知器、BP網(wǎng)絡、Hopfield網(wǎng)絡等，目前應用最為廣泛的神經(jīng)網(wǎng)絡就是其中的BP網(wǎng)絡。這種前沿網(wǎng)絡非 BP網(wǎng)絡所屬，網(wǎng)絡的結(jié)構(gòu)與權(quán)值能夠表達復雜的非線性 I/0映射關系。憑借 BP網(wǎng)絡優(yōu)良的自主學習功能，既可以通過誤差的反向傳播方法，對照已知樣本反復進行訓練，也可以調(diào)整網(wǎng)絡的權(quán)值，直到網(wǎng)絡的 I/0關系在某一塊訓練指標下最接近樣本為止。

3.3 人工智能在臨床醫(yī)療診斷中的應用

計算機編寫的程序主要根據(jù)專家系統(tǒng)的設計原理和方法來模擬醫(yī)生的醫(yī)學診斷，以及通常治療手段的思維過程來進行。醫(yī)療專家系統(tǒng)是臨床醫(yī)療診斷中人工智能的很好體現(xiàn)，不僅能夠處理較為復雜的醫(yī)學治療問題，還能當做醫(yī)生診斷疾病的重要工具，更重要的是傳承了專家們的寶貴醫(yī)學治療經(jīng)驗。

3.4 人工智能技術在醫(yī)學影像診斷中的應用

目前，在醫(yī)學影像中存在著的問題，比如：誤診率高、缺口大。這些問題需要通過人工智能的方法來解決。在醫(yī)學影像技術領域人工智能的應用包括主要的兩個方面，分別是：第一個方面為圖像識別，第二個方面為深度學習，其中人工智能應用最核心的部分實深度學習。這兩個部分都是基于醫(yī)學影像大數(shù)據(jù)所進行的數(shù)據(jù)上的挖掘和應用。這兩個方面所進行的數(shù)據(jù)挖掘及其應用都是依據(jù)醫(yī)學影像大數(shù)據(jù)來完成的。

Geoffrey Hinton教授是神經(jīng)網(wǎng)絡領域的大師，2006年，他與其博士生在《Science》和相關的期刊上發(fā)表了論文，第一次提出了“深度信念網(wǎng)絡”的概念。2012年，由斯坦福大學Fei-Fei Li教授舉辦的ImageNet ILSVRC大規(guī)模圖像識別評測任務是由Hinton教授的研究團隊參加的。這個任務包括了120萬張高分辨率圖片，1000個類比。Hinton教授團隊使用了全新的黑科技多層卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)，將圖像識別錯誤率突破性地從26.2%降低到了15.3%。 這個革命性的技術，讓神經(jīng)網(wǎng)絡深度學習以迅速的速度進入了醫(yī)療和工業(yè)的領域范圍，隨后這一技術被陸續(xù)出現(xiàn)的醫(yī)療影像公司使用。例如：國際知名的醫(yī)學影像公司Enlitic和國內(nèi)剛剛獲得有峰瑞資本600萬天使輪融資的DeepCare。都是不斷積累大量影像數(shù)據(jù)和診斷數(shù)據(jù)，繼續(xù)對神經(jīng)元網(wǎng)絡進行深度的學習訓練，從而有效的提高了醫(yī)生診斷的準確率。

人工智能不僅能使患者的健康檢查快速進行，包括X光、B超、核磁共振等。另外還能大量減少醫(yī)生的讀片時間，提升了醫(yī)生的工作效率，降低誤診率。

4 總結(jié)

人工智能軟件工作效率遠遠超過了人類大腦，不僅能夠更快速的找到數(shù)據(jù)的模式和相似性，還能有效幫助醫(yī)生和科學家提取重要的信息。隨著人工智能的發(fā)展及其在醫(yī)學領域的逐漸普及和應用，兩者的互相融合在未來必定成為醫(yī)學發(fā)展的重要方向。

參考文獻

[1]馮伍，張俊蘭.人工智能在醫(yī)學上的應用[J].電子設計工程，2010（01）.

[2]楊琴，陳家榮.人工智能在醫(yī)學領域中的應用[J].科技風，2012（12），100-101.

[3]王宇飛，孫欣.人工智能的研究與應用[J].信息與電腦，2016（05）.

[4]鉛筆道.人工智能與影像診斷相結(jié)合的醫(yī)生界阿爾法狗，2016（03）.

作者單位

南陽醫(yī)學高等?？茖W校 河南省南陽市 473061