百花齐放 –“智慧医疗”

“智慧医疗”这个概念在中文世界里被率先提出来，到现在仍被群雄追逐，各方都试图做出权威定义。在此外的世界里，暂时还没人提“智慧医疗”这个概念，那里还停留在人工智能与医疗健康、机器人手术、医疗大数据等等具象但缺乏战略性思考的阶段。

不论是“智慧医疗”，还是国家“十四五”计划里提到的“智能医疗装备”，其基础之一都是人工智能。而“人工智能（Artificial Intelligence，简称AI）”这一概念，是约翰.麦卡锡与其他科学家于1956年夏在美国达特茅斯学院开会时被首次提出来的，其目的就是让机器能够像人一样思考，让机器拥有智能。

人工智能概念提出之后的数十年里，很多新的理论、新的技术不断涌现，和其他领域的发展类似，新的突破激发研究的浪潮，高涨的热情引出不切实际的目标，接着接二连三的预期目标落空带来低谷，直至下一波突破的浪潮。

但2011年至今，随着大数据、云计算、物联网等新一代信息技术以及增材制造和智能机器人等先进制造技术的发展，迎来了被认为可能是实现人工智能的最后一股浪潮。这期间人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸多人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破。

在人工智能的浪潮里，医学领域也逐渐审视、深入研究人工智能 ，有些技术已经被选择性地在临床上使用。自1995年开始，计算机导航、机器人辅助和三维数字规划在世界许多地方已经逐渐变得司空见惯。但是，因为医疗领域的特殊性，人工智能应用在医疗领域的某些局部进展并不顺利。

电子病历系统（EMR）的数据处理就是一例。在这个系统里，近乎压抑的数据搜集量困扰着庞大的医疗网络。在处理如此庞大、几乎无限复杂的信息集时，人类不可避免地带有不一致、疲劳、认知判断错误、选择偏差、用户间相关性（反映一致性）差和处理速度有限等局限性。面对如此挑战，以人工神经网络为代表的人工智能算法，本具有独特的分析能力和效率优势。但是，医疗领域里对患者隐私保护执行的是最高标准，整个行业都对此疑虑重重。而没有海量的高质量医疗数据作为支撑，这个领域里人工智能的号角总是高高吹起、轻轻低去。

不过，人工智能发展至今，已经发展出多个应用成熟的门类，例如神经网络、机器人、机器学习、深度学习、控制论等。虽然机器学习用于病例数据处理进展缓慢，但是其他技术在医学领域的探索却是一路高歌猛进。

以术中的X射线影像设备为例，用户触发曝光到产生清晰图像的“简单”过程，可能就短短一两秒时间，而在这极短时间里，常有接近二十种算法参与其中：

- 设备的上位机与下位机联动，根据射线穿过解剖部位的实时情况选择最合适的曝光参数（mA，kV等）

- 计算机再根据X射线转化、传输过来的信号为显示屏选择合适的显示参数（亮度，对比度等）

- 同时针对图像特点进行优化（降噪、去除运动伪影、识别并优化金属显影等），最终呈现出手术所需的图像

以往的传统算法，基本上都是基于庞大的先验数据进行自动比对和选择，而这个先验数据库是人为地进行搜集、总结和维护的，简单讲被搜集反馈的人群以及管理这些数据的团队，决定了算法能达到的上限。在人工智能算法逐渐应用到这个领域之后，通过算法的训练，不断自我优化，最终可能超越先验数据、突破上限，更好、更快地完成曝光参数、图像显示参数的选择、去除运动伪影、智能金属识别，使图像质量和成像效率都得到提升。

在图像降噪领域，基于人工智能降噪算法更是大放异彩。X射线影像的噪点来源很多，与之正相关的其中一个因素是X射线的有效剂量是否充足，在有效剂量较低的时候，噪点就会明显增加。随着诸多新的人工智能降噪算法的不断涌现， X射线成像的降噪能力大幅提升，现在已经实现5kW的球管（X射线发生器）产生的X射线影像的图像质量接近或等效于15kW的球管。

人工智能深度参与外科X射线成像的进程“润物细无声”，但其实已带来不容忽视的收益：

- 降噪能力更强，在低剂量情况下实现高剂量时的图像质量

- 提升图像质量，减少为了获取“好图”反复调整、甚至重新透视的时间和风险

- 更优的智能识别算法，降低常见的金属工具和内植物对成像的干扰

- 更优的运动伪影去除算法，降低目标移动对成像的干扰

- 成像效率提高，缩短X射线曝光的时间

这些都在让手术用时更短、流程更顺畅、近远期风险更低、临床结果更稳定，同时降低对高功率球管的依赖、间接降低放射线剂量，对医生和患者的收益不言而喻。

机器人是人工智能领域另外一个重要的交叉学科，在骨科领域的机器人应用中，术中的X射线三维体层扫描成像，是常见整体解决方案的一部分。C形臂或者CT围绕解剖结构进行环形扫描的时候，并不能直接扫描获得横截面断层的影像，而需要复杂的算法将其准确地重建出来。人工智能降噪算法能在低X射线剂量下实现高剂量时扫描的图像质量。因为三维体层扫描成像的总体剂量更高，人工智能降噪算法在图像质量与X射线剂量性能之间找到合适的平衡带来的收益更大。而深度学习重建算法通过算法开发、算法训练、算法性能验证和迭代优化，不断提高在反映解剖和病理特征的真实信号中识别噪声并抑制噪声的能力，这样图像中的解剖和病理特征不会受到损害，从而产生足够的图像质量，在降低放射线剂量的同时为手术提供更准确的指引。

“精准医疗”有非常清晰的达成目标和考量标准，即为每个个体提供定制化的诊疗方案，实现更有针对性的精准诊疗。相比之下，“智慧医疗”的目标和标准都要模糊得多，导致只要和人工智能相关的技术与医疗一结合，就可以被归为“智慧医疗”的范畴。因此，如果“精准医疗”是植根临床、脉络清晰的希望之树，“智慧医疗”就更像是一夜之间开遍山野的花朵，“精准医疗”里有它，“循证医学”里有它，医疗的每个分支、每个方面都有它，当真是百花齐放。

虽然人工智能在医疗领域还远未到应有的高度，但除了在科学研究、产品研发领域热度不减以外，各国政府也对此层层加码，不断追加投入。我国自“十三五”计划开始对“智慧医疗”提供支持，到“十四五”计划时对医疗领域“智能化”的支持举措更具体，也更频密。这是对其“超越自我”的潜力寄予的希望，也是对“科技创新服务于人”寄予的希望。

参考文章：

1. 人工智能的历史、现状和未来，谭铁牛，求是网，2019/04

2. Artificial intelligence in orthopedic surgery: evolution, current state and future directions, Andrew P. Kurmis & Jamie R. Ianunzio, Arthroplasty volume 4, Article number: 9 (2022)

3. X-ray Image Blind Denoising in Hybrid Noise Based on Convolutional Neural Networks, Jie Wang, Huaiwei Cong, Xin Wei, Baolian Qi, Jinpeng Li, and Ting Cai, IEEE/WIC/ACM International Conference on Web Intelligence (WI-IAT '21 Companion), December 14–17, 2021, ESSENDON, VIC, Australia. ACM, New York, NY, USA 10 Pages.

4. Seeram E. Computed Tomography Image Reconstruction. Radiol Technol. 2020 Nov;92(2):155CT-169CT.

5. 国务院关于印发“十三五”卫生与健康规划的通知，国发〔2016〕77号

6. 国务院办公厅关于印发“十四五”全民医疗保障规划的通知，国办发〔2021〕36号