---

前言

在1956年的达特茅斯会议上，人工智能的概念第一次被真正提出来，其作为信息技术的一种，早在40多年前就已经实验性地参与到医疗行为中。1972年，利兹大学研发了医疗领域最早出现的人工智能系统，此系统主要用于腹部剧痛的辅助诊断及手术的相关需求。

人工智能作为一种技术，对生产工具进行了升级。人们可以通过人工智能快速地对行业数据和过往知识进行汇总和梳理，从而辅助人们做决策。

人工智能所起到的作用有两个方面：一是对过往知识的总结和判断，因为它的学习速度非常快，有极强的总结能力；二是基于过去的经验做决策，决策的正确性有明显提高。所以，人工智能在效率上和准确度上远远高于人的主观判断。

人工智能的应用在各行各业中都有相似或者相近的优势，目前主要有两大辅助作用：一是高效率地辅助决策，二是对项目运营进行优化。例如，在业务辅助方面，人工智能在医疗领域可以辅助医生进行诊断，在金融领域可以辅助用户进行自动交易；在管理优化方面，人工智能在医疗领域可以辅助医院进行管理，在零售领域可以对库存和交易流程进行优化。

---

1. AI 医疗：人工智能技术赋能医疗

1.1 关键技术：深度学习、机器学习、人工智能

杰弗里·辛顿（Geoffrey Hinton）和他的学生鲁斯兰·萨拉赫·胡迪诺夫（Ruslan Salak hutdi nov）在顶尖学术刊物《科学》（Science）上发表了一篇文章，开启了深度学习的新篇章。这篇文章有两个主要观点：

第一，多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；

第二，深度神经网络在训练上的难度可以通过“逐层初始化”（Layer-wise Pre-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。

1.2 技术构成：算法、算力、大数据

英伟达最新的RTX 2080游戏显卡拥有9 TFLOPS[2]的浮点性能，但是价格只有700美元，每GFLOPS[3]的算力成本只有8美分。

据IDC统计，2011年全球数据总量已经达到1.8 ZB，并以每两年翻一番的速度增长，预计到2020年，全球将总共拥有35 ZB的数据量，数据量增长近20倍；在数据规模方面，预计到2020年，全球大数据产业规模将达到2047亿美元，我国产业规模将突破万亿元。

[2] TFLOPS：每秒1万亿次的浮点运算次数。[3] GFLOPS：每秒10亿次的浮点运算次数。

1.3 行业应用：产业链、应用、优势

人工智能在医疗领域的应用，有以下几点好处。

①可以提高医疗诊断的准确率与效率；
②提高患者自诊比例，降低患者对医生的需求量；
③辅助医生进行病变检测，实现疾病早期筛查；
④大幅提高新药研发效率，降低制药时间与成本。

---

2. 实践布局：人工智能与医疗的九大细分领域

本章从具体业务模式细分方向进行详细介绍，分别是虚拟助手、疾病筛查和预测、医学影像、病历/文献分析、医院管理、智能化器械、药物发现、健康管理和基因测试9个方面。

2.1 虚拟助手

慢病App作为医患沟通的桥梁，最终需要让医方觉得更轻松，而不是更麻烦。在人工智能的介入下，聊天机器人这一模式的核心价值在于进一步改善人机交互界面，通过更符合人性习惯的沟通方式，进行人机交互，而以往的所有模式都是人迁就机器。

根据丁香园的调查，50%以上的住院医生每天用于写病历的平均时间达4小时以上，其中一部分甚至超过7小时。

《福布斯》此前曾经报道：医生花费27%的时间在诊室问诊[1]，还有49.2%的时间在做书面工作，其中包括使用电子健康记录系统。即便在诊室，医生也只花52.9%的时间跟患者沟通，还有37%的时间在处理书面工作。电子病历录入的简易性和高效性成为临床医生的迫切需求。

2.3 医学影像

现代医学是建立在实验基础上的循证医学，医生的诊疗结论必须建立在相应的诊断数据上。影像是重要的诊断依据，医疗行业80%～90%的数据都来源于医学影像，所以临床医生有极强的影像需求。他们需要对医学影像进行各种各样的定量分析、历史图像的比较，以便能够完成诊断。

人工智能的本质是计算机通过对已有资料进行经验积累，自动提高对任务的处理性能。探索人工智能在医学影像方向有哪些参与方式，首先要知道人工智能拥有什么样的能力。我们按照自己对深度学习的理解，将人工智能在图像处理上的能力分为4类：影像分类、目标检测、图像分割和影像检索。

医院大数据中，85%左右的存储容量被影像数据所占据，现在的计算机可以识别结构化的文本数据和结构化的影像数据，且正在探索将功能性医疗图像和结构性图像相融合的方式，以获得更好的诊疗效果。

人工智能为医学影像解决了什么问题？给医院、医生带来了什么样的改变？我们总结出，其实际解决了3类问题。

第一，把信息更好地呈现给医生。现在成像越来越容易，分辨率越来越高，医生要看越来越多的影像，但是医生需要的不是数据，医生需要的是信息，怎么把这些信息更好地呈现给医生？人工智能能够完成脏器的定位、分类及分割工作，并将可疑位置进行标注，相当于为医生去除了干扰项，将更为直接的信息呈现出来。

第二，帮助医生定量分析。医生非常擅长定性分析。看到片子，有经验的医生3秒内就可以大致判断是什么问题，但是需要一些工具做更精准的判断，定量的分析靠眼睛很难做到。这里面的工作包括各种各样的多模态分析、历史图像的比较、病人人群的分析，这些不是简单地用眼睛就能完成的，而是需要图像分割、图像配置、功能图像分析。

第三，能够解决成像和智能图像识别的问题。这两个步骤很多年前是被分开的，技师拍片子，医生做分析。实际上，只有两者结合起来才能更有效地优化系统，为医生提供更好的服务。

目前，AI产品对于肺结节的识别检出准确率在90%左右（每个公司的情况不一样，但是只要是报道出来的，都声称AI产品的水平高于医生平均水平），但是医学人工智能对于肺结节良、恶性的判断还处于研发阶段，最终诊断结果需要医生结合临床来做决定。

而2015年的IDF报告显示，2015年全球医疗消费中，11.6%花费在糖尿病治疗上，金额为6730亿～11 970亿美元。我国糖尿病导致的直接医疗开支占全国医疗总开支的13%，达到1734亿元，主要是因为糖尿病患者医疗服务的次数是非糖尿病者的3～4倍，其住院和门诊次数较多。另外，中老年群体有一定的财富积累，支付能力较强。

放疗是肿瘤三大治疗方式中最主流的治疗方式（其他两种是手术和化疗）。

我国病理医生极度缺乏。《中国卫生和计划生育统计年鉴2016》显示：我国病理科执业医师（含执业助理医师）只有不到1.5万人，与国家制定的每100张床配备1～2名病理医生的标准差距悬殊，我国病理医生的缺口总数可达10万人。

☆真阳性：要评估的技术判定为有病（阳性）且金标准也判定为有病的病例数（用a来表示）。

☆真假阳性：要评估的技术判定为有病（阳性）而金标准判定为无病（阴性）的病例数（用b来表示）。

☆真假阴性：要评估的技术判定为无病（阴性）而金标准判定为有病（阳性）的病例数（用c来表示）。

☆真阴性：要评估的技术判定为无病（阴性）且金标准也判定为无病的病例数（用d来表示）。根据以上4个数值就可以得出这种方法的敏感性、特异性、阴性预测值和阳性预测值。敏感性=a/（a+c）。敏感性也称真阳性率，反映某种方法判定某病变的漏诊率。敏感性一般以百分数表示，敏感性越高，则漏诊率越低。用来筛查某种疾病的方法必须敏感性高，这样才能减少漏诊。特异性=d/（b+d）。特异性也称真阴性率，反映某种方法判定某病变的误诊率。特异性一般也以百分数表示，特异性越高，则误诊率越低。用来筛查某种疾病的方法并不一定要求特异性特别高，在一个合理的范围即可接受。

目前，无论是哪个公司，涉及哪科疾病，系统敏感性都超过了90%，这个数据是医生最在乎的，因为如果敏感性差，没有查出疑似结节，医生就有可能要承担责任。浙江省人民医院放射科主任龚向阳表示，特异性和敏感性兼顾起来是很难的，所以很多公司在开发系统时会优先考虑敏感性的问题，在保证敏感性的前提下，提高特异性。需要说明的是，目前有些公司的敏感性和特异性数据是在特定数据集下的数据，而不是临床数据。这些数据只能证明其研究进展，而不能作对比。

推想科技智能CT线辅助筛查产品可自动标记出CT各层面上病灶的位置，辅助医生快速准确地完成CT诊断。这样医生就不用花那么多时间在健康人群上，而把时间用在重大疾病的诊治上，不仅可以减少重复性劳动，还可以减低医生的疲劳度。在诊断速度方面，一个医生完成20个病例的诊断需要3个半小时，利用推想人工智能产品，就算是最低配置的计算机只需6分15秒。在诊断准确率方面，人工智能对于大小结节的综合灵敏度是85%左右，针对不同大小的结节，敏感度情况不同。推想科技2017年3月9日的测试数据显示，对于0～3mm的结节，推想科技模型敏感度为84.03%；对于3～6mm的结节，模型敏感度为88.31%；对于大于6mm的结节，模型的敏感度为100%。

2.4 病历/文献分析

电子病历包括病案首页、病程记录、检查检验结果、医嘱、手术记录和护理记录等。其中，既有结构化信息，也有非结构化的自由文本，还有图形图像等信息，涉及信息的采集、存储、传输、质量控制、统计和利用等环节。

目前，病历/文献分析企业通过与医院合作及自购数据的模式，实现了大量数据的积累。同样读一篇50页的病历，企业抓取和理解其中所有临床信息的速度比医生平均快2700倍。

目前，人工智能病历/文献分析的应用场景主要有3类：病历结构化处理、多源异构数据挖掘和临床决策支持。

医疗大数据辅助决策系统的核心运行机制是基于海量的医疗大数据，同时将各学科专家的经验囊括到系统中，技术人员应用先进的IT技术、深度学习算法等针对特定领域进行专业的定制，从而向医生提供可视化、场景化、智能化的系统解决方案。医生在使用过程中的反馈又能够不断地优化系统，提升系统的准确性。

2.5 医院管理

人工智能在医院管理应用上主要有两个方向，分别是优化医疗资源配置和弥补医院管理漏洞。

2.7 药物发现

新药的开发流程可分为药物发现、临床前开发和临床开发3个部分。而现代药物发现在技术上又可以分为3个阶段：靶点的发现和确证、先导物的发现、先导物的优化3个阶段。

关于创新药的研发，国际上有一种“双10”的说法：10年的时间，10亿美元的投入。一般而言，制药公司需要花费5亿～10亿美元，10～15年时间，才能成功研发出一款新药。新药研发的风险大、周期长、成本高，是药企最大的痛点之一。

根据在流程上的分布，我们将AI+新药研发的服务类型分成了3类：临床前药物发现服务、临床前药物自主研发和临床研究服务

人工智能在新药研发上的应用主要有两个阶段：

一个是新药发现阶段，
另一个是临床研究阶段。

2.8 健康管理

个人的健康数据十分复杂，按照数据的来源可以将个人健康数据分为基因数据、生理数据（如血压、脉搏）、环境数据（如每天呼吸的空气）和社交数据等。有了这些个人健康数据，加上人工智能，最终可以实现人们对健康的前瞻性管理。

健康管理是变被动的疾病治疗为主动的自我健康监控。通过带有医疗监控功能的可穿戴设备实时监控人体各项生理指标，结合其他个人健康数据，对潜在健康风险做出提示，并给出相应的改善策略。一个人每天产生的有关健康和生命的数据，如果能够数据化，数据量将会非常大。怎么处理这些数据，把数据变成信息，把信息变成知识，把知识变成健康管理的信息，这便是人工智能在人类生命数据收集后的工作。

人口健康学是“人类健康2020”（Healthy People 2020）[1]愿景中关于医疗卫生研究与医疗健康服务建设的主旨。它包括3个核心目标：

①更好的个性化医疗与健康服务；
②更好的社会群体医疗与健康发展；
③可负担的医疗费用支出。

实现这3个目标的最终目的就是让人们更加健康长寿，更好地预防疾病，同时，避免各种形式的残疾、伤害和早产死亡现象等。

在我国，每年以心血管疾病和糖尿病为首的慢性病，占据了所有死亡人数的85%，且慢性病在我国疾病负担中所占比例超过70%，造成了极大的经济负担。对于慢性病患者来说，虽然药物治疗可以在一定程度上减轻疾病症状、延缓疾病发展，但更为重要的是，应该改变自身不健康的生活习惯，对饮食、运动、作息进行合理规划和控制。

据世界卫生组织估计，心理障碍疾病占全球疾病总量的13%，目前全球几乎每10人中便有1人患有心理疾病，其中17人中有1人忍受着严重的心理障碍，这导致自杀成为人类死亡的第二大原因，每年有超过80万人死于自杀。越来越多的创业公司关注到心理疾病管理这一块。

---

3. 全球格局：人工智能与医疗全球发展

3.1 人工智能+新型硬件提供商——IBM

在2020年，医疗数据每73天就会翻一番，而且其中80%以上的数据是非结构化的，非结构化数据主要是指那些无法用固定结构的逻辑方式来表达、实现的数据，如视频、音频、图片，对计算机来说是不可见的。

3.5 引领人工智能芯片+医疗——英伟达

在过去的20多年中，NVIDIA历经了3个阶段的发展，从PC游戏显卡芯片的领军者，到2006年GPU通用计算的实现者，然后转型到人工智能计算公司。GPU最初用于模拟人类的想象力，实现PC游戏和电影的虚拟世界。今天，它也模仿人类的智慧，去更深入地了解物理世界。

在2006年以前的GPU显卡芯片中，采用的是专用电路对3D画面进行渲染。顶点着色器负责完成3D画面的顶点描绘和建模，用三角形组成图像，然后用渲染管线进行贴图，让3D图像拥有颜色和纹理。而在2006年年底，NVIDIA发布了一款具有划时代意义的GeForce 8800系列（代号G80）GPU。

这款GPU没有使用传统的像素渲染管线设计，而是使用了名为CUDA的通用计算架构（又名SIMD统一渲染）。这种设计可以让显卡不仅能够实现3D图像的渲染，也可以如CPU一样实现其他的通用计算任务，一种强大而又全新的计算方式就此诞生。[插图]图3-28 开启GPU通用计算时代的GeForce 8800 GTX显卡CUDA通用计算架构的计算性能在部分应用中能够实现比处理器快数倍的性能，这是因为它拥有数据的并行计算能力。通俗一点来讲，传统的中央处理器（CPU）的核心数量少，主要为串行指令而优化，数据计算方式如同流水线，计算指令需要一步一步完成。CUDA架构的GPU有非常多的流处理器，在大规模的并行运算中优势明显。这样的设计，让显卡也有了通用计算能力，从而在大规模的数据计算应用中提供了一种比CPU更加强大的计算性能。

为了进行深度学习的部署，NVIDIA的策略有3步：第一步是建立深度学习生态圈，和科学家共同进行深度学习技术的研究；第二步是在不同的平台上进行深度学习部署，包括汽车、计算机、智能机器人、服务器等；第三步则是提供端对端的解决方案。这种方式的好处是，NVIDIA可以在不同平台上让这套算法进行学习并共享知识，而且未来这套深度学习算法的应用很有可能并不止于自动驾驶的汽车上，在物联网上也会提供解决方案。

---

4. 国内现状：人工智能与医疗的国内布局

4.5 华为智能无线技术实现医疗互联

具体到医疗行业，有三大类无线医疗应用场景。

第一类是基于医疗设备数据无线采集的医疗监测与护理类应用，如无线监护、无线输液、移动护理和患者实时位置采集与监测等。

第二类是基于视频与图像交互的医疗诊断与指导类应用，如实时调阅患者影像诊断信息的移动查房、采用医疗服务机器人的远程查房、远程实时会诊、应急救援指导、无线手术示教和无线专科诊断等。

第三类是基于视频与力反馈的远程操控类应用，如远程机器人超声检查、远程机器人内窥镜检查和远程机器人手术。

---

5. 资本涌入：人工智能与医疗的投资风口

5.1 人工智能与医疗企业技术成熟度曲线

（1）技术萌芽推动期（Innovation Trigger）：当新技术诞生时，随着业界和媒体的关注，无论是大众还是业内人士对技术的期望值都越来越高。在这个阶段用户的需求和产品往往并不成熟，但会有大量的资金进入。

（2）过高期望的峰值期（Peak of Inflated Expectations）：公众的期望值达到顶峰，有少量用户开始采用该项技术。

（3）泡沫化的谷底期（Trough of Disillusionment）：过高的期望值和产品成熟度之间存在鸿沟，公众的期望值下降，出现负面评价。

（4）稳步爬升的光明期（Slope of Enlightenment）：厂商和相关技术供应商不断完善自己的产品，加上用户需求的明确，产品在设计和使用场景上趋于成熟，最佳实践开始涌现。

（5）产业化的平稳期（Plateau of Productivity）：新技术产生的利益和潜力被市场认可，开始出现产品间的价格竞争。

但是，无论技术发展到哪个阶段，都有相关的佼佼者脱颖而出。融资仍然是一家公司成功的重要因素，下面分析了每个领域融资靠前的企业，总结出了以下经验。第一，我们关注的绝大部分是医疗垂直领域的企业，但是如果企业拥有更深入的基础层和技术层的研究，就会更容易获得成功。如在图像识别、语音、语义识别方面的技术功底够深厚，是人工智能技术提供方的企业更容易成功。第二，创新能力足够强的企业，属于行业的挑战者，或者创造了新的需求，属于“创新者”一类。第三，更关注价值链的上游，在技术和产品成熟后，替代现有的解决方案。第四，除了数据量之外，还收集和处理现有企业没有的新数据流，建立行业壁垒。

5.2 人工智能医疗创业公司与投资机构的分析

人工智能各个领域的人才价格也会有所差距，在计算机视觉、语音、自然语言处理和机器学习这4个人工智能技术中，视觉方向因为学科容量相对广阔，所以人才储备也最高。但是，语音和自然语言处理方面的人才十分缺乏，国内主要设置语音识别的专业高校只有中科院声学所和哈尔滨工业大学。这也是目前我国医学影像类公司有几十家，而医学语音录入的公司只有科大讯飞、云知声和中科汇能3家的原因。

---

6. 典型企业：人工智能与医疗领域典型企业案例

6.1 美国NarrativeDx：人工智能，解决传统患者体验调查中的痛点

资本是聪明的，它总流到代表未来的方向。随着患者地位的上升和医院竞争的加剧，近年来美国涌现出不少以“提高医院效率、提升患者体验”为目标的创业公司。

6.2 美国Atomwise：用AI研发新药，成本骤减数亿美元

美国塔夫茨大学药物开发研究中心2014年的报告显示，从1996年至2013年美国药物研发成本（图6-2）看，一款成功上市的新药，平均花费约25.85亿美元，其中包括约13.9亿美元的直接资金投入和研发失败导致的约11.63亿美元的间接投入。据悉，此次报告的数据与2003年相比增长率约145%。

6.5 希氏异构：携手华西医院，AI独立超算中心“神农1号”建成运行

目前，中国的医疗AI创业公司有很多，医疗AI领域有两个关键要素，就是“医疗”和“AI”。若是只能用开放式的平台去做一点数据训练，那不是真正掌握AI技术，若不能获得一流医疗机构的深度合作，那不能称为有合法的、高质量的医疗资源，只有这两者相加，才有可能做好这件事。另外，还有一个更为重要的因素，那就是创业者一定要真正了解医疗行业的本质，要有从商业到技术应用，再到以多个视角看清楚医疗行业的头脑，否则做不成这件事。

---

7. 政府引导：人工智能与医疗政策监管

7.1 中国人工智能政策演变

第一，人工智能的应用规范。医疗问题涉及人的健康和生命，任何问题都和患者的生命安全息息相关，所以，我们需要尽快在国家层面明确监管措施，用法规来监管人工智能在医疗上的应用范围、监管范围、风险责任判定等。

第二，数据的合理、合法应用。因为人工智能需要从过往数据中进行学习，才会使其拥有智能，并得到提高，所以，大量高质量的医疗数据是人工智能具有判断力的基础。美国要求医疗信息的商业化应用必须严格符合HIPAA和HITECH两个法案的规定。我国目前在此领域尚没有明确的政策出台，我们应该尽快明确如何利用数据、哪些数据可以利用、哪些数据不能利用，以及应该用什么法律来进行监管。

7.2 《新一代人工智能发展规划》概述

《新一代人工智能发展规划》描绘了未来几十年我国人工智能发展的宏伟蓝图，确立了“三步走”的战略目标。

第一步，到2020年人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点，人工智能技术应用成为改善民生的新途径，有力支撑进入创新型国家行列和实现全面建成小康社会的奋斗目标。

第二步，到2025年人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为带动我国产业升级和经济转型的主要动力，智能社会建设取得积极进展。

第三步，到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，智能经济、智能社会取得明显成效，为跻身创新型国家前列和经济强国奠定重要基础。

7.3 《新一代人工智能发展规划》与大健康相关的四大部分

文件在计划的“三步走”战略规划中的第二步中指出，到2025年，国家要初步建立人工智能法律法规、伦理规范和政策体系，形成人工智能安全评估和管控能力；

在第三步中指出，到2030年，建成更加完善的人工智能法律法规、伦理规范和政策体系。这个信息对于法律还是一片“空白”的医疗人工智能领域来说，意义深远。由于医疗人工智能是新型产业，不可能像传统医疗器械那样走审批流程，即使是拿去申报，鉴于医疗的严谨性，监管人员也会更加慎重。

在人工智能应用方面，《新一代人工智能发展规划》中提到了以下两点内容。

第一，智能医疗。推广应用人工智能治疗新模式新手段，建立快速、精准的智能医疗体系。探索智慧医院建设，开发人机协同的手术机器人、智能诊疗助手，研发柔性可穿戴、生物兼容的生理监测系统，研发人机协同临床智能诊疗方案，实现智能影像识别、病理分型和智能多学科会诊。基于人工智能开展大规模基因组识别、蛋白组学、代谢组学等研究和新药研发，推进医药监管智能化，加强流行病智能监测和防控。

第二，智能健康和养老。加强群体智能健康管理，突破健康大数据分析、物联网等关键技术，研发健康管理可穿戴设备和家庭智能健康检测监测设备，推动健康管理，实现从点状监测向连续监测、从短流程管理向长流程管理的转变。

按照这个思路延伸到其他行业，“三步走”战略规划中提到：到2020年，人工智能核心产业规模超过1500亿元，带动相关产业规模超过1万亿元；到2025年，人工智能核心产业规模超过4000亿元，带动相关产业规模超过5万亿元；到2030年，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。

---

附录

聚合（Aggregation）：搜索、合并、显示数据的过程。

算法（Algorithms）：一组用于人工智能、神经网络或其他机器的规则或指令，以帮助它自己学习；分类、聚类、推荐和回归是4种最常见的类型。

人工智能（Artificial Intelligence）：机器模拟人类智力和行为做出决策、执行任务的能力。

通用人工智能（Artificial General Intelligence，AGI）：尽管AI一词最初用于表达与人类智能相似的机器智能的含义，但在人工智能跌宕起伏的发展过程中，AI的内涵已经发生了变化，成为机器学习、统计分析的代名词，早已远离了一开始智能的初衷。在这种情况下，依旧坚守当年梦想的一小支学术研究者共同成立了通用人工智能协会。为了与传统人工智能或主流人工智能的AI用词相区分，故此增加“General”，并确定使用AGI词条作为领域正规称谓。

人工神经网络（Artificial Neural Networks，ANNs）：也称为神经网络（NNs）或连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

自主计算（Autonomic Computing）：系统自适应自我管理自身资源用于高级计算功能的能力，而无须用户输入。

大数据（Big Data）：指新技术带来的海量数据，如物联网和基因组学。这些数据集如此庞大，极其复杂，以至于我们不能用传统的应用程序对其进行分析。

商业智能（Business Intelligence）：一系列理论、方法学和过程，使得数据更容易被理解。

聊天机器人（Chatbots）：聊天机器人通过文本对话、语音命令来模拟与人类用户进行对话，它们是有AI功能的计算机程序的常用界面。

分类（Classification）：分类算法让机器根据训练数据给数据点进行分类。

群集分析（Cluster Analysis）：一种无监督的学习方法，用于探索数据分析，以发现隐藏的模式或数据分组；集群的建模方法是类似于欧氏距离（Euclidean Distance）或概率距离的度量。

聚类分析（Cluster Analysis）：一种用于探索性数据分析的无监督学习，查找数据中的隐藏模式或分组；群集的建立是通过欧氏距离或概率距离等定义的相似性度量。

聚类（Clustering）：聚类算法让机器将数据点或项目分成具有相似特征的组。

云计算（Cloud Computing）：构建在网络上的分布式计算系统，数据是存储于机房外的（云端）。在这里，这个概念并不是指购买应用后将其安装至你的计算机上，而是根据你的需求租赁应用并使用互联网访问它们。

认知计算（Cognitive Computing）：一种模仿人类大脑思维方式的计算模型。通过使用数据挖掘、自然语言处理和模式识别来进行自学习（self-learning）。卷积神经网络（CNN）：一种识别和处理图像的神经网络。

数据挖掘（Data Mining）：通过查看数据集以发现和挖掘其中模式，从而进一步使用数据。

数据库（Database）：一个以某种特定的技术来存储数据集合的仓库。数据库即服务（Database-as-a-Service）：部署在云端的数据库，即用即付，如亚马逊云服务（Amazon Web Services，AWS）。

数据科学（Data Science）：结合统计、信息科学、计算机科学的科学方法、科学系统和科学过程的交叉学科，通过结构化或非结构化数据提供对现象的洞察。

决策树（Decision Tree）：一个基于分支的树模型，绘制决策及其可能后果的模型图，与流程图类似。

深度学习（Deep Learning）：机器通过由层叠信息层组成的人工神经网络自主模仿人类思维模式的能力。深度学习是机器学习的一种类型或一个子集，这两个术语经常混淆，而且在很多情况下可以正确地描述相同的AI。这也是机器学习，但其设计实际上更加智能，有更多的细微差别和层次，未来会像人脑一样工作。

专家系统（Expert System，ES）：一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它运用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统，是人工智能中最重要也最活跃的一个应用领域，它实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。FFluent：目前国际上知名度较高的商用计算流体动力学（CFD）软件。Fluent使用起来较为复杂，且必须具有流体力学专业背景。边界条件、边界层处理和湍流模型等设置都要求用户对实际产品的流动和传热机理有深入了解。其本身不具备网格划分能力，需要借助三方软件进行网格划分。在Fluent中，动网格模型可以用来模拟由于流域边界运动引起流域形状随时间变化的流动情况。这种流动情况既可以使一种指定的运动随时间变化，也可以使未确定的运动随某变化的参数变化，即边界的运动要由前一步的计算结果决定。

游戏AI（Game AI）：使用算法替代随机性的一种适用于游戏的AI特定形式。这种计算行为用于非玩家角色（NPC），对于玩家的操作生成类似人类的智力和基于反应的行为。

内存数据库（In-Memory Database，IMDB）：一种数据库管理系统，与普通数据库管理系统的不同之处在于，它用来存储数据，而非硬盘，其特点在于能高速地进行数据的处理和存取。

物联网（Internet of Things）：在普通的设备中装上传感器，使这些设备能够在任何时间、任何地点与网络相连。

知识工程（Knowledge Engineering）：侧重于建立以知识为基础的系统，包括科学、技术和社会在内的所有方面。

机器智能（Machine Intelligence）：涵盖机器学习、深度学习和古典学习算法在内的总括术语。

机器学习（Machine Learning， ML）：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。

机器感知（Machine Perception）：系统接收和解释来自外部世界数据的能力，类似于人类使用感官。这通常需要借助外接硬件完成，软件也同样需要。

自然语言处理（Natural Language Processing）：程序识别理解人类沟通的能力。R循环神经网络（Recurrent Neural Network，RNN）：一种理解顺序信息、识别模式、并根据这些计算产生输出的神经网络。

监督学习（Supervised Learning）：机器学习的一种，其输出数据集训练机器，产生所需的算法，如老师监督学生；它比无监督学习更常见。

无监督学习（Unsupervised Learning）：一种机器学习算法，通过不带标签响应的输入数据组成的数据集进行推理。最常见的无监督学习方法是聚类分析。

---

参考文献

人工智能与医疗–动脉网蛋壳研究院

人工智能与医疗 总览相关推荐

1. 击败李世石后，人工智能转战医疗：用大数据诊断眼科疾病

   今年3月份,4:1赢下韩国棋手李世石的AlphaGo,让谷歌旗下的人工智能公司DeepMind名声大噪.尽管外界还传出AlphaGo可能会继续挑战<星际争霸>游戏,中国棋手柯洁等消息,但对 ...

2. 人工智能在医疗发展突破分析

   从人工智能的技术突破和应用价值两维度分析,未来人工智能将会出现三个阶段: 一阶段: 未来3-5年的服务智能阶段.机器始终作为人的辅助;在应用层面,人工智能拓展.整合多个垂直行业应用,丰富实用场景.随着 ...

3. GitChat·人工智能 | 肿瘤医疗影像 AI 识别技术实践

   GitChat 作者:王晓明 更多IT技术分享,尽在微信公众号:GitChat 前言 医学影像与人工智能的结合,是数字医疗领域较新的分支和产业热点.医学影像的解读需要长时间专业经验的积累,医生的培养周 ...

4. 平安好医生王涛：“互联网+人工智能”重塑医疗服务

   -让中国人每人都有一个家庭医生 上海2018年11月9日电 /美通社/ -- 在互联网和人工智能技术飞速发展的今天,不断涌现的新技术.新业态.新产品.新服务,切切实实改变了人们的生活.然而,看病难.排 ...

5. 人工智能与医疗领域的融合发展

   人工智能的发展历程可以追溯到上世纪50年代,当时提出了"图灵测试",即判断机器是否具有智能的标准.随着计算机技术和算法的不断进步,人工智能得到了快速发展,并在越来越多的领域得到广泛 ...

6. 【智能医疗】美国医疗领域人工智能应用行业报告:人工智能与医疗健康双向驱动

   来源:硅谷密探 转自:机器人大讲堂 近年来,人工智能(AI)发展迅速,从AlphaGo连败人类棋手,到商场里随处可见的智能机器人,人工智能已经从实验室走向了大众,不论是舆论关注度还是相关领域的投资,都 ...

7. 人工智能在医疗产业的五大应用场景及典型案例

   近年来,智能医疗在国内外的发展热度不断提升.有人提出,"尽管安防和智能投顾最为火热,但AI在医疗领域可能会率先落地."一方面,图像识别.深度学习.神经网络等关键技术的突破带来了人工 ...

8. 葛均波院士：从“望闻问切”到人工智能，医疗AI仍有四大难点

   2020-07-13 20:46 导语:场景是连接人工智能供应和需求,研发到产业化的关键环节,没有场景的话一切都是白搭. 雷锋网消息,7月10-11日,2020世界人工智能健康云峰会召开.作为世界人工 ...

9. 蛋花花分析人工智能在医疗中有哪些应用

   蛋花花分析人工智能在医疗中有哪些应用!据蛋花花了解现在人工智能应用在各行各业,医学也不例外,近几年来人工智能在医学上的应用日益增加.那么人工智能在医疗中有哪些应用呢?下面蛋花花就来分析一下. 跟蛋花花 ...

最新文章

1. 【caffe速成】caffe图像分类从模型自定义到测试
2. vagrant boxes
3. VBA之EXCEL删除和设置单元格行高等
4. WEG的完整形式是什么？
5. 第2章 神经网络的数学基础
6. Spring boot 配置方法
7. Web版Telnet工具设计与实现
8. Windows XP 默认蓝色桌面的 RGB
9. 大数据在智慧城市建设中的作用与深度应用
10. ubuntu 12.04 安装 Anjuta
11. 小米note2鸿蒙ROM,【ROM】小米note优化开发版MIUI9
12. 正则匹配大于等于号与indexof结合
13. Observability——Wavefront
14. 企业安全最佳实践：多层级对抗DDoS攻击
15. 毕业设计 基于单片机的交通安全车辆测速系统 - 嵌入式 物联网
16. html单元格浮雕效果,怎样用PS做出这种凹面浮雕效果？
17. android 编程词典,基于Android的英文词典的实现方法
18. 日志分析篇---Web日志分析
19. Spark数据分析之第5课
20. 世界上最神奇的数字是：142857

热门文章

1. 工业级宽温版RK3399K核心板发布
2. beoplay耳机序列号查询_购买蓝牙耳机注意事项，这几款蓝牙耳机推荐看看
3. WMI常见问题及解决
4. 【文献阅读】PSO混合GA解决不确定IPPS问题
5. 看不到共享?看不到工作组计算机?访问不了局域网的其它计算机?这样解决!
6. java输出语句没有输出,JAVA语句输出问题
7. 单片机C51数据类型和存储器类型
8. 「战略」访谈录 | 聊聊领域驱动设计
9. 线程池原理（非常详细）
10. 小啊呜产品读书笔记001：《邱岳的产品手记-10》第19讲 产品经理如何与开发打交道（上）：打破思维的边界 第20讲 产品经理如何与开发打交道（下）：合作与共赢