2017兩會中人工智能第一次出現在政府工作報告中，關注人工智能的科技界因此熱血沸騰。世界癌癥日2月4日當天，IBM Watson醫生第一次在中國“出診”，僅用10秒就開出了癌癥處方。這兩條消息再次把人工智能推向了高潮. 不管醫生是不是接受，人工智能(AI)　已經強勢闖入醫療界，讓我們一起回顧一下，人工智能戰勝人類的那些事件。

1.Science報道自學習式人工智能可協助預測心臟病發作

Science雜志報道了英國諾丁漢大學流行病學家StephenWeng博士團隊發表在PLOSONE上的重要研究成果，Weng博士團隊將機器學習算法應用于電子病歷的常規數據分析，發現與當前的心臟病預測方法相比，深度學習算法不僅可以更準確地預測心臟病發病風險，還可以降低假陽性患者數量。

在這項新研究中，Weng和其同事對比了ACC/AHA 指導方針和4個機器學習算法：隨機森林（random forest）、logistic 回歸（logistic regression）、梯度提升（gradient boosting）以及神經網絡（neural networks）。為了在沒有人類指示的情況下得出預測工具，所有這 4 項技術分析了大量數據，被分析的數據來自英國378256名患者的電子醫療記錄，目標是在與心血管疾病有關的記錄之中找出發病模式。

2.人工智能診斷皮膚癌準確率達91%

斯坦福大學一個聯合研究團隊開發出了一個皮膚癌診斷準確率媲美人類醫生的人工智能，相關成果刊發為了1月底《自然》雜志的封面論文，題為《達到皮膚科醫生水平的皮膚癌篩查深度神經網絡》（Dermatologist-levelclassification of skin cancer with deep neuralnetworks）。他們通過深度學習的方法，用近13萬張痣、皮疹和其他皮膚病變的圖像訓練機器識別其中的皮膚癌癥狀，在與21位皮膚科醫生的診斷結果進行對比后，他們發現這個深度神經網絡的診斷準確率與人類醫生不相上下，在91%以上。

在測試中，人工智能被要求完成三項診斷任務：鑒別角化細胞癌、鑒別黑色素瘤，以及使用皮膚鏡圖像對黑色素瘤進行分類。研究者通過建構敏感性（sensitivity）-特異性(specificity)曲線對算法的表現進行衡量。敏感性體現了算法正確識別惡性病變的能力，特異性體現了算法正確識別良性病變，即不誤診為癌癥的能力。在所有三項任務中，該人工智能表現與人類皮膚科醫生不相上下，敏感性達到91%。

3.人工智能走進ICU：可預測病人死亡準確率達93%

在洛杉磯兒童醫院，數據科學家Melissa Aczon和David Ledbetter提出了一種人工智能系統，這個系統可以讓醫生們更好地了解哪些孩子的病情可能會惡化。

他們使用了PICU里超過12000名患者的健康記錄，機器學習程序在數據中發現了相關規律，成功識別出了即將死亡的患者。該程序預測死亡的準確率達到了93％，明顯比目前在醫院PICU中使用的簡單評級系統表現更好。Aczon和Ledbetter在Arxiv上發表了相關論文，公布了他們的研究成果。

他們實驗的創新點是使用了一種叫做循環神經網絡（RNN）的機器學習方法，這種方法擅長處理持續的數據序列，而不是從某一個時刻的數據點直接得出結論。“RNN網絡是處理臨床數據序列的一種有效方法。”Aczon說，“它能夠整合新產生的信息序列，得到準確的輸出。”所以在程序中，RNN網絡表現得更好，因為它能夠隨著時間的推移，根據病人最近12小時的臨床數據，做出最準確的預測。

4.第三軍醫大利用人工智能30秒內鑒定血型，超99.9%準確率

3月15日，權威雜志science刊登的一篇關于中國第三軍醫大學羅陽團隊的最新研究成果，這對于急需輸血搶救的病人意義重大，可以為患者節省3-15分鐘的時間，增加他們的生還幾率，同時也可用于搶險救災、戰場急救等急需驗血的情況。

第三軍軍醫大學羅陽團隊研發的技術，可以在30秒內檢測出ABO血型和Rh血型，僅用一滴血在2分鐘內完成包括罕見血型在內的正向和反向同時定型（醫生在輸血前，為了減少錯誤，一般要做正反定型和交叉驗血試驗）。同時團隊還設計出一套智能算法，能夠根據試紙的顏色變化讀出血型，定型準確率超過99.9%。

研發團隊為了減少人為識別帶來的誤差，開發了一套機器學習算法自動識別顏色的變化，同時為了驗證算法的準確性，研究人員先用經典凝膠卡片法鑒定3550例血液樣本，再通過優化參數操作，算法模型準確的測出這3550例血液的血型。

5.谷歌研發人工智能眼科醫生：用深度學習診斷預防失明

表于JAMA 的論文《用于檢測視網膜眼底照片中糖尿病性視網膜病變的深度學習算法的開發和驗證（Developmentand Validation of a Deep Learning Algorithm for Detectionof DiabeticRetinopathy in Retinal Fundus Photographs）》中，我們提出了一種可以解讀視網膜照片中 DR 發病跡象的深度學習算法，這有望能幫助資源有限地區的醫生正確地篩選出更多的病人。

研究人員創建了一個包含128000 張圖像的開發數據集，其中每一張圖像都得到了54位眼科醫生中3到7位醫生的評估。這個數據集被用來訓練了一個可以檢測可誘發糖尿病性視網膜病變的病癥的深度神經網絡。然后兩個互相獨立的包含大約 12000 張圖像的臨床驗證集上測試了該算法的表現，該測試所參考的標準是一個7或8人的美國認證眼科醫生中大多數人的意見。為驗證集所選擇的眼科醫生的意見與訓練集原來的54位醫生的意見表現出了高度的一致性。

在這項成人的糖尿病性視網膜眼底照片的評估中，基于深機器學習的算法對可疑糖尿病性視網膜病變檢測時具有高靈敏度和特異性。進一步的研究是必要的，這將確認此算法應用在臨床中的可行性，并確定與目前的眼科評估相比是否使用該算法可以改善治療和診斷結果。