【社区作品】AI医疗健康：智能化医疗健康的应用与未来

《AI+医疗健康：智能化医疗健康的应用与未来》的思维导图，更加直观理解此书籍，希望此脑图对你有所帮助！

AI+医疗健康：智能化医疗健康的应用与未来

第一章 人工智能赋能医疗健康行业

1.1 人工智能+医疗健康发展背景

1.1.1 行业痛点激发新需求

医疗健康是人民群众最根本的民生需求之一

在需求侧方面，医疗健康服务需求持续快速增长

我国2002年65岁及以上人口占比7.01%，已进入老龄化社会

预计2027年65岁及以上人口占比达到14%，已进入深度老龄化社会

慢性病蔓延，亚健康常态化

在供给侧方面，一是医疗资源总量不足，。我国医疗资源总量匮乏而人口众多，形成巨大资源缺口；二是资源不均，优质的医疗资源向大城市倾斜

1.1.2 技术突破提供新手段

在计算能力方面，图形处理器（GPU）显著提升了计算性能，拥有远超中央处理器（CPU）的并行计算能力

在算法模型方面，深度学习是当前研究和应用的热点算法，也是人工智能的重要领域

在数据资源方面，医疗和健康养老数据产生的场景较多

一是医疗机构数据。

二是基因及临床试验数据

三是患者数据

四是医保及支付数据

1.1.3 政策出台营造新环境

近年来，人工智能在全球范围内的关注度日渐升高，发展速度迅猛，已经成为世界各国的战略布局重点

1.2 人工智能+医疗健康能做什么

1.2.1 医疗健康信息化的技术进化史

子主题 1

1.2.2 诊前：疾病预防与健康管理

多数疾病都是可以预防的，但是由于疾病通常在发病前期表征并不明显，到病况加重之际才会被发现

1.2.3 诊前：基因测序

基因测序是一种新型基因检测技术，它通过分析测定基因序列，可用于临床的遗传病诊断、产前筛查、罹患肿瘤预测与治疗等领域

1.2.4 诊中：医学影像辅助诊断

人工分析只能凭借经验去判断，容易发生误判

1.2.5 诊中：临床辅助决策

临床决策支持系统可以通过海量文献的学习和不断的错误修正，给出最准确的诊断和最佳治疗

1.2.6 诊中：医用机器人

目前，医用机器人主要包括外科手术机器人、康复机器人、护理机器人、配药机器人等

1.2.7 诊后：康复辅助

康复辅助器具是指改善、补偿、替代人体功能和辅助性治疗以及预防残疾的产品，包括矫形器、假肢、个人移动辅助器具、外骨骼康复机器人等，适用人群主要包括残疾人、老年人、伤病人等。

1.2.8 生物医药

通过机器学习和自然语言处理技术可以分析医学文献、论文、专利、基因组数据中的信息，从中找出相应的候选药物，并筛选出针对特定疾病有效的化合物，从而大幅缩减研发时间与成本。

1.3 人工智能+医疗健康技术产业体系

1.3.1 人工智能+医疗健康技术体系

感知环节

计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类的提取、处理、理解和分析图像以及图像序列的能力，在医学影像识别、病理辅助诊断、心电辅助诊断等方面具有广泛应用

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，涉及的领域较多，主要包括机器翻译、机器阅读理解和问答系统等，主要应用于智能分诊、智能导诊、虚拟助手等领域的患者信息采集分析

生物体征感知技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术，生物体征感知技术涉及的内容十分广泛，主要应用于健康医疗可穿戴设备、慢性病管理、疾病预测等领域。

思考环节是使计算机具备足够的计算能力模拟人的某些思维过程和行为对分析收集来的数据信息做出判断

行动环节是将前期处理和判断的结果转译为肢体运动与媒介信息传输给人机交互界面或外部设备，实现人机、机物的信息交流和物理互动

行动环节与机械技术、控制技术、感知技术等密切相关。

1.3.2 人工智能+医疗健康产业生态

1.3.3 人工智能+医疗健康产业格局

据统计，到 2025 年人工智能应用市场总值将达到 1270 亿美元，其中医疗行业将占市场规模的五分之一

国内外科技公司纷纷开始在医疗人工智能领域布局

第二章 医学图像识别，计算机辅助医生“阅片”

2.1 应用场景

2.1.1 发展背景

在临床上，超过70%的诊断都依赖于医学影像

医学影像医生缺口大

医学影像诊断误诊率高、效率低

医学影像信息化程度偏低

人工智能技术发展加快了医学影像诊断速度，提升了影像诊断的精准度，并给影像科医生的“阅片”方式带来改变

（1）阅片方式改变。人工智能应用直接实现机器自动对片子进行初筛、判断、病灶勾选等，医生只需要最后负责判断即可

（2）阅片速度改变。人工智能自动快速初筛，并勾选病灶，医生只负责关键部位的复判，为医生节省大量烦琐的初筛过程。时间大为缩短，效率提高

（3）精准度改变。人工智能具备稳定性和全面性双面特点，不受工作时间长短影响，且能够做到片子全域完整观察无遗漏，快速稳定地完成初筛、判断，最后由专业医生对关键部位进行复判。因此，阅片的精准度得到双重保障。

2.1.2 主要应用场景

（1）图像病例分类

病例分类主要是对一套典型多张图片进行分析，从而得出相应的病例的分类结果

（2）目标或病灶检测分割

其更加注重于图像的某一部分或细小的组织、病变等局部区别的分类，例如常见的肺结节检测与分类

2.2 关键技术

2.2.1 技术发展现状

（1）学术研究现状

影像组学、深度学习、迁移学习等人工智能算法已经在医学影像数据上进行了开发和测试，形成了病灶检出、病灶分割、病灶性质判断、治疗规划、预后预测等多种应用模式

（2）产品开发现状

国内外已有许多大型企业及初创公司投入到AI 医学影像产品开发。

腾讯觅影、深睿医疗、健培科技、医渡云、智影医疗、睿佳医影RayPlus、迪英加、拉克森等

（3）临床应用现状

由于人工智能效能的临床验证尚不充分，适合人工智能研究标准数据库和场景的缺乏以及临床的伦理和法规问题尚待解决，导致真正临床实践规范应用的产品较为缺乏

2.2.2 模型设计

该模型解决的问题必须是临床医师及影像医师普遍关切的，其解决效率或准确性的提升是可以使得患者普遍受益的

模型设计需要参考相关领域最新的临床指南规范，并在现有医疗流程上对疾病诊断治疗做出贡献

必须使用足够量的数据及数据标注来进行学习，如应把学习的重点放在常见肿瘤的鉴别，而非罕见肿瘤的诊断上

模型设计的关键在于选择最有利于医师决策和患者受益的问题，并且所选择解决的问题还必须有大量易于获取和标注的学习数据。

2.2.3 模型构建

模型的建立包括学习数据的结构化构建，使用学习算法建立模型，最后进行模型的验证

2.2.4 算法选择

不同建模方式的选择应根据学习数据的数据量和复杂度来规划

第一，针对大量学习数据，推荐使用包括各种神经网络的深度学习作为学习器建模

第二，针对中等量学习数据可以尝试使用深度学习建模，效果不佳时可以考虑采用神经网络提取特征，使用机器学习方法建立模型的折中方式

第三，针对少量学习数据，推荐使用影像组学方法先进行高通量检验，提取病变范围内的影像特征，使用机器学习方法建立模型

第四，虽然只具有中等量学习数据，但有大量面对其他问题的相似模态数据，可以尝试使用迁移学习方式，将大样本数据经验应用到小样本数据学习中

2.2.5 服务建立

结合模型设计时的应用特点、临床需求和医师的工作习惯，建立合理的服务模式

第一，当前云影像技术发展迅猛，其与 AI 技术的结合可以更好地为医疗机构、特别是基层医院提供图像传输、储存、辅助诊断的一揽子解决方案，有利于提高医疗机构的运转效率及诊断准确性

第二，在与现有工作流程结合方面，可以与 RIS 系统结合提供 AI 结构化报告，同时与 PACS 系统结合将 AI 综合分析报告使用DICOM 格式提交给PACS 系统，并在医师浏览图像时进行病变标注提示

2.3 业务模式

2.3.1 产业发展模式

医学影像设备，最终服务对象是医院及影像科医生

以机器或系统的销售收入作为统计口径，壁垒是包括研发积累、精密制造水平及配套服务

医学影像诊断服务，最终服务对象是患者

以诊断服务收入作为统计口径，在影像设备产出图像的基础上附加医生的劳动成本，诊断服务环节最重要的因素是专业而可靠的诊断结论

2.3.2 应用难点

（1）基于概率分析的关联推理无法判断疾病的因果关系

然而AI的发展过分强调“概率关联”，但是疾病对于人来说永远都有未知的领域，如何能够基于已有的医学知识，将数据和知识这两种模型结合起来，这才是医学影像人工智能在医疗领域向更深层次的治疗与干预层面应用的关键。

（2）数据资源体量虽大，质量却不高且不能互联互通

虽然前医疗影像积累了大量数据，为人工智能分析奠定了基础，但是质量却不高，且各大医院也不能互联互通。且拥有大量数字化影像数据的三甲医院的数据开放也是一个很大问题。

（3）影像数据标准化程度低

除了医疗影像标准化、结构化数据严重不足外，数据标注尤其困难

（4）数据标注难度大

医学影像人工智能的训练需要大量已经标注好的影像数据，而标注需要花掉大量的人力成本，且对训练结果产生直接影响

（5）医疗资源的供给和需求极度不平衡

影像学或影像科专家门诊、网络专家会诊、医患矛盾突出、从医环境不佳、医疗资源浪费、医疗成本高等也是阻碍因素

第三章 临床决策支持系统，医生的虚拟助手

3.1 应用场景

3.1.1 产生背景

临床决策支持系统（Clinical Decision Support System，CDSS）是指将临床数据作为输入信息，将推论结果作为输出，有助于临床医生决策的软件系统

临床决策支持系统的基本原理为构建各种疾病的知识库，将各种病情的诊断标准、阈值判断、治疗处方、专家经验等输入计算机，借助计算机超强和精准的信息存储、提取功能及快速的计算能力，通过人工智能技术和计算机逻辑推理运算来模拟医生的诊断治疗思维，帮助医生做出快速诊断和治疗决策。

面对患者复杂多变的病情，医生常常感到力不从心，哪怕全力以赴、一丝不苟，仍然难免出现疏漏和差错。调查表明，因决策失误所致的用药错误或处置不当，是造成医疗差错甚至责任事故的重要原因。

3.1.2 发展历程

临床决策支持系统的研究始于20世纪50年代末，最早的研究方向是医学专家系统开发，通过应用产生式规则的推理引擎，将医学专家的专业知识和临床经验经过整理后，存储于计算机的知识库中，利用推理和模式匹配的方式，帮助用户进行诊断推断

3.1.3 应用前景

诊断决策：通用的临床决策支持系统，可以根据临床医生针对患者的症状的描述，在诊断、用药和手术之前，按照标准诊疗指南提示医生诊断要求、鉴别要点以及相关诊疗方案，包括手术诊断时提示手术操作要点及术前检查等。

治疗决策：临床决策支持系统根据病人的病情，医生的临床观察，结合医学指南和循证依据，向医生提示药品适应证、药理、药效等，包括手术并发症常见症状，以及术后综合治疗及评估方案等。

预后决策：临床决策支持系统挖掘患者与其既往医疗信息、临床研究之间联系的资料，以便于预测患者将来的健康问题，存储并分析不符合《临床诊疗指南》以及《临床技术操作规范》的治疗方案，为医疗质量评估提供依据，提升医院管理水平，规范医疗行为，同时也为循证医学提供科学的证据。

3.2 关键技术

3.2.1 系统关键技术

临床决策支持系统是HIMSS电子病历评级（EMRAM）中最核心的评价要点之一

整个0-7级实际上是临床决策支持功能递进、不断升级的一个过程，直至最后达到七级的全面临床决策支持能力（full CDSS）

CDSS分类

决策算法机制：在内部决策支持过程中，目前可以应用的算法范围很广

决策算法应用的不同主要取决于临床决策支持系统的内部知识表示方式，针对不同的决策需求存在着不同的知识表示方式，从而形成了不同的决策机制

系统功能设计：具体来看，就是什么是输入，什么是输出，如果输出的是诊断结论，用药建议，那么依据则来自临床指南、循证病例、权威文献

一是帮助决策什么是对的判断

二是帮助医生决策下一步应该做什么事

交互方式：在输出决策支持信息的过程中，是如何设计交互过程的，是否允许使用者在交互上拥有主动权，是否可以干预最终结果。临床决策系统的建议方式分为主动和被动两种

主动的方式为系统主动地给医生提出决策建议，不管医生此时有没有决策帮助的需要

被动的方式是指只有医生主动询问系统时系统才给出决策建议的方式。

系统融合：CDSS的工作逻辑，是与医院现行信息系统进行融合还是独立运行，是否需要和医生的工作流程相融合，都是要考虑的重要因素

决策支持程度：在决策支持上，是直接输出结果，还是较为间接地提供辅助决策知识，参考案例，也和CDSS的临床应用程度有着重要的关系

3.2.2 数据关键技术

（1）整合数据

在医院中，临床决策支持所需的病人数据是通过电子病历系统完成数据采集的，再通过一个数据泵进行抽取和整理

（2）医学知识库

临床决策支持系统内核的推理程序可以根据知识库的知识和经验生成建议以支持决策

（3）决策支持形成

。其功能是将医学知识应用于病人数据的结果，进行分析、归纳，最终针对具体病人提出相应的决策和建议

CDSS对数据的重要特点和必备条件

第一，有强大的医学知识数据库支持

第二，用开放性神经网络知识结构跟踪全过程，使系统有能力随机建构过程性诊疗通道，辅助医生对病人做出准确、稳妥、及时的诊疗处理

第三，模拟临床思维，提供临床全过程辅助决策

第四，随病人病情的变化，生成多条临床决策通道，提供医生决策参考，使临床诊疗具有多视角会诊的性质

3.3 业务模式

3.3.1 细分市场

（1）大型医院信息化

2018年以来多个城市的三甲医院信息化招标标书都对于CDSS部分的需求没有形成真正有临床意义的表述和需求

（2）基层医疗卫生市场

基层医疗机构覆盖了中国相当规模的人口，即使以金钱来考核，27.7万个医疗机构的付费能力，也足以撑起一个庞大的基层CDSS市场

3.3.2 典型应用案例

IBM Watson系统

其第一步商业化运作就是通过和纪念斯隆—凯特琳癌症中心进行合作，共同训练IBM Watson肿瘤解决方案

一支由医生和研究人员组成的团队一起上传了数千份病人的病历，近500份医学期刊和教科书，1500万页的医学文献，把IBM Watson训练成了一位杰出的“肿瘤医学专家

2015年7月IBM Watson成为IBM Watson Health的首批商用项目之一，正式将肺癌、乳腺癌、结肠癌、直肠癌四个癌种的肿瘤解决方案投入商用

2016年8月IBM宣布已经完成了对胃癌辅助治疗的训练，并正式推出使用。

国内典型CDSS应用模式与方向

（1）人卫临床助手

卫临床助手的主要数据来源是人民卫生出版社63年来的精品专著，其中汇集了2000多家医院案例资料，并成立了专家评审委员会，制定资源审核发布流程，甄选权威内容入库

（2）惠每临床决策辅助系统

2015年，惠每医疗集团正式引入了梅奥的整套知识体系，并且在2016年发布了基于人工智能的惠每临床决策辅助系统

诊前问诊/分诊阶段：患者可在惠每智能分诊系统进行自检自查，通过一系列引导性问题，在就诊前得到病情的适当评估，明确就医的“轻、重、缓、急”，快速获得权威的处理建议。

诊中决策阶段：在医院授权的情况下，惠每临床决策辅助系统与电子病历系统（CPOE）厂商进行数据合作，将电子病历中的数据植入到惠每临床决策辅助系统中，使门诊医生受到标准化、专业化的规范。

系统还能自动挖掘症状和疾病之间的关系，如发烧和感冒之间的关系、发烧和肺炎之间的关系等，为连锁诊所提供标准化诊疗路径，帮助医生提高业务能力和工作效率，提升诊所品牌号召力。

诊后治疗阶段：惠每临床决策辅助系统不仅有丰富的疾病详情内容，也涵盖全面的疾病治疗建议，包括处置建议、检查建议、用药建议及患者指导等。

其中在合理用药方面，系统有严格的用药审核功能，提供药品说明、药物相互作用、禁忌症检查等，及时提醒医生，防止药物的错误搭配和抗生素滥用等情况发生。

惠每临床决策辅助系统将慢病用药指南电子化、智能化，完整评估患者病情，自动生成治疗方案供医生参考，并推荐合并用药方案和禁忌用药方案。

3.3.3 发展方向

首先，基于临床病历文本数据的临床决策支持系统开始增加包括影像在内的各个元素，从而丰富诊断决策的数据链。

从专科的角度来看，脑神经相关疾病也是重要的临床决策支持系统演进的方向之一，这是因为脑神经疾病有着参与决策数据种类多、诊断过程依赖专家长期积累的经验等特点，适于采用机器学习等人工智能方法进行决策增强

最后，也应该面对临床决策支持系统应用从研发到实施的难点

（1）信息技术和医学的交叉与融合

（2）如何建立和引用大规模、统一化的临床知识数据库

第四章 基因测序，开启精准医学时代

4.1 应用场景

4.1.1 无创产前检测

无创产前基因检测可以通过采集孕妇的外周血，对母体外周血中游离的DNA的片段（包括胎儿游离DNA）进行测序，加以分析后，可以计算出胎儿患上染色体非整倍体的风险，此技术能同时检测21-三体、18-三体及13-三体，目前准确率能够达到99.9%

4.1.2 肿瘤检测

肿瘤的NGS伴随诊断使医生可以根据患者自身基因变异情况以及相对应的临床状况制定最佳的治疗方案，尽早发现潜在可用的靶向药物及提高抗肿瘤药物的治疗效率

4.1.3 罕见遗传病筛查

第三个利用基因检测治“未病”的例子是罕见遗传病的筛查

4.1.4 精准健康管理

基因检测可以帮助一个人在还没有发病时，就开始预防将来可能会发生的疾病

4.1.5 身份确认

DNA

4.2 关键技术

4.2.1 第一代基因测序技术

主要利用四色荧光和毛细管电泳技术进行测序，和人类基因组计划息息相关

4.2.2 第二代基因测序技术

也就是现在经常听到的下一代测序 （NextGeneration Sequencing，NGS） 技术

4.2.3 第三代基因测序技术

第三代测序技术能直接对RNA和甲基化DNA序列进行测序

4.3 业务模式

4.3.1 基因测序仪器制造

4.3.2 基因测序服务

面向科研服务的基因测序服务以基因测序作为服务内容

直接面向消费者的基因测序服务，都是以基因芯片为测序技术平台提供服务

以医学诊断为主要模式的基因测序服务，涉及的测序项目有之前提到的唐氏综合征筛查、肿瘤检测、罕见病检测、未知病原检测等

4.3.3 软件开发与云服务

用户将租用计算、存储资源一样租用测序能力，并且可以选择不同的测序平台、技术，甚至可以像选择云计算服务一样，通过竞价来快速获得测序服务

第五章 健康管理，不治“已病”治“未病

5.1 应用场景

5.1.1 疾病预防

疾病预防应用通过收集用户的饮食习惯、锻炼周期、服药习惯等个人生活信息，运用人工智能技术进行数据分析，对用户的健康状况进行量化评估，帮助用户更全面准确地了解身体状况，并为纠正不健康的行为和习惯提供基础

5.1.2 慢病管理

慢病管理应用是作为医患沟通的桥梁，在减轻医生的工作的同时保证患者病情在已知、可控的情况下进行病情判断和处理。

5.1.3 运动管理

运动管理应用通过运动管理可穿戴设备（例如夹在跑步短裤背面的可穿戴设备），使用传感器及其算法以捕捉运动数据，通过计算每分钟的步数来测量节奏，也可提供有关骨盆垂直振荡的数据，帮助调整久坐带来的骨盆旋转和过度跨步的倾向，并支持识别和纠正骨盆下降的问题。

5.1.4 睡眠监测

睡眠监测设备可使用BCG（心脏穿刺心电图）来测量心脏、肺和其他身体功能的机械活动，并可通过iPhone监控用户每日睡眠习惯，包括打鼾、睡眠时间、休息心率、呼吸速率、需要多久才能够入睡、起床次数以及进入深度睡眠的总时间等

5.1.5 母婴健康管理

一方面是针对女性受孕前后的数据监测，通常会结合智能硬件或可穿戴设备，对个体的生理症状、情绪状态、睡眠等数据进行监测

另一方面是针对育儿知识的问答。从母婴健康到孕育新的生命，再到宝宝出生长大，包括个人形体变化、心理情感变化、育儿技能，甚至还要解决各种复杂的家庭问题

5.1.6 老年人护理

老年人护理系统主要针对老年人的养老生活，使家人可以远程了解老年人的状况，并在出现突发状况时及时进行救助

5.2 关键技术

5.2.1 终端关键技术

健康管理终端通过与应用软件、云服务相结合实现对各种人体体征数据（血糖、血压、血氧、心跳等）的采集、传输等功能

健康管理类设备

主要包括健康手环、健康腕表、可穿戴监护设备等，对血压、血糖、血氧、心电等生理参数和健康状态信息进行实时、连续监测，实现在线即时管理和预警

医疗检测类设备

主要包括便携式健康监测设备、自助式健康检测设备等

养老监护类设备

主要包括用于家庭养老及机构养老的智能轮椅、监护床等智能监测、康复、看护设备，预防老年痴呆症患者走失的高精度室内外定位终端等

5.2.2 网络关键技术

网络层通过公网或者专网以无线或者有线的通讯方式将信息在感知层与平台层及应用层之间传递

5.2.3 平台关键技术

当前，大数据平台关键技术包括数据采集技术、数据存储技术、数据平台技术、数据处理技术、数据表示技术等五大核心技术

难题

（1）健康数据的互联互通问题

基础信息和各种临床信息资源分散、重复、孤立

（2）健康态评估数据质量控制问题

在数据精准度的把控以及对复杂病况的科学识别上没有相关标准进行衡量

5.3 业务模式

5.3.1 硬件销售模式

多数企业处于销售产品采集数据阶段，未来可能会提供下游的服务将患者管理起来

销售采集健康数据的终端产品竞争非常激烈，产品使用体验及后续服务是形成客户黏性的核心

5.3.2 服务提供模式

面向患者的收费模式是为患者提供慢性病管理服务，患者自费

面向医生的收费模式在美国较为普遍，美国医保政策按服务质量付费后，医院受到医保的压力，有动力用最低成本帮助患者达到最优治疗效果，医院或者医生愿意为健康管理付费

5.3.3 数据整合模式

一种为研究机构提供科研数据

另一种为医疗机构提供综合性数据管理服务

5.3.4 保险付费模式

服务提供商通过对投保人进行精准分析或提供医疗服务等，降低保险公司的理赔开支，从而获得收益

第六章 医用机器人，诊疗、康复与服务

6.1 应用场景

6.1.1 手术机器人

手术机器人是一组器件的组合装置。它通常由一个内窥镜（探头）、刀剪等手术器械、微型摄像头和操纵杆等器件组装而成

机器人的最大特点是它具有人不具备的灵巧性，其基础在于：1）震颤过滤系统能滤除外科医生手部颤动；2）动作缩减系统能成比例（5:1）缩减外科医生的动作幅度。

6.1.2 非手术诊疗机器人

非手术诊疗机器人主要包括放疗机器人、胶囊机器人和影像机器人等辅助诊断治疗的机器人系统

6.1.3 康复机器人

以应对精准/微创手术、功能补偿与康复、老年服务等对医疗健康的新需求

6.1.4 医疗服务机器人

医疗服务机器人的工作重点也在于帮助医护人员分担一些沉重、烦琐的运输工作，提高医护人员的工作效率

6.2 关键技术

6.2.1 人机工效学

为理解人和系统中其他要素之间的交互关系，其理论、原则和方法主要应用于机器人设计过程中，目的是使人的健康和系统绩效达到最优的一门科学

人机工效学与医疗机器人相融合，即通过计算机输入、输出设备，以有效的方式实现人与计算机对话的技术，相关技术包括机器通过输出或显示设备给人提供大量有关信息及提示请示，人通过输入设备给机器输入有关信息，回答问题及提示请示等

导医机器人

6.2.2 遥操作

遥操作技术是指操作者在本地对主操控器进行控制，以完成对远端难以接近或特殊环境中机械的远距离控制

远程手术，是指外科医生能够在本地对一个遥远地方的病人利用仪器来进行手术治疗，可缓解偏远地区优质手术医生紧张问题，降低医疗成本，给许多生活在遥远或特殊环境中的患者以希望

6.2.3 空间定位技术

手术空间定位系统将病人术前或术中影像数据和手术床上病人解剖结构准确对应，手术中跟踪手术器械并将手术器械的位置在病人影像上以虚拟探针的形式实时更新显示，使得医生的手术操作更加精确、高效、安全。

（1）基于术前影像的导航系统，需要进行术前计划和术中注册跟踪。典型的术前CT导航系统可用于骨科、脊柱外科导航，典型的术前MRI导航系统可用于神经外科导航。

（2）C型臂X线透视手术导航系统：无须术前、术中配准，可实时呈现图像解剖结构，获得手术器械相对病人的空间位置关系，医生可以据此推测手术器械的行进路径，是近年来的研究热点

（3）超声可实时成像，安全方便，且费用低廉，目前常用于超声引导下的腰椎穿刺术、颅脑外伤手术、冠状动脉搭桥术等操作

（4）术中MRI可实时监测术中解剖结构的位移，能够彻底解决现有术前影像导航系统的术中影像漂移的问题。

（5）内窥镜广泛应用于微创外科，医生可在内镜可视化图像引导下执行取活检、取结石、缝合等操作。

6.2.4 多模影像处理

医学图像配准是通过寻找某种空间变换，使两幅图像的对应点达到空间位置和解剖结构上的完全一致

图像融合的主要目的是通过对多幅图像间的冗余数据的处理来提高图像的可读性，对多幅图像间的互补信息的处理来提高图像的清晰度

图像分割就是把图像中具有特殊意义的不同区域分开来，这些区域使互不相交的每一个区域都满足特定区域的一致性

医学图像的三维可视化对获取图像进行三维重建，通过二维滤波，减少二维断层图像的噪声影响，提高信噪比和消除图像的尾迹

6.2.5 人工智能技术

目前人工智能已可用于眼科、内科、肿瘤等多种疾病的影像诊断，还可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，解决领域中的医学问题

6.2.6 医疗大数据

医疗大数据是面向医疗方向的数据库技术，其面向电子病历、医学影像、医院视频等多种类型的数据，包括面向医疗电子病历的结构化信息抽取、面向医学影像的数据分析、面向医院监控视频的智能分析等。

6.2.7 虚拟现实/增强现实技术

虚拟现实技术为康复治疗提供了重复练习、成绩反馈与维持动机三个关键环节的技术手段，设置合理的虚拟环境及有效的信息反馈，患者可以对自身状况进行客观评估，从而大大提高了康复训练的效果。

6.3 业务模式

6.3.1 手术机器人业务模式

A类：手术参与机器人系统（Surgical CAD/CAM）

A 类系统中医疗机器人主要参与和完成整个手术的过程，包括切除和缝合等。手术医生起到指导和辅助的作用

B类：手术辅助机器人系统（Surgical Assistants）

B类系统中医疗机器人主要起到辅助医生进行手术的作用，包括术前规划、术中定位等

6.3.2 非手术诊疗机器人业务模式

（1）放疗机器人

放疗机器人典型产品如CyberKnife射波刀，射波刀是一种新型的全身立体定向放射治疗设备，用于治疗各种类型的癌症及体内肿瘤

（2）影像系统机器人

阅片机器人可应用于甲状腺结节超声、宫颈癌筛查、肺部疾病筛查等图像诊断领域，是人工智能、医疗大数据和医疗机器人结合的典型

（3）胶囊机器人

胶囊机器人是一种能进入人体胃肠道进行医学探查和治疗的智能化微型工具，是体内介入检查与治疗医学技术的新突破

6.3.3 康复机器人业务模式

（1）运动功能康复

运动功能康复主要针对残疾、年老、行动不便的人群

（2）智能假肢

智能假肢通过采集残存的肌肉收缩肌电信号，在训练中建立肌电信号与假肢关节运动的对应关系，从而实现智能化模拟真实肢体运动。

（3）其他康复机器人

康复机器人的应用领域还包括心肺功能康复、语言功能康复、认知功能康复等其他类型的康复机器人。

6.3.4 医疗服务机器人业务模式

远程医疗机器人

它可以通过积累、更新数据，能够不断解答人们提出的新问题，可以高效填补医院中巨大、复杂的信息服务需要

物品运输机器人

能够实现自主路径规划、避障、充电、物品运输等

药房服务机器人

配药

第七章 工业互联网，生物医药发展新方向

7.1 医疗设备全生命周期管理

7.1 医疗设备全生命周期管理

7.1.1 发展背景

随着我国卫生主管部门对等级医院管理中医疗设备质量管理要求的提高和相关规章制度的逐步完善，医疗设备质量安全及风险管理工作逐渐成为各级医院保障临床工作安全开展的重要组成部分

智能管理有助于医疗设备相关管理部门之间在进行系统管理的同时建立实际联系，防止信息孤岛

7.1.2 关键技术

医疗设备智能管理，涵盖整个医疗设备和配套的医用耗材从入院到报废阶段的全生命周期管理过程

医疗设备管理

普通耗材管理

高值耗材管理

医疗智能管理就是以医疗设备的生命周期为核心，运用智能手段，结合医疗单位其他的一些信息系统实现对医疗设备的精细化管理

7.1.3 面临的问题

（1）完善医疗设备智能管理标准

（2）明确医疗设备智能管理发展层级

（3）确定医疗设备智能管理内容

7.2 生物医药增材制造（3D打印）

7.2.1 发展背景

增材制造（3D打印）首先需要将设计完成的产品通过计算机以3D形式呈现，再采用特定的打印材料，逐层打印，直至产品成型。

生物医药领域常见的增材制造（3D打印）技术主要包括选择性激光烧结成型、激光光固化、熔融沉积造型、分层实体制造技术等

7.2.2 关键技术

（1）医学模型设计

（2）再生组织器官制造

（3）医疗器械制造

7.2.3 面临的问题

主要局限于打印材料的材质特性与单一性

7.3 人工智能辅助药物研发

7.3.1 发展背景

新药研发是个高风险、长周期、资本和技术密集型的技术领域，药物研发失败率也高达90%以上（特别是原研药）

7.3.2 关键技术

（1）靶点筛选

（2）药物筛选与优化

（3）病人发现及招募

（4）依从性管理

（5）药物晶型预测

（6）患者大数据与真实世界研究

第八章 中国人工智能+医疗健康发展展望

8.1 政策标准

8.1.1 产业发展促进

国家政策支持

8.1.2 行业监督管理

目前监管部门禁止虚拟助手软件提供任何疾病的诊断建议，只允许提供用户健康轻问诊咨询服务

人工智能+医疗健康产品与服务必须满足国家相关标准，从而保证对安全性、可信赖性、可追溯性、隐私保护等方面的要求

8.1.3 数据安全保护

在健康医疗大数据和人工智能发展过程中，个人隐私保护、数据安全、甚至国家安全的问题越来越受到重视

8.2 技术创新

8.2.1 关键技术研发

智能传感器、神经网络芯片、开源开放平台等技术应用于医疗健康领域，已经取得显著成果

8.2.2 训练数据集建设

下一步将面向人工智能+医疗健康重点产品研发和行业应用需求，初步建成并开放多种类型的人工智能海量训练资源库

8.2.3 信息安全保障

智慧医疗应用结构体系庞大，平台开放性强，业务繁杂，用户身份多，尤其是患者的敏感隐私信息多，空间数据量大，信息的城域联动性也很强

人工智能+医疗健康网络安全技术研发不断加强，产品和系统网络安全防护未来将进一步强化

信息安全市场将逐渐集中，信息安全策略将转向主动防御

人工智能+医疗健康安全体系建设将不断加快，安全管理责任制度将初步建立，标识赋码、科学分类、风险分级、安全审查规则将初步制定

等级保护？

8.3 商业模式

8.3.1 互联网巨头企业

百度、阿里巴巴、腾讯

8.3.2 初创型企业

相比之下，对于初创公司来说，与B 端的合作业务更值得深入挖掘

8.3.3 医疗设备企业

同一品牌产品收集的数据更加规范，格式更加统一，便于数据的挖掘和应用

8.4 人才资源

人工智能+医疗健康的人才需求主要来自人工智能和医疗健康两个不同领域（复合型人才）

。坚持培养和引进相结合，吸引和培养具有发展潜力的人工智能领军人才。鼓励和引导国内创新人才和团队，加强与全球顶尖机构合作互动。

8.5 法规伦理

法律规制需要保护技术创新，技术的创新发展也需要遵守法律的价值底线