一、人工智能概述
1956年夏天，在美国Dartmouth召开的一次学术会议上，McCarthy第一次提出“人工智能”的概念并将其视作一门新兴学科[2]。此后，人工智能的概念完善，但至今尚未取得一致。美国Stamford大学人工智能研究中心的Nilson等学者对 “人工智能” 的定义是“通过模拟人类的方式，记录、积累、再现和运用知识的学科”。日本公立函馆未来大学校长中岛秀之对人工智能的定义是“采用人工方法制作并拥有智能的机器或程序，或是以创造智能为目的并对智能本身开展评估、研究的学科”。世界人工智能专家、日本人工智能学会伦理委员长松尾丰教授在2015年12月出版的《人工智能狂潮》一书中认为，人工智能是“用人工方法制作的类人智能”，类人智能指具有“发现和觉察功能”的计算机，即能够从数据中生成特征量，并对相关现象进行模拟化处理的计算机。这些概念均反映了科学界关于人工智能的基本认识和理解。半个多世纪来，人工智能的发展突飞猛进、成绩斐然，与原子能科技、空间科技一并被赞为 20 世纪三大科学技术突破，甚至还有人称它为“智慧革命”——能够导致社会智能化，即智能社会的出现。
二、人工智能与专家系统在医学领域的应用前景
1. 医学专家系统的发展历程及应用举例
在第二次人工智能高潮时期，充分利用“知识”的“专家系统”被不断开发、完善、利用。“专家系统”本身是一种程序，通过引入某个专业领域的知识，再经过推理，便能像该领域专家一样出色地开展工作。而医学专家系统则是将医学诊断知识大批量导入计算机，然后模拟医学专家的临床诊疗思路，最终根据病情从知识库中提取并综合有价值诊断线索，进而给出治疗方案[4]。其中一个很有名的医学专家系统是20世纪70年代初由美国Stamford大学开发的MYCIN系统。其功能是对感染性疾病患者进行诊断，并开出抗生素处方。在其内部共有500条规则，只需按顺序依次回答其提问，系统就能自动判断出病人所感染细菌的类别，并为其开出相应处方。经测试，MYCIN对菌血症、败血症、肺部感染、颅脑感染等方面的诊疗水平已超过了该领域的专家。近来，美国Memorial Sloan-Kettering癌症中心正在与IBM合作，引入“沃森”技术，开发医疗研究应用程序，帮助医生为 病情特殊的患者选择最佳的治疗方案。该癌症中心研究人员和IBM的工程师一起，向沃森传输大量与病情、治疗方案和治疗结果有关的数据，运用沃森分析这些数据，找出隐藏的模式和相关性。研究人员希望沃森能帮助医生识别有效的诊疗方案，对其进行临床试验然后公布试验结果，并将这种新的治疗方案介绍给全世界的医生。
我国医学专家系统的开发研究始于20世纪80年代初，起步较发达国家晚，但是发展速度迅猛。1978年北京中医医院关幼波教授与计算机科学领域的专家合作开发了“关幼波肝病诊疗程序”，第一次将医学专家系统应用到我国传统中医领域。1986年，我国骨科学专家林如高教授的学生林子顺协助福建中医学院与省计算中心，将林如高医学思想输入计算机，开发出居国内先进水平的“林如高骨伤计算机诊疗系统”。1992年，中国中医研究院和中国科学院软件所共同研制出“中国中医治疗专家系统”。1997年，上海中西医结合医院与颐养圣计算机公司联合开发了具有咨询和辅助诊断性质“中医计算机辅助诊疗系统”，现已整合到很多医院的His系统中。进入21世纪后，各类医学专家系统层出不穷，如骨肿瘤辅助诊断专家系统、胃癌专断专家系统、口腔牙周病诊断专家系统、心血管药物治疗专家系统、基于螺旋CT图像的冠状动脉钙化点的诊断系统等。
2. 医学专家系统的工作机制
一般认为，传统的专家系统=知识库+推理机，故专家系统也被称为以知识和信息为基础的系统。知识库里存的专家知识具有固定的形式化语言表达和数据结构组织样式，主要包括三种：①最常见的是直觉知识（经验知识），常表现为一些生成规则，即当规则所需的条件满足时，系统就执行某种动作或得出某种结论（早期MYCIN版本即如此）；②当直觉知识的使用难于解决复杂问题时，常借助于支持知识——可指导医疗实践的医学理论，常用因果模型表示；③策略知识，能在几条规则同时适用时，通过运行推理机程序，决定何种规则优先使用。推理机有两种推理策略：①前向推理，又叫面向数据的推理，即根据掌握的事实，应用其条件得到满足的规则以得到新事实，然后再应用这些新事实的相关适用规则，直至得出恰当的结论；②后向推理，又叫面向假设的推理，即首先提出假设结论，寻找那些其结论与假设相吻合的规则，这些规则所需的条件又成为新假设，如此循环，直至所有必须的假设均能直接从用户得到，从而确证或否定某些最初假设。在复杂的临床实践中，很多事实与结论之间并无绝对确定的关系，这时往往需借助统计推理或模糊推理，即系统的推理不是确定性的，而是对每一结论提出其可信度，而优先考虑可信度较大的结论。对于特别复杂、困难的问题，系统也可提供几个可能的结论及其可信度，供医务人员参考。这在具体临床事例中意义重大，如在新版本MYCIN 系统中就包含这种机制。
三、人工智能与人工神经网络在医学领域的应用前景
1. 人工神经网络兴起背景和概述
在第二次人工智能高潮中，只要往计算机里输入足够多的知识，它就能相应地完成很多任务，但是其能力也仅限于所输入知识的范围；如果想扩充计算机的实用性及其应对例外病例的能力，则需输入海量知识，永远输不完。另外，从根本上讲，输入的符号与其所表示的意义往往脱节，对计算机而言，掌握“语义”非常困难。然而，在这种闭塞的条件下，有一项技术得到了稳步发展——机器学习，即人工智能程序自身进行学习。机器学习常用的原理包括最近邻分类算法、朴素贝叶斯算法、决策树、支持向量机等。而其中最为著名的当属人工神经网络（Artificial neural network, ANN）。ANN是在第三次人工智能高潮中兴起的一门集脑科学、信息科学、计算机学于一体的高度综合的前沿、交叉学科,是一种通过模仿人类脑神经回路将生物神经网络在结构、功能等方面的理论高度抽象、概括、综合而构成的信息处理系统，是当代人工智能领域的重要分支。
2. 人工神经网络的优势
同传统的符号处理方法相比，ANN尤其独有的优势：①分布式存储信息，ANN呈现、处理信息的途径是通过各个神经元之间的链接及其权重，不会因局域网的故障而受到较大影响，稳定性非常强；②自适应性，即整个ANN可根据当时的环境状态、信息特点自行调整，包括学习、自组织、泛化及训练。ANN通过学习不断建立与外界变化相吻合的新模式，通过自组织同时对多个神经元进行系统、高效、最优化地连接和分配。泛化是指ANN通过不断训练可以对全新的信息输入做出最合理的反应；③并行性，ANN各个神经元在处理信息时既相互配合、形成网络合力，又保持自身独立性并将输出结果与其他神经元分享、串联；④联想记忆功能，即能够完成复杂的非线性映射，是目前较为理想的非线性估计器，并且能够自适应学习，使网络表现出抽象思维能力，并完成联想推理。
3. 人工神经网络在医学领域的应用举例
由于很好地克服了知识输入“有限性”的问题，而且具备学习、自组织、泛化及训练的能力,ANN在医学专家系统领域飞速发展[3,5]。在医学图片、视频、音频等的智能识别领域,日本MITSUBISHI机电公司LSI制造中心推出的“人工网膜”,可精确、高效、飞速地处理海量非结构化医疗数据；对于医学诊断,由沙特阿拉伯国王大学Saito教授、Nakano教授等人开发的基于PDP模型的医学诊断专家系统,通过不断的学习、自组织、泛化及训练,诊断准确率远超过传统医学专家系统，且不亚于相关领域最博学的专家;Steven等学者开发的DP神经网络肌电脉冲甄别程序,诊断准确率亦远远超过传统机器识别方法;在中医领域，ANN中医诊疗系统可在一定程度上智能“辨证”，经综合分析后提出合理的中医诊断。最近，IBM研究团队基于ANN机器学习原理，设计了一套名为“沃森通路（WatsonPaths）”的用户界面。“沃森通路”是一套帮助沃森学习医生如何诊疗的人机互动程序。在“沃森通路”的辅助下，医学工作人员可检查沃森举出的病症和推论是否合理，然后将更多的信息和见解输入沃森系统。同时，Memorial Sloan-Kettering癌症中心、WellPoint公司及IBM合作开发了基于沃森技术的交互式肿瘤诊治技术。该技术通过持续基于ANN技术的深度学习，帮助肿瘤医生获得患者最新治疗信息。数据库信息包罗万象，包括病历资料、大型图书馆医学文献、临床指南、医生行医札记和药物试用报告等。目前，共有60万页的医学报道、42种医学期刊、近200万页医学论文和临床试验报告，以及上万本病历被导入沃森系统。医生通过这些海量数据训练内置ANN程序的沃森，让其给出最佳诊治建议。
四、人工智能在医疗领域的未来发展建议
人工智能技术在近年来的飞速发展使得医学专家系统、人工神经网络等在医学领域的开发与应用成为现实，并且取得了很大的突破。然而，目前在国内，医学人工智能的发展态势和应用规模较西方发达国家仍然存在较大的差距，技术水平普遍不高，多数属于低级别开发，在性能方面还有很大的提升空间，还需要与临床实践作更为紧密的结合。人工智能是计算机科学领域的前沿，其在医学领域的不断发展和应用需要计算机软件、硬件方面的专家，医学专家，数学家等的共同努力，需要跨领域、多学科通力协作。一方面，应用更为成熟的算法使专家系统帮助医生更准确科学地识别有效诊疗方案；另一方面，应继续加强ANN的研究，使其具备更强的学习、自组织、泛化及训练的能力。
（文章由中国医学科学院-北京协和医院神经外科孔祥溢医师撰写，王任直主任审校）
参考文献
[1] Ensmenger N. Is chess the drosophila of artificial intelligence? A social history of an algorithm[J]. Soc Stud Sci,2012,42(1):5-30.
[2] Lawrence D R, Palacios-Gonzalez C, Harris J. Artificial Intelligence[J]. Camb Q Healthc Ethics,2016,25(2):250-261.
[3] de Grey A D. Artificial intelligence and medical research: time to aim higher?[J]. Rejuvenation Res,2016.
[4] Das S, Roy C S, Saha H. Accuracy enhancement in a fuzzy expert decision making system through appropriate determination of membership functions and its application in a medical diagnostic decision making system[J]. J Med Syst,2012,36(3):1607-1620.
[5] Furiasse N, Thomas J D. Automated Algorithmic Software in Echocardiography: Artificial Intelligence?[J]. J Am Coll Cardiol,2015,66(13):1467-1469.
[6] Jagarlapudi S A, Kishan K V. Database systems for knowledge-based discovery[J]. Methods Mol Biol,2009,575:159-172.
[7] Hua J, Hao Y, Jin P, et al. [Challenges to evidence-based medicine in an era of artificial intelligence][J]. Zhonghua Wei Zhong Bing Ji Jiu Yi Xue,2015,27(9):709-711.
更多资讯请关注神外资讯微信公众号：neurosurgerynews
