医疗保健领域的 7 个拯救生命的 AI 用例。从早期疾病检测到增强医疗决策再到更好的患者治疗效果——这就是人工智能技术如何改变医疗保健行业。

目录

1. 肺部疾病的 AI 辅助胸部 X 线分析 

新冠肺炎 

肺癌 

2. 黑色素瘤的皮肤科扫描

3. 人工智能和机器学习的 CT 和 MRI 扫描分析

4. 人工智能辅助乳腺癌检测 

5. 数字病理学的人工智能

6. 使用自然语言处理实现医疗保健管理任务的自动化

7. 眼科人工智能

人工智能在医疗保健中的未来

---

人工智能可以改变我们的医疗保健系统吗？

简短的回答是：是的。 

医疗保健行业如何从人工智能的使用中受益？ 

人工智能在医疗保健中的应用

多项研究表明：

• 超过 93% 的从业者同意 ML 驱动的流程可以帮助重新展现医疗保健行业中隐藏或无法获得的价值。（埃森哲）

• 人工智能可以实现更好的患者治疗效果、增强护理服务并推动医疗保健行业的运营收益。（EIT Health 和麦肯锡）

• 超过 69% 的医疗保健公司正在试行或采用人工智能解决方案，为初步诊断提供行政协助（埃森哲）

从通过人工智能辅助诊断增强护理服务到医疗记录管理，人工智能技术正在使用可以学习、理解、预测和行动的机器彻底改变现代医疗保健。

1. 肺部疾病的 AI 辅助胸部 X 线分析 

X 射线和计算机断层扫描 (CT) 是诊断肺部疾病的两种值得信赖的手段。 

这种医学图像为医生提供了挽救生命的见解，从而带来更好的健康结果。

 

然而正确解释图像需要大量经验。 当患者数量很多且时间紧迫时，医生需要可靠的工具来帮助他们做出准确的预测并立即采取行动。

这就是人工智能应用程序派上用场的地方。

最先进的图像识别算法可以在 X 射线图像中识别出人眼无法察觉的模式。机器学习技术也以更快的速度工作，并协助患者分类和分诊。 

 

新冠肺炎 

一组研究人员最近提出了一种人工智能解决方案，用于根据肺部 X 射线筛查 COVID-19 患者。 

该系统使用主成分分析 (PCA) 和聚类技术来区分 COVID-19 的 L 和 H 表型。

（从正面 (PA) X 射线图像中对 COVID-19 患者进行聚类。来源：Medrxiv）

这种人工智能工具可以帮助医疗保健专业人员做出更好的治疗决策：确定患者是否需要机械通气才能生存（H 表型），或者应用这种治疗是否会导致肺损伤（L 表型）。 

另一组医学研究人员开发了一种基于 Microsoft CustomVision 的自动图像分类系统。

AI 解决方案还有助于对不同类型的肺炎（COVID-19 和其他病因）进行分类。 

在对患者数据样本进行测试时，该模型以 92.9% 的灵敏度（召回率）执行并正确识别：

 

相当令人印象深刻，对吧？

更全面的患者数据将有助于推进用于诊断肺部疾病的人工智能解决方案只是时间问题。

 

肺癌 

事实证明，使用人工智能可有效识别胸部 X 光片上以前未发现的癌症。

首尔国立大学医院的临床研究人员发现，商业上可用的 AI 应用程序在第一次和第二次读取上优于由四名胸部放射科医师组成的团队。 

经测试的人工智能算法：

• 在首次读取期间产生比放射科医师更高的特异性。
• 帮助团队成员在第二次阅读期间更好地解释结果。 

实验结果很有希望，但是——

医学专业人士仍然怀疑人工智能算法在“喂养”更大样本数据时能否在临床环境中产生一致的结果。 

事实上，将机器学习技术投入生产是医疗保健公司迫切需要解决的问题。 

许多人需要对当前的软件系统进行现代化改造，然后才能运行先进的机器学习系统。其他人则需要更成熟的数据管理和数据治理实践，以确保处理后的图像和其他患者记录的最大安全性。

“窗口化”允许人类和机器看到 X 射线中的细节，超出了我们的显示器能够让我们看到的颜色范围。

2. 黑色素瘤的皮肤科扫描

皮肤癌是所有癌症中最常见的类型之一。 

黑色素瘤可能是最罕见的亚型，但仅在美国，今年就有 7000 多人死亡。

这是更好的消息——

如果在早期发现，高达86%的黑色素瘤皮肤癌类型是可以预防和治疗的正如您可能已经猜到的那样，人工智能和机器学习可能会有所帮助。

然而，魔鬼在细节中。 

早期黑色素瘤很难与良性痣和其他恶性肿瘤区分开来。这就是为什么医生们正在尝试使用人工智能技术来获得额外的决策支持。 

国际皮肤成像协作组织(ISIC) 一直是创建带注释的皮肤病变图像数据集以提高计算机辅助研究质量的 推动力。

在过去五年中，对云计算技术的商品化访问和机器学习专业人员之间的积极知识共享也有助于显着加速皮肤癌研究。 

以下是一些令人鼓舞的发现：

2019 年，研究人员使用基于 InceptionV3 和 ResNet50 架构的卷积神经网络 (CNN) 来分析特写和皮肤镜医学成像数据集。 

目标是确定非色素性皮肤癌。 

在训练模型后，他们比较了人工智能对 95 位皮肤科医生的表现。 

结果如何？

人工智能提供了与人类专家相同水平的准确度。 

相同级别的准确度。

让它沉入一秒钟。 

这还不是全部——该工具的表现也优于初级和中级皮肤科医生。 

资料来源：美国国家医学图书馆

另一个科学小组将 InceptionV4（一种欧盟批准用于医疗目的的深度学习架构）与一组人类皮肤科医生进行了对比。

两人都被要求通过首先查看皮肤镜图像，然后是额外的临床特写图像和临床信息来诊断 100 个测试病例（包括 60 个良性和 40 个恶性皮肤病变）。 

以下是结果（仅使用皮肤镜图像）：

 

随着更多医疗保健信息的可用，人类的平均敏感性增加到 94.1%，但平均特异性保持不变。不过，CNN 系统这次的表现也略好于医生，灵敏度达到 95%。然而，在许多情况下，更有经验的皮肤科医生比算法做得更好。 

3. 人工智能和机器学习的 CT 和 MRI 扫描分析

现在，让我们看看人工智能如何使长期以来一直处于医疗保健行业创新前沿的放射学受益。 

在人工智能和机器学习使用方面，这一部分领先于采用曲线。

随着医学成像注释的可访问性和质量的提高，该领域的数据科学家可以进一步提高早期生产的人工智能技术的性能水平。 

更重要的是，这些工具支持更好的决策并帮助医生赢回一些宝贵的时间，这些时间通常用于图像分析，而不是临床和实验室环境。 

💡 目前，人工智能技术可以帮助从 CT、MRI 和 PET 扫描中提取

此类别中的一些新兴 AI 用例包括： 

• 肺炎 CT 扫描：一组中国研究人员开发了一种测试 AI 系统，用于分析放射图像以发现 COVID-19 肺炎的早期迹象。据说该工具可以为医生节省大约 30%-40% 的检测时间。以便专业人员可以更快地识别、隔离和治疗传染性患者。  

• 增强 MRI 脑部扫描的质量：来自西班牙的一个科学小组开发了一种深度学习算法，用于提高 MRI 图像的分辨率。这样做有助于医疗保健专业人员识别复杂的大脑相关疾病，包括癌症、言语障碍和身体创伤。 

• 加快核磁共振图像的制作：  Facebook AI 和纽约大学朗格尼健康中心一直在开展一个名为fastMRI 的联合项目它提供了一种使用人工智能创建 MRI 图像的新方法，使扫描过程快 4 倍。当这些图像被提供给放射科医生时，他们无法区分传统扫描和人工智能生成的扫描。 

迄今为止，FDA（食品和药物管理局）已经批准了十几种用于放射学的深度学习方法。 

在全球范围内，越来越多的人工智能飞行员正在从实验室转移到医院病房。 

4. 人工智能辅助乳腺癌检测 

事实是：定期筛查已被证明可以显着提高乳腺癌的存活率。

早期发现，及时治疗，有效率高。然而，更广泛地引入乳腺癌筛查项目也给放射科医师带来了更高的代价。 

例如-

欧盟乳腺筛查指南旨在邀请成员国中高达 70%-75% 的合格女性参加此类计划。随着患者数量的显着增加，医疗保健专业人员需要更明智的决策支持。新兴的人工智能解决方案被证明可以在临床环境中提供此类指导。 

另一方面，Radboud 大学医学中心的一家乳房诊所最近采用了一种断层合成工具来获取乳房的 3D 图像，为诊断提供了更高水平的数字化。 

但-

使用这种计算机生成的图像的代价是更长的阅读时间。 

因此，许多专家现在依靠人工智能软件来促进分析。这些工具可以更快地处理图像并为决策提供有价值的见解，使放射科医生能够将评估速度提高 15-20%。 

这是另一个例子。

Google Health 与医生之间最近的合作取得了非常有希望的结果。 

该小组正在开发一种用于乳房 X 光检查的支持工具。在进行测试时，人工智能算法与两位医生的连续读数一样准确。 

然而，速度是一个显着的区别——系统将第二个阅读器的工作量减少了 88%。 

但仅靠速度和准确性并不能解决我们面临的更大问题，即——

全球放射科医生短缺的预期迅速增加。

事实上，英国的全国短缺率已经接近27-37%，具体取决于地区。美国医学院协会估计，到 2033 年，仍有近 42,000 个放射科职位空缺。 

在发展中地区，获得专业人员和设备的机会更加困难。人工智能系统可以减轻医疗保健系统的压力，并促进扩大乳房筛查和癌症检测计划。 

‍

5. 数字病理学的人工智能

数字病理学是传统显微镜的新兴分支，使从业者能够虚拟化病理玻璃载玻片以进行更深入的分析。 

人工智能算法可以帮助病理学家：

• 图像分析和解释 
• 样本组织的详细检查 
• 与早期病例匹配的病理类型
• 诊断准确性和早期发现 

一组癌症研究人员最近分析了来自 11,000 名癌症患者的 WSI 公共数据库，其中包含 32 种癌症亚型。经过训练的算法利用图像数据和注释来就显示的病理类型达成“计算共识”。 

该工具可高精度识别冰冻切片载玻片上的不同病理类型：

• 93% 用于膀胱尿路上皮癌 
• 97% 用于肾肾透明细胞癌
• 99% 用于卵巢浆液性囊腺癌

并与组织病理学载玻片同样准确地执行：

• 98% 用于前列腺癌
• 99% 用于皮肤皮肤黑色素瘤
• 100% 用于胸腺瘤

冷冻切片（上）和永久性诊断载玻片（下）的结果

来源：自然 

类似的人工智能工具可以支持临床决策并增强对研究较少的病理和早期变异的诊断。 

6. 使用自然语言处理实现医疗保健管理任务的自动化

那么，如何使用人工智能来处理临床文档、临床决策支持系统和其他电子健康记录呢？

嗯，首先——将人工智能技术（特别是OCR）应用于行政医疗任务可以帮助医疗保健提供者将运营成本削减高达163 亿美元。 

现代人工智能算法已经为流程自动化解决方案的早期采用者节省了超过 1220 亿美元。 

 

机器学习和人工智能可用于自动化： 

• 事先授权（仍然主要基于传真） 
• 医疗索赔管理 
• 病历管理 
• 预约、安排和管理 
• 临床记录创建和处理 

其次，特别是自然语言处理 (NLP) 已被证明可以推动生产力的大幅提升。 

医疗保健提供者处理需要在 EHR/EMR 系统中捕获的大量结构化和非结构化患者数据。 

然而，问题在于高达80% 的健康数据是非结构化的，这使得传统的文本挖掘算法无效。相应地，医疗保健领域的大量大数据仍然是孤立和利用的。 

这会对患者的治疗结果产生负面影响。 

NLP 系统可以帮助提供者更快地处理更多信息，包括 SDOH 数据（健康的社会决定因素）。 

医疗保健专业人士表示，这些数据包含重要的非临床见解，这些见解会影响患者的健康和护理服务。但重新展示它以进行分析，因为它仍然孤立在不同的媒介上——口头笔记、患者门户、电子邮件交换和 EHR 系统。 

“医疗保健估计约占医疗保健结果的 20%，这是医疗保健领导者应考虑 SDOH 因素及其对患者健康影响的重要原因。”

— Elizabeth Marshall 博士在接受Health Tech IT 采访时说

根据 Marshal 的说法，自然语言处理算法可以帮助访问此类数据并将其转化为诊断和更广泛的医疗保健计划的见解。其中包括护理计划、更好的患者资源和有针对性的干预措施。 

除了改善患者的治疗效果外，自然语言处理还可以帮助医院收回部分运营成本。 

例如-

Concord 医院最近采用了 Nuance 的人工智能软件套件，用于语音识别和实时临床记录处理。工作人员现在可以从任何工作站或个人智能手机口述笔记，数据将自动转录并添加到相应的患者档案中。 

基于电话的转录使用量减少了 91%，指令记录节省了 100 万美元。 

NLP 驱动的应用程序还可以改善患者护理。 

智能虚拟助手可以在等待时与患者交谈以收集症状数据，并帮助识别更多危重患者以立即入院。 

此外，对于行动不便的患者，他们在住院时需要快速咨询或调整房间设置，语音助手可以更加方便。 

7. 眼科人工智能

最后，让我们看看人工智能如何用于眼科。

研究表明，医疗保健系统在提供及时的眼科护理方面正面临更大的压力。由于人口迅速老龄化，公共医疗保健系统无法始终保证及时就医。 

在 V7 上可视化的视网膜层用于早期青光眼检测的 OCT 图像标记

这可能导致患者预后不佳。 

眼科治疗的延误可能导致不可逆的伤害，例如视野丧失和视力下降，而早期诊断可以预防这些伤害。 

其他类型的眼部疾病如糖尿病视网膜病变（DR）、白内障、青光眼、老年性黄斑变性（AMD）也需要及时干预。 

新兴的 AI 和深度学习模型用例试图弥补诊断方面的差距，并加快提供者执行人群水平筛查的能力。 

• 糖尿病视网膜病变检测：2018 年，FDA 批准了第一个用于自主诊断糖尿病视网膜病变的人工智能系统。IDx-DR 系统使用眼底相机捕捉眼图，并在一分钟内完成分析。临床试验表明，在检测患者 DR 的早期迹象方面，敏感性为 87%，特异性为 90%。 

• 青光眼检测： 2020 年进行的一项研究还指出，人工智能方法可以改善青光眼诊断程序。经过 OCT 图像和眼底摄影训练的算法被证明在使用来自单个 VF 测试的数据时更早地检测青光眼进展更有效。

• 通过远程医疗管理白内障治疗：一组中国研究人员提出了一种用于远程白内障进展监测和干预的新系统。他们使用深度学习算法创建了一个基于智能手机的人工智能助手，患者可以使用该助手进行登记。该算法可以分析白内障进展的变化，做出个性化的预测，并帮助安排及时的就诊和检查。

人工智能在医疗保健中的未来

注释医疗保健数据集和医学成像的日益普及成为新的人工智能和计算机视觉用例出现的跳板。 

大多数新兴技术尚未在更广泛的临床环境中进行测试。然而-

医疗保健领域的人工智能前景广阔。

事实证明，人工智能、机器学习和深度学习在帮助医疗保健提供者和患者方面都非常有用。除了当前（和未来）的应用程序包括：

• 收入周期管理 
• 机器人过程自动化
• 药物开发过程
• 临床文件管理
• 索赔处理
• 治疗应用诊断

它还可以分析患者到诊所就诊、开出的药物、实验室测试和过去执行的程序的数据。

理论结果和早期试点为计算机科学专业人士和医生注入了极大的信心，他们联手改变患者护理并改善全球医疗保健组织。

然而-

要使医疗保健中的人工智能成为主流，还需要更广泛的医疗保健行业转型。

医院将不得不投资于新技术系统和员工技能提升。他们将需要进行大量的整合项目，并集中精力在日常临床实践中采用这些技术。