程宇卿

（安徽理工大學(xué)第一附屬醫(yī)院 安徽省淮南市 232001）

在現(xiàn)有醫(yī)療機(jī)構(gòu)的發(fā)展進(jìn)程中，想要促使臨床醫(yī)療真正的邁入智能化時(shí)代，必然需要建立并完善現(xiàn)有的智慧醫(yī)療體系。依托互聯(lián)網(wǎng)和云計(jì)算、大數(shù)據(jù)、物聯(lián)網(wǎng)以及可穿戴設(shè)備等現(xiàn)代信息技術(shù)的“互聯(lián)網(wǎng)+”醫(yī)療衛(wèi)生服務(wù)體系與傳統(tǒng)醫(yī)療衛(wèi)生服務(wù)的深度融合，多種高新技術(shù)例如人工智能和傳感技術(shù)的研發(fā)與利用，智慧醫(yī)療信息化技術(shù)對(duì)臨床醫(yī)療事業(yè)起到越來(lái)越重要的作用，而傳統(tǒng)的數(shù)字化醫(yī)院勢(shì)必會(huì)逐步向智慧醫(yī)院發(fā)展，也勢(shì)必會(huì)帶來(lái)全新的醫(yī)療服務(wù)模式和公共衛(wèi)生管理方式。

盡管各醫(yī)療機(jī)構(gòu)都認(rèn)識(shí)到信息化的重要性，而且在此方面逐漸加大投入， 但在推進(jìn)智慧醫(yī)療建設(shè)各種醫(yī)療信息化項(xiàng)目時(shí)，仍然面臨著一些難以解決的問(wèn)題。 例如，醫(yī)院運(yùn)營(yíng)成本高，人員工作壓力繁重，巨資引進(jìn)的醫(yī)療設(shè)備資產(chǎn)效率低下，存在被盜、遺失、閑置、浪費(fèi)等問(wèn)題。這些問(wèn)題嚴(yán)重影響到醫(yī)療機(jī)構(gòu)的整體效率，限制了發(fā)展。受到技術(shù)條件的限制，傳統(tǒng)應(yīng)用系統(tǒng)試圖提高工作效率和管理力度，但實(shí)際上此種模式并不能解決問(wèn)題。本文通過(guò)“互聯(lián)網(wǎng)+”模式下智慧醫(yī)療對(duì)疾病預(yù)防的預(yù)測(cè)研究，為智慧醫(yī)療體系的建立、完善和實(shí)際運(yùn)用提供理論依據(jù)和實(shí)踐經(jīng)驗(yàn)。

1 醫(yī)療智慧化

1.1 人工智能醫(yī)療發(fā)展背景

人工智能醫(yī)療健康是醫(yī)藥衛(wèi)生行業(yè)與信息通信技術(shù)融合創(chuàng)新的產(chǎn)物，將成為醫(yī)療健康行業(yè)發(fā)展和轉(zhuǎn)型升級(jí)的重要方向。人口老齡化、醫(yī)療資源配置結(jié)構(gòu)失衡以及人工智能技術(shù)的快速發(fā)展等宏觀環(huán)境大力推動(dòng)人工智能醫(yī)療健康邁向巨大的發(fā)展空間，并且正處于發(fā)展的關(guān)鍵時(shí)期。未來(lái)，伴隨著人工智能科技的飛快發(fā)展和創(chuàng)新技術(shù)開發(fā)的推進(jìn)、并結(jié)合企業(yè)業(yè)務(wù)實(shí)力和技術(shù)創(chuàng)新的不斷加強(qiáng)，人工智能醫(yī)療健康服務(wù)將向更縱深方面發(fā)展。

1.2 社會(huì)因素

人民最基本的需求就是醫(yī)療衛(wèi)生健康服務(wù)問(wèn)題。衛(wèi)生服務(wù)行業(yè)宗旨在于保障和提高人民群眾健康，主要包括醫(yī)療保健服務(wù)、健康教育和基本健康保障等有關(guān)方面，主要包括藥物、醫(yī)療器械、基本保健用品和食物等基礎(chǔ)領(lǐng)域，范圍覆蓋面較廣且行業(yè)鏈長(zhǎng)。而醫(yī)學(xué)服務(wù)行業(yè)則是指對(duì)病人實(shí)施檢查、護(hù)理、防疫、等方面的服務(wù)業(yè)務(wù),主要包括與之有關(guān)的人員提供藥物和醫(yī)學(xué)產(chǎn)品、病人食宿和用餐等服務(wù)，是衛(wèi)生服務(wù)的主要部分。

1.3 技術(shù)因素

隨著計(jì)算能力、算法建模以及大數(shù)據(jù)資源等基本科技要求的逐步完善，人工智能也開始廣泛應(yīng)用于各個(gè)領(lǐng)域。

在計(jì)算建模技術(shù)方面，深度學(xué)習(xí)是當(dāng)前研發(fā)和使用中的熱門算法，同時(shí)也是人工智能的重點(diǎn)應(yīng)用領(lǐng)域。深度學(xué)習(xí)主要是利用建立更多的隱層模式和掌握海量訓(xùn)練數(shù)據(jù)，從而能夠提取到訓(xùn)練數(shù)據(jù)有用的特性。也利用對(duì)數(shù)據(jù)挖掘進(jìn)行海量數(shù)據(jù)分析，可以自動(dòng)學(xué)習(xí)訓(xùn)練數(shù)據(jù)特性，尤其適合于含有少量未標(biāo)識(shí)數(shù)據(jù)的大數(shù)據(jù)集。而深度學(xué)習(xí)通過(guò)對(duì)層次網(wǎng)絡(luò)的基本構(gòu)造進(jìn)行逐層特征變換，把舊樣本的特性或表示轉(zhuǎn)移到某個(gè)新特征空間，這樣可以使得分析或預(yù)測(cè)過(guò)程變得更簡(jiǎn)單一些。在二零一二年，深度學(xué)習(xí)模型第一次被運(yùn)用到ImageNet（圖像識(shí)別競(jìng)賽）中，使錯(cuò)誤率降低至百分之十六點(diǎn)四以下，并一舉奪冠。二零一五年，微軟公司成功利用了一百五十二層的深入網(wǎng)絡(luò)技術(shù)，把圖象認(rèn)識(shí)的錯(cuò)誤率降到百分之三點(diǎn)五七,遠(yuǎn)小于人眼的認(rèn)識(shí)錯(cuò)誤率（百分之五點(diǎn)一），證明深度學(xué)習(xí)模型的辨識(shí)能力已超越人類的眼睛。自從Hinton發(fā)明了DBN（深度置信網(wǎng)絡(luò)）開始，深度學(xué)習(xí)的發(fā)展經(jīng)過(guò)了一段快速更迭的周期，并且CNN(Convolutional Neural Network 卷積神經(jīng)網(wǎng)絡(luò))目前已經(jīng)是在圖形識(shí)別技術(shù)快速發(fā)展中使用較為普遍的計(jì)算模式。在使用CNN 進(jìn)行圖像處理的過(guò)程中，由于圖像都是以像素或矩陣形態(tài)成為最原始的輸入，因此第一層神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)功能一般都是檢查在某些方向和形式上的邊界出現(xiàn)與否，以及這些邊界在圖像處理中所處的位置；而第二層通常也會(huì)檢查各種邊界的特殊布局，但同時(shí)忽略了邊界位置的細(xì)微的改變；第三層能夠?qū)⑻囟ǖ倪吘壊季纸Y(jié)合成實(shí)際事物的一個(gè)重要組成部分；而接下來(lái)的層次，則會(huì)使用全連接層來(lái)將以上的這些部分結(jié)合在一起，以便于進(jìn)行實(shí)際事物的辨識(shí)。目前，CNN 技術(shù)已經(jīng)應(yīng)用于醫(yī)學(xué)健康行業(yè)，尤其是通過(guò)醫(yī)學(xué)影像輔助的診斷，可以用于實(shí)現(xiàn)疾病監(jiān)測(cè)和對(duì)某些病癥的早期檢測(cè)。

在數(shù)據(jù)資源方面,由醫(yī)院與個(gè)人健康養(yǎng)老數(shù)據(jù)產(chǎn)生的服務(wù)場(chǎng)景主要可以分成四類：一是個(gè)人醫(yī)療機(jī)構(gòu)數(shù)據(jù)，醫(yī)療院所每年都會(huì)生成相當(dāng)大量的數(shù)據(jù),但總體而言，一般醫(yī)療機(jī)構(gòu)年均會(huì)生成大概1-20TB 的相關(guān)數(shù)據(jù)，而個(gè)別規(guī)模很大的醫(yī)院年醫(yī)療數(shù)據(jù)更是可以超過(guò)PB 量級(jí)。從信息的類型上分析，醫(yī)療機(jī)構(gòu)的信息不但包含了業(yè)務(wù)結(jié)算信息、行政業(yè)務(wù)管理信息等，還包含了大批繁雜的門診信息，包含了門診登記、醫(yī)院登記、影像學(xué)登記、用藥登記、治療登記和基本醫(yī)療保險(xiǎn)信息等；二是基礎(chǔ)與臨床實(shí)驗(yàn)的信息，大規(guī)模的遺傳信息和臨床實(shí)驗(yàn)資料的積累推動(dòng)著人們對(duì)癌癥和遺傳間映射關(guān)聯(lián)的理解進(jìn)一步深入,面向患者個(gè)人的精確治療和遠(yuǎn)程醫(yī)學(xué)成為可能；三是病患信息，患者自己的，也包括在院外的身體動(dòng)作和感官所產(chǎn)生的數(shù)據(jù)，主要涵蓋了可穿戴設(shè)備、各類互聯(lián)網(wǎng)醫(yī)療平臺(tái)的采集數(shù)據(jù)、體征類衛(wèi)生管理數(shù)據(jù)以及互聯(lián)網(wǎng)行為數(shù)據(jù)分析，比如掛號(hào)問(wèn)診、網(wǎng)上買藥、健康管理、與醫(yī)患病友之間的互動(dòng)等；四是對(duì)醫(yī)保及其支出的統(tǒng)計(jì)，一切與支付方有關(guān)的審核和報(bào)銷記錄,主要涉及醫(yī)療的付款記錄和報(bào)銷記錄、藥品流通記錄等。各類醫(yī)學(xué)健康數(shù)據(jù)的互聯(lián)與共用構(gòu)成了個(gè)人整體生命周期的醫(yī)學(xué)健康大數(shù)據(jù)分析，這都為人工智能技術(shù)在醫(yī)學(xué)健康產(chǎn)業(yè)中的廣泛應(yīng)用提供了強(qiáng)大的技術(shù)基礎(chǔ)。

1.4 醫(yī)療智慧化應(yīng)用領(lǐng)域

在智慧醫(yī)療階段，人工智能技術(shù)已滲透到診前、診中、診后的醫(yī)學(xué)整個(gè)過(guò)程：

（1）診前階段-主要運(yùn)用于疾病防治和健康衛(wèi)生管理；

（2）診中階段-主要運(yùn)用于輔助檢查、臨床輔助決策、心理輔助診斷；

（3）診后階段-主要應(yīng)用于康復(fù)輔助等。

同時(shí)，新一代人工智能科技也將與生物醫(yī)藥智能制造業(yè)技術(shù)發(fā)展深入緊密融合,并廣泛應(yīng)用于生命健康的生產(chǎn)（3D打印）、生物醫(yī)療產(chǎn)品的全生命周期管控、生物藥品開發(fā)生產(chǎn)等領(lǐng)域。

2 智慧化醫(yī)療對(duì)疾病預(yù)防的預(yù)測(cè)

2.1 預(yù)測(cè)背景

智能醫(yī)學(xué)相比于信息化醫(yī)學(xué)的顯著優(yōu)點(diǎn)，是可以把人工智能技術(shù)整合于診前、診中和診后的醫(yī)學(xué)康復(fù)的整個(gè)過(guò)程，而不僅僅局限于診中階段。智能化醫(yī)學(xué)的實(shí)際應(yīng)用中對(duì)于診前慢性病防控和健康管控特別關(guān)鍵，比如普通的心腦血管疾病，往往在發(fā)生前后都伴隨著高血脂、高血壓、糖尿病以及嚴(yán)重肥胖癥等的表現(xiàn),而如果可以有效篩查相關(guān)表現(xiàn)和改善不好的生活習(xí)慣比如減肥、戒煙等，就能夠很好的實(shí)現(xiàn)防控心腦血管疾病的目的。

2.2 預(yù)測(cè)模型的建立

2.2.1 算法的選擇

由于極限學(xué)習(xí)機(jī)(Extreme learning machine, ELM)相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的計(jì)算如BP 預(yù)測(cè)方法和傳統(tǒng)的回歸預(yù)測(cè)模型，具有更優(yōu)秀的預(yù)測(cè)能力，只要求設(shè)定網(wǎng)絡(luò)系統(tǒng)的隱層節(jié)點(diǎn)個(gè)數(shù)，從而在計(jì)算的整個(gè)過(guò)程中不需調(diào)節(jié)網(wǎng)絡(luò)系統(tǒng)的輸入連接權(quán)數(shù)和隱元的偏置，從而形成了真正的最優(yōu)預(yù)測(cè)結(jié)果，利用其來(lái)進(jìn)行智能化醫(yī)療對(duì)疾病的預(yù)防效果進(jìn)行預(yù)測(cè)具有可行性及可操作性。因此選擇使用基于極限學(xué)習(xí)機(jī)算法，建立了基于患者血壓、血脂、血糖、體脂率、年齡等基礎(chǔ)數(shù)據(jù)用于心腦血管發(fā)病的預(yù)測(cè)模型。

2.2.2 模型檢驗(yàn)方法

心腦血管疾病在我國(guó)已經(jīng)成為高發(fā)的一種老年疾病，而且近幾年還有往低齡化發(fā)展的趨勢(shì)，通過(guò)提取醫(yī)院病人病例進(jìn)行分析，三十多歲已經(jīng)有心腦血管發(fā)病患者在臨床體現(xiàn)，但是總體來(lái)說(shuō)五十歲以上已經(jīng)開始高發(fā)，心腦血管疾病的發(fā)病原因主要與患者的飲食，作息，年齡，以及日常生活習(xí)慣有很大關(guān)系，天氣氣候現(xiàn)在也成為引起心腦血管疾病高發(fā)的主要原因之一，一般在冬季氣候寒冷的季節(jié)，臨床表現(xiàn)為易高發(fā)期，在一年的周期內(nèi)可以達(dá)到峰值，在此我們通過(guò)提取患者的在醫(yī)院的電子病歷系統(tǒng)中血糖、血脂、血壓、年齡等數(shù)據(jù)、通過(guò)極限學(xué)習(xí)機(jī)算法在MATLAB 平臺(tái)上來(lái)實(shí)現(xiàn)對(duì)心腦血管患者疾病的預(yù)測(cè)，在對(duì)各組數(shù)據(jù)指標(biāo)進(jìn)行分析預(yù)測(cè)后得出患病的風(fēng)險(xiǎn)機(jī)率，可以以此來(lái)作為醫(yī)生在給病人診病期間調(diào)整用藥的依據(jù)，以及醫(yī)生掌握病人的病情達(dá)到提前預(yù)防控制心腦血管疾病的目的。

單隱層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)是使得輸出的誤差最小，可以表示為：

傳統(tǒng)的一些基于梯度下降法的算法，可以用來(lái)求解這樣的問(wèn)題，但是基本的基于梯度的學(xué)習(xí)算法需要在迭代的過(guò)程中調(diào)整所有參數(shù)。而在ELM 算法中，一旦輸入權(quán)重W和隱層的偏置b被隨機(jī)確定，隱層的輸出矩陣H 就被唯一確定。

訓(xùn)練單隱層神經(jīng)網(wǎng)絡(luò)可以轉(zhuǎn)化為求解一個(gè)線性系統(tǒng)Hβ=T。并且輸出權(quán)重β 可以被確定：

其中，是矩陣Moore-Penrose 的廣義逆。且可證明求得的解的范數(shù)是最小的并且唯一。

2.3 實(shí)驗(yàn)與結(jié)果分析

2.3.1 實(shí)驗(yàn)環(huán)境

（1）硬件環(huán)境：系統(tǒng)Windows7，64 位操作系統(tǒng)，CPU i5-4300u，內(nèi)存4.00GB。

（2）軟件環(huán)境：此次研究設(shè)計(jì)的算法，主要在MATLAB 平臺(tái)上分析實(shí)現(xiàn)。采用的版本為MATLAB2018a版本，MATLAB2018a 對(duì)于數(shù)據(jù)的處理非常的方便，特別是內(nèi)置了很多的函數(shù)，對(duì)于數(shù)據(jù)處理有很大的優(yōu)越性。本文設(shè)計(jì)的模型以及設(shè)計(jì)的代碼均在MATLAB 上進(jìn)行實(shí)現(xiàn)。

2.3.2 實(shí)驗(yàn)數(shù)據(jù)

數(shù)據(jù)來(lái)源：本文所收集的數(shù)據(jù)來(lái)源于本市某三甲醫(yī)院電子病歷管理系統(tǒng)以及LIS 檢驗(yàn)管理系統(tǒng)中的檢驗(yàn)報(bào)告，重點(diǎn)收集了2020 年11 月至2021 年2 月之間冬季的體檢就醫(yī)的患者，包括的基礎(chǔ)數(shù)據(jù)要素是：抽樣病人的血糖值、血脂值、高低壓值、體脂率及年齡，對(duì)于抽樣的選擇，考慮覆蓋疑似患病的各年齡層次，從而保證抽樣預(yù)測(cè)值的真實(shí)性、準(zhǔn)確性、全面性。

數(shù)據(jù)特點(diǎn)：本文所提取的抽樣數(shù)據(jù)具有真實(shí)性、隱私性、冗余性、全面性等特點(diǎn)，能夠在一定層面具有代表性。

（1）真實(shí)性。測(cè)試采集到的數(shù)據(jù)全部全部來(lái)源于某三甲醫(yī)院電子病歷管理系統(tǒng)，系統(tǒng)數(shù)據(jù)來(lái)源醫(yī)院LIS 系統(tǒng)上傳數(shù)據(jù)，是電子病歷采集到的數(shù)據(jù)之中的一部分?jǐn)?shù)據(jù)，數(shù)據(jù)從醫(yī)院各醫(yī)療信息系統(tǒng)之中導(dǎo)入或者醫(yī)護(hù)人員人工錄入，提取的數(shù)據(jù)真實(shí)可靠。

（2）隱私性。提取的各類別數(shù)據(jù)涉及到病人的個(gè)人隱私，比如：姓名、年齡、身份證號(hào)、電話號(hào)碼、家庭住址、醫(yī)?？ㄌ?hào)、病史等，所以隱私數(shù)據(jù)在進(jìn)行錄入分析預(yù)測(cè)之前都要進(jìn)行保護(hù)隱藏，保證數(shù)據(jù)的使用安全，預(yù)測(cè)出來(lái)的結(jié)果要保證患者隱私不會(huì)被暴露出來(lái)，最終展示出來(lái)的結(jié)果和數(shù)據(jù)都是可以公開的，不至于侵犯患者隱私。

（3）冗余性。在數(shù)據(jù)采集的過(guò)程中，勢(shì)必會(huì)出現(xiàn)一些重復(fù)數(shù)據(jù)、沒有使用價(jià)值的可能會(huì)影響預(yù)測(cè)結(jié)果的數(shù)據(jù)，比如患者重復(fù)入院，或者病人信息不完善沒有測(cè)試價(jià)值等，這些問(wèn)題會(huì)造成數(shù)據(jù)的冗余，因此提前檢索出數(shù)據(jù)使用項(xiàng)目，剔除無(wú)用的或者是沒有價(jià)值的數(shù)據(jù)，可以提高預(yù)測(cè)結(jié)果的準(zhǔn)確性，以保證結(jié)果具有很強(qiáng)的說(shuō)服力。

（4）全面性。數(shù)據(jù)為了預(yù)測(cè)分析的全面，采集的年齡層次從二十歲到八十歲，基本覆蓋了心腦血管疾病的發(fā)病年齡，能夠從多維度來(lái)計(jì)算發(fā)病的機(jī)率。

2.3.3 模型驗(yàn)證

通過(guò)MATLAB 平臺(tái)來(lái)實(shí)現(xiàn)對(duì)心腦血管疾病的預(yù)測(cè)分析：

分類測(cè)試實(shí)現(xiàn)了粒子群優(yōu)化極限學(xué)習(xí)機(jī)權(quán)值和預(yù)值。

（1）通過(guò)分類測(cè)試可以看出用訓(xùn)練集帶入訓(xùn)練好的標(biāo)準(zhǔn)的極限學(xué)習(xí)機(jī)，測(cè)試極限學(xué)習(xí)機(jī)的擬合效果，測(cè)試結(jié)果可以明顯看出，有些點(diǎn)沒有擬合正確。

（2）通過(guò)測(cè)試集帶入訓(xùn)練好的標(biāo)準(zhǔn)的極限學(xué)習(xí)機(jī)，測(cè)試極限學(xué)習(xí)機(jī)的分類能力，經(jīng)過(guò)多次運(yùn)行，極限學(xué)習(xí)機(jī)的分類準(zhǔn)確率，百分之九十左右，雖然沒有進(jìn)行過(guò)優(yōu)化，但是分類準(zhǔn)確。

（3）粒子群優(yōu)化極限學(xué)習(xí)機(jī)的迭代結(jié)果，以極限學(xué)習(xí)機(jī)的分類準(zhǔn)確率為粒子群的適應(yīng)度函數(shù)，起始適應(yīng)度為百分之五十，經(jīng)過(guò)大約7 次迭代，準(zhǔn)確率達(dá)到百分百。說(shuō)明粒子群優(yōu)化極限學(xué)習(xí)機(jī)的權(quán)值和閾值，可以大大提高極限學(xué)習(xí)機(jī)的分類能力，可以看到ELM 的學(xué)習(xí)效率和強(qiáng)大的泛化能力。

（4）粒子群改進(jìn)后的極限學(xué)習(xí)機(jī)的預(yù)測(cè)結(jié)果，測(cè)試數(shù)據(jù)同標(biāo)準(zhǔn)的測(cè)試數(shù)據(jù)一樣，準(zhǔn)確率有明顯提高，說(shuō)明改進(jìn)后的粒子群分類能力有明顯提高，展示出高效的學(xué)習(xí)算法。

（5）粒子群改進(jìn)后的極限學(xué)習(xí)機(jī)的訓(xùn)練數(shù)據(jù)的擬合結(jié)果，數(shù)據(jù)同未改進(jìn)的極限學(xué)習(xí)機(jī)的訓(xùn)練數(shù)據(jù)一樣，擬合精度有很大提高，優(yōu)化后的ELM 訓(xùn)練期望輸出和粒子群優(yōu)化的訓(xùn)練擬合實(shí)際輸出重合，改進(jìn)后的分類準(zhǔn)確率非常高。

通過(guò)對(duì)比測(cè)試可以得出經(jīng)過(guò)優(yōu)化的ELM 擬合效果非常好，不用人工干預(yù)，具有高準(zhǔn)確度的泛化能力，可以進(jìn)行實(shí)時(shí)學(xué)習(xí)，分類準(zhǔn)確率更高，預(yù)測(cè)更加準(zhǔn)確，具有一定的準(zhǔn)確度和可靠性，可以為心腦血管患者提供疾病預(yù)測(cè)。

3 總結(jié)與展望

隨著數(shù)據(jù)資源、運(yùn)算能力、算法模型等基礎(chǔ)條件的日趨成熟，醫(yī)療信息化以及醫(yī)療智慧化通過(guò)專業(yè)技術(shù)開始應(yīng)用于醫(yī)療健康的多個(gè)領(lǐng)域，能夠幫助醫(yī)生有效減少誤診漏診，極大的提高了診斷效率，提升了醫(yī)療服務(wù)能力，促進(jìn)醫(yī)療健康行業(yè)的蓬勃發(fā)展。

與醫(yī)療信息化的易推廣性相比，醫(yī)療智慧化階段面臨的各種困難更難以攻克，尤其是技術(shù)瓶頸很難在短期內(nèi)有所突破，但這并不能阻礙對(duì)于醫(yī)療智慧化的探索，智能醫(yī)療必然是今后一段時(shí)間內(nèi)的發(fā)展方向。

在未來(lái)智慧醫(yī)療的建設(shè)進(jìn)程中，政策條件、技術(shù)、人力資本等將變成約束其建設(shè)的因素。自2017 年以來(lái)，國(guó)家圍繞人工智能和醫(yī)療健康的政策規(guī)劃層出不窮，充分體現(xiàn)了我國(guó)對(duì)于發(fā)展智能醫(yī)療的政策導(dǎo)向。對(duì)于依靠人工智能和醫(yī)療大數(shù)據(jù)做醫(yī)學(xué)輔助診斷的目標(biāo)，充分保證數(shù)據(jù)的安全性和個(gè)人隱私，也是將會(huì)面臨的重大挑戰(zhàn)。最主要的困難就是中國(guó)計(jì)算機(jī)的發(fā)展目前仍處在弱人工智能時(shí)代,其技術(shù)研究領(lǐng)域和發(fā)達(dá)國(guó)家還具有很大的差異。同時(shí)，我國(guó)具有交叉學(xué)科知識(shí)的復(fù)合型人才非常短缺，尤其是計(jì)算機(jī)和醫(yī)學(xué)專業(yè)都是專業(yè)性極強(qiáng)的，需要堅(jiān)持培養(yǎng)和引進(jìn)相結(jié)合，實(shí)現(xiàn)高端人才精準(zhǔn)引進(jìn)。

盡管現(xiàn)階段我國(guó)醫(yī)療智慧化發(fā)展還處于起步階段，眾多的應(yīng)用難點(diǎn)暫時(shí)無(wú)法攻克，但隨著人工智能的發(fā)展及其在醫(yī)學(xué)領(lǐng)域的逐漸普及和應(yīng)用，必定成為醫(yī)學(xué)發(fā)展的重要方向。我們可以相信，在能夠預(yù)見的將來(lái)，人類的醫(yī)生雖然不會(huì)被機(jī)器所取代，但是由于智能化醫(yī)療的發(fā)展絕對(duì)可以幫助醫(yī)生在某些領(lǐng)域做出更好的臨床決策，提高診療效率，實(shí)實(shí)在在的為我國(guó)醫(yī)療健康行業(yè)助力。