人工智能尤其是深度學(xué)習(xí)技術(shù)的成熟使得市場上出現(xiàn)了很多AI輔助診斷產(chǎn)品。人類基因組測序技術(shù)的革新、生物醫(yī)學(xué)分析技術(shù)的進步、以及大數(shù)據(jù)分析工具的出現(xiàn)，為病人提供更精準、高效、安全的診斷及治療。
自從2016年阿爾法狗在圍棋界全面戰(zhàn)勝人類智慧，人工智能會不會戰(zhàn)勝人類甚至取代人類的話題再次被擺在了風(fēng)口浪尖。醫(yī)學(xué)領(lǐng)域作為人工智能應(yīng)用的熱門領(lǐng)域也不可避免。一時間，AI與醫(yī)生似乎站在了一個尖銳的對立面。
IEEE Spectrum在2018新年伊始推出?？?ldquo;AI vs Doctors”，統(tǒng)計了從2016年5月至今，AI在醫(yī)療領(lǐng)域的進展，并對比各大細分領(lǐng)域AI與人類醫(yī)生能力差距。
下面，就帶你看看在過去的一年里研究團隊的重大突破，梳理一下在哪些疾病領(lǐng)域，AI已經(jīng)可以與醫(yī)生媲美，又在哪些方面還力有未逮。
吳恩達團隊用CNN算法識別肺炎
僅在美國，每年就有超過100萬成年人因為肺炎住院，5萬人因為該病而死亡。
深度學(xué)習(xí)著名學(xué)者吳恩達和他在斯坦福大學(xué)的團隊一直在醫(yī)療方面努力。吳恩達團隊提出了一種名為CheXNet的新技術(shù)。研究人員表示：新技術(shù)已經(jīng)在識別胸透照片中肺炎等疾病上的準確率上超越人類專業(yè)醫(yī)師。
算法被稱為CheXNet，它是一個121層的卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)在目前最大的開放式胸透照片數(shù)據(jù)集“ChestX-ray14”上進行訓(xùn)練。ChestX-ray14數(shù)據(jù)集包含14種疾病的10萬張前視圖X-ray圖像。
CheXNet在使用胸透圖像識別肺炎任務(wù)上的表現(xiàn)超過放射科醫(yī)師的平均水平。在測試中，CheXNet與四名人類放射科醫(yī)師在敏感度（衡量正確識別陽性的能力）以及特異性（衡量正確識別陰性的能力）上進行比較。放射科醫(yī)生的個人表現(xiàn)以橙色點標記，平均值以綠色點標記。CheXNet輸出從胸透照片上檢測出的患肺炎概率，藍色曲線是分類閾值形成的。所有醫(yī)師的敏感度-特異性點均低于藍色曲線。
AI預(yù)測心臟病發(fā)作和中風(fēng)
2017年5月發(fā)表在《公共科學(xué)圖書館期刊》（PLOS One）上的一篇論文中顯示，大約有一半的心臟病發(fā)作和中風(fēng)發(fā)生在沒有被標記為“有危險”的人群中。
目前，評估病人風(fēng)險的標準方法依賴于美國心臟協(xié)會和美國心臟病學(xué)會制定的指導(dǎo)方針。醫(yī)生們使用這些指導(dǎo)方針，將重點放在已確定的危險因素上，如高血壓、膽固醇、年齡、吸煙和糖尿病。
英國諾丁漢大學(xué)的研究人員創(chuàng)建了一個AI系統(tǒng)來收集病人的日常醫(yī)療數(shù)據(jù)，并預(yù)測在10年內(nèi)他們中的哪些人會發(fā)生心臟病或中風(fēng)。與標準預(yù)測方法相比，人工智能系統(tǒng)正確預(yù)測了355例患者的命運。
研究人員Stephen Weng和他的同事們在全英國378256名患者身上測試了幾種不同的機器學(xué)習(xí)工具。這些記錄追蹤了2005年至2015年患者及其健康狀況，并包含了人口統(tǒng)計學(xué)、醫(yī)療條件、處方藥物、醫(yī)院訪問、實驗室結(jié)果等信息。
研究人員將75%的醫(yī)療記錄錄入他們的機器學(xué)習(xí)模型中，以找出那些在10年時間內(nèi)心臟病發(fā)作或中風(fēng)患者的顯著特征。然后，Weng的小組對其余25%的記錄進行了測試，以確定他們預(yù)測心臟病和中風(fēng)的準確程度。他們還測試了記錄子集的標準指南。
如果使用一個1.0表示100%準確度的統(tǒng)計數(shù)據(jù)，標準指南的得分為0.728。機器學(xué)習(xí)模型的范圍從0.745到0.764，最好的分數(shù)來自于一種叫做神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)模型。
雖然機器評分聽起來可能不是一個徹頭徹尾的勝利，但用一串數(shù)字可以表明，AI在疾病預(yù)防方面所取得的優(yōu)勢：神經(jīng)網(wǎng)絡(luò)模型預(yù)測，在7404例實際病例中，有4998例患者心臟病發(fā)作或中風(fēng)，超過標準指南355例方法。有了這些預(yù)測，醫(yī)生可以采取預(yù)防措施，例如開藥降低膽固醇。
AI掃描嬰兒腦部以預(yù)測自閉癥
2017年2月，北卡羅萊納大學(xué)教堂山分校的一個研究小組發(fā)現(xiàn)，6個月大的孩子的大腦生長變化與自閉癥有關(guān)。研究人員利用深度學(xué)習(xí)算法和數(shù)據(jù)來預(yù)測一個患自閉癥高風(fēng)險的孩子在24個月后是否會被診斷出患有自閉癥。
該算法正確地預(yù)測了高危兒童的最終診斷結(jié)果：準確率為81%，敏感性為88%。相比之下，行為調(diào)查問卷對早期自閉癥的診斷準確率只有50％。算法使用了三個變量——大腦表面積、腦容量和性別（男孩比女孩更容易患自閉癥）——該算法識別出10個自閉癥患兒中的8個。
作為嬰兒腦成像研究的一部分，美國國家健康資助研究機構(gòu)對自閉癥早期大腦發(fā)育進行了研究，該研究小組招收了106名有自閉癥家族史的嬰兒以及42名沒有自閉癥家族史的嬰兒。他們在6、12、24個月的時間里掃描每一個孩子的大腦。研究人員發(fā)現(xiàn)，在6到12個月的時間里，嬰兒的總體大腦發(fā)育沒有任何變化。但是在后來被診斷為自閉癥的高危兒童的大腦表面積有顯著的增加。換句話說，自閉癥兒童發(fā)育中的大腦首先在表面積上擴展了12個月，然后在整個體積中增加了24個月。
研究小組還在24個月的時間里對孩子進行了行為評估，那時他們已經(jīng)足夠大了，可以開始展示自閉癥的標志性行為，如缺乏社交興趣、語言遲緩和肢體重復(fù)性動作。研究人員指出，大腦過度生長的程度越大，孩子的自閉癥癥狀就越嚴重。
盡管新發(fā)現(xiàn)證實了與自閉癥有關(guān)的大腦變化在生命早期就發(fā)生了，但研究人員并沒有就此止步。在UNC和查爾斯頓學(xué)院的計算機科學(xué)家們的合作下，研究小組建立了一種算法，并測試它是否能夠利用這些早期的大腦變化來預(yù)測哪些孩子日后會被診斷為自閉癥。
皮肉切割手術(shù)精準度，機器人優(yōu)勢明顯
患者都希望在醫(yī)生進行外科手術(shù)時，能夠?qū)ψ约荷眢w的傷害降到最低。最近的一系列實驗中，智能自主機器人STAR的發(fā)明者表明，它能比專家外科醫(yī)生執(zhí)行更精確的切割，并且對周圍健康組織傷害更小。STAR此前曾成功地完成了一些令人印象深刻的手術(shù)壯舉。2016年，該系統(tǒng)將兩個部分的豬腸子縫合起來，比有經(jīng)驗的外科醫(yī)生更有規(guī)律，更有防漏性。
STAR通過可視化地跟蹤其預(yù)定的切割路徑和切割工具，并不斷調(diào)整其調(diào)整計劃以適應(yīng)移動。
在這種視覺跟蹤中，機器人依賴于其近紅外照相機上顯示的微小的標記，而這正是研究人員事先在組織上標記的位置。因此，研究人員將STAR稱為半自主機器人。
機器人和外科醫(yī)生都被要求剪出一條5厘米長的直線。因為外科醫(yī)生被訓(xùn)練在已知的地標之間切割組織，所以在皮膚上畫了參考線。機器人和人類的判斷依據(jù)是它們偏離理想長度的理想切割線，以及在切口周圍有多少焦炭（受損的肉）。結(jié)果：機器人的切割長度更接近5厘米，焦炭也較少。
研究人員表示，下一步是訓(xùn)練STAR處理具有復(fù)雜三維形狀的腫瘤，這將需要新的攝像機來進行視覺跟蹤和更復(fù)雜的外科規(guī)劃軟件。
深度學(xué)習(xí)幫助臨床醫(yī)生預(yù)測阿爾茨海默病
阿爾茨海默病沒有臨床試驗，因此醫(yī)生通過評估患者的認知能力下降來診斷。但對于輕度認知功能障礙（MCI）特別困難，即癥狀不明顯時癡呆的早期階段。而且更難預(yù)測哪些MCI患者會發(fā)展為阿爾茨海默?。ú⒎撬械亩际沁@樣）。
2017年6月，哈佛大學(xué)、馬薩諸塞州總醫(yī)院和華中科技大學(xué)的合作者設(shè)計了一個將fMRI腦部掃描與臨床數(shù)據(jù)相結(jié)合的程序來進行阿爾茨海默病的預(yù)測。他們在2017年5月在馬來西亞吉隆坡舉行的IEEE國際通信大會上介紹了尚未發(fā)表的工作。
經(jīng)過初步測試，他們的深度學(xué)習(xí)計劃與特殊的fMRI數(shù)據(jù)集配對，比其他使用更基本的數(shù)據(jù)集的分類方法精確約20％。然而，當那些傳統(tǒng)的分類器也使用特殊的數(shù)據(jù)集時，它們在準確性上也有類似的提高。
目前，哈佛領(lǐng)導(dǎo)的團隊是第一批嘗試將fMRI掃描和深度學(xué)習(xí)結(jié)合到一個可以預(yù)測MCI患者患老年癡呆癥的機會的項目。他們的分析中使用的fMRI掃描是在病人休息時進行的。與任何fMRI掃描一樣，它們揭示了大腦中電信號閃爍的位置以及這些區(qū)域如何相互關(guān)聯(lián)。
他們以來自MCI患者的數(shù)據(jù)和阿爾茨海默氏病神經(jīng)成像的101例正?；颊唛_始。基于對參與者大腦內(nèi)90個區(qū)域的130次功能性磁共振成像測量的時間序列，研究人員可以分辨出信號在一段時間內(nèi)閃爍的位置。
接下來，在關(guān)鍵的一步，該小組處理這個數(shù)據(jù)集，以創(chuàng)建這些信號在大腦區(qū)域相對于彼此的強度的二次測量。換句話說，他們構(gòu)建了功能連接圖，顯示了哪些區(qū)域和信號彼此關(guān)系最密切。
最后，團隊建立了一個深度學(xué)習(xí)計劃，可以解釋這些模式的強度，并結(jié)合有關(guān)年齡、性別和遺傳風(fēng)險因素的臨床數(shù)據(jù)，預(yù)測一個人是否會發(fā)展為阿爾茨海默病。研究小組表示準確率可以達到90%。
IBM Watson在10分鐘內(nèi)為腦癌患者制定治療計劃
在治療腦癌的過程中，時間是至關(guān)重要的。
在一項新的研究中，IBM沃森僅僅花了10分鐘就分析了一名腦癌患者的基因組，并提出了一項治療計劃，展示了人工智能藥物改善病人護理的潛力。盡管人類專家花了160個小時來制定一個類似的計劃，但這項研究的結(jié)果并不是機器對人類的全面勝利。
這個病人是一個76歲的老人，他去看醫(yī)生，抱怨頭痛和走路困難。腦部掃描發(fā)現(xiàn)了一個惡性的膠質(zhì)母細胞瘤，這是外科醫(yī)生迅速操作的；然后，他接受了三周的放射治療，開始了漫長的化療過程。盡管得到了最好的照顧，他還是在一年內(nèi)去世了。
盡管沃森和醫(yī)生都對病人的基因組進行了分析，提出了一種治療方案，但從他的手術(shù)中提取的組織樣本已經(jīng)被測序，病人的身體已經(jīng)衰退得太厲害了。
IBM沃森的關(guān)鍵特性是其自然語言處理能力。這意味著，沃森的基因組學(xué)可以通過目前醫(yī)學(xué)文獻上的2300萬篇期刊文章、臨床試驗的政府列表以及其他現(xiàn)有的數(shù)據(jù)來源，而無需重新格式化信息并使之易于學(xué)習(xí)。沃森的其他舉措也讓系統(tǒng)獲得了患者的電子健康記錄，但這些記錄并沒有納入這項研究。
研究人員將IBM Watson進行的基因組分析結(jié)果，與NYGC的醫(yī)學(xué)專家團隊進行比較，后者由治療腫瘤科醫(yī)師，神經(jīng)腫瘤專家和生物信息學(xué)家組成。
IBM Watson和專家團隊都收到了病人的基因組信息，并確定了顯示突變的基因，通過醫(yī)學(xué)文獻查看這些突變是否已經(jīng)在其他癌癥病例中發(fā)現(xiàn)，尋找藥物治療成功的報告，并檢查這位患者有資格參加的臨床試驗。不過，人類專家團隊做完這些，花了160個小時，而Watson則在10分鐘之內(nèi)做完。
但是，Watson的解決方案是最快提出的，但可能不是最好的。NYGC的臨床醫(yī)生確定了兩個基因突變，綜合考慮后，醫(yī)生建議患者參加一個針對兩種組合藥物治療的臨床試驗。而如果當時病人的身體條件允許，那么他將被納入這個試驗。
但是，Watson沒有這樣綜合考慮這個信息，因此沒有建議進行臨床試驗。
先天性白內(nèi)障診斷，AI與醫(yī)生勢均力敵
中山大學(xué)眼科醫(yī)生Haotian Lin與西安電子科技大學(xué)Xiyang Liu的研究小組合作，開發(fā)了一種能診斷先天性白內(nèi)障的AI程序CC-Cruiser，利用深度學(xué)習(xí)算法，預(yù)測疾病的嚴重程度，并提出治療決策建議。
首先，在計算機模擬中，人工智能程序能夠區(qū)分病人和健康的個體，準確率達98.87%。在三個關(guān)鍵指標（晶狀體混濁面積、密度和位置）上，準確度都超過了93％。不僅如此，系統(tǒng)提供的治療建議的準確率，也達到了97.56％。
接下來，該小組進行了一項臨床試驗，使用了中國三家合作醫(yī)院的57張兒童眼睛圖像。CC-Cruiser表現(xiàn)良好：98.25%的識別精度；在所有三個嚴重因素中超過92%；治療建議的準確性為92.86%。
為了模擬真實世界的使用，他們直接將程序與個人眼科醫(yī)師進行了比較。一名專家、一名專家和一名專業(yè)眼科醫(yī)生，對50例臨床病例進行了面對面的診斷。計算機和醫(yī)生的表現(xiàn)可比性。該程序在醫(yī)院的試驗中錯誤地標記了一些病例，Lin希望一個更大的數(shù)據(jù)集可以改善它的性能。
該團隊計劃建立一個協(xié)作的云平臺，但Lin強調(diào)，該技術(shù)“不足”，無法確定最佳治療方案，準確率達到100%。“因此，醫(yī)生應(yīng)該充分利用機器的建議來識別和防止?jié)撛诘腻e誤分類，并補充他們自己的判斷。”
皮膚癌診斷，AI算法與人類醫(yī)生表現(xiàn)幾乎相同
2017年1月發(fā)表在《自然》雜志上的一項研究表示，斯坦福大學(xué)一個小組開發(fā)的算法識別皮膚癌的準確率與專業(yè)的人類醫(yī)生相當。
斯坦福大學(xué)在GoogleNet Inception v3的架構(gòu)上建立了深度學(xué)習(xí)算法，這是一種卷積神經(jīng)網(wǎng)絡(luò)算法。斯坦福大學(xué)的研究人員隨后對該算法進行了微調(diào)，收集了2000例不同皮膚癌病例的12.9萬張圖像，這是用于皮膚癌癥分類的最大數(shù)據(jù)集。
在這項研究中，該算法對21名有執(zhí)照的皮膚科醫(yī)生進行了面對面的調(diào)查。醫(yī)生們檢查了數(shù)百張皮膚病變的圖像，確定他們是否會對其進行進一步的測試，或者向患者保證它是良性的。該算法回顧了相同的圖像并給出了診斷結(jié)果。AI的表現(xiàn)與專家一致。例如，該程序能夠區(qū)分角質(zhì)細胞癌——最常見的人類皮膚癌癥——以及稱為脂溢性角化病的良性皮膚增生。
斯坦福大學(xué)的項目在為現(xiàn)實世界做好準備之前，需要接受更嚴格的案例。研究人員并沒有要求該算法區(qū)分，例如，seborrheic keratoses和黑色素瘤，這是很難做到的，Leachman說。
由于皮膚科醫(yī)生只能根據(jù)照片來作決定，所以目前還不清楚計算機是否能與他們在臨床設(shè)置方面的專業(yè)知識相匹配，他們可以在那里對病灶進行物理檢查，并閱讀病人的病史。“觸摸是有作用的，”Leachman說。
Leachman說，如果這個算法在現(xiàn)實世界中證明了自己，那么它就有一個巨大的優(yōu)勢。她說，一種能夠篩檢這些病例的系統(tǒng)，可以讓真正需要醫(yī)生幫助的病人更快更有效地進行治療。
基于AI的顯微鏡能計算血液樣本中的瘧疾寄生蟲
2017年11月消息稱，一家中國制造商和由比爾·蓋茨支持的合資企業(yè)將宣布一種將顯微鏡商業(yè)化的計劃，該顯微鏡使用深度學(xué)習(xí)算法，在20分鐘內(nèi)自動識別并計算血液涂片中的瘧原蟲。在蚊子傳播的疾病每年導(dǎo)致近50萬人死亡的時候，人工智能顯微鏡能夠加速診斷和標準化瘧疾的檢測。
這種由AI驅(qū)動的顯微鏡的實驗版本已經(jīng)表明，它能夠很好地檢測到瘧疾寄生蟲，從而達到世界衛(wèi)生組織的最高標準，即“能力等級1”。這一評級意味著它的性能與訓(xùn)練有素的顯微鏡專家旗鼓相當，盡管研究人員指出，一些專家使用顯微鏡仍然可以勝過自動化系統(tǒng)。
這種顯微鏡可以證明特別有助于追蹤在東南亞傳播的耐多藥菌株的治療。“這種多藥耐藥性監(jiān)測依賴于非?？煽康娘@微鏡，以了解瘧疾藥物如何迅速減少血液中的寄生蟲數(shù)量，”全球優(yōu)質(zhì)基金的全球衛(wèi)生技術(shù)主管David Bell說。“我們看到，機器學(xué)習(xí)可以在這個領(lǐng)域帶來更多的準確性和標準化，并允許各國更有效地實施監(jiān)控。”
正在開發(fā)的EasyScan GO顯微鏡將結(jié)合明場顯微鏡技術(shù)和運行深度學(xué)習(xí)軟件的筆記本電腦，該軟件可以自動識別導(dǎo)致瘧疾的寄生蟲。人類實驗室的工作人員大多將注意力放在制備血液樣本的玻片上，在顯微鏡下觀察并驗證結(jié)果。
Intellectual Ventures在華盛頓貝爾維尤的首席研究員Ben Wilson表示，瘧疾寄生蟲為深度學(xué)習(xí)算法提出了一個棘手的“罕見的對象問題”，通常需要大量的訓(xùn)練數(shù)據(jù)來準確地識別對象。微小的瘧疾寄生蟲可能只會出現(xiàn)在血涂片的數(shù)百個顯微鏡圖像中少數(shù)幾次，在感染水平非常低的情況下，10萬個紅細胞中可能只有一個瘧疾寄生蟲。
該解決方案需要將深度學(xué)習(xí)和用于分割圖像中感興趣事物的傳統(tǒng)計算機算法相結(jié)合。它還需要大量基于制備的顯微鏡載玻片的培訓(xùn)數(shù)據(jù)。原型顯微鏡掃描每張幻燈片的速度大約與專家人類顯微鏡專家相當，每張幻燈片20分鐘。但Wilson預(yù)計最終能夠?qū)呙钑r間縮短一半，每張幻燈片只需10分鐘。
更重要的是，即使現(xiàn)有版本的顯微鏡可以補充有限數(shù)量的訓(xùn)練有素的顯微鏡可用于確定瘧疾和追蹤多藥耐藥性瘧疾。 Motic公司的Nunnendorf說：“從本質(zhì)上講，這是一個巨大的效率提升，而不是實驗室技術(shù)人員的機器人替代。
利用 AI 自動生成醫(yī)學(xué)影像報告
11月，由卡內(nèi)基梅隆大學(xué)機器學(xué)習(xí)系副主任邢波教授創(chuàng)立的 Petuum 公司近期發(fā)表了幾篇論文，介紹了如何使用機器學(xué)習(xí)自動生成醫(yī)學(xué)影像報告，從而更好地輔助醫(yī)生做治療與診斷。
醫(yī)學(xué)影像在臨床實踐中被廣泛應(yīng)用于診斷和治療。專業(yè)醫(yī)師閱讀醫(yī)學(xué)影響并撰寫文字報告來描述自己的發(fā)現(xiàn)。對于沒有經(jīng)驗的醫(yī)生來說，撰寫報告很可能會出錯，對于人口眾多的國家的醫(yī)生來說，這樣的工作又耗時又枯燥。為了解決這些問題，邢波教授的團隊研究了醫(yī)學(xué)影像報告的自動生成，作為人類醫(yī)生更準確高效地生成報告的輔助工具。
為了應(yīng)對這些挑戰(zhàn)，邢波的團隊建立了一個多任務(wù)學(xué)習(xí)框架，共同執(zhí)行標簽的預(yù)測和段落的生成；提出一個共同注意機制（co-attention mechanism），將包含異常的區(qū)域標注出來；利用一個層次LSTM模型來產(chǎn)生長的段落。
邢波的研究團隊認為，他們工作的主要貢獻是：提出了一個多任務(wù)學(xué)習(xí)框架，可以同時預(yù)測標簽和生成文本描述；引入一個用于定位異常區(qū)域的共同注意機制，并生成相應(yīng)的描述；建立一個分層的LSTM來產(chǎn)生長句和段落；進行大量的定性和定量的實驗，以顯示實驗方法的有效性。
利用深度學(xué)習(xí)技術(shù)預(yù)測出院用藥
繼利用AI自動生成醫(yī)學(xué)影像報告之后，邢波團隊隨后又出新成果，研究如何使用深度學(xué)習(xí)技術(shù)來協(xié)助醫(yī)生根據(jù)病人就診記錄中的健康信息來預(yù)測其出院用藥。他們設(shè)計了一種卷積神經(jīng)網(wǎng)絡(luò)來分析就診記錄，然后預(yù)測病人在出院時的用藥。
該模型可以從非結(jié)構(gòu)化和有噪聲的文本中提取語義表征，并能自動學(xué)習(xí)不同藥物之間的藥理相關(guān)性。團隊在 2.5 萬份病人就診記錄上對該模型進行了評估，并與 4 種基準模型進行了比較。在宏平均 F1 分數(shù)上，該方法相對于最好的基準模型有 20% 的提升。
該模型的輸入為就診記錄，輸出是病人的出院用藥（一種或多種）。該模型具備兩種功能：能有效地從有噪聲的和非結(jié)構(gòu)化的原始文本中提取高層次的語義并能適當?shù)乜紤]連續(xù)詞匯之間的序列結(jié)構(gòu)；其次，該模型能學(xué)習(xí)不同藥物之間的藥理相關(guān)性。
邢波團隊發(fā)現(xiàn)，只有使用入院時可用的信息才能準確預(yù)測出院藥物。這樣的預(yù)測可以為醫(yī)生提供有價值的信息來制定治療計劃。在8種藥物中，CNN模型達到0.63的（微觀平均）精確度，召回率為0.70。團隊研究人員也表示，解決方案的靈感是從一個特定的任務(wù)中得來的，但它也可能成為其他臨床預(yù)測任務(wù)的通用方案。例如，通過將目標標簽從藥物轉(zhuǎn)移到疾病，CNN就可以被用于輔助診斷。
結(jié)語
我們必須承認， AI帶來的變革，類似于幾個世紀前蒸汽機工業(yè)革命對社會各個方面帶來的巨大的影響，不僅僅一個行業(yè)，對全社會的體系都影響深遠。隨著人工智能時代的到來，醫(yī)療產(chǎn)業(yè)同樣面臨著挑戰(zhàn)與機遇并存的局面。
AI在顛覆我們傳統(tǒng)醫(yī)療觀念的同時，也在積極構(gòu)建我們對現(xiàn)代醫(yī)療的概念和憧憬。更重要的是，醫(yī)生也在盡他們所能，為人類的醫(yī)療事業(yè)繼續(xù)謀福音。
AI vs Doctors，就像兩位武林高手一樣，其實結(jié)果并不重要。
