近年来，人工智能逐步进入人们的视野中，也慢慢融入人们的生活，潜移默化地改变人们的生活方式，并在各个领域中得到广泛应用。人工智能作为引领人类社会未来走向的战略性技术，对人类科技发展、产业进步以及社会变革等起巨大的推动作用，并逐步为世界所认可与接受。人工智能与医学的结合，更是给医疗系统带来深远的影响［1］。1956年，在美国达特茅斯会议上，“人工智能”被正式命名。随着自然语言聊天机器人ELIZA、知识工程MYCIN 等被成功研发，人工智能从简单迈向复杂，从粗浅走向专业。在技术逐渐成熟后，人工智能成为一个具有自我学习能力的系统。在发展过程中，人工智能逐渐形成了不同的分支，包括结构化数据的机器学习、深度学习、非结构化数据的自然语言处理等［2］。人工智能通过表现学习、深度学习以及自然语言处理等技术，结合计算机算法，从数据中发现相关信息，并能以此协助临床决策［3］，如协助临床医生进行图像分析、提供诊断建议、进行临床风险预测、对疾病临床定性、减少医疗错误、提高诊疗效率等［2］。这能极大程度地改善医疗环境，对医生、患者及社会都有很大的帮助。本文对人工智能在医学中的应用进展综述如下。

1 人工智能在医学中的应用现状

1.1 人工智能在临床诊断中的应用 在医疗工作中，图像对于医生诊断疾病具有重要的辅助作用，而人工智能与图像的结合大大提高了临床医生诊断疾病的准确率与效率，主要包括在影像、内镜以及病理检查中的应用。基于计算机视觉技术数学模型，人工智能收集、提取医学图像的原始像素并挖掘图像的有效特征，以此学习和模拟医生，这是一个由整体到部分再由部分到整体的复杂过程［4］。

1.1.1 影像检查 人工智能的运用能很好地协助医生根据影像学检查对患者进行疾病诊断。SUN?WOO 等［5］运用基于颅脑 MR 图像的计算机辅助诊断系统进行颅脑转移瘤诊断分析，影像医生的诊断敏感度从77.6%提升至81.9%，每例患者的诊断时间从114.4 s 减至72.1 s；经验不足的影像医生诊断敏感度提高了约 10%。MASOOD 等［6］运用基于胸部CT 图像的计算机辅助诊断系统进行肺癌诊断分析，诊断平均准确率84.58%，对肺癌T1～T4分期鉴别的准确率77.89%～90.14%。BECKER等［7］使用深度学习图像分析系统对143 例诊断为乳腺癌或交界性病变的患者进行诊断分析，诊断准确率达82%，而经验丰富的放射科医师诊断准确率为79%～87%，两者相差不大。ARAMENDIA-VIDAURRETA 等［8］使用基于子宫附件超声图像的人工智能系统对附件肿物进行定性，准确率高达98.78%，灵敏度为98.50%，特异度为98.90%。由此可以看出，人工智能系统对于医生判读影像学结果有一定的辅助作用及价值，其不仅能提高医生对疾病诊断的敏感度，还能缩短医生阅片诊断的时间，既提升了准确率，也提高了效率。

1.1.2 内镜检查 人工智能技术能通过摄取内镜所获得的图片中组织的微细纹理特征，进行深度学习，将内镜图像进行分类并预测诊断。MIYAGI等［9］基于阴道镜图像，使用人工智能系统对330 个图像进行分析，诊断判定准确率为0.823，敏感度为0.797，特异度为 0.800。ITOH 等［10］开发的人工智能模型，基于胃镜图像进行幽门螺杆菌感染诊断，敏感度和特异度分别为86.7%、86.7%。GREGOR等［11］基于结直肠镜检查运用人工智能实时定位并识别息肉，准确率达96%。人工智能通过对内镜图像进行深度学习能更好地协助临床医师诊断疾病。

1.1.3 病理检查 在数字化病理学中，人工智能技术已应用于各种图像处理和判别任务中，包括侧重于对象识别问题的低级任务（检测和分级）及更高级别的任务（根据图像预测疾病诊断和疾病预后）［12］。

随着数字化载玻片扫描技术在组织病理学实验室中应用的增多，数字化整体图像（WSIs）将逐步取代常规病理学工作中的载玻片，使用基于WSIs的深度学习系统可对组织进行识别，并对数据进行提取分析。人工智能系统能通过分析组织形状以确定组织图像的分化程度，通过分析淋巴细胞密度，肿瘤基质组成和核等指标，得到有用的预后数据［13］。由于肿瘤免疫治疗的成功，近年来肿瘤微环境中的免疫细胞已经获得了大量的关注。因此，使用人工智能技术对肿瘤浸润免疫细胞进行定量分析成了数字组织病理学图像分析中的新兴主题之一［14］。

放射学图像已经从二维（2D）慢慢转变为三维（3D），病理学也逐渐利用3D 组织表征改进诊断方法，为临床决策提供更精确的信息。在此过程中，人工智能技术将辅助病理学家和肿瘤学家解读和分析庞大数据资料。