1956年夏天，AI的概念首次在美国的一次学术会议上被提出，并被定义为“运用科学与工程学创造智能机器”。从此，AI诞生并被关注，经历了起起伏伏的发展，技术人员不断提出新的算法模式并开发出具有更强运算能力的程序以解决过去方法不易解决的复杂问题。AI的研究可以理解为通过智能的机器，延伸和增强人类在改造自然、治理社会的各项任务中的能力和效率 ^［1］。

从理论基础来看，AI的发展大致可以分为两个阶段。第一阶段是从20世纪50年代到80年代，以数理逻辑和符号推理为主，代表作是“专家系统”，通过引入某个专业领域某一个或者多个专家的知识，再经过推理逻辑，模仿专家完成既定的任务，如1978年的北京“关幼波肝病诊疗程序”，1986年的福建“林如高骨伤计算机诊疗系统”。当时的状况是计算机的计算力虽然比传统人工有了很大提升，但依然很有限，它经由研究人员手动编制一系列规则，形成知识库，然后通过符号推理形式，阐述最后结果 ^［2］。机器不能自动调整预设的逻辑，只能完成在逻辑范围内的任务，也就是知识库+推理机原理，这个过程要求研究者必须逐条输入每项规则，面临任务复杂时，输入的工作量极大。另外，数理逻辑是一个非常刚性的框架，能表述的现实世界问题有限，对于非典型情况，例外情况，捉襟见肘，这些缺点最终导致数理逻辑和符号推理理论走向没落。

第二阶段从20世纪90年代至今，以概率统计的建模、学习和计算为主。在此阶段，AI分化成了六大领域：计算机视觉、自然语言理解、认知科学、机器人学、博弈伦理、机器学习（machine learning，ML）。其中前五个领域属于各层面的问题领域，ML为拟合、获取知识的方法领域。ML是一系列可以通过任务处理过程累积经验，并通过经验数据调整参数、提高效能的算法 ^［3］。根据训练样本的不同，ML可以分为无监督学习和监督学习。在无监督学习中，每个样本只有特征向量，没有标签，无监督学习发掘数据的隐藏特征并进行聚类分析。因此，无监督学习可以揭示人不易察觉的新机制，通俗而言，需要机器面对大量混沌的数据，自我分类，自我领悟，可能会有意外收获，如在精准医学中可用于探寻疾病的潜在发病因素 ^［4］。在监督学习中，输入的训练数据由特征和标签两部分组成，机器通过分析得到两者之间的关系，即建立了模型，当有特征而无标签的数据输入到建立好的模型后，就可以得到输出的数据标签，通俗而言，有样学样，需要师父提供足够的样本学习，算法总体上学习内在规律，如在医学领域常用于心电图、胸部CT等图像的自动识别，也可以用于风险评估。

近几年，ML的分支——人工神经网络（artificial neural networks，ANN）与深度学习（deep learning，DL）得到广泛关注。受人类神经系统信号传递过程的启发，ANN仿照神经元和突触的连接方式建立了多层“神经元”结构，每层“神经元”从上层接收数据并进行计算，然后将输出值传递给下层。ANN可以自主调整神经元之间的连接和分配，以实现效能最优。DL是ANN的变异。ANN的隐藏层数通常不超过2且只能执行监督学习模式，DL有大量的隐藏层且两种学习模式都可以实现 ^［5］。ANN和DL被广泛应用于诊断系统、疾病预后评估、医学图像识别等多个方面 ^［6-8］。

深度学习（deep learning）是机器学习领域一个新的研究方向，最早由多伦多大学的Hinton等于 2006年提出“深度信念网络”，近年来在语音识别、图像分析等多个类应用中取得突破性的进展。深度学习从人工神经网络发展而来，训练方法继承了人工神经网络的反向传播方法和梯度下降方法，反向传播算法是从大量样本数据中学习到统计规律 ^［9］，从而对测试样本作出判别，与人工提取特征相比，反向传播算法消除了手工设计的影响，具有很大的优越性。

深度学习之所以被称为“深度”，是相对支撑向量机（support vector machine，SVM）、提升方法（boosting）、最大熵方法等“浅层学习”方法而言的。浅层学习依靠人工经验抽取样本特征，网络模型学习后获得的是没有层次结构的单层特征。而深度学习通过对原始信号进行逐层特征变换，将样本在原空间的特征表示变换到新的特征空间，自动地学习得到层次化的特征表示，从而更有利于分类或特征的可视化。灵长类的视觉系统中对图像信号的处理依次为：首先检测边缘、初始形状，然后再结合颜色、周围结构形态逐步形成更复杂的视觉形状。同样地，深度学习通过模拟人类上述的处理过程，组合图像低层特征形成更加抽象的高层表示、属性类别或特征，给出图像分类的识别标志，特别适合处理人工尚未发现的高度特异性识别标志图像的分类 ^［10］。

深度学习技术目前已广泛应用于复杂图像的分类与识别，与传统方法相比大大提高了识别的准确性，已接近甚至超过人类的水平。2009年香港中文大学的DeepID项目以及Facebook的DeepFace项目在户外人脸识别（labeled faces in the wild，LFW）数据库上的人脸识别正确率分别达97.45%和97.35%，只比人类识别 97.5%的正确率略低一点点。2014年香港中文大学的DeepID 2项目将识别率提高到了99.15%，超过目前所有的识别方法，包括人类自身 ^［11］。

人工智能在医疗领域的应用带来了诊疗模式、数据处理、健康管理等诸多方面的变革，推动着现代医疗向智慧、精准、高效发起挑战。当前，人工智能在医疗领域的应用已经非常广泛，从应用场景来看主要分成了虚拟助理、医学影像、药物挖掘、生物技术、健康管理、可穿戴设备、风险管理等多个领域，从涉及的临床疾病和科室又可以分肿瘤、心血管、病理、放射、眼科、皮肤等多个门类。涉及的场景和科室在不断增多，分类方式也在不断改进，但是“人工智能”根本上来说，是对于“人类”能力的模拟和放大，在这里，我们将“人工智能”回归到“人工”，按照人类应用于医疗的基本能力“望闻问切”和“记忆与分析”进行一个分类，对目前的进展作一个简单介绍。

医学图像是现代医学不可或缺的诊疗辅助工具，不仅指CT、MRI、B超等传统影像学图像，也包括病理切片、眼底照片、皮肤镜照片等。医学技术的发展导致患者的医学图像信息越来越多，在疾病诊疗中的作用也越来越大，对医生读片的准确度与速度要求也越来越高。近几年，AI对医学图像识别领域迅速发展，有望大幅减轻医生的工作负担。AI在图像识别的主要应用包括：图像分割、图像匹配、自动标记、图像检索、计算机辅助检测和诊断等方面 ^［12］。

2016年，Google科学家在 JAMA杂志发表文章介绍他们研发的DR诊断工具的能力 ^［13］。他们回顾性收集了128 175张眼底照片，基于54名眼科医生的诊断结果，利用深度学习技术开发出了一套DR自动化诊断算法。该算法在两个独立样本人群中进行验证，以医生的诊断为“金标准”，计算该算法的灵敏度、特异度和ROC曲线下面积。第一个数据库包含4997人共9963张眼底照片，在该人群中Google开发的DR诊断算法灵敏度为97.5%，特异度为93.4%，ROC曲线下面积为0.991；第二个数据库包含874人共1748张眼底照片，诊断算法的灵敏度为96.1%，特异度为93.9，ROC曲线下面积为0.990。

2018年，国内人工智能医疗领军企业——Airdoc，始于眼底照片的自动识别，扩展到白内障自动识别、人工晶体筛选建议、视力预测、OCT、超广角、RECTOM等众多领域的推进。通过和多个顶尖医院以及大量专家的合作，获得了百万级标注图片的基础上，已经研发成功基于眼底照片、可识别常见眼底疾病的全眼底人工智能算法，正在积极探索通过眼底血管神经状况精确获取全身心血管、神经相关疾病状态；为推动中国人工智能医疗产品上市，协助国家CFDA有关机构建立了国内首个人工智能测试标准、测试库，还将中国人工智能的努力和声音带到了世界顶级的科技舞台，微软Build开发者大会，向全世界展示了中国眼科人工智能的努力和进展。

Thijs Kooi等人基于神经网络设计了一个模型，可独立阅读乳腺钼靶X线照片，经过约45 000幅图像的训练后进行检测，该模型的AUC为0.852，检测效能接近人类专家的平均水平 ^［14］。Christian Herweh等人分析了利用ML的e-ASPECTS系统诊断急性卒中患者的效能。用e-ASPECTS回顾性分析急性卒中患者的基线计算机断层扫描图像，发现e-ASPECTS的敏感度为46.46%，特异度为94.15%，与人类专家无显著差异 ^［15］。Google Brain不久前基于神经网络开发了一个可自动检测和定位数字病理切片中乳腺癌淋巴结转移的模型，在十亿像素的显微镜图像中，其精确度可达100×100像素，经Camelyon16测试集和独立的110张病理切片检测，AUC在0.97以上 ^［16］。

斯坦福大学研发了一个基于神经网络的皮肤图像识别模型，输入近13万张临床皮肤图像和疾病标签进行训练，图像数据库包含皮肤镜图像、手机照片以及标准化照片，随后对比该模型与21位皮肤科医生在角质细胞癌与良性脂溢性皮炎角化病、恶性黑色素瘤与良性痣鉴别中的表现，该模型的AUC在0.91以上，已经达到了人类专家水平 ^［17］。近年来，智能手机发展迅速，数款自动识别皮肤病图片的手机软件被开发，其中SkinVision©是第一个采用分形几何算法实现实时诊断皮肤癌的手机软件，该应用程序检测黑色素瘤的准确度为81% ^［18］。目前，AI在图像识别诊断皮肤病的研究虽然较多，但多限于单纯通过图像进行皮肤癌的鉴别诊断，未与多种临床信息相结合，且对其他疾病的研究较少。

医疗过程中，医生与患者的一问一答可能是最耗时的环节，也考验医生的辩证思维能力，另外书写病历，也耗费医生大量的精力。

2017年3月，导诊机器人“晓曼”首次在合肥市第一人民医院的门诊大厅就任。“晓曼”对于医院所有科室的位置、门诊大楼地图、219个常见病和症状对应的科室信息、51个常见问询知识都能对答如流。解决了门诊导医人数较少、重复问答较多的现实情况。在医院业务高峰期人满为患的情况下，导诊机器人可以及时响应，指导患者就医、引导分诊，同时向患者介绍医院就医环境、门诊就诊流程和医疗保健知识等。2016年，北京协和医院与国内医疗语音交互公司中国科技大学讯飞股份有限公司共同研发的“医疗语音录入系统”正式上线，提供了一种方便快捷的辅助录入方式，识别率达95%。

各类传感器，感应器的数据收集分析处理是医疗过程中的重要环节，并且随着电子工业的发展，越来越多的数据被收集，目前最多的如心电、血压、血糖、脉搏等生理数据，有关心脑血管疾病的将在后面单独介绍，这里介绍一些相关内容。

2018年，美国食品药品监督管理局（FDA）日前批准了一项人工智能（AI）算法，能够帮助预测由心脏病或呼吸衰竭导致的猝死。这一被称为“Wave临床平台”的算法由一家名为ExcelMedical的医疗技术公司开发完成，“Wave临床平台”集成了医院工作站和包含患者药物史、年龄、生理状况、既往病史、家庭情况等实时数据历史的数字医疗记录。基于这些信息，“Wave临床平台”可以感知生命体内的细微变化，并在致命情况发生前最多提前6小时发送警报。

AI在博闻强记方面有先天优势，在综合分析上也崭露头角，具有了一定的预测能力。

如IBM公司基于DL开发的Watson人机交互诊疗程序，实时调阅的数据库包含了上万篇医学论文、医学书籍、临床指南和病历资料，医生可以检查Watson程序提出的诊治建议是否合理，并输入更多信息和见解 ^［19］。

Mohammad A. M. Abushariah等人基于ANN设计了一个心脏病自动诊断系统，该系统主要包含训练和测试两个模块，随机选择Cleveland心脏病数据集的80%和20%分别进行训练和测试，经测试，该系统的准确度达到87.04% ^［20］。Daniel B. Chamberlain等人开发了一款可以自动筛查哮喘和COPD的移动智能手机软件。该应用程序主要由电子听诊器，峰值流量计和患者问卷调查组成，并通过机器学习算法分析、整合数据，对患有哮喘和COPD的患者进行诊断。经过对119名受试者的数据收集、分析，发现该程序从普通人群中筛查出患有哮喘或COPD患者的AUC为0.95，鉴别哮喘患者和COPD患者的AUC为0.97 ^［21］。

Eric Karl等人基于ML算法，创建了脑动静脉畸形立体定位放疗后的结局预测器，经测试，该预测器的AUC为0.71，是迄今为止最准确的脑动静脉畸形放疗结局预测方法 ^［22］。Manish Motwan等人收集了10 030名可疑冠心病患者的节段狭窄评分（SSS）、节段累及评分（SIS）、改良Duke指数（DI）、标准心血管危险因素和Framingham风险评分（FRS）等25个临床参数和44个冠脉造影参数，通过ML进行自动化特征选择、模型构建以及10倍分层交叉验证。结果表明ML预测可疑冠心病患者全因死亡率的效能显著高于FRS或 CCTA 严重程度评分（SSS，SIS，DI），该模型的 AUC 为 0.79， P=0.001 ^［23］。

Michael P等人设计了一个ML模型来预测癌细胞系对药物的治疗反应，该模型通过基于细胞系的基因组学特征和药物的化学性质的IC50值来量化治疗反应。结果表明，模型能够以相当的准确性（决定系数R2为0.61）来预测细胞系的IC50，不仅可用来优化药物筛选设计，还可将患者的基因组特征与药物敏感性相联系，实现个体化医疗 ^［24］。

基于AI的心血管有关方向的研究成果目前主要集中在以下几个方面：心电图、MRI等常规影像、眼底影像和风险评估这四个方面，下面分别做简要介绍。

ECG（electrocardiography）被广泛地用于心血管疾病有关的诊断。机器学习在ECG图像的疾病检测中有广泛的应用，其中很多研究使用了MIT-BIH公开的ECG数据库 ^［25］，通过各种机器学习方法和特征提取建立了如基于ECG检测心律不齐的模型。这些研究的难点往往在于ECG的心律不齐病种类多样而且没有统一特征能够描述。在应用方面，心律不齐检测模型在现实场景需要具有很高的实时性，这对模型的复杂度也有一定要求。

在这个领域中最常使用的方法就是神经网络。早在2003年，Kannathal等人使用了五层的神经网络创建模型并结合Pan-Tompkins算法来提取ECG图像特征来进行心率的分类 ^［26］。类似的工作还有Acharya等人在2004年就使用了四层的全连接神经网络来对心率进行分类，达到了80%～85%的准确率 ^［27］。

自2010年以来，后续的工作使用了多种不同的神经网路应用在了ECG的分类问题。如MLPNN（multilayer perceptron neural network） ^［28］、PNN（probabilistic neural network） ^［29］、QNN（quantum neural network） ^［30］、RBFNN（radial basis function neural network） ^［31］等神经网络先后在ECG图像检测心率中使用，都取得了90%以上的准确率或特异性和敏感性。神经网络的使用在ECG心律不齐的各种疾病检测中成为最流行的机器学习方法。

这些传统的神经网络的模型局限在于，网络层的层数少、参数少，模型的预测能力有限。而且模型的准确率随着数据量的提升增益不明显。在对于相对简单的分类问题可以有较好的结果，但是对于复杂的识别问题往往不能提取出足够复杂的特征而效果不佳。具体体现在这些网络仅能高效率的识别少量的心律不齐问题，识别准确率虽然较高，但是单一模型一般仅能识别两种到四种心律不齐的病种，还不能普世的使用到各种ECG的问题中，这也是后来深度学习在这个领域迅速应用的重要原因。

除上述的神经网络方法之外，还有很多基于其他机器学习方法在ECG心律不齐上的应用，其中部分方法也取得了很好的性能。一项研究使用高斯过程来检测心室性期前收缩发性收缩同样达到较高水平的96.7% 和90.9%的敏感性和特异性 ^［32］。Homaeinezhad等在2012年结合了支持向量与K最近临近识别来至15个不同数据集的7种不同的ECG心律不齐，取得了98.06%的准确率 ^［33］。Alajlan等人于2014年使用支持向量机（SVM）和高斯过程（GP）来检测心室性期前收缩发性收缩达到了超过90%的准确率 ^［34］。这些研究表明这些使用非神经网络的方法同样可以达到高水平的识别效果，但是这些方法能精确识别的仍然只是少量的病种。而且这些方法使用的前提是先精确提取某些特征，比如从QRS波群中首先提取RR间隔、R峰值等用于机器学习算法的分类。这是与深度学习的重要不同，因为深度学习能够自适应地学习特征无需单独从QRS波群提取。

随着深度卷积神经网络在图像领域的突破性进展 ^［35］，深度卷积神经网络受到了广泛的关注，研究人员也尝试将深度卷积神经网络在ECG心率识别上应用。相比之前应用在ECG上仅有3～6层神经网络，深度卷积神经神经网络层数更多，整个网络层数（即深度）可以超过30层，从而使得整个模型的复杂程度也更高也可以做更为复杂的识别，即识别更多更复杂的病症。Pranav和Andrew等人使用了一个深度达到34层的卷积神经网络，对基于ECG的窦性心律和心房颤动等14个心律不齐问题进行了建模 ^［36］。在以F1分数为标准的测试中，对比6个人类专家，模型在14项心律不齐的检测中有13项超过人类专家。

基于深度学习的CNN（卷积神经网络）在图像领域的取得的巨大成功，在心血管影像领域，主要应用的方向以磁共振影像（MRI）、超声影像（US）和电子断层扫描（CT）为主。

CNN已经在很多领域被广泛地使用于物体检测和定位。在MRI的应用上，CNN被使用于心室的定位和容量估测，而得到如射血分数这样的心脏功能指标。比如使用CNN对MRI图像中的左心室进行检测和定位 ^［37］。CNN也同样被Avendi等人于2015年应用到左心室的图像分割中，在测量分割的各项准确率的多项指标上基于CNN的左心室分割在MICCAI 2009 LV的公开数据集上取得了历史最佳的水平 ^［38］。此外针对多层MIR图像，Poudel等人使用了一种新的结合循环神经网络和卷积神经网络的结构，这种新结构将多张MIR图像的相关性引入到了神经网络的结构中 ^［39］。相比非深度学习的方法，基于深度学习的心室检测和分割的问题是具有更好的准确性和鲁棒性。基于现有的CNN技术，已经能够实现对MRI图像的左右心室进行像素级别的图像分割，实现相当程度的自动化心脏功能评估 ^［40］。

在超声影像和CT图像上，深度学习也被广泛地用在心室分割和检测。早在2012年，深度学习的网络框架就被Carneiro等人用于的心室分割 ^［41］。而后Carneiro等人改进处理超声影像上具备实时跟踪心室状态的基于深度学习的方案 ^［42］。在CT图像的应用面，检测冠状动脉与相关疾病的检测是一个重要的领域。Gulsun等人提出了基于深度学习的冠状动脉检测，基于深度学习的冠状动脉检测表现出了更好的鲁棒性和准确性，系统的特异性和敏感性都超过了90% ^［43］。Wolterink则在2016年提出了CNN的冠状动脉积分的自动计算系统通过CT图像来判断冠状动脉的钙化程度 ^［44］。同年，Moradi等人提出了基于深度学习的医学图像标注模型，该模型学习了专家对心脏瓣膜的CT图像的描述和标注，能对心脏瓣膜图像生成对应的文字描述 ^［45］。

眼底是人体唯一可以肉眼看到血管的部位，一张眼底图像包含大量的反映人体健康的数据，对于发现血管疾病有很重要的作用。动脉硬化在眼底可以直接的表现为血管变窄，透明度降低，颜色变化和血管走向改变等。2002年，ARIC研究团队在 JAMA发表文章就提出眼底动脉硬化能够预测未来冠心病的发病率 ^［46］。而且现已有DRVE ^［47］、STARE ^［48］等多个公开数据集提供了人工标注的眼底血管的图像，所以眼底图像领域近几年受到了越来越多的关注。

机器学习在眼底心血管方面的应用集中在检测并分割血管，以便为识别血管的直径、颜色、走向，为识别心血管疾病提供基础。1999年，Sinthanayothin等人使用了组成分分析和特征相关性分别实现了对视盘识和黄斑的识别，同时使用多层感知机实现了血管的分割。在其自己的内部数据集上部分达到了90%以上的识别率，对血管的分割也达到了83.3%和91.0%的敏感性和特异性 ^［49］。在2004年，Ricci等人使用了支持向量机和线检测的方法实现的血管分割达到了95.6%准确率和0.955的ROC曲线面积 ^［50］。2010年，Lupascu使用Adaboost的方法也同样达到了0.956的ROC曲线面积 ^［51］。而在深度学习应用在血管分割以后，识别的准确率得到了显著的提升。Zilly等人在2015年发表了基于深度学习提取特征结合集成学习来分割视杯和视盘 ^［52］。Maninis等人在2016年提出的使用深度卷积神经网络建立的血管分割系统在不同数据集的测试中最高达到了0.971的ROC曲线面积，并且在多个数据集的测试中准确性和一致性都超越人类标准者 ^［53］。

在心血管风险评估上，机器学习也有很多的应用。与其他如医疗图像和ECG应用的不同之处是风险评估的数据多是结构化数据，数据维度较高，而数据各个维度的相关性不确定。这样的数据特征使得深度神经网络这样的方法相对其他机器学习方法没有大的优势。所以在这个领域的机器学习应用非常多样。2010年，Gregory等人使用了Birmingham 2009 schema和CHADS2分数来预测卒中和血栓栓塞风险，依据1084人的数据给出了对卒中和血栓栓塞的风险程度 ^［54］。类似的工作还有Eileen等人在2011年应用随机森林的方法来找到心力衰竭的风险因素，而且指出随机森林这样的机器学习方法和传统的比例风险模型有相同的准确性，而且比传统方法更容易确定风险来源 ^［55］。其他的学习型方法如COX回归也同样被使用在心力衰竭的风险分类中 ^［56］。

目前的机器学习和深度学习为代表的人工智能在心血管领域的应用相当广泛，在心血管图像、心电图、风险控制都有不同程度的应用。某些领域如风险控制领域的应用很多还处于的数据处理、分析阶段，这距离在医院中的实际应用尚有一定的距离。其中相对成熟度较高的应用是在图像领域，在深度学习的驱动下，其心血管相关的识别率和分割准确率部分解决或超过人类专家水平。但是，这样的应用一般还只是对单一图片的阅读和病灶识别上，尚不能实现医生基于患者的背景、家族病史、医疗影像、病历等信息综合给出疾病诊断的过程。

机器学习领域的长期技术积累使得现在的算法、软件已经具备分析处理各种数据能力。如循环神经网络、对抗神经网络、自然语言处理、决策树等方法都能在不同的应用方向上处理医疗上的各种问题。而像IBM Woston已经能够实现对癌症分析的病患档案、图像等各种数据最后综合给出辅助诊断意见。相信在心血管领域也会出现类似的产品。使用人工智能辅助诊断必然是医疗领域的一个重要趋势。

现有的机器学习技术也具有相当的局限性。一个特点是很强的数据量依赖性，这就是一个精确的机器学习模型需要大量的数据才能建立起来。比如一个高性能的基于深度学习的眼底病灶检测模型往往需要数千到数万张图片。这个特点带来问题就是在少见病症或数据存量少的病症的模型难以建立。

另外一个特点是现有的机器学习技术难以实现人的推理与逻辑。虽然很多机器学习模型的准确性能超过人类专家，但是本质上这些模型是对现有知识的记忆，即模型背下来人的判断结果并具有了一定的泛化问题的能力。而人对问题本质的思考是没有的。所以现在的人工智能对医疗上很多非典型问题难以处理，对从未见过的病症往往束手无策。

目前人工智能在多个领域有了井喷式的发展，也有很多企业随大流进入这个领域，但是其中不少是因为政策红利，并未考虑过自己是否具备这个技术能力，技术上还存在很大的短板，我们需要清醒的认识，人工智能需要面对庞大的数据处理、训练难度、模型选择等问题，并不是拉上几个人，抬一面人工智能的大旗就可以一蹴而就的事情。

有人觉得“人工智能”会成为新一代的医生，但是更多的人觉得很成为一个好的“医助”。医学是科学和人文学的交叉学科，“人文”目前还是人工智能的难以企及的高度，同时仅仅就科学而言，医生对于疾病的诊断，很重要的一点是依靠科学的思维和临床经验，医生的思维模式难以复制，而医生基于临床诊断做出的处理决定，是融合了科学基础和人文关怀的综合考量，因此人工智能在可预计的未来取代医生的可能性几乎没有。但作为医生的有力助手，人工智能具有诸多优势，快速处理海量数据，具备较完善的推理能力，避免了人类主观预判，可以帮助医生提升读片效率，降低误诊概率，并通过提示可能的副作用来辅助诊断，临床面临的诊断准确性和医生缺口等问题便可迎刃而解，故使用人工智能来辅助医生，必将是未来的一个趋势，这和医院不断使用更高效、精确的硬件类医疗器械是一个道理。

总之，人工智能已经散发出令人神往的迷人光芒，也必将促进医疗行业走向更高效率与更高层次，促使医疗智能化时代的全面开启！

1.Stajic J，Stone R，Chin G，et al. Artificial intelligence. Rise of the Machines. Science，2015，349（6245）：248-249.

2.Shortliffe E，Davis R，Axline S，et al. Computer-based consultations in clinical therapeutics：explanation and rule acquisition capabilities of the MYCIN system. Comput Biomed Res，1975，8（4）：303-320.

3.Baştanlar Y，Ozuysal M. Introduction to machine learning. Methods Mol Biol，2014，1107：105-128.

4.Deo R. Machine Learning in Medicine. Circulation，2015，132（20）：1920-1930.

5.Schmidhuber J. Deep learning in neural networks：an overview. Neural Netw，2015，61：85-117.

6.Cheng CA，Lin YC，Chiu HW. Prediction of the prognosis of ischemic stroke patients after intravenous thrombolysis using artificial neural networks.Stud Health Technol Inform，2014，202：115-118.

7.Park SY，Kim SM. Acute appendicitis diagnosis using artificial neural networks. Technol Health Care，2015，23 Suppl 2：S559-S565.

8.Kuruvilla J，Gunavathi K. Lung cancer classification using neural networks for CT images. Comput Methods Programs Biomed，2014，113（1）：202-209.

9.Rumelhart DE，McClelland JL. Learning internal representations by error propagation. Readings in Cognitive Science，1998，2（1）：399-421.

10.Hinton GE，Osindero S，Teh YW. A fast learning algorithm for deep belief nets. Neural Comput，2006，18（7）：1527-1554.

11.Ouyang W，Luo P，Zeng X，et al. DeepID-Net：multi-stage and deformable deep convolutional neural networks for object detection. Eprint Arxiv，2014.

12.Wang S，Summers RM. Machine learning and radiology. Med Image Anal，2012，16（5）：933-951.

13.Gulshan V，Peng L，Coram M，et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA，2016，316（22）：2402-2410.

14.Kooi T，Litjens G，van Ginneken B，et al. Large scale deep learning for computer aided detection of mammographic lesions. Med Image Anal，2017，35：303-312.

15.Herweh C，Ringleb PA，Rauch G，et al. Performance of e-ASPECTS software in comparison to that of stroke physicians on assessing CT scans of acute ischemic stroke patients. Int J Stroke，2016，11（4）：438-445.

16.Liu Y，Gadepalli K，Norouzi M，et al. Detecting Cancer Metastases on Gigapixel Pathology Images. 2017.

17.Esteva A，Kuprel B，Novoa RA，et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature，2017，7639（542）：115-118.

18.Thissen M，Udrea A，Hacking M，et al. mHealth App for Risk Assessment of Pigmented and Nonpigmented Skin Lesions-A Study on Sensitivity and Specificity in Detecting Malignancy. Telemed J E Health，2017，23（12）：948-954.

19.Zauderer MG，Gucalp A，Epstein AS，et al. Piloting IBM Watson Oncology within Memorial Sloan Kettering’s regional network. J Clin Oncol，2014.

20.Abushariah MAM，Alqudah AAM，Adwan OY，et al. Automatic Heart Disease Diagnosis System Based on Artificial Neural Network（ANN）and Adaptive Neuro-Fuzzy Inference Systems（ANFIS）Approaches. Journal of Software Engineering and Applications，2014，7（12）：1055-1064.

21.Chamberlain D，Kodgule R，Fletcher R. A mobile platform for automated screening of asthma and chronic obstructive pulmonary disease. Conf Proc IEEE Eng Med Biol Soc，2016，2016：5192-5195.

22.Oermann EK，Rubinsteyn A，Ding D，et al. Using a Machine Learning Approach to Predict Outcomes after Radiosurgery for Cerebral Arteriovenous Malformations. Sci Rep，2016，6：21161.

23.Motwani M，Dey D，Berman DS，et al. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease：a 5-year multicentre prospective registry analysis. Eur Heart J，2017，38（7）：500-507.

24.Menden MP，Iorio F，Garnett M，et al. Machine Learning Prediction of Cancer Cell Sensitivity to Drugs Based on Genomic and Chemical Properties.PLoS One，2013，8（4）：e61318.

25.Goldberger AL，Amaral LAN，Glass L，et al. PhysioBank，PhysioToolkit，and PhysioNet：Components of a New Research Resource for Complex Physiologic Signals. Circulation，2000，101（23）：E215-E220.

26.Kannathal N，Acharya UR，Lim CM，et al. Classification of cardiac patient states using artificial neural networks. Exp Clin Cardiol，2003 Winter，8（4）：206-211.

27.Acharya R，Kumar A，Bhat PS，et al. Classification of cardiac abnormalities using heart rate signals. Med Biol Eng Comput，2004，42（3）：288-293.

28.Dallali A，Kachouri A，Samet M. Classification of Cardiac Arrhythmia Using WT，HRV，and Fuzzy C-Means Clustering. Signal Processing An International Journal，2011 ，5（3）：101-108.

29.Wang JS，Chiang WC，Hsu YL，et al. ECG arrhythmia classification using a probabilistic neural network with a feature reduction method.Neurocomputing，2013，116（10）：38-45.

30.Tang X，Shu L. Classification of electrocardiogram signals with RS and quantum networks neural. International Journal of Multimedia & Ubiquitous Engineering，2014，9（2）：363-372.

31.Korurek M，Dogan B. ECG beat classification using particle swarm optimization and radial basis function neural network. Expert Syst Appl，2010，37（12）：7563-7569.

32.Melgani F，Bazi Y. Detecting premature ventricular contractions in ECG signals with Gaussian processes. Comput Cardiol，2008：237-240.

33.Homaeinezhad MR，Atyabi SA，Tavakkoli E，et al. ECG arrhythmia recognition via a neuro-SVM-KNN hybrid classifier with virtual QRS imagebased geometrical features. Expert Syst Appl，2012，39（2）：2047-2058.

34.Alajlan N，Bazi Y，Melgani F，et al. Detection of premature ventricular contraction arrhythmias in electrocardiogram signals with kernel methods.Signal Image Video Process，2014，8：931-942.

35.Krizhevsky A，Sutskever I，Hinton GE. Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems，2012 ，60（2）：1097-1105.

36.Rajpurkar P，Hannun AY，Haghpanahi M，et al. Cardiologist-level arrhythmia detection with convolutional neural networks. 2017.

37.Emad O，Yassine IA，Fahmy AS. Automatic localization of the left ventricle in cardiac MRI images using deep learning. Conf Proc IEEE Eng Med Biol Soc，2015，2015：683-686.

38.Avendi M，Kheradvar A，Jafarkhani H. A combined deep learning and deformable-model approach to fully automatic segmentation of the left ventricle in cardiac MRI. Med Image Anal，2016，30：108-119.

39.Poudel RPK，Lamata P，Montana G. Recurrent fully convolutional neural networks for multi-slice MRI cardiac segmentation. Springer International Publishing，2016，3824（1）：83-94.

40.Tran PV. A fully convolutional neural network for cardiac segmentation in short-axis MRI. 2016.

41.Carneiro G，Nascimento JC，Freitas A. The segmentation of the left ventricle of the heart from ultrasound data using deep learning architectures and derivative-based search methods. IEEE Trans Image Process，2012，21（3）：968-982.

42.Carneiro G，Nascimento JC. Combining multiple dynamic models and deep learning architectures for tracking the left ventricle endocardium in ultrasound data. IEEE Trans Pattern Anal Mach Intell，2013，35（11）：2592-2607.

43.Gülsün MA，Funka-Lea G，Sharma P，et al. Coronary centerline extraction via optimal flow paths and CNN path pruning//Ourselin S，Joskowicz L，Sabuncu MR，et al. Medical Image Computing and Computer-Assisted Intervention—MICCAI 2016. Germany：Springer，2016：317-325.

44.Wolterink JM，Leiner T，de Vos BD，et al. Automatic coronary artery calcium scoring in cardiac CT angiography using paired convolutional neural networks. Med Image Anal，2016，34：123-136.

45.Moradi M，Guo Y，Gur Y，et al. A cross-modality neural network transform for semiautomatic medical image annotation//Ourselin S，Joskowicz L，Sabuncu MR，et al. Medical Image Computing and Computer-Assisted Intervention—MICCAI 2016. Germany：Springer，2016：300-307.

46.Wong TY，Klein R，Sharrett AR，et al. Retinal arteriolar narrowing and risk of coronary heart disease in men and women. The Atherosclerosis Risk in Communities Study. JAMA，2002，287（9）：1153-1159.

47.Staal J，Abramoff MD，Niemeijer M，et al. Ridge-based vessel segmentation in color images of the retina. IEEE Trans Med Imaging，2004，23（4）：501-509.

48.Hoover A，Kouznetsova V，Goldbaum M. Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response.IEEE Trans Med Imaging，2000，19（3）：203-210.

49.Sinthanayothin C，Boyce JF，Cook HL，et al. Automated localisation of the optic disc，fovea，and retinal blood vessels from digital colour fundus images. Br J Ophthalmol，1999，83（8）：902-910.

50.Ricci E，Perfetti R. Retinal blood vessel segmentation using line operators and support vector classification. IEEE Trans Med Imaging，2007，26（10）：1357-1365.

51.Lupascu CA，Tegolo D，Trucco E. FABC：retinal vessel segmentation using AdaBoost. IEEE Trans Inf Technol Biomed，2010，14（5）：1267-1274.

52.Zilly JG，Buhmann JM，Mahapatra D. Boosting convolutional filters with entropy sampling for optic cup and disc image segmentation from fundus images//Zhou L，Wang L，Wang Q，et al. Machine Learning in Medical Imaging. Germany：Springer，2015：136-143.

53.Maninis KK，Pont-Tuset J，Arbeláez P，et al. Deep retinal image understanding//Ourselin S，Joskowicz L，Sabuncu MR，et al. Medical Image Computing and Computer-Assisted Intervention—MICCAI 2016. Germany：Springer，2016.

54.Lip GYH，Nieuwlaat R，Pisters R，et al. Refining clinical risk stratification for predicting stroke and thromboembolism in atrial fibrillation using a novel risk factor-based approach：the euro heart survey on atrial fibrillation. Chest，2010，137（2）：263-272.

55.Hsich E，Gorodeski EZ，Blackstone EH，et al. Identifying important risk factors for survival in patient with systolic heart failure using random survival forests. Circ Cardiovasc Qual Outcomes，2011，4（1）：39-45.

56.Shah SJ，Katz DH，Selvaraj S，et al. Phenomapping for novel classification of heart failure with preserved ejection fraction. Circulation，2015，131（3）：269-279.