人工智能在健康和医学中
01
文献速递介绍
这篇文章详细探讨了人工智能（AI）在医学领域的最新进展、挑战和未来发展的机遇。
1.医学AI算法的最新进展：
**AI在医疗实践中的应用：**虽然AI系统在多项回顾性医学研究中表现出色，但在实际医学实践中的应用仍然有限。为了弥补理论与实践之间的差距，最近进行的随机对照试验（RCTs）和前瞻性研究开始展示AI模型在真实医疗环境中的积极影响。研究不仅关注准确性，还涉及其他度量标准，以全面评估AI对医疗系统的影响。
**AI工具的部署和监管：**近年来，一些AI工具已经超越测试阶段，开始部署，并赢得行政支持和监管机构的认可。例如，美国食品和药物管理局（FDA）加速批准AI产品，尤其是机器学习产品。
2.AI在医学图像解读的深度学习应用：
**放射学：**AI系统在放射学任务中取得了显著进展，例如乳腺X射线检查解读、心脏功能评估和肺癌筛查，不仅涉及诊断，还包括风险预测和治疗。
**病理学：**AI在诊断癌症和提供新的疾病洞察方面取得了重大进步，特别是通过使用全幻灯片成像。
胃肠病学：AI在改善结肠镜检查方面取得进展，这是用于检测结直肠癌的关键程序。
**眼科学：**AI在眼科学领域取得了重要进展，研究不仅关注模型性能，还考察了这些模型对健康系统的人类影响。
3.AI算法开发的机遇：
**非图像医疗数据：**除了图像分类，深度学习模型还可以从多种输入数据中学习，包括数字、文本或输入类型的组合。
**超越监督学习的AI设置：**除了使用新的数据源，最近的研究尝试了非传统的问题构建，例如使用未标记或其他不完美数据的无监督学习或半监督学习。
人类与AI的合作设置：最近的研究开始探索AI与人类的协作设置，这是一种在真实医疗实践中更可能实现的路径。
4.未来领域的挑战：
实施挑战：医学AI数据面临特定的实际挑战。例如，获取AI系统输入所需的设备可能昂贵。
构建模型信任：用户信任的一个关键方面是可解释性，因为当系统可以解释其结论时，使用者更容易接受其预测。
**责任归属：**关于医学AI的部署提出了监管问题。例如，监管机构可能需要验证AI系统在不同临床环境和患者群体中的稳健性和普适性。
**公平性：**AI可以使医
疗保健对边缘群体更具可及性，但也可能加剧现有的不平等。
总之，这篇文章强调了AI在医学领域的巨大潜力，并指出了要实现这一潜力所需解决的重大技术和伦理问题。
Title
题目
AI in health and medicine
人工智能在健康和医学中
Conclusions
结论
The field of medical AI has made considerable progress toward large-scale deployment, especially through prospective studies such as RCTs and through medical image analysis, yet medical AI remains in an early phase of validation and implementation. To date, a limited number of studies have used external validation, prospective evaluation and diverse metrics to explore the full impact of AI in real clinical settings, and the range of assessed use cases has been relatively narrow. Although the field requires more testing and practical solutions, there is also a need for bold imagination. AI has proven capable of extracting insights from unexpected sources and drawing connections that humans would not normally anticipate, so we hope to see even more creative, out-of-the-box approaches to medical AI. There are rich opportunities for novel AI research involving non-image data types and unconventional problem formulations, which open a broader array of possible datasets. Opportunities also exist in AI–human collaboration, an alternative to the AI-versus-human competitions common in research; we would like to see collaborative setups receive more study, as they may provide better results than either AI or humans alone and are more likely to reflect real medical practice. Despite the potential of the field, major technical and ethical questions remain for medical AI. As these pivotal issues are systematically addressed, the potential of AI to markedly improve the future of medicine may be realized.Received: 23 July 2021; Accepted: 5 November 2021; Published online: 20 January 2022
医学人工智能领域已朝着大规模部署取得了显著进展，特别是通过前瞻性研究（如随机对照试验）和医学影像分析，但医学AI仍处于验证和实施的早期阶段。迄今为止，只有少数研究采用了外部验证、前瞻性评估和多样化的指标来探索AI在真实临床环境中的全面影响，且评估的使用案例范围相对狭窄。尽管该领域需要更多的测试和实际解决方案，但也需要大胆的想象力。AI已证明能够从意想不到的来源中提取洞见，并建立人类通常不会预期的联系，因此我们希望看到更多创新的、跳出常规的医学AI方法。非图像数据类型和非传统问题构建方面的新型AI研究提供了丰富的机会，这开启了更广泛的可能数据集。在AI与人类协作方面也存在机会，这是一种与研究中常见的AI与人类竞争相对的替代方案；我们希望看到更多关于协作设置的研究，因为它们可能比单独的AI或人类提供更好的结果，并且更可能反映真实的医疗实践。尽管该领域具有潜力，但医学AI仍面临重大的技术和伦理问题。随着这些关键问题的系统性解决，AI显著改善医学未来的潜力可能得以实现。接收时间：2021年7月23日；接受时间：2021年11月5日；在线发布时间：2022年1月20日。
Figure
图
Fig. 1 | Overview of the progress, challenges and opportunities for AI in health. CMS, Centers for Medicare & Medicaid Services.
图 1 | 人工智能在健康领域进展、挑战和机遇的概览。CMS，指的是医疗保险和医疗补助服务中心。
Fig. 2 | Opportunities for the development of AI algorithms.
图 2 | 人工智能算法发展的机遇。
Fig. 3 | Ethical challenges for AI in medicine.
图 3 | 医学中人工智能的伦理挑战。
Fig. 4 | Evolving procedures for data sharing. An advantage of federated learning is that it is decentralized, representing a major potential advance in data security.
图4 | 数据共享流程的演变。联邦学习的一个优势是它是去中心化的，代表了数据安全方面的一个重大潜在进步。
Table
表
