3.1 历史脉络

1.20世纪50—70年代：准备阶段

这一阶段虽然没有医疗智能化的产品问世，但是随着计算机在医疗行业的普及应用，这20年是医疗数字化的重要时期，奠定了医疗人工智能未来发展和应用的基础。20世纪60年代，美国国家医学图书馆（NLM）开发的医学文献分析与检索系统（MEDLARS）和基于网络的搜索引擎PubMed，成为后来加速生物医学发展的重要数字资源。临床信息数据库和医疗记录系统也是在这一时期被开发出来的，其对奠定医疗人工智能未来发展的基础起了一定积极作用。

2.20世纪70年代至21世纪初：启蒙阶段

这一阶段被历史学家称为一个投入资金和兴趣都减少的“人工智能的冬天”，但人工智能的研究并未止步。

1972年，美国加利福尼亚州斯坦福大学开发了第一个基于规则的医用专家系统“MYCIN”。根据医生输入的病人信息和大约600条规则的知识库，MYCIN可以提供一个潜在的细菌病原体的清单，然后建议根据病人的体重适当调整抗生素治疗方案。MYCIN成为后来基于规则的系统EMYCIN的框架。其后的INTERNIST-1系统使用与EMYCIN相同的框架和一个更大的医学知识库来帮助初级保健医生进行诊断。

1975年，美国新泽西州立罗格斯大学举办了第一个由美国国立卫生研究院赞助的医学人工智能研讨会。

1976年，在美国内华达州拉斯维加斯举办的眼科学会会议上，新泽西州立罗格斯大学展示了CASNET系统，它可以基于疾病的信息为医生提供对病人做出诊断的建议。

1986年，美国麻省总医院计算机科学实验室发布了一个临床决策支持系统DXplain。这个程序基于输入的症状来生成一个鉴别诊断，同时它也是一本电子医学教科书，可为医护人员提供疾病的详细描述和其他参考资料。DXplain首次发布时，能够提供大约500种疾病的信息。随着技术的不断发展，它能提供的疾病信息越来越多，迄今为止已被广泛使用超过35年。

20世纪90年代末，机器学习技术的兴起为医疗人工智能时代的到来奠定了基础。

3.21世纪初至21世纪20年代：成长阶段

1）自然语言处理深度学习技术的进步

2007年，美国IBM公司创建了一个开放领域的答题系统Watson，该系统采用DeepQA自然语言处理深度学习技术来分析非结构化内容上的数据，以获得可能的答案。该技术在2011年帮助Watson在电视游戏节目 Jeopardy！ 中获得第一名，为2015年成立的专注临床辅助诊断的IBM Watson Health树立了信心。此外，该系统还可以从病人的电子病历和其他电子资源中提取信息，人们可以应用DeepQA自然语言处理深度学习技术来提供循证医学的证据。因此，它为基于证据的临床决策提供了新的可能性。

自然语言处理技术所取得的成就促进了投入资金的增加。2015年协助儿科病人及其父母的用药教育的聊天机器人Pharmabot被开发出来，2017年用于初级保健诊所的病人自动接收机器人Mandy被开发出来。

2）图像处理技术的进步

智能化影像识别是医疗人工智能的一个重要应用领域。随着深度学习技术的发展，用于图像识别的卷积神经网络被开发出来。

2017年，美国食品药品监督局（FDA）批准了第一个基于云计算的深度学习的智能化心血管图像识别应用系统Arterys（见图3-1）。它能够在几秒内分析心脏磁共振图像，提供心脏射血分数等信息。此后，这一应用扩展到了肝脏和肺部成像、胸部和肌肉骨骼X射线图像及非对比性头部CT图像。

此外，卷积神经网络被用于视网膜病变诊断、早期皮肤癌诊断、内窥镜超声平台，以帮助区分慢性胰腺炎和胰腺癌；以及辅助内镜检查，以帮助区别良性和恶性病变等。 3HsNY1J304MKOZ6K8uqLPaxrGSWe/kGjNWPhpL5B8Bxsj2VB5+vnzExFH6Q5yfYo