人工智能/机器学习在临床医学中的应用及前景
The Application and Prospects of Artificial Intelligence/Machine Learning in Clinical Medical
人工智能/机器学习在临床医学中的应用 与展望
杨振东 杨世华 冯旭杰 宋国维
100053中国水利水电医学科学技术学会创新医学工作委员会 北京，443002三峡大学第三临床医学院（国药葛洲坝中心医院） 宜昌，430030华中科技大学同济医学院兼职教授 武汉（杨振东）；430068湖北工业大学计算机学院 武汉（杨世华）；100871北京大学计算机学院 北京（冯旭杰）；100020北京首都儿科研究所附属儿童医院 北京（宋国维）
通讯作者：杨振东（yzd886@sina.com）
1、摘要（Abstract）
人工智能/机器学习是一种利用计算机技术开发模拟和扩展人类智能的应用程序，是一种辅助支持工具，当前巳成为推动医疗健康领域发展的强大动力，引领临床医学智能化革命。人工智能在临床医学中的应用，包括在急诊医学领域辅助院前急救、分诊及急诊病情评估；辅助医学影像识别和临床诊断；辅助临床治疗方案决策；辅助完成手术、辅助护理、麻醉和康复治疗；辅助癌症诊断与治疗等等临床领域。人工智能辅助医生分析患者大量临床数据并做出最及时最精准的诊断、选择最佳的治疗方案、最准确的预后预测、减少误诊误判、提高医疗质量和工作效率。人工智能技术日新月异的进步，深刻地推动了医疗技术的发展，为患者带来了更好的治病体验和健康保障。美国FDA将人工智能产品当作医疗设备监管，确保这些技术在迭代开发过程中的有效性和安全性。人工智能是新技术，应正视其局限性。未来，随着人工智能技术不断进步，将在医疗健康领域发挥更大的作用，有更加美好的前景，为人类健康事业做出更大的贡献
2、前言（Introduction）
2、前言
人工智能（Artificial Intelligence, AI）/机器学习（Machine Learning，ML）正逐渐成为推动医疗健康领域发展的强大动力，引领临床医学智能化革命。“AI”简称由约翰·麦卡锡（John McCarthy）博士于1956年首次提出，将其描述为“一种用机器模拟人类智能行为的技术”。这个计算机科学的多学科分支专注于在机器中模拟和放大人类智能，最终目标是提高各种应用程序的准确性和效率（1）。
在传统医疗体系中，许多医疗过程主要依赖医生个人的经验和专业知识，对医生的要求很高，并存在产生主观性和误差的风险。AI/ML技术的应用带来了前所未有的变革。特别是ChatGPT的出现，以其独特的数据驱动和自学习能力，会对医疗健康领域产生深远影响。实现 AI 的两种主要技术是ML和深度学习（Deep Learning，DL），ML及其分支DL算法可以处理和分析大量医疗数据，并从中提取有价值信息，辅助医生在急诊医学、临床医学诊断与治疗、麻醉医学、护理医学、康复治疗、癌症的诊断与治疗等学科中的应用。
AI技术在医学领域的应用程序，只是一种辅助工具，美国食品药品监督管理局（FDA）将这类应用程序当作医疗器械来管理。自1995年以来，到2023年10月19日止，FDA 已批准了692种基于AI的医疗设备。其中多达531 台设备用于放射学，凸显了AI在图像解释领域的关键作用。此外，心脏病学71 种，神经病学20种，血液学领域15种。这种技术的潜力在其他医学领域也得到应用（2）。多模态方法AI 在数字病理学方面也取得了重大进展。FDA 批准的 AI 工具正在改变病理学家分析组织样本的方式，提高诊断癌症等疾病的准确性。这些技术与整合来自各种来源（如基因组图谱和电子健康记录）数据的多模式方法相结合，为更精确和个性化的疾病诊断和治疗计划铺平道路。AI 在心脏病学领域的进步主要集中在检测心律异常。AI ECG平台和Eko分析软件等 FDA批准的创新技术正在重新定义心脏护理。用于心脏射血分数评估的工具和软件与放射学技术重叠，也有益于提高心脏病的诊断与治疗。在心脏肿瘤学方面，这些技术工具正在迅速提高癌症的诊断与治疗效果。
FDA对AI/ML产品的监管确保这些技术在整个迭代开发过程中的安全性和有效性（3）。我们相信，在AI/ML技术不断成熟及应用范围不断拓展的情况下，医疗健康领域必将迎来更高效更智能地发展,更好地为人类健康服务。
3、人工智能/机器学习（AI/ML）
AI是计算机技术的一个领域，由许多技术和子领域组成，旨在执行以前只能由人类完成的活动。AI从1950年代和1960年代的符号法（symbolic methods）和基于规则的系统（当时这些规则由手动编程到计算机中）到现在已经成为更加自主和基于学习的系统。ML出现于1980年代，是AI的一个新分支，专注于使机器能够在没有明确编程的情况下从数据中学习并提高其性能。实现AI的两种主要技术是ML和DL，这两个术语经常互换使用。DL是ML的一个分支。ML是实现AI的技术关键，它能模拟人类智慧对现有数据库解析、分析，获得信息并智能判断，是赋予计算机智能的根本。.ML 通过数学算法发现数据中的模式生成预测，这一过程大致可以分为监督学习、无监督学习、半监督学习和强化学习等几种类型。监督学习是在标记的数据集上训练模型，无监督学习则是探索在未标记的数据集上训练模型，半监督学习是在包含标记和未标记的数据集模型上进行训练，当获取标记数据成本高昂或耗时时，这种方法特别有用。强化学习是机器学习中的一个重要分支，它涉及智能体在环境中通过尝试不同的行动并根据获得的奖励来学习最优策略的过程，其在个性化治疗策略和机器人手术中具有潜在应用价值（4）。
医学中使用了许多机器学习算法。经典的机器学习方法有线性回归、Logistic 回归、决策树和随机森林。决策树是一种监督式学习技术，主要用于分类任务，但也可用于回归，可用于临床决策。神经网络和DL有人工神经网络（ANN）、卷积神经网络（CNN），ANN是一种受生物神经网络启发的机器学习算法（4）。AI的另一个关键分支自然语言处理（natural language processing，NLP），自20 世纪中叶开始以来已经取得了重大进展。NLP专注于使机器能够理解和生成人类语言，并促进人与机器之间更直观的交互。在医疗保健领域，这可以转化为更有效的电子健康记录管理或临床医生与患者沟通的辅助工具（5）。目前，DL最常用的是CNN最初设计用于分析图像中的视觉模式，它会自动地从图像中学习特征的空间层次结构，特别适用于图像分类、对象检测和分割等任务。在医学领域CNN 被用于分析多种成像模式，包括X射线、MRI扫描、CT和超声图像。其识别模式和发现异常的能力往往超过传统的图像处理方法。在某些情况下，甚至与人类专家的能力相当。例如CNN已被用于检测肿瘤、预测疾病发作以及高精度细胞图像分析，通过医学成像中的模式识别帮助早期检测疾病及肿瘤（6）。
AI/ML系统具有惊人的能力，根据腾讯研究院报告，IBM Watson（沃森）可在17秒内阅读3469本医学专著、248000篇论文、69种治疗方案、61540次试验数据、106000份临床报告。2012年Watson通过了美国职业医师资格考试，并部署在美国多家医院提供辅助诊疗的服务。目前Watson提供诊治服务的病种包括乳腺癌、肺癌、结肠癌、前列腺癌、膀胱癌、卵巢癌、子宫癌等多种癌症（7）。通过处理广泛的医疗数据，包括患者记录、研究文件和临床试验，Watson 可以帮助找到精准的诊断、最佳治疗方案，甚至预测疾病进程。Watson 处理大量数据的能力使其在诊断罕见疾病方面特别有价值，而人类专家经常会错过这些疾病。Watson 还可以识别潜在的药物相互作用和过敏。制药公司 Novartis 和Pfizer 都在使用 Watson 进行药物发现。Kantonsspital Basel 使用 Watson 来提高临床试验的效率（8）。Watson实质是融合了ML、NLP、自动推理、认知技术、信息检索等技术的AI系统。
AI技术正在医疗保健服务中发挥作用，生命健康与生物医药领域正向着更快速、更精准、更安全、更经济的方向发展。
4、人工智能/机器学习在临床医学实践中的应用（The Application of AI/ML in Clinical Medical Practice）
4，1、AI在急诊医学领域的应用
4，1、1辅助院前急救及分诊
院前急救是指患者到达医院前，急救人员对急症和/或创伤患者开展现场或转运途中的医疗救治。急性心肌梗死、脑卒中和创伤等重症患者因病情进展快死亡率高，早期识别、尽早诊断和针对性治疗极其重要，近年AI应用程序的开发对急诊医学产生了重大影响。
院前阶段AI可以支持紧急医疗团队做出关于治疗方向和患者转运的决策。通过分析患者数据，如健康状况、病史和当前症状，AI可辅助救援团队评估患者状况并对疾病严重程度分层，以选择最合适的行动方案。近年开发了一种AI模型称为卒中量表，可用于未获得医学成像和实验室结果之前的院前阶段识别中风，在不依赖额外临床信息或影像学结果的情况下，该研究优于院前或急诊科（ED）环境中使用的任何评分量表，如现场卒中分流量表、美国国立卫生研究院卒中量表、洛杉矶院前卒中量表。该工具还可以扩展到识别脑肿瘤、高血压脑病、偏头痛、躯体化障碍、癫痫发作、等与中风类似的疾病（9）。
分诊可快速识别危重患者，促进及时诊断治疗。许多ED使用紧急严重程度指数（ESI）或异常生命体征触发因素来指导分诊。但两者错误的成本较高。在一项采用DL方法在ED 分诊中识别危重患者回顾性研究中，共纳入了445,925名患者的资料。采用神经网络和梯度提升模型显示比ESI诊断标准的准确性更高效率更好10）。有研究评估了 GPT-4、Gemini 和急诊医学专家在 ESI 分诊中的表现，表明GPT-4 和 Gemini 都可以高速率准确地对 ESI 1&2 组的危重和紧急患者进行分诊。此外，GPT-4 在所有患者的 ESI 分诊中更加成功。这表明，GPT-4 和 Gemini 可以帮助对ED患者进行准确的 ESI 分诊（11）。
4，1、2 辅助急诊科进行病情评估
在严重脓毒症或有发生感染性休克风险的情况下，早期识别患者可以大大简化诊断和治疗过程并挽救患者生命。脓毒血症及其引起的感染性休克患者，患者初到ED的时候，许多资料缺乏。传统上采用全身炎症反应综合征（SIRS）、快速序贯血管器官衰竭（qSOFA）等评分指标进行评估。应用AI的极限梯度提升算法（XDBoot）对这类患者病情严重程度进行分层并与传统工具SIRS、qSOFA进行对比。发现XDBoot更能快速精确的诊断且诊断符合率更高（12）。
头部受伤、颅内出血和缺血性中风等紧急情况死亡率很高，也可能对神经系统产生不可逆的影响。缺血性中风病例中应用再灌注治疗的有效性取决于症状发作后经过的时间（13）。因此，通过AI技术神经影像学快速识别并进行及时治疗至关重要。 Bat Erdene在回顾目前可用于改善缺血性中风症状识别的技术时提到，智能手机、智能手表和健身带、语音助手、智能服装、电脑和笔记本电脑等设备对改变身体姿势、步态、言语和面部都可以识别（13）。
4，2、AI技术辅助医学影像识别和临床诊断
医学诊断成像是临床诊断和治疗决策过程的基石，AI辅助诊断工具旨在提高诊断图像解释的精准度、效率和一致性。患者就诊后产生大量X线、CT、MRI、心电图、超声、内窥镜、医学检验、病理学等数据供临床诊断参考，如何通过这些庞大的数据作出精准诊断和治疗决策尤为重要。AI能够辅助医生进行更准确的疾病诊断，还能根据患者的个体差异和病情特点，为医生提供个性化的治疗方案建议，使得治疗过程更加精准和高效。
AI最早的应用是专门用于X 射线和CT检查中自动检测肺结节和肺癌，现在的性能已超过放射科医生。对肺结节分割，基于CNN算法的CT图像识别与手动分割的良好空间重叠指数相当，即使对不规则结节和磨玻璃结节的识别也是如此。AI 还可以区别恶性或良性肺结节，预测恶性肿瘤风险的能力卓越，可以在肿瘤的非侵入性表征中发挥作用，特别是对于组织学亚型和体细胞突变的预测，具有潜在指导治疗作用（14）。肺癌（LC）是全球癌症相关死亡的主要原因，也是全球第二大最常见的癌症。晚期肺癌患者的 5 年相对生存率为 6%。由于缺乏早期症状，患者经常错过最佳治疗窗口，因此早期筛查对肺癌的预防和管理至关重要。AI 在 LC 筛查中的应用潜力提高了诊断的精准性，减少了假阳性。AI 为这些任务提供了一种客观、高效、多变量和可重复的好方法（15）。
CT的应用，通过冠状动脉计算机断层扫描血管造影（CCTA）评估动脉粥样硬化对于冠状动脉疾病（CAD）风险分层很重要，但此方法耗时且需要高度专业知识。采用基于AI的CCTA 进行全面CAD评估可以克服这些限制。由FDA 批准的一种新颖的AI分析工具(Cleerly LABS)，可对CCTA进行自动分析，以进行图像质量评估、冠状动脉分割和标记、血管腔壁评估、血管轮廓测定和斑块表征用于CCTA 解释。与三名高级影像学专家共识相比，这种方法更准确、快速地量化了狭窄和冠状动脉疾病报告以及数据系统(CAD-RADS)类别。AI 方法在所有冠状动脉及其分支中确定了广泛的动脉粥样硬化斑块体积和斑块组成。这为未来AI引导动脉粥样硬化评估提供了重要的基础平台（16）。
脑血管疾病包括出血性卒中（ICH，脑出血）和缺血性卒中（IS，脑梗死），ICH根据出血的解剖位置有多种亚型，包括蛛网膜下腔出血、脑室内出血、脑实质内出血、硬膜外血肿和硬膜下血肿，死亡率占所有事件的 30% -65%。IS是一种毁灭性的疾病，具有很高的发病率和死亡率，及时诊断和干预至关重要。应用CT、MRI、DSA技术整合 AI 和 ML 算法检测颅内病变（如脑出血或梗塞）的检测时间有所缩短。对于ICH或IS，商业 AI 软件RapidAI 和 Viz.AI 等已在许多中风中心的临床中应用，以加快IS或ICH 的检测。这种神经网络技术也用于预测IS或ICH患者的血肿扩大、动脉瘤破裂风险、脑动静脉畸形出血，以及预测治疗后的结局，如各种血管内装置的闭塞风险，且具有高度准确性和快速检测能力（17）。
脑肿瘤磁共振成像（MRI）诊断中。通常容易受到噪声和图像质量变化的影响。AI技术提供了新的解决方案。利用 EfficientNet B2 深度学习架构采用先进的图像预处理技术，包括图像裁剪、均衡和同态滤波器的应用，提高了MRI数据质量，从而能更准确地对脑肿瘤作出诊断。该模型通过D-BrainTumor、Brain-tumor-detection 和 Brain-MRI-images for-brain-tumor-detection 三个数据集验证，其准确性分别为99.83%、99.75% 和 99.2%，表现出卓越任的性能。这项研究促进MRI 图像可以更准确地识别和诊断脑肿瘤（18）。
心电图（ECG）技术是一种低成本诊断工具，包含有心脏结构和心脏电生理活动大量的重要信息。基于12导联心电图的AI模型（ResNet，制造商Philips）在预测死亡率方面比基于常规心电图的梯度提升模型（XGBoost）表现更好。研究首次检验了整合实验室数据，发现基于综合心电图、实验室和人口统计数据（患者年龄和性别）的模型在预测短期（30 天）和长期（1 年和 5 年）死亡率方面效果最佳。这一重大成就说明AI技术可以帮助提高预测以因任何原因到ED或医院就诊患者的死亡风险（19）。AI 算法可以在以下领域帮助临床医生：（1）解释和检测心律失常、ST 段变化、QT 间期延长和其他心电图异常;（2）预测心律失常、心源性猝死、中风和其他心血管事件风险;（3）实时监测心脏植入式电子设备和可穿戴设备的ECG信号，并根据时间、持续时间和在发生重大变化时提醒临床医生或患者;（4）信号处理，通过去除噪声/伪影/干扰和提取人眼不可见的特征（心率变异性、心跳间隔、小波变换、样本级分辨率等）来提高心电图质量和准确性;（5）治疗指导，协助患者选择，优化治疗，改善从出现症状到获得治疗的时间，并提高成本效益（早期激活ST段抬高患者的心肌梗死示警，预测抗心律失常药物或心脏植入装置的治疗反应，降低癌症免疫治疗和生物药物相关的心脏毒性风险，等）。（6）促进ECG数据与其他模式（医学成像、基因组学、蛋白质组学、生物标志物等）的整合。基于AI的ECG（AI-ECG）的诊断性能已经与经验丰富的心脏病专家相似。AI-ECG能够降低计算机ECG解释误诊率、提高临床效率、进行风险分层、优化治疗方案和改进ECG处理流程（20）。
超声诊断因其无创和实时成像能力在临床得到广泛应用。影像组学是医学成像领域的一个新兴领域，可以从医学图像中提取定量特征，并提供对图像数据的全面分析。AI在影像组学中的应用显著提高了超声诊断的准确性和效率。B型超声（BUS）、彩色多普勒血流成像（CDFI）和超声弹性成像（UE）等静态超声图像在临床实践中得到广泛应用。此外，基于 AI 的影像组学可以分析图像的纹理、形状和其他定量特征，以识别模式并提供诊断信息，已被应用于高精度BUS 图像区分恶性或良性甲状腺结节。动态超声视频（CEUS）提供有关成像组织血流和灌注的其他信息。多模态超声诊断融合了多种超声成像模式如 BUS、CDFI、UE 和 CEUS，以对成像组织进行全面分析。基于 AI 的影像组学还可用于分析这些图像的定量特征，以提供更全面和更准确的诊断。例如，基于 AI 的影像组学已被用于使用 BUS、CEUS 和CDFI图像组合来区分良性和恶性乳腺病变。基于 AI 的影像组学在提高超声诊断的效率和准确性方面（包括肝脏肿瘤、乳腺病变和甲状腺结节）具有很大的潜力（21）。
结直肠癌仍然是全球癌症发病率和死亡率的重要原因。由于“间歇性结直肠癌”的持续发展，即患者在适当的监测间隔下仍会发展为结直肠癌，这意味着癌前息肉在之前的结肠镜检查中没有切除。已经开发了多种技术来提高病变检测和表征的灵敏度和准确性，以提高结直肠癌筛查的有效性，从而降低间歇期结直肠癌的发病率。AI最近成为提高筛查和监测结肠镜检查质量的一种解决方案。首先，AI驱动的算法在解决被忽视的息肉挑战方面表现出非凡的潜力，尤其是因其不显眼的外观而因逃避人类检测的息肉亚型。其次，纵然胃肠病医生在没有接受过高级粘膜成像方面培训的情况下，AI技术也能够以类似于专家介入医师的准确性来表征息肉，从而减少对病理评估的依赖，并指导进行更复杂的切除或转诊以改善患者预后。将AI技术整合到常规结肠镜检查中，朝着更有效的结直肠癌筛查和预防迈出了重要的一步（22）。
近年来，AI 在实验室医学中的应用也越来越受到关注，临床实验室已经从以人工为主的阶段转变为高度自动化的阶段，每天可以产生大量复杂的检测结果，远远超出了人脑所能处理的范围。临床实验室可以生成大量的高质量数据，为临床诊断治疗服务。AI 模型可以应用于临床实验室检测过程的不同阶段，并有巨大的潜力。一个例子是使用客观参数的AI预测模型，以区分儿童川崎病（ KD）和其他发热。收集电子病历人口统计数据和实验室检测值，包括全血细胞计数和分类、生化及尿液分析结果作为参数，建立AI预测模型。主要结局是儿童发热是否符合 KD 诊断标准。应用监督式AI预测模型（XGBoost）。使用混淆矩阵和似然比来评估XGBoost的性能，其灵敏度达到 92.5%、特异性97.3%、阳性预测值34.5%、阴性预测值99.9%，表现优异。表明客观实验室检查结果可成为KD的预测指标，帮助医生快速精准地将 KD 患儿与儿科其他发热患儿区分开来（24）。但当前只有少数AI模型被应用于临床实验室实践。应尽快实现临床转化，使AI 模型尽快应用于临床实验室（23）。
数字病理学（DP）越来越多地用于癌症诊断，为更快、更高质量、更准确的诊断提供新的工具。诊断病理学的实践经历了惊人的转变，其中数字成像、先进的AI算法和计算机辅助诊断技术等新工具被用于增强数字组织病理学和AI精准诊断的能力。全玻片图像（WSI）扫描仪现在可以提供高分辨率图像和整个玻片的诊断质量，并将这些图像与创新的数字病理学工具相结合，将成像集成到病理学报告的各个方面，包括解剖学、临床和分子病理学。最近美国FDA批准了WSI 扫描仪、前列腺 AI 算法用于初步诊断，为这些令人兴奋的技术用于初级诊断铺平了道路（25）。骨髓（BM）涂片细胞形态学检查是疾病诊断和治疗反应监测的金标准，也是诊断多种血液系统疾病的重要手段。BM有核差异计数（NDC）分析为 BM 检查的一部分，BM NDC 是不可或缺的关键步骤。它不仅可以产生正确的诊断，还可以为预后和随访提供重要线索，尤其是对于血液系统恶性肿瘤，如急性淋巴细胞白血病、急性髓系白血病、慢性粒细胞白血病、骨髓增生异常综合征，等。一项研究首次使用40倍物镜放大倍率的 WSI进行AI全自动BM的NDC 研究，表明它可以取代传统手动计数。这种高效、全自动分层DL框架（Cascade R-CNN），可在几秒钟内进行 BM NDC WSI 分析。验证结果分别获得准确率0.988，召回率0.842。与基于小图像的基准测试方法比，Cascade R-CNN在准确性、召回率和计算时间上都表现出优异的性能（26 ）。
4，3、AI技术辅助临床治疗方案决策
除了疾病诊断外，AI/ML还在治疗方案制定中发挥重要作用。通过分析患者病历、临床数据、基因数据等信息，ML算法能够辅助诊断治疗，预测患者治疗效果和疾病发展趋势，为制定个性化治疗方案提供支持。
急性髓性白血病（AML）是最具侵袭性的血液肿瘤之一，早期检测和制定战略性治疗计划非常重要。及时干预治疗是提高患者生存率的关键。现有的风险分类系统将患者分为良性、中性和不良组，为个性化治疗选择奠定基础。然而，准确评估中等风险组存在着重大挑战，可能导致治疗延误和患者病情恶化。作者介绍一种AI支持的决策系统能解决这一问题。该系统根据结果预测自动推荐量身定制的肿瘤治疗方案(CLINMUTEXP)。CLINMUTEXP所提出的方法在精度和召回率(敏感性)之间的调和平均值(F1-Score)和ROC 曲线下面积（AUC）方面取得了接近0.9的高性能，基于基因表达数据生成的模型表现优越。该系统支持医生为患者选择最合适和安全的治疗方案，简化治疗流程，还可延长患者生存时间和改善预后（27）。
监测肺结核（PTB）治疗效果的传统方法缺乏敏感性，这促使人们探索AI辅助以加强监测。作者调查了AI在监测抗结核（ATTB）治疗中的应用，揭示了其在预测治疗持续时间、不良反应、结果和耐药性方面的潜力。AI支持向量机和CNN在治疗持续时间预测方面表现出色，而随机森林、ANN以及分类和回归树在预测不良反应和结果方面显示出前景，神经网络和随机森林技术可有效预测耐药性。AI 改进了监测策略、为更好地预测患者预后、监测PTB治疗铺平了道路（28）。
AI技术在外科学中的应用尚处于起步阶段。术前诊断中，AI通过对医学影像数据的DL，可以实现疾病早期的高精度检测。如在检测胰腺导管腺癌方面三维卷积神经网络（3D-CNN）极大地提高了早期诊断的准确性。在预测患者手术风险中的应用也日益增多，如基于ML预测模型的POTTER计算器能够帮助医生规避手术风险、科学地选择适应症和优化手术方案表现优异。在术中AI应用主要集中在实时决策支持和手术自动化方面。AI工具低血压预测指数（HPI）能提前预测并干预术中并发症，巳取得很好的效果。通过对手术视频的CV分析，AI能够识别手术步骤，评估术者技术水平，实时反馈信息，显著提高手术精确度和安全性。术后监测AI可通过可穿戴设备（Wearable Devices）和传感器，实现对患者生理参数的连续监测，及时预测和预防术后并发症。如基于AI的预测系统能够在低氧事件发生五分钟前进行预测，提供实时风险评分，大大提高了术后护理的安全性和效率（29）。
达芬奇手术机器人不仅是一个高度精密的机械设备，更是一个集成了先进算法与数据分析能力的智能系统，为现代医疗技术的杰出代表。在手术过程中，达芬奇机器人能够利用这些技术实现手术的精准规划、实时调整以及安全监控，从而显著提升了手术的精度、效率与安全性。达芬奇手术机器人可以视为人工智能技术在医疗领域应用的一个重要实例。有一篇研究对2015 年至 2023 年FDA批准的所有手术机器人（II 类风险设备）资料进行评价，利用手术机器人自主性（Autonomy）水平（LASR）分类法，将机器人的自主能力从 1 级分类到 5 级，通过搜索策略确定了 49 个独特的手术机器人。处于 1 级（没有自主）水平的机器人，在外科医生的连续控制下运行（42/49，86%）；2 级（任务自主性）手术机器人，可以为特定的手术任务执行预先编程的自动化动作(4/49，8%)；3 级（有条件自主性），可以为外科手术生成特定于患者的策略（3/49，6%）；4 级和 5 级，截止目前还没有具体案例。LASR 可能有助于指导为手术机器人制定更有针对性的实践参数和监管标准（30）。
2022年12月，在纽约西奈山医院接受手术智能机器人辅助根治前列腺切除术（RARP） 和智能机器人辅助肾部分切除术（RAPN）两台手术，并在教育研讨会上进行了现场直播。手术 AI 平台系统（Theator，Palo Alto，CA）生成了实时解说并确定了手术重点安全亊件和手术过程。RARP 使用达芬奇Xi 机器人完成手术。RARP 确定了以下手术解说：1.准备，2.粘连松解术，3.Retzius 空间解剖，4.膀胱颈前横断，5.膀胱颈后横断，6.精囊和后夹层，7.侧清扫和根尖夹层，8.尿道横切术，9.膀胱尿道吻合术，10.最终检查和提取。该平台确定的手术事件为：左输精管结扎、右输精管结扎。首次AI外科手术电视直播成功（31）。AI和ML的最新进展旨在扩展手术机器人的功能并增强手术体验。手术机器人依靠通过传感器和图像捕获的数据来操作，而这种大量的数据捕获是机器人手术中 AI 创新的关键驱动力。AI 建模使外科医生能够获得先进的术中指标，例如力和触觉测量，增强对阳性手术切缘的检测，甚至允许外科手术中某些步骤完全自动化。应用于手术中视频源和器械运动学数据的 AI 建模允许生成自动化技能评估（32）。计算机视觉（CV）是 AI 的一个领域，它使计算机系统能够从数字图像、视频或其他视觉输入中获取有意义的信息。CV 使用DL和CNN来辨别视觉媒体的质量。这项技术可能会彻底改变未来手术视频的分析和使用方式。CV 已用于胃肠病学等领域，并取得了可喜的结果，一项研究成功设计了在结肠镜检查期间用 CV检测视觉标志物，以帮助避免遗漏结肠息肉，另一项研究区分了增生性息肉和小息肉（有癌变倾向）（31）。
ChatGPT在术前计划、术中管理和术后康复方面巳成为骨科的宝贵工具。尤其是ChatGPT 与其他医疗工具和资源结合使用，确保为患者提供最佳的手术结果。在术前计划期间，医生使用 ChatGPT 以简洁明了的方式向患者解释复杂的医学术语，从而促进患者更好地理解。在术中ChatGPT 可以作为医生的虚拟助手，提供实时手术导航信息并促进数据记录，以方便术后使用。术后，外科医生和患者都可以使用 ChatGPT 根据个体患者的需求设计详细的康复计划。随着数据集的改进，ChatGPT 可以对医疗专业人员和患者都更加有效，它用普通语言描述科学数据，使患者更容易理解医学术语（33）。
冠状动脉旁路移植术（CABG）是目前临床上治疗严重冠心病（CHD）的主要方法，急性肾损伤（AKI） 是CHD手术后常见并发症，如果在 CABG 后的早期阶段未能识别 AKI 高危患者并抢先治疗，可能会导致 AKI 发展为慢性肾功能衰竭甚至终末期肾病，增加死亡风险。应用一种新的ML方法建立 CABG 后 AKI 的预测模型 (LightGBM)，可以对 CABG手术后的 AKI 做出准确预测。LightGBM 模型在验证中都显示出良好的预测能力，并优于心脏手术后AKI评分、Cleveland Clinic评分、Mehta评分和简化肾脏指数评分。对接受 CABG 且有 AKI 高风险的患者，早期进行干预并能减少相关并发症（34）。
4．4、AI/ML与护理、麻醉和康复治疗
医疗保健监管机构强制要求降低慢性阻塞性肺病(COPD)的30天再入院率。一种人工神经网络（ANN）的简单工具，可用于早期识别再入院风险高的 COPD 患者。ANN 模型经过训练以提供预测算法，并在不同时间段的其他数据集上进行验证。该模型在智能手机应用程序（Re-Admissionit）中实施，其中包含四个输入风险因素，然后实施针对高风险再入院候选人的临床护理计划，随后分析再入院数据以评估影响。在单独的验证数据中，预测 ANN 再入院的受试者工作特征曲线下面积为 0.77，灵敏度为 0.75，特异性为 0.67。在实施应用程序和临床干预后，COPD 高危亚组的再入院率显著下降48%。表明 ANN 模型在预测 COPD 患者再入院风险方面的有效性。支持 AI 的 Re-Admit 智能手机应用程序可在患者入院的第一天预测再入院风险，从而及早优化临床护理途径减少再次入院率（35）。
在麻醉方面，AI术前阶段促进麻醉个性化风险评估和决策支持，优化麻醉计划和药物剂量预测。术中阶段，AI通过复杂的麻醉监测和闭环系统在监测和控制中发挥作用。此外，机器人技术和 AI 引导程序的集成，彻底改变了手术辅助。到术后阶段，AI驱动的术后监测、并发症的预测分析，并将AI技术整合到康复计划和长期随访之中（36）。
康复治疗方面。以前脑机接口（BCI）植入物需要开颅手术才能将电极送到大脑，现在应用微创血管内技术通过颈静脉将记录电极送到矢状窦（SSS）上部是安全可行的。一项在澳大利亚进行的前瞻性、人类首次人体研究中，将带有思维控制数字开关的支架电极记录阵列（SWITCH）通过BCI植入到4名严重瘫痪患者的SSS上部，该装置通过导引导管推进并部署在脑中央前回附近。12 个月随访期间没有发生严重不良事件和目标血管闭塞或设备迁移。BCI 在整个研究过程中保持信号稳定，4名瘫痪患者都成功地用 BCI 控制了一台计算机。这些患者已经能够进行电子邮件、免提短信、网上银行和购物，以及用他们的思想传达护理需求等（37）。脑机接口技术是AI皇冠上的明珠，它将为医疗、教育、娱乐等各个领域带来革命性的改变。人工智能新突破，脑机接口技术开启人机交互新时代（38） 。
外骨骼可使脊髓损伤、中风或其他疾病的患者能够恢复活动能力，它们可以通过人的动作、基于软件的控制器或两者的组合进行控制。下肢外骨骼由设置在多个关节上的致动器组成，特别是臀部、脚踝或膝盖处，每个关节都可以协助解剖关节产生不同的运动。AI辅助下肢外骨骼机器人在各种功能康复任务中做出贡献。这些任务包括机器人控制（RC）、运动分类（LC）、意图检测（ID）和人体关节轨迹预测（HJTP）。AI 动态适应穿戴者的动作，将外骨骼与用户无缝集成。这种适应性增强了响应能力，并强调了交互的个性化性质。AI方法优化了对 RC 中任务和用户的适应性。在 LC 中，它提高了对环境的适应性，并推广到未知和非结构化的环境。AI 方法有助于利用来自可穿戴传感器和摄像头的数据，推进用户动作感知、增强系统响应而更有利于患者康复（39）。
4，5、AI在癌症诊断与治疗中的应用
癌症是一个严重的世界健康问题，它有 100 多种不同类型的疾病。癌症很难治疗，它会随着时间的变化而变化，经常复发，体内扩散后存活率最低，也是全球第二大最常见的死亡原因。作为一种多因素疾病，很难在早期被诊断出来。肿瘤微环境（TME）通过与周围环境的动态双向通信来支持和促进肿瘤生长和转移，这在肿瘤的进展中起着至关重要的作用。AI 是一种强大的工具，通过使用高分辨率成像和下一代测序（NGS），使用 AI 进行临床决策将更容易及早预测和诊断疾病。诊断癌症可以通过AI开发新的合成生物标志物。为此，通过开发大型数据集和使用生物信息学工具来形成新的个性化药物并提供治疗计划。利用DL、随机森林和神经网络等，AI 算法对癌症进行准确的诊断、复发和生存预测。AI 在医学成像中具有用于皮肤癌、肺癌、前列腺癌、乳腺癌、结直肠癌和胃癌的诊断和治疗的潜力（40）。 组织学图像包含预测患者预后表型的信息。数字病理学利用WSI扫描仪和AI算法促进了这些组织学特征的挖掘和量化。从TME中识别基于图像的生物标志物的 AI 算法有可能彻底改变肿瘤学领域，减少诊断和预后确定之间的延迟，允许对患者进行快速分层并提出最佳治疗方案，从而提高诊断和治疗的效率并改善预后（41）。肺癌导致大量的发病率和死亡率，是全球性的健康挑战。虽然预防和早期检测策略有所改进，但对精确诊断、预后和治疗仍然具有挑战性。作者探讨了AI在重塑肺癌管理中的作用，AI 在肺癌表征和结果预测方面有不同的应用。手动分割是一项耗时的任务，观察者间差异很大，可用基于AI的方法代替，包括 U-Net、BCDU-Net 等DL模型，以客观量化肺结节和癌症。AI 模型还将放射组学特征与临床数据相结合，证明它们能够预测免疫疗法和靶向疗法的治疗反应。AI 在提高肺癌诊断、治疗精度和有效性方面取得了很大进展，这凸显了AI技术对临床实践和患者预后具有重大的潜力（42）。
原发性不明癌症（CUP）是一个复杂的诊断挑战，其特征是组织来源不明的转移性肿瘤和不良预后。作者探讨了AI和ML在改变 CUP 诊断、分类和治疗方面的意义。基于大量分子分析数据训练的 ML 方法在准确预测来源组织方面显示出前景。基因组分析，包括驱动突变和拷贝数变异，通过提供对肿瘤类型特异性致癌改变的见解，在 CUP 诊断中起着关键作用。集成基因表达数据和 DNA 甲基化模式的DL模型提供了对组织谱系和肿瘤分类的见解。在数字病理学中，ML算法分析WSI可帮助CUP 分类。最后，在分子分析的指导下，精准肿瘤学提供独立于原发性组织鉴定的靶向治疗。将 CUP 患者分配到分子引导治疗组的临床试验，包括作为免疫治疗生物标志物的靶向改变和肿瘤突变负荷，提高了一部分患者的总生存期。总之，AI通过提高诊断准确性，正在彻底改变 CUP 管理。利用增强分子分析的精准肿瘤学有助于最终改善患者的预后（43）。
5、人工智能机器学习的局限性（Limitations of AI/ML）
ML算法需要访问和分析大量的患者数据，包括临床病历、影像资料、基因组等敏感信息。医疗机构应加强数据保护措施，建立严格的数据控制机制和访问权限，加强数据加密和安全传输，确保数据在存储和传输过程中不被篡改或窃取。
为了提高ML算法的性能，医疗机构常常需要共享数据。然而，数据共享涉及到患者的敏感信息，如何在保证数据共享的同时保护患者的隐私，是一个关键的隐私问题。ML算法的决策过程通常是黑箱操作，很难解释其背后的决策逻辑。这种缺乏透明度可能导致医疗决策的不确定性，使得患者和医生难以信任这些算法的判断。ML算法可能存在偏见或歧视，这可能导致对特定群体的不公平判断。在ML算法的开发和应用过程中，应该充分考虑患者的意见和需求。
患者有权选择是否接受基于ML算法的医疗决策。医疗机构应该尊重患者的选择权，并在提供基于ML算法的医疗决策时充分告知患者相关的风险和不确定性。一些法规已经到位。欧盟将医疗 AI 应用程序列为“高风险”。AI/ML 在美国也作为“医疗设备”受到FDA监管。鉴于 AI/ML 在患者护理中的作用，诊断软件的程序员/设计者应被视为医疗服务提供者，并且应遵守传统医学伦理原则，例如仁慈和非恶意（42）。
尽管许多AI应用程序在学术文献中已证明有效，但由于数据集中的潜在偏见、系统的所有权和监管等障碍，很少在实践中实施。需要制定质量措施和道德控制，包括外部监督。尽管这可能会使 AI 开发更加繁琐，但在做出可能改变生活的决策时确保准确性至关重要。未来的研究应努力克服这些挑战，以弥合学术研究和临床整合之间的差距（44）。安全实施 AI 的质量控制过程，必须确保外部验证。
6、未来前景（Future prospects）
展望未来，AI/ML在医疗健康领域的应用将更加广泛和深入，智能化革命将带来更多的创新和突破。随着技术的不断进步，ML算法将更加先进，能够处理更为复杂的数据和任务，为医疗健康领域带来更多创新应用。随着数据共享和合作机制的建立，医疗机构和科技公司将能够更好地利用数据资源，共同推动ML技术在医疗健康领域的应用和发展。基于AI技术的个性化、精准化医疗将成为趋势，通过分析患者的基因组数据、生活习惯等信息，为患者提供更加精准的治疗方案和管理建议。
ML技术将推动远程医疗和普惠医疗的发展，使更多患者能够享受到高质量的医疗服务。
随着ML在医疗健康领域应用的不断深入，相关的法规与伦理标准也将不断完善，为技术的健康发展提供有力保障。
7、结语（Conclusion）
AI/ML在医疗健康领域的实践与应用已经取得了显著的成果。通过引入AI技术，我们可以实现更精准的疾病诊断、个性化的治疗以及全面的患者管理。这不仅提高了医疗质量和效率，还为患者带来了更好的治疗体验和健康保障。
未来随着技术的不断进步和应用场景的不断拓展，相信AI/ML将在医疗健康领域发挥更大的作用。尽管 AI 具有巨大的潜力，但它仍然是一项新兴技术，通常被认为很复杂且难以实施。我们建议有效利用这项技术的关键点是医疗专业人员和AI专家之间的密切合作。未来的研究应侧重于进一步完善AI算法，进行全面验证，并引入合适的法律法规和标准程序，从而充分利用AI的潜力来提高医疗保健服务的质量和效率，为人类健康事业做出更大的贡献
利益冲突：作者声明不存在利益冲突。
8、参考文献（Reference）
1、Shih BH, Yeh CC. Advancements in Artificial Intelligence in Emergency Medicine in Taiwan: A Narrative Review. J Acute Med. 2024 Mar 1;14(1):9-19. doi: 10.6705/j.jacme.202403_14(1).0002. PMID: 38487757; PMCID: PMC10938302.
1、Shih BH， Yeh CC. 台湾急诊医学人工智能的进展：叙述性回顾。J 急性医学 2024 年 3 月 1 日;14（1）：9-19。 doi：10.6705/j.jacme.202403_14（1）.0002.PMID：38487757;PMCID：PMC10938302。
2、Kinahan p,(October 19, 2023). FDA publishes list of AI-enabled medical devices. [Accessed: October 12, 2024]. Available at: https://rad.Washington.edu/news/fda-publishes-list-of-ai-enabled-medical-devices/
2、Kinahan p，（202 年 10 月 19 日 3）。FDA 发布支持 AI 的医疗器械清单。 [访问时间：202 年 10 月 12 日 4]。网址：https：rad.Washington.edu/news/fda-publishes-list-of-ai-enabled-medical-devices/
3、Loaiza-Bonilla A. (February 01, 2024). Harnessing FDA-Approved AI Technologies in Your Medical Practice: The Trends to Follow in 2024. [Accessed: September 12, 2024]. Available at: https: www.medscape.com/viewarticle /999838?form =fpf
3、Loaiza-Bonilla A. （2024 年 2 月 1 日 ）。 在您的医疗实践中利用 FDA 批准的 AI 技术：2024 年要遵循的趋势。 [访问时间：202 年 9 月 12 日 4]。 网址：https： www.medscape.com/viewarticle/999838？form =fpf
4、Choi RY, Coyner AS, Kalpathy-Cramer J, Chiang MF, Campbell JP. Introduction to Machine Learning, Neural Networks, and Deep Learning. Transl Vis Sci Technol. 2020 Feb 27;9(2):14. doi: 10.1167/tvst.9.2.14. PMID: 32704420; PMCID: PMC7347027.
4、Choi RY， Coyner AS， Kalpathy-Cramer J， Chiang MF， Campbell JP. 机器学习、神经网络和深度学习简介。Transl Vis Sci Technol. 2020 年 2 月 27 日;9（2）：14。 doi：10.1167/tvst.9.2.14。PMID：32704420;PMCID：PMC7347027。
5、Chen X, Xie H, Wang FL, Liu Z, Xu J, Hao T. A bibliometric analysis of natural language processing in medical research. BMC Med Inform Decis Mak . 2018;18(Suppl 1):14. doi: 10.1186/s12911-018-0594-x 5
5、陈晓华， 谢华， 王 FL， 刘 Z， 徐 J， 郝 T. 医学 研究中自然语言处理的文献计量分析。 BMC Med Inform DecisMak 2018;18（增刊 1）：14。 doi： 10.1186/s12911-018-0594-x 5
6、Wojtara M, Rana E, Rahman T, Khanna P, Singh H. Artificial intelligence in rare disease diagnosis and treatment. Clin Transl Sci . 2023;16:2016-2111. doi: 10.1111/cts.13619
6、Wojtara M、Rana E、Rahman T、Khanna P、Singh H. 人工智能在罕见病诊断和治疗中的应用。临床翻译科学 . 2023 年;16：2016-2111。 doi： 10.1111/cts.13619
7、腾讯研究院.人工智能在医疗产业最先落地？ [Accessed: October 12, 2024]. Available at: https://www.36kr.com/p/1721473335297.
8、Watson’s Journey: From Quiz Show Champ to AI Leader in Medicine.[Accessed: October 12, 2024]. Available at:https: //www.umb.ch /en/blog/news/detail/Watsons-jourmey- from-quiz-show-champ- leader –in-medicine
8、Watson的旅程：从 Quiz Show 冠军到医学领域的 AI 领导者[访问时间：202 年 10 月 12 日 4]。网址：https：//www.umb.ch /en/blog/news/detail/Watsons-jourmey- from-quiz-show-champ- leader –in-medicine
9、Chen M, Tan X, Padman R. A Machine Learning Approach to Support Urgent Stroke Triage Using Administrative Data and Social Determinants of Health at Hospital Presentation: Retrospective Study. J Med Internet Res. 2023;25:e36477
9、陈 M， 谭 X， Padman R.一种使用医院就诊时健康管理数据和健康社会决定因素支持紧急中风分流的机器学习方法：回顾性研究。J Med 互联网研究 2023;25：e36477.
10、Joseph JW, Leventhal EL, Grossestreuer AV, Wong ML, Joseph LJ, Nathanson LA, Donnino MW, Elhadad N, Sanchez LD. Deep-learning approaches to identify critically Ill patients at emergency department triage using limited information. J Am Coll Emerg Physicians Open. 2020 Sep 1; 1(5):773-781. doi: 10.1002/emp2.12218. PMID: 33145518; PMCID: PMC7593422
10、Joseph JW， Leventhal EL， Grossestreuer AV， Wong ML， Joseph LJ， Nathanson LA， Donnino MW， Elhadad N， Sanchez LD. 使用有限信息在急诊科分诊中识别危重患者的深度学习方法。J Am Coll Emerg Physicians 公开赛。2020 年 9 月 1;1（5）：773-781。 doi：10.1002/emp2.12218。PMID：33145518;PMCID：PMC7593422
11、Meral G, Ateş S, Günay S, Öztürk A, Kuşdoğan M. Comparative analysis of ChatGPT, Gemini and emergency medicine specialist in ESI triage assessment. Am J Emerg Med. 2024 Jul;81:146-150. doi: 10.1016/j.ajem.2024.05.001. Epub 2024 May 3. PMID: 38728938. Paslı S, Şahin AS, Beşer MF, Topçuoğlu H, Yadigaroğlu M, İmamoğlu M. Assessing the precision of artificial intelligence in ED triage decisions: Insights from a study with ChatGPT. Am J Emerg Med. 2024 Apr;78:170-175. doi: 10.1016/j.ajem.2024.01.037. Epub 2024 Jan 24. PMID: 38295466
11、Meral G， Ateş S， Günay S， Öztürk A， Kuşdoğan M. ChatGPT、Gemini 和 ESI 分诊评估急诊医学专家的比较分析。Am J Emerg Med. 2024 年 7 月;81：146-150。 doi：10.1016/j.ajem.2024.05.001. Epub 2024 年 5 月 3 日。PMID：38728938。Paslı S， Şahin AS， Beşer MF， Topçuoğlu H， Yadigaroğlu M， İmamoğlu M. 评估人工智能在 ED 分诊决策中的精度：来自 ChatGPT 的研究见解 Am J Emerg Med. 2024 年 4 月;78：170-175。 doi：10.1016/j.ajem.2024.01.037. Epub 2024 年 1 月 24 日。PMID：38295466..
12、Lin PC, Chen KT, Chen HC, Islam MM, Lin MC. Machine learning model to identify sepsis patients in the emergency department: algorithm development and validation. J Pers Med . 2021;11:1055. doi: 10.3390/jpm11111055
12、Lin PC， Chen KT， Chen HC， Islam MM， Lin MC. 在急诊科识别脓毒症患者的机器学习模型：算法开发和验证。 J PersMed 2021;11：1055doi： 10.3390/jpm11111055
13、Bat-Erdene BO, Saver JL. Automatic Acute Stroke Symptom Detection and Emergency Medical Systems Alerting by Mobile Health Technologies: A Review. J Stroke Cerebrovasc Dis. 2021;30(7):105826.
13、Bat-Erdene BO， Saver JL.Mobile Health Technologies 的自动急性中风症状检测和紧急医疗系统警报：综述。 J 中风脑血管病 2021 年;30（7）：105826。
14、de Margerie-Mellon C, Chassagnon G. Artificial intelligence: A critical review of applications for lung nodule and lung cancer. Diagn Interv Imaging. 2023 Jan;104(1):11-17. doi: 10.1016/j.diii.2022.11.007. Epub 2022 Dec 10. PMID: 36513593.
14、de Margerie-Mellon C， Chassagnon G. 人工智能：肺结节和肺癌应用的批判性综述。 DiagnInterv Imaging. 2023 年 1 月;104（1）：11-17。 doi：10.1016/j.diii.2022.11.007。 Epub 2022 年 12 月 10 日。PMID：36513593。
15、Quanyang W, Yao H, Sicong W, Linlin Q, Zewei Z, Donghui H, Hongjia L, Shijun Z. Artificial intelligence in lung cancer screening: Detection, classification, prediction, and prognosis. Cancer Med. 2024 Apr;13(7):e7140. doi: 10.1002/cam4.7140. PMID: 38581113; PMCID: PMC10997848.
15、Quanyang W， Yao H， Sicong W， Linlin Q， Zewei Z， Donghui H， Hongjia L， Shijun Z.人工智能在肺癌筛查中的应用：检测、分类、预测和预后。癌症医学 2024 年 4 月;13（7）：e7140。doi：10.1002/cam4.7140。PMID：38581113;PMCID：PMC10997848。
16、Choi AD, Marques H, Kumar V, Griffin WF, Rahban H, Karlsberg RP, Zeman RK, Katz RJ, Earls JP. CT Evaluation by Artificial Intelligence for Atherosclerosis, Stenosis and Vascular Morphology (CLARIFY): A Multi-center, international study. J Cardiovasc Comput Tomogr. 2021 Nov-Dec;15(6):470-476. doi: 10.1016/j.jcct.2021.05.004. Epub 2021 Jun 12. PMID: 34127407
16、Choi AD， Marques H， Kumar V， Griffin WF， Rahban H， Karlsberg RP， Zeman RK， Katz RJ， Earls JP.人工智能对动脉粥样硬化、狭窄和血管 形态 的 CT 评估 （CLARIFY）： 一项 多中心、国际研究 。J CardiovascComputTomogr 2021 年 11 月至 12 月;15（6）：470-476。 doi：10.1016/j.jcct.2021.05.004. Epub 2021 年 6 月 12 日。PMID：34127407
17、Gilotra K, Swarna S, Mani R, Basem J, Dashti R. Role of artificial intelligence and machine learning in the diagnosis of cerebrovascular disease. Front Hum Neurosci. 2023 Sep 7;17:1254417. doi: 10.3389/fnhum.2023.1254417. PMID: 37746051; PMCID: PMC10516608.
17、Gilotra K， Swarna S， Mani R， Basem J， Dashti R. 人工智能和机器学习在脑血管疾病诊断中的作用。 Front Hum Neurosci. 2023 年 9 月 7 日;17：1254417。 doi： 10.3389/fnhum.2023.1254417.PMID：37746051;PMCID：PMC10516608。
18、Zubair Rahman AMJ, Gupta M, Aarathi S, Mahesh TR, Vinoth Kumar V, Yogesh Kumaran S, Guluwadi S. Advanced AI-driven approach for enhanced brain tumor detection from MRI images utilizing EfficientNetB2 with equalization and homomorphic filtering. BMC Med Inform Decis Mak. 2024 Apr 30;24(1):113. doi: 10.1186/s12911-024-02519-x. PMID: 38689289; PMCID: PMC11059646.
18、ZubairRahman AMJ， Gupta M， Aarathi S， Mahesh TR， Vinoth Kumar V， YogeshKumaran S， Guluwadi S. 先进的 AI 驱动方法，利用具有均衡和同态滤波的 EfficientNetB2 增强 MRI 图像中的脑肿瘤检测 。 BMC Med Inform DecisMak. 2024 年 4 月 30 日;24（1）：113。 doi：10.1186/s12911-024-02519-x。PMID：38689289;PMCID：PMC11059646。
19、Sun W, Kalmady SV, Sepehrvand N, Salimi A, Nademi Y, Bainey K, Ezekowitz JA, Greiner R, Hindle A, McAlister FA, Sandhu RK, Kaul P. Towards artificial intelligence-based learning health system for population-level mortality prediction using electrocardiograms. NPJ Digit Med. 2023 Feb 6; 6(1):21. doi: 10.1038/s41746-023-00765-3. PMID: 36747065; PMCID: PMC9902450.
19、Sun W， Kalmady SV， Sepehrvand N， Salimi A， Nademi Y， Bainey K， Ezekowitz JA， Greiner R， Hindle A， McAlister FA， Sandhu RK， Kaul P. 迈向基于人工智能的学习健康系统，使用心电图预测人群水平的死亡率。NPJ Digit Med. 2023 年 2 月 6 日;6(1):21.doi：10.1038/s41746-023-00765-3。PMID：36747065;PMCID：PMC9902450。
20、Martínez-Sellés M, Marina-Breysse M. Current and Future Use of Artificial Intelligence in Electrocardiography. J Cardiovasc Dev Dis. 2023 Apr 17;10(4):175. doi: 10.3390/jcdd10040175. PMID: 37103054; PMCID: PMC10145690.
20、Martínez-Sellés M， Marina-Breysse M.人工智能在心电图中的当前和未来使用，J Cardiovasc Dev Dis. 2023 年 4 月 17 日;10（4）：175。 doi：10.3390/jcdd10040175。PMID：37103054;PMCID：PMC10145690。
21、Zhang H, Meng Z, Ru J, Meng Y, Wang K. Application and prospects of AI-based radiomics in ultrasound diagnosis. Vis Comput Ind Biomed Art. 2023 Oct 13;6(1):20. doi: 10.1186/s42492-023-00147-2. PMID: 37828411; PMCID: PMC10570254.
21、张 H， 孟 Z， 茹 J， 孟 Y， 王 K. 基于人工智能的影像组学在超声诊断中的应用和前景 Vis ComputInd Biomed Art. 2023 年 10 月 13 日;6（1）：20。 doi：10.1186/s42492-023-00147-2。PMID：37828411;PMCID：PMC10570254。
22、Young E, Edwards L, Singh R. The Role of Artificial Intelligence in Colorectal Cancer Screening: Lesion Detection and Lesion Characterization. Cancers (Basel). 2023 Oct 24;15(21):5126. doi: 10.3390/cancers15215126. PMID: 37958301; PMCID: PMC10647850.
22、Young E， Edwards L， Singh R.人工智能在结直肠癌筛查中的作用：病灶检测和病灶表征。癌症（巴塞尔）。2023 年 10 月 24 日;15（21）：5126。 doi：10.3390/cancers15215126。PMID：37958301;PMCID：PMC10647850。
23、Hou H, Zhang R, Li J. Artificial intelligence in the clinical laboratory. Clin Chim Acta. 2024 Jun 1;559:119724. doi: 10.1016/j.cca.2024.119724. Epub 2024 May 10. PMID: 38734225.
23、侯 H， 张 R， 李 J. 临床实验室中的人工智能。临床ChimActa 2024 年 6 月 1 日;559：119724。 doi：10.1016/j.cca.2024.119724。 Epub 2024 年 5 月 10 日。PMID：38734225。
24、Tsai CM, Lin CR, Kuo HC, Cheng FJ, Yu HR, Hung TC, Hung CS, Huang CM, Chu YC, Huang YH. Use of Machine Learning to Differentiate Children With Kawasaki Disease From Other Febrile Children in a Pediatric Emergency Department. JAMA Netw Open. 2023 Apr 3;6(4):e237489. doi: 10.1001/jamanetworkopen.2023.7489. PMID: 37040115; PMCID: PMC10091152.
24、Tsai CM， Lin CR， Kuo HC， Cheng FJ， Yu HR， Hung TC， Hung CS， Huang CM， Chu YC， Huang YH.使用机器学习将川崎病患儿与儿科急诊科的其他发热患儿区分开来。 JAMA Netw 开放。 2023 年 4 月 3 日;6（4）：e237489。 doi：10.1001/jamanetworkopen.2023.7489。PMID：37040115;PMCID：PMC10091152。
25、Shafi S, Parwani AV. Artificial intelligence in diagnostic pathology. Diagn Pathol. 2023 Oct 3;18(1):109. doi: 10.1186/s13000-023-01375-z. PMID: 37784122; PMCID: PMC10546747.
25、Shafi S， Parwani AV. 人工智能在诊断病理学中的应用。诊断病理学。2023 年 10 月 3 日;18（1）：109。 doi：10.1186/s13000-023-01375-z.PMID：37784122;PMCID：PMC10546747。
26、Wang CW, Huang SC, Lee YC, Shen YJ, Meng SI, Gaol JL. Deep learning for bone marrow cell detection and classification on whole-slide images. Med Image Anal. 2022 Jan;75:102270. doi: 10.1016/j.media.2021.102270. Epub 2021 Oct 16. PMID: 34710655.
26、王 CW， 黄 SC， 李 YC， 沈 YJ， 孟思， Gaol JL. 用于全玻片图像上骨髓细胞检测和分类的深度学习。Med Image 肛门。 2022 年 1 月;75：102270. doi：10.1016/j.media.2021.102270。 Epub 2021 年 10 月 16 日。PMID：34710655。
27、Castro GA, Almeida JM, Machado-Neto JA, Almeida TA. A decision support system to recommend appropriate therapy protocol for AML patients. Front Artif Intell. 2024 Mar 6;7:1343447. doi: 10.3389/frai.2024.1343447. PMID: 38510471; PMCID: PMC10950921.
27、Castro GA， Almeida JM， Machado-Neto JA， Almeida TA. 为 AML 患者推荐适当治疗方案的决策支持系统。 Front ArtifIntell. 2024 年 3 月 6 日;7：1343447。 doi： 10.3389/frai.2024.1343447.PMID：38510471;PMCID：PMC10950921。
28、Zhang F, Zhang F, Li L, Pang Y. Clinical utilization of artificial intelligence in predicting therapeutic efficacy in pulmonary tuberculosis. J Infect Public Health. 2024 Apr;17(4):632-641. doi: 10.1016/j.jiph.2024.02.012. Epub 2024 Feb 23. PMID: 38428275.
28、张飞， 张飞， 李 L， 庞 Y. 人工智能在预测肺结核治疗效果中的临床应用。 J 感染公共卫生。2024 年 4 月;17（4）：632-641。 doi：10.1016/j.jiph.2024.02.012. Epub 2024 年 2 月 23 日。PMID：38428275。
29、Varghese C, Harrison EM, O'Grady G, Topol EJ. Artificial intelligence in surgery. Nat Med. 2024 May;30(5):1257-1268. doi: 10.1038/s41591-024-02970-3. Epub 2024 May 13. PMID: 38740998.
29、Varghese C， Harrison EM， O'Grady G， Topol EJ.外科中的人工智能。 国家医学。 2024 年 5 月;30（5）：1257-1268。 doi：10.1038/s41591-024-02970-3。 Epub 2024 年 5 月 13 日。PMID：38740998。
30、Lee A, Baker TS, Bederson JB, Rapoport BI. Levels of autonomy in FDA-cleared surgical robots: a systematic review. NPJ Digit Med. 2024 Apr 26;7(1):103. doi: 10.1038/s41746-024-01102-y. PMID: 38671232; PMCID: PMC11053143.
30、Lee A， Baker TS， Bederson JB， Rapoport BI.FDA 批准的手术机器人的自主性水平：系统评价。NPJ Digit Med. 2024 年 4 月 26 日;7（1）：103。 doi：10.1038/s41746-024-01102-y.PMID：38671232;PMCID：PMC11053143。
31、Zuluaga, Jordan Miller Rich, Raghav Gupta, Adriana Pedraza, Burak Ucpinar, Kennedy E. Okhawere, Indu Saini, Priyanka Dwivedi, Dhruti Patel, Osama Zaytoun, Mani Menon, Ashutosh Tewari, Ketan K. Badani, AI-powered real-time annotations during urologic surgery: The future of training and quality metrics, Urologic Oncology: Seminars and Original Investigations,Volume 42, Issue 3,2024,Pages 57-66,ISSN 1078-1439,https://doi.org/10.1016/j.urolonc.2023.11.002.
31、祖鲁阿加、乔丹·米勒·里奇、拉加夫·古普塔、阿德里安娜·佩德拉扎、布拉克·乌皮纳尔、肯尼迪 E. Okhawere， InduSaini， PriyankaDwivedi， Dhruti Patel， Osama Zaytoun， Mani Menon， AshutoshTewari， Ketan K. 泌尿外科手术期间 Badani AI 驱动的实时注释：培训和质量指标的未来，泌尿肿瘤学：研讨会和原始调查，第 42 卷，第 3 期，2024 年，第 57-66 页，ISSN 1078-1439，https：//doi.org/10.1016/j.urolonc.2023.11.002。
32、Knudsen JE, Ghaffar U, Ma R, Hung AJ. Clinical applications of artificial intelligence in robotic surgery. J Robot Surg. 2024 Mar 1;18(1):102. doi: 10.1007/s11701-024-01867-0. PMID: 38427094; PMCID: PMC10907451.
32、克努森 JE， 加法尔 U， 马 R， 洪 AJ. 人工智能在机器人手术中的临床应用。 J 机器人外科杂志 2024 年 3 月 1 日;18（1）：102。 doi：10.1007/s11701-024-01867-0.PMID：38427094;PMCID：PMC10907451。
33、Morya VK, Lee HW, Shahid H, Magar AG, Lee JH, Kim JH, Jun L, Noh KC. Application of ChatGPT for Orthopedic Surgeries and Patient Care. Clin Orthop Surg. 2024 Jun;16(3):347-356. doi: 10.4055/cios23181. Epub 2024 May 13. PMID: 38827766; PMCID: PMC11130626.
33、Morya VK、Lee HW、Shahid H、Magar AG、Lee JH、Kim JH、Jun L、Noh KC。 ChatGPT 在骨科手术和患者护理中的应用。临床骨科外科 2024 年 6 月;16（3）：347-356。 doi：10.4055/cios23181。 Epub 2024 年 5 月 13 日。PMID：38827766;PMCID：PMC11130626。
34、Jia T, Xu K, Bai Y, Lv M, Shan L, Li W, Zhang X, Li Z, Wang Z, Zhao X, Li M, Zhang Y. Machine-learning predictions for acute kidney injuries after coronary artery bypass grafting: a real-life muticenter retrospective cohort study. BMC Med Inform Decis Mak. 2023 Nov 23;23(1):270. doi: 10.1186/s12911-023-02376-0. PMID: 37996844; PMCID: PMC10668365.
34、Jia T， Xu K， Bai Y， Lv M， Shan L， Li W， Zhang X， Li Z， Wang Z， Zhao X， Li M， Zhang Y. 冠状动脉旁路移植术后急性肾损伤的机器学习预测：一项真实的多中心回顾性队列研究。BMC Med Inform DecisMak. 2023 年 11 月 23 日;23（1）：270。 doi：10.1186/s12911-023-02376-0.PMID：37996844;PMCID：PMC10668365。
35、Wang L, Li G, Ezeana CF, Ogunti R, Puppala M, He T, Yu X, Wong SSY, Yin Z, Roberts AW, Nezamabadi A, Xu P, Frost A, Jackson RE, Wong STC. An AI-driven clinical care pathway to reduce 30-day readmission for chronic obstructive pulmonary disease (COPD) patients. Sci Rep. 2022 Nov 30;12(1):20633. doi: 10.1038/s41598-022-22434-3. PMID: 36450795; PMCID: PMC9712389.
35、Wang L， Li G， Ezeana CF， Ogunti R， Puppala M， He T， Yu X， Wong SSY， Yin Z， Roberts AW， Nezamabadi A， Xu P， Frost A， Jackson RE， Wong STC. 一种 AI 驱动的临床护理途径，可减少慢性阻塞性肺病 （COPD） 患者的 30 天再入院率。Sci Rep. 2022 年 11 月 30 日;12（1）：20633。 doi：10.1038/s41598-022-22434-3。PMID：36450795;PMCID：PMC9712389。
36、Singam A. Revolutionizing Patient Care: A Comprehensive Review of Artificial Intelligence Applications in Anesthesia. Cureus. 2023 Dec 4;15(12):e49887. doi: 10.7759/cureus.49887. PMID: 38174199; PMCID: PMC10762564.
36、辛加姆 A. 彻底改变患者护理：人工智能在麻醉中的应用全面回顾。Cureus 2023 年 12 月 4 日;15（12）：e49887。 doi： 10.7759/cureus.49887.PMID：38174199;PMCID：PMC10762564。
37、Mitchell P, Lee SCM, Yoo PE, Morokoff A, Sharma RP, Williams DL, MacIsaac C, Howard ME, Irving L, Vrljic I, Williams C, Bush S, Balabanski AH, Drummond KJ, Desmond P, Weber D, Denison T, Mathers S, O'Brien TJ, Mocco J, Grayden DB, Liebeskind DS, Opie NL, Oxley TJ, Campbell BCV. Assessment of Safety of a Fully Implanted Endovascular Brain-Computer Interface for Severe Paralysis in 4 Patients: The Stentrode With Thought-Controlled Digital Switch (SWITCH) Study. JAMA Neurol. 2023 Mar 1;80(3):270-278. doi: 10.1001/jamaneurol.2022.4847. Erratum in: JAMA Neurol. 2023 May 1;80(5):533. doi: 10.1001/jamaneurol.2023.0594. PMID: 36622685; PMCID: PMC9857731.
37、Mitchell P， Lee SCM， Yoo PE， Morokoff A， Sharma RP， Williams DL， MacIsaac C， Howard ME， Irving L， Vrljic I， Williams C， Bush S， Balabanski AH， Drummond KJ， Desmond P， Weber D， Denison T， Mathers S， O'Brien TJ， Mocco J， Grayden DB， Liebeskind DS， OpieNL，奥克斯利 TJ，坎贝尔 BCV。 完全植入的血管内脑机接口治疗 4 名患者严重瘫痪的安全性评估：带有思想控制数字开关 （SWITCH） 研究的 Stentrode。美国医学会神经学杂志。2023 年 3 月 1 日;80（3）：270-278。 doi：10.1001/jamaneurol.2022.4847.勘误表：JAMA Neurol. 2023 年 5 月 1 日;80（5）：533。 doi：10.1001/jamaneurol.2023.0594.PMID：36622685;PMCID：PMC9857731。
38、人工智能新突破：脑机接口技术开启人机交互新时代 . [Accessed: June 16, 2024]. Available at: https://www.sohu.com/a/785886485_121924584.
39、Coser O, Tamantini C, Soda P, Zollo L. AI-based methodologies for exoskeleton-assisted rehabilitation of the lower limb: a review. Front Robot AI. 2024 Feb 9;11:1341580. doi: 10.3389/frobt.2024.1341580. PMID: 38405325; PMCID: PMC10884274.
39、Coser O， Tamantini C， Soda P， Zollo L. 基于 AI 的下肢外骨骼辅助康复方法：综述。Front Robot AI.2024 年 2 月 9 日;11：1341580。 doi：10.3389/frobt.2024.1341580。PMID：38405325;PMCID：PMC10884274。
40、Sufyan M, Shokat Z, Ashfaq UA. Artificial intelligence in cancer diagnosis and therapy: Current status and future perspective. Comput Biol Med. 2023 Oct;165:107356. doi: 10.1016/j.compbiomed.2023.107356. Epub 2023 Aug 14. PMID: 37688994.
40、Sufyan M， Shokat Z， Ashfaq UA.人工智能在癌症诊断和治疗中的应用：现状和未来展望。计算生物医学 2023 年 10 月;165：107356。 doi：10.1016/j.compbiomed.2023.107356。 Epub 2023 年 8 月 14 日。PMID：37688994。
41、McCaffrey C, Jahangir C, Murphy C, Burke C, Gallagher WM, Rahman A. Artificial intelligence in digital histopathology for predicting patient prognosis and treatment efficacy in breast cancer. Expert Rev Mol Diagn. 2024 May;24(5):363-377. doi: 10.1080/14737159.2024.2346545. Epub 2024 May 9. PMID: 38655907.
41、麦卡弗雷 C、贾汉吉尔 C、墨菲 C、伯克 C、加拉格尔 WM、拉赫曼 A. 数字组织病理学中的人工智能用于预测乳腺癌患者的预后和治疗效果。 专家 Rev Mol Diagn. 2024 年 5 月;24（5）：363-377。 doi： 10.1080/14737159.2024.2346545. Epub 2024 年 5 月 9 日。PMID：38655907。
42、Cellina M, De Padova G, Caldarelli N, Libri D, Cè M, Martinenghi C, Alì M, Papa S, Carrafiello G. Artificial Intelligence in Lung Cancer Imaging: From Data to Therapy. Crit Rev Oncog. 2024;29(2):1-13. doi: 10.1615/CritRevOncog.2023050439. PMID: 38505877.
42、Cellina M， De Padova G， Caldarelli N， Libri D， Cè M， Martinenghi C， Alì M， Papa S， Carrafiello G. 肺癌成像中的人工智能：从数据到治疗。 Crit Rev Oncog 2024;29（2）：1-13。 doi： 10.1615/CritRevOncog.2023050439.PMID：38505877。
43、Lorkowski SW, Dermawan JK, Rubin BP. The practical utility of AI-assisted molecular profiling in the diagnosis and management of cancer of unknown primary: an updated review. Virchows Arch. 2024 Feb;484(2):369-375. doi: 10.1007/s00428-023-03708-1. Epub 2023 Nov 24. Erratum in: Virchows Arch. 2024 Feb;484(2):377. doi: 10.1007/s00428-023-03728-x. PMID: 37999736.
43、Lorkowski SW， Dermawan JK， Rubin BP.AI 辅助分子分析在原发原因不明癌症诊断和管理中的实际效用：更新的综述。Virchows Arch. 2024 年 2 月;484（2）：369-375。 doi：10.1007/s00428-023-03708-1。 Epub 2023 年 11 月 24 日。勘误表：Virchows Arch. 2024 年 2 月;484（2）：377。 doi：10.1007/s00428-023-03728-x。PMID：37999736。
44、Mueller B, Kinoshita T, Peebles A, Graber MA, Lee S. Artificial intelligence and machine learning in emergency medicine: a narrative review. Acute Med Surg. 2022 Mar 1;9(1):e740. doi: 10.1002/ams2.740. PMID: 35251669; PMCID: PMC8887797.
44、Mueller B， Kinoshita T， Peebles A， Graber MA， Lee S. 急诊医学中的人工智能和机器学习：叙述性综述。急性医学外科杂志 2022 年 3 月 1 日;9（1）：e740。 doi：10.1002/ams2.740。PMID：35251669;PMCID：PMC8887797。
2024-10-14 13:58定稿 ,2024-10-31 15:05再修改 YC
