2017两会中人工智能第一次出现在政府工作报告中，关注人工智能的科技界因此热血沸腾。世界癌症日2月4日当天，IBM Watson医生第一次在中国“出诊”，仅用10秒就开出了癌症处方。这两条消息再次把人工智能推向了高潮. 不管医生是不是接受，人工智能(AI) 已经强势闯入医疗界，让我们一起回顾一下，人工智能战胜人类的那些事件。
1.Science报道自学习式人工智能可协助预测心脏病发作
Science杂志报道了英国诺丁汉大学流行病学家StephenWeng博士团队发表在PLOSONE上的重要研究成果，Weng博士团队将机器学习算法应用于电子病历的常规数据分析，发现与当前的心脏病预测方法相比，深度学习算法不仅可以更准确地预测心脏病发病风险，还可以降低假阳性患者数量。
在这项新研究中，Weng和其同事对比了ACC/AHA 指导方针和4个机器学习算法：随机森林（random forest）、logistic 回归（logistic regression）、梯度提升（gradient boosting）以及神经网络（neural networks）。为了在没有人类指示的情况下得出预测工具，所有这 4 项技术分析了大量数据，被分析的数据来自英国378256名患者的电子医疗记录，目标是在与心血管疾病有关的记录之中找出发病模式。
2.人工智能诊断皮肤癌准确率达91%
斯坦福大学一个联合研究团队开发出了一个皮肤癌诊断准确率媲美人类医生的人工智能，相关成果刊发为了1月底《自然》杂志的封面论文，题为《达到皮肤科医生水平的皮肤癌筛查深度神经网络》（Dermatologist-levelclassification of skin cancer with deep neuralnetworks）。他们通过深度学习的方法，用近13万张痣、皮疹和其他皮肤病变的图像训练机器识别其中的皮肤癌症状，在与21位皮肤科医生的诊断结果进行对比后，他们发现这个深度神经网络的诊断准确率与人类医生不相上下，在91%以上。
在测试中，人工智能被要求完成三项诊断任务：鉴别角化细胞癌、鉴别黑色素瘤，以及使用皮肤镜图像对黑色素瘤进行分类。研究者通过建构敏感性（sensitivity）-特异性(specificity)曲线对算法的表现进行衡量。敏感性体现了算法正确识别恶性病变的能力，特异性体现了算法正确识别良性病变，即不误诊为癌症的能力。在所有三项任务中，该人工智能表现与人类皮肤科医生不相上下，敏感性达到91%。
3.人工智能走进ICU：可预测病人死亡准确率达93%
在洛杉矶儿童医院，数据科学家Melissa Aczon和David Ledbetter提出了一种人工智能系统，这个系统可以让医生们更好地了解哪些孩子的病情可能会恶化。
他们使用了PICU里超过12000名患者的健康记录，机器学习程序在数据中发现了相关规律，成功识别出了即将死亡的患者。该程序预测死亡的准确率达到了93％，明显比目前在医院PICU中使用的简单评级系统表现更好。Aczon和Ledbetter在Arxiv上发表了相关论文，公布了他们的研究成果。
他们实验的创新点是使用了一种叫做循环神经网络（RNN）的机器学习方法，这种方法擅长处理持续的数据序列，而不是从某一个时刻的数据点直接得出结论。“RNN网络是处理临床数据序列的一种有效方法。”Aczon说，“它能够整合新产生的信息序列，得到准确的输出。”所以在程序中，RNN网络表现得更好，因为它能够随着时间的推移，根据病人最近12小时的临床数据，做出最准确的预测。
4.第三军医大利用人工智能30秒内鉴定血型，超99.9%准确率
3月15日，权威杂志science刊登的一篇关于中国第三军医大学罗阳团队的最新研究成果，这对于急需输血抢救的病人意义重大，可以为患者节省3-15分钟的时间，增加他们的生还几率，同时也可用于抢险救灾、战场急救等急需验血的情况。
第三军军医大学罗阳团队研发的技术，可以在30秒内检测出ABO血型和Rh血型，仅用一滴血在2分钟内完成包括罕见血型在内的正向和反向同时定型（医生在输血前，为了减少错误，一般要做正反定型和交叉验血试验）。同时团队还设计出一套智能算法，能够根据试纸的颜色变化读出血型，定型准确率超过99.9%。
研发团队为了减少人为识别带来的误差，开发了一套机器学习算法自动识别颜色的变化，同时为了验证算法的准确性，研究人员先用经典凝胶卡片法鉴定3550例血液样本，再通过优化参数操作，算法模型准确的测出这3550例血液的血型。
5.谷歌研发人工智能眼科医生：用深度学习诊断预防失明
表于JAMA 的论文《用于检测视网膜眼底照片中糖尿病性视网膜病变的深度学习算法的开发和验证（Developmentand Validation of a Deep Learning Algorithm for Detectionof DiabeticRetinopathy in Retinal Fundus Photographs）》中，我们提出了一种可以解读视网膜照片中 DR 发病迹象的深度学习算法，这有望能帮助资源有限地区的医生正确地筛选出更多的病人。
研究人员创建了一个包含128000 张图像的开发数据集，其中每一张图像都得到了54位眼科医生中3到7位医生的评估。这个数据集被用来训练了一个可以检测可诱发糖尿病性视网膜病变的病症的深度神经网络。然后两个互相独立的包含大约 12000 张图像的临床验证集上测试了该算法的表现，该测试所参考的标准是一个7或8人的美国认证眼科医生中大多数人的意见。为验证集所选择的眼科医生的意见与训练集原来的54位医生的意见表现出了高度的一致性。
在这项成人的糖尿病性视网膜眼底照片的评估中，基于深机器学习的算法对可疑糖尿病性视网膜病变检测时具有高灵敏度和特异性。进一步的研究是必要的，这将确认此算法应用在临床中的可行性，并确定与目前的眼科评估相比是否使用该算法可以改善治疗和诊断结果。
