AI医学趋势？香港城市大学最新《人工智能与医学》文献综述，六大类27篇代表性论文全面叙述最新进展：专业化、问题导向、以患者为中心

如今，在几乎每个行业，人工智能都是机器协助人类的最有效方式之一。自人工智能诞生以来，全球范围内的大量研究人员一直在探索人工智能在医学领域的应用。虽然人工智能似乎是一个21世纪的概念，但艾伦·图灵在20世纪40年代率先提出了第一个基础概念。人工智能在医学领域有大量的应用，研究人员正在不断探索。计算机和人力资源的巨大增长加速了21世纪的进步，并将在未来许多年继续这样做。这篇文献综述将突出人工智能在医学中的新兴领域及其当前的发展水平。

https://www.zhuanzhi.ai/paper/d25e4962b98b1e948c6eee475b3c45f1

引言

人工智能，包括机器学习和深度学习，是一个研究领域，它关注的是机器的发展，这些机器可以执行通常需要人类智能的功能，如视觉感知、语音识别、决策、以及不同语言之间的语言翻译(Hamet and Tremblay 2017)。人工智能的目标之一是开发能够感知、学习、推理和行为方式与人类相同的机器。在过去的几年里，人工智能领域出现了巨大的增长。金融服务、教育和医疗只是从它们的使用中受益的几个行业。它也被用于开发能够完成各种任务的机器人。

毫无疑问，医学是将从人工智能集成中获得巨大收益的主要行业之一。分析是医学的一个关键元素，通常由医生进行，他们也是人。与人类不同，人工智能能够快速处理大量数据。虽然人类一次只能专注于一两个任务，但人工智能能够分析大量数据并发现潜在的模式。人工智能的另外两个特点是机器学习和适应新环境。此外，它还能够从其他人工智能系统的错误中学习，并将这些信息应用于未来的性能改进。目前的研究趋势表明，人工智能可能用于各种医疗应用(Buch et al. 2018)。其用途可能从基本的生物学数据测量到数据分析和疾病诊断。

从这篇文献综述中可以得出结论，人工智能在医学中的使用总是朝着更专业的用途而不是更普遍的应用发展。具体来说，研究中的许多出版物表明，他们为了自己的目的修改或开发了新的机器学习算法。因此，未来对人工智能在医学领域应用的研究，预计将更侧重于针对特定医疗问题的新算法的开发，而不是通用人工智能系统的开发。未来的发展也有可能以患者为中心，而不是以医生为中心，这意味着人工智能的目标将是帮助患者，而不是减轻医生的职责。

心肺

从癌症到肺动脉高压治疗小分子的计算再利用(Negi et al. 2021)

本研究基于EDDY (Evaluation of differential dependency)开发了一种名为“EDDY- ctrp - ph”的差异依赖网络(differential dependency network, DDN)，连接癌细胞中与药物反应相关且与肺动脉高压状态重叠的基因。该网络被用来重新分类可能用于非癌症疾病的癌症药物。

使用人工智能生物电子药物动态检测和逆转心肌缺血(Ganzer et al. 2022)

本研究是一种人工神经网络(ANN)的概念证明，它补充了心肌感觉网络，通过解码心血管病理生理特征，并通过ANN控制的迷走神经刺激(VNS)逆转心肌缺血，从而可靠地检测心肌缺血。

**人工智能与COVID-19:深度学习诊断和治疗方法(Jamshidi et al. 2020) **

本文评估了几种基于AI的技术的概念结构，以协助制定COVID-19的诊断和治疗方案。不同类型的人工神经网络(ANN)的各种应用旨在帮助简化COVID-19的常规诊断方法。

**COVID-19 Artificial Intelligence diagnosis using only cough recordings (Laguarta et al. 2020) **

该研究强调使用咳嗽记录分析技术进行基于人工智能的COVID-19诊断，这可能会弥补当前COVID-19检测标准——实时RT-PCR的不足。咳嗽录音已被证明是有效的，快速的，简单的，无创的，廉价的。这使个人有资格获得移动或远程诊断，这可能导致快速转诊诊断和治疗。

医疗影像系统

基于可解释人工智能模型的定量相似性，对胸部X射线图像进行精确的自动标记(Kim等人，2022a)

本文建立了一个可解释的人工智能模型XAI，该模型可以根据与训练集的定量相似度对胸部X射线图像进行可靠的分类。模型是完全可调的，通过调整原始模型，可以对模型进行性能再训练、保存或增强。

基于锥形束CT图像的牙齿和牙槽骨分割的全自动AI系统(Cui et al. 2022)

本文开发了一种完全自动化的锥形束计算机断层扫描(CBCT)图像分割，使用基于深度学习的人工智能(AI)系统来区分单个牙齿和牙槽骨。自动感兴趣区域(ROI)识别用于实现完全自动化的分割。目前的技术，如牙网和CGDNet，需要操作员手工定义ROI，因此，不是完全自动化的。

肿瘤学

一种基于感知的检测癌症生物标志物的纳米传感器平台(Yaari et al. 2021)

本研究旨在克服在基于感知的传感系统中经常使用的一对一识别的局限性。该研究团队构建了基于DNA-SWCNT (SWCNT:单壁碳纳米管)的光致发光传感器阵列，采用机器学习算法结合光学响应训练来识别生物体液中的妇科癌症生物标志物。

Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challenge (Bulten et al. 2022) * Brain tumor detection using statistical and machine learning method (Amin et al. 2019) * Detection of ovarian cancer via the spectral fingerprinting of quantum-defect-modified carbon nanotubes in serum by machine learning (Kim et al. 2022b) * Lung and pancreatic tumor characterization in the deep learning era: novel supervised and unsupervised learning approaches (Hussein et al. 2019) * Machine learning analysis of DNA methylation profiles distinguishes primary lung squamous cell carcinomas from head and neck metastases (Jurmeister et al. 2019) * Metabolic detection and systems analyses of pancreatic ductal adenocarcinoma through machine learning, lipidomics, and multi-omics (Wang et al. 2021) * Morphological and molecular breast cancer profiling through explainable machine learning (Binder et al. 2021) * Predicting and characterizing a cancer dependency map of tumors with deep learning (Chiu et al. 2021) * Predictions of cervical cancer identification by photonic method combined with machine learning (Kruczkowski et al. 2022) * Toward robust mammography-based models for breast cancer risk (Yala et al. 2021) * Tumor-specific cytolytic CD4 T cells mediate immunity against human cancer (Cachot et al. 2021)

病理生理学

一种用于发现体细胞突变的机器学习方法(Wood et al，2018)

该研究建立了一种基于机器学习的技术，名为“脑波强化器”(Cerebro)，用于识别优于传统实验验证方法的肿瘤变化。该技术增加了排除错误改变的可能性，同时最大限度地提高了检测TCGA(癌症基因组图谱计划)数据真正改变的敏感性和特异性。

Fusion of fully integrated analog machine learning classifier with electronic medical records for real-time prediction of sepsis onset (Sadasivuni et al. 2022) * The human splicing code reveals new insights into the genetic determinants of disease (Xiong et al. 2015)

制药

**一种机器学习方法，通过异质细胞筛选确定抗疟药物的作用(Ashdown，2020年) 该研究开发了一种半监督机器学习架构，以评估疟原虫培养，并根据其形态异质性对其发展阶段进行分类。恶性疟原虫的不同形态被定义和量化整个无性生命周期，使用该模型来描述其发展和抗疟药物的效果。

Combining generative artificial intelligence and onchip synthesis for de novo drug design (Grisoni et al. 2021) * Supervised learning model predicts protein adsorption to carbon nanotubes (Ouassil et al. 2022) * Systems biology and machine learning approaches identify drug targets in diabetic nephropathy (Abedi et al. 2021)