在之前的文章中介绍了医疗领域比较常见的人工智能（AI）应用。虽然人工智能、语音交互、计算机视觉和认知计算等技术在逐渐成熟，但是其与医疗相结合的过程中也存在着一些挑战，本文将对人工智能医疗面临的机遇和挑战进行介绍。
人工智能在医疗中的优势
在医学上通过人工智能可以使用机器学习模型来搜索和处理医疗数据，帮助提高健康治疗效果和患者体验。新冠期间，世界各地的许多医疗保健组织开始对新的人工智能支持技术投入使用，如帮助监测患者健康和筛查感染新冠的患者等。
1.患者护理“有迹可循”
将医疗AI集成到临床工作流程中，利用算法分析病人数据甚至输出界面图形，可以在疾病诊断和提供治疗方案时获得有价值的背景信息。AI自动化的工作流程可以大幅简化医护人员的工作步骤，优先处理紧急事件。
AI自动化的工作流程可以大幅简化医护人员和研究人员的工作步骤。
AI算法通过深度学习可以区分不同类型的信息。例如，如果录入患者当前所用药物信息，结合新药信息，AI算法可以向患者推荐最合适的药物。
2.减少错误、降低成本
最近IBM对53项同行评审研究进行了系统性审查，研究了人工智能对患者安全的影响，发现人工智能驱动的决策支持工具可以帮助改善错误检测和药物管理。比如AI手术辅助系统可以提供给医生更清晰的视角，让医生可以精准快捷地手术，并且对病人造成较小的伤害、较小的伤痕，让病人可以更快速地恢复。
AI手术辅助系统可以让医生精准快捷地手术。
而且使用人工智能可以降低整个医疗保健行业的成本，比如减少用药错误、定制虚拟健康援助、预防诈骗以及支持更有效的管理和临床工作流程。此外在药物研发方面人工智能也可以提高研发阶段的效率，降低成本
人工智能医疗面临的挑战
由于医学是经验科学，本身存在着不确定性和开放性，决策路径复杂，所以AI在医疗领域还存在着如下问题。
1.算法和数据限制与医生多年的医学教育、考试和实践类似，人工智能算法也需要有一个学习的过程。为了生成科学的算法，首先需要向计算机系统提供结构化的数据，每一个数据点都有一个算法可识别的标签。在算法暴露于足够的数据点及标签后其分析能力和准确性才有所保证。程序员根据测试结果对算法进行优化。
AI算法被视为自主运作、晦涩难懂的黑箱，其内部工作机制难以解释。
但诸如神经网络、深度神经网络、深度学习、梯度增强模型等黑盒模型虽然拥有很高的准确性，却极难理解其内部工作机制，可解释性差。医生只能得到计算的结果，却不知为何而来，长久以往的使用可能会产生依赖，较难发现产品出错。
而且AI学习需要大量高质量的数据进行训练，但由于医疗数据具有复杂的多维度特征、医疗数据产权关系不清和医疗数据人为因素影响严重的关系，满足训练条件的数据较少。甚至对于具有误导性的数据，算法可能给出误导性结果，如果没有及时发现甚至会导致医疗事故。
2.*策与法律体系影响
从年1月至今，国家药监局已经批准近40张三类AI医疗器械注册证，且增速加快。但国内医疗AI相关*策与法律体系建设尚在起步阶段，相关规范和法律不完善，例如个人隐私保护、医学伦理道德、产品责任和医疗过失侵权责任、医疗服务收费等，这将对医疗AI的高速发展带来不利影响。当然，众多有识之士已经在呼吁立法，建立数据开放标准、界定数据开放边界，在应用推广上采用循序渐进的开放原则，让我国把握机遇，做好数据开放与共享，打造全球科技竞争新优势。
国内医疗AI相关*策与法律体系建设仍待完善。
医疗AI虽然处在早期阶段，但是发展迅速，相信会给医疗器械企业、医护人员和患者带来极大的便利。对于其所面临的挑战期待相关研究人员、机构和部门的努力，为人工智能医疗的发展贡献力量。
引用
1.
