有哪些结合医学、计算机、人工智能的研究领域？ 第1页

机器学习最成熟的方向还是图像处理，所以大部分的研究还是与图像处理相关的。

除了病理图片，在神经影像学(CT、MRI)的诊断方面通过大量的数据学习，读片准确率甚至已经超过临床神经内科和影像学医师。

在功能性核磁(fMRI)研究网络研究方面也有很多进展，已经可以做到辅助诊断阿尔兹海默症的早期诊断，早期区分ADHD与孤独症等。

在心电图读图领域，通过机器学习也可以识别出在临床工作中容易忽略的心律失常，在青春期和中年期发生的遗传性心率失常首发身体症状即为晕厥猝死的概率很高，但很容易被忽略，尤其是因为首发时就诊神经内科而非心血管专科导致被忽略，机器学习将有助于预防这些悲剧的发生。

此外，借助机器学习体外定位房颤病灶，然后用伽马射线刀直接打掉病灶，首例手术近期已经成功了，未来房、室颤消融可能不再需要介入手手术，而只需要体外用射线束精确照射对焦，完成超微创手术。这不仅省去进行麻醉、血管穿刺、导丝放入心腔等高危操作。而且由于不需要灼烧死病灶对应的心肌表面的心肌细胞，而是直接对焦于包埋在心肌内的病灶细胞，虽然还会有放射副损伤，但是对病灶周围“无辜”心肌的误伤也会明显减少。

但是在某些影像领域，机器学习读图的效果目前仍然远不如人工读图，还有很多发展到空间。

在图像领域之外，一些容易被忽略的领域，机器学习也有很多进展。例如在外科医生使用摇杆控制机器手臂进行微创的基础下，通过学习大量模拟手术来实现智能修正手术中的人手抖动、误操作，这已经被应用于达芬奇手术机器人。

这不仅可以减少手术中的意外，未来也可以通过智能修正实现既往很难做成的高难度显微手术(显微手术主要是神经外科手术和新生儿手术)。

智能修正远程操作延迟也使外科医生坐在医院，远程派出手术机器人到需要的地方成为可能。

其实除了那些罕见病、人类难以完成的工作。机器学习还可以解决很多实际的医疗难题。《知识分子：IBM肿瘤医生“沃森”被曝不好用，医疗AI前景堪忧？》这篇文章下的一个评论非常棒：

“医疗上用生成数据训练，觉得是条歪路。可能公司总想放大卫星，偏去搞少见疾病。其实大把确定性强的，常见的疾病需要人工智能。而且应用不应该局限于图像识别上。”

这个评论很棒，在已经成熟的常见病诊疗上减轻医生工作负担，这也是机器学习可以解决的医疗难题。

例如通过AI语音识别和专业词汇转化自动生成病程，减少医生不必要的文书工作；自动协调检验科室与临床，由AI自动在病历上记录检验异常结果并主动提示医生给出诊断和治疗方案。

这方面在中国尤其有重要意义：

问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、问诊、追检查、开医嘱、记病历、追检查、同样的内容反复记录无数遍，这就是中国医生的日常。

并且在中文语境下还不能只记录术语简称，不像很多非中午语言环境下医生只需要几个词就能记录一个完整的病历。

并且由于中文语境下讨厌内容重复的习惯，两次病历记录内容，刨除血压、心率、化验结果等纯数据差异，文字部分也被不能写成完全一样。

一遍遍人工录入，充分体现人口密度大、“人口过剩”地区劳动密集型信息录入的特征。

然而中国人均拥有的医生数相对于比大多数国家都是非常低的。

在“全民AI的背景下”，可以开发一些医疗AI。

问诊时自动录音，智能生成病历，从医生与患者的交流中提取出通俗的疾病名称和诊疗计划，自动转换为诊断标准的疾病名称、规范的诊疗操作名称，直接自动写入病历并交给医生审核。

在检查结果生成时自动提示一线临床医生，提醒医生对异常项目给出诊断和建议。

由医生口述给出诊断和医嘱，然后自动开出医嘱并自动生成病程记录。

这些研究很容易就能通过与医院合作获得巨大的样本量，也很容易生成实用产品。

这样能减少医生的工作负担，节省诊疗时间，降低临床中因为医生过度疲劳、遗忘所造成的很多不必要的误操作。对医护人员和患者都有利。同时也有巨大的商业价值，能实现医疗与人工智能研究机构的双赢。