徐向东等：190例医疗健康⼈⼯智能应⽤案例分析
⽬前，⼈⼯智能已成为医疗健康应⽤发展新的驱动⼒。为及时掌握全国范围内医疗健康⼈⼯智能技术的推⼴及应⽤情况，发挥典型引领、⽰范作⽤，推动新⼀代⼈⼯智能技术的应⽤落地，2019年1⽉，国家卫⽣健康委统计信息中⼼⾯向全国开展⼈⼯智能技术应⽤落地案例征集活动。
1. 案例来源
2019年1⽉—3⽉，通过⽹上填报共收集案例245例，经筛选进⼊评选环节的案例190例，涉及137所医疗卫⽣机构和科研院所；有55例案例未通过形式审查。收集的信息包括案例名称、申报类型、申报单位、承建商、基本情况、实现功能、应⽤效果、技术特点、软件著作和专利及获奖情况。申报类型分为疾病预测⼲预智能化、疾病咨询智能化、疾病诊疗智能化、药物研发智能化、卫⽣事业管理智能化和其他类型案例6类[1]。
关于过年的图片2. 案例分析
2.1案例分类
按照单位填报的案例类别统计，在190个案例中，疾病辅助诊疗类案例98例，占⽐52%；疾病预测⼲预类案例31例，占⽐16%；疾病咨询类案例22例，占⽐12%；卫⽣事业管理类案例24例，占⽐13%；其他
案例15例，占⽐8%；药物研发智能化案例为0。
2.1.1疾病辅助诊疗类
主要收集临床辅助诊疗、疾病康复⽅⾯的相关应⽤案例，包括知识库、智能辅助诊断系统等，以及临床医疗机器⼈、护理机器⼈、⼿术机器⼈、康复机器⼈等服务系统。疾病辅助诊疗类以医学影像类居多。其中，电⼦计算机断层扫描（CT）影像类28例。多模态影像，如CT影像与磁共振（MR）或正电⼦发射计算机断层显像（PET）等融合28例。应⽤场景相对单⼀，技术也趋于同质化。
2.1.2疾病预测⼲预类
主要关注健康风险预测、疾病流⾏和公共卫⽣事件等案例。疾病预测⼲预类案例主要收集健康管理咨询、虚拟助⼿、智能全科医⽣等针对疾病及健康知识等实现的相关应⽤。在此类应⽤的22个案例中，有9例是“智能导诊”应⽤场景。
2.1.3卫⽣事业管理类
主要收集公共卫⽣管理、医院管理、分级诊疗、医患沟通、⼈⽂关怀等应⽤案例，如患者随访、护理质量管理等。在此类应⽤的24个案例中，主要以健康⼤数据管理为主，侧重于提升医院管理⽔平，⽀撑分级诊疗⼯作开展。
2.1.4药物研发类
主要收集新药发现阶段与临床试验等应⽤案例，如靶点筛选、药物发掘、药物优化、服药依从性管理、药物晶型预测等，但此类案例缺失，分析其原因：⾸先，本次案例征集主要针对医疗卫⽣机构，没有涉及到药品研发及⽣产过程；其次，对药物研发，尤其是基于分⼦⽣物学的分⼦功能分析等需求关注较少。
2.1.5其他
主要关注“防病辅医研药协管”以外的智能化应⽤案例，申报案例有智能护理包、智能平台、物流机器⼈等。
2.2分析结果
2.2.1申报案例以医疗卫⽣机构为主
按照东、中、西部地区进⾏统计，东部地区申报案例数量为120例，占⽐63%，占⽐较⾼；中部地区为31例，占⽐16%；西部地区为39例，占⽐21%。按照医疗卫⽣机构类别进⾏统计，各级医疗机构共111家，占⽐81%，其中三级医院99家，⼆级医院5家，⼀级及未定级医院7家；公共卫⽣单位22家，占⽐16%；科研院所4家，占⽐3%。
院99家，⼆级医院5家，⼀级及未定级医院7家；公共卫⽣单位22家，占⽐16%；科研院所4家，占⽐3%。
申报项⽬数量排前3位的省份分别是⼴东省22例、北京市20例、上海市和浙江省同为16例。深圳市申报项⽬12例，占了⼴东省的⼀半以上。报送案例数量超过10例的还有⼭东省、四川省、江苏省、安徽省、重庆市和福建省。
2.2.2疾病辅助诊断应⽤超过半数以上，以医学影像应⽤为主
现代医学属于循证医学，影像检查，是现代医疗诊断的主要依据之⼀。医学影像的数据具有可获得、易标注、质量较好、数据标准化程度较⾼等特点，使得⼈⼯智能在医学影像应⽤中最为成熟。⼤部分案例通过对病灶或靶区的⾃动勾画，以及三维模型的重建，实现影像分类、靶点检测、图像分割、影像检索。本次疾病辅助诊断案例⼤多以医学影像数据为基础，从原始数据中得出抽象的泛化特征，通过反复学习和模型建⽴进⾏判断，完成医学影像识别应⽤。许多医院通过使⽤⼈⼯智能医学图像识别系统，提升诊断效率和精准度。基层医疗卫⽣机构通过信息技术赋能，提升诊断⽔平、促进医疗资源下沉。
2.2.3辅助诊断应⽤以肺结节、肿瘤、⼼脑⾎管、眼底病等疾病为主
（1）肺结节等肺部疾病检测及诊断案例有46例。案例多通过⼈⼯智能技术辅助完成诊断⼯作，并基于筛查结果⾃动⽣成结构化诊断报告。
（2）肿瘤筛查申报案例有30例。主要通过⼈⼯智能算法⾃动识别病灶及评估肿瘤良恶性概率，同时根据病灶位置、⼤⼩、密度、钙化及良恶性等征象特征，作出预测。多数还可以⾃动匹配具有病理结果的相似病理，作为当前病例的诊断参考。该类案例主要包括肺癌筛查及检测、妇⼥两癌筛查（乳腺、宫颈）、消化道肿瘤筛查、肝癌筛查等。
（3）⼼脑⾎管疾病案例为15例。主要包括⼼电图辅助诊断检测及监护、围术期超声⼼动图检测、冠状动脉疾病诊断和预测、静脉⾎栓塞及⼼脑⾎管斑块和狭窄检出等。
（4）眼底疾病申报情况。案例主要包括糖⽹病、黄斑⽔肿、⾼度近视眼底改变、黄斑病变、视⽹膜分⽀静脉阻塞、视⽹膜中央静脉阻塞等相关疾病的智能化筛查和识别。
3. ⼈⼯智能技术应⽤分析
近两年，巨⼤的医疗健康需求，快速发展的数据技术，让医疗⼈⼯智能备受各界关注。有报告将⼈⼯智能分为机器学习、知识⼯程、计算机视觉、⾃然语⾔处理、语⾳识别、计算机图形学、多媒体技术、⼈机交互、机器⼈、数据库技术、可视化、数据挖掘、信息检索与推荐13个[2]技术领域。本⽂主
济组词组要对照机器学习、知识⼯程等7个技术点，对本次案例进⾏分析后发现，超过84%的案例实现了多任务、多模态的技术模式，如在肺部疾病、⼼脑⾎管、消化道、乳腺及宫颈癌、眼科等疾病筛查及辅助诊断治疗中，采⽤计算机视觉、知识⼯程、⾃然语⾔处理（natural language processing，NLP）等技术，实现医学图像分割、病灶识别分类、知识库建⽴等功能。在智能导诊系统中，采⽤语⾳识别、NLP、⾃动驾驶等，实现语⾳识别与分析，并引导患者就医。在疾病辅助诊断案例中，通过⼤数据技术进⾏⼤规模数据获取，利⽤知识图谱、⼤规模语义⽹络技术，建⽴知识库等⾃动识别和⾃动归类等。
3.1 机器学习技术
机器学习主要涉及到算法的选择、分类器的构建[3]。算法通过输⼊的数据进⾏⾃动学习获得知识，并基于输⼊数据建⽴模型，对新数据进⾏精确预测。数据的积累有利于分类器性能的提升。机器学习可以从⼤量医疗数据集的数据中学习和识别，为医疗健康⼈⼯智能的辅助诊断和辅助治疗提供⽀持。机器学习⼜分为有监督学习、⽆监督学习、强化学习、深度学习等。深度学习是⼀种特定形式的机器学习，随着卷积神经⽹络、深度置信⽹络等技术的进步，深度学习引领了图像识别和语⾳识别等领域的突破性进展。
在此次分析的190例医疗健康⼈⼯智能应⽤案例中，有65例使⽤了机器学习技术，包括⽀持向量机（s
upport vector machine, SVM）算法、决策树算法、回归预测算法、推荐算法等，应⽤范围包括导诊导医机器⼈、传染病和慢性病预测及筛查系统、智能诊断系统（⼉科、⾎液病、⼼脑⾎管、消化道、肺部诊断、肿瘤等）、临床⽤药辅助决策系统、健康管理系统等。有108例使⽤了深度学习技术，包括NLP、即时定位与地图构建（simultaneous localization and mapping，SLAM）、计算机视觉、语⾳语义技术等，应⽤范围包括导诊导医系统、传染病和慢性病预测及筛查系统、智能诊断筛查系统（⼉科、⾎液病、⼼脑⾎管、消化道、宫颈及乳腺癌、肺部疾病、眼科、肿瘤等）、⾻科术前⽅案制定系统、术后康复评定系统、急诊（救）辅助决策系统、临床⽤药辅助决策系统、健康管理系统等。
3.2 知识⼯程（专家系统）
业界对知识⼯程定义为将知识集成到计算机系统，从⽽完成需要特定领域专家才能完成的复杂任务。专家系统是知识⼯程的雏形或简单呈现，计算机系统从诊断、检查等数据中，半⾃动或⾃动获取知识，由于没有明确的知识库和推理机，直接模拟诊断缺乏灵活性。随着算⼒算法、知识图谱和⾃然语⾔识别等进步，知识⼯程已经从单纯的搜集获取信息转变为⾃动化的知识服务，通过为数据添加语义/知识，完成从数据到信息、到知识，最终到智能应⽤的转变过程[8]。由于医疗诊断是⼀项典型的专家任务，所以知识⼯程是应⽤较早、使⽤⼴泛、卓有成效的⼈⼯智能技术。本次案例中，有7例使⽤了专家系统作为关键字，应⽤范围包括基于医疗检查结果进⾏分析和判断的医疗检查解释系统，⼼脑⾎管、肿瘤等诊断专家系统，慢病及中医健康管理专家系统等。例如：智能病史采集系统主要⾯向门诊
诊疗，提供智能问诊、病史采集、病历⾃动⽣成、病程可视化等能⼒，覆盖消化、呼吸、内分泌等专科常见病、多发病，在患者就诊时，系统已⾃动传输、提前采集，并⽣成的智能病史⾄医⽣电⼦病历系统。糖尿病智能管理处⽅系统将国内外糖尿病及相关并发症的各类指南和共识中的要义转换成数字医学规则，通过收集患者糖尿病影响因⼦，结合⽤户画像模型及糖尿病知识库，指导患者正确饮⾷，监测⾎糖、运动、⾜部护理等，智能⽣成“糖尿病个体化控制处⽅”，对患者进⾏智能化、个性化正向⼲预。
3.3计算机视觉
计算机视觉技术是使计算机具有类似⼈类眼睛所具有的分割、分类、识别、跟踪、判别、决策等功能。本次许多案例都利⽤相关技术，提供了较好的应⽤案例。冠状动脉CT⾎管造影（CT angiography，CTA）是经静脉注射造影剂后，CT 扫描并计算机重建的⼼脏冠状动脉成像的⼀种检查⽅法，案例医院在冠状动脉CTA后处理及诊断应⽤中，采取对图像分割技术、三维重建、⾎管中⼼线提取、斑块和狭窄识别判别等技术，为医⽣提供更精细化的图像处理，辅助医⽣提⾼效率，对质量控制起到⾮常好的作⽤。有的案例医院通过肺癌影像智能应⽤，对检测出的肺结节，描述其⼤⼩、体积、密度、CT值等形态特征，并基于算法智能分析胸部CT其他影像表现，如针对分叶、⽑刺、胸膜凹陷、空洞、空泡、钙化，6种常见的良恶性征象，提⽰良性、恶性肺部病变的概率评估，供医师参考。同时，⾃动匹配相似病理结果，提供结构化的定量评估、进⾏多平⾯重组（MPR）追踪和随访分
析。⽪肤病学的基础是⽪损的可视化特征，很多⽪肤病特征适合使⽤计算机视觉进⾏辅助诊断，有的案例医院利⽤已标注的⽪肤影像资源，能识别的⽪肤疾病数量达50余种，并形成⽪肤肿瘤、⿊甲、银屑病、⽩癜风等疾病的辅助诊断管理平台。
3.4⾃然语⾔处理（NLP）
⾃然语⾔处理是实现⼈机间信息交流的重要技术和环节，⾃然语⾔处理就是计算机理解⾃然语⾔，包括⾃然语⾔理解和⾃然语⾔⽣成两个⽅⾯。有的案例医院利⽤智能化静脉⾎栓栓塞症智能管理系统，针对静脉⾎栓形成及肺⾎栓栓塞症对⽂献和指南进⾏汇编，构建标准化名词和数据集。利⽤NLP技术从既往病史、检查报告、病理报告、临床诊断、⼿术记录识别出指标信息，通过归⼀化处理、逻辑推理等操作，实现对患者的⾃动量表评分，⼤幅提升效率和效果。有的医院建⽴覆盖90%⼉童的亚专科智能病种库，将⾮结构化⽂本形式的病历数据变成规范化、标准化、结构化的数据，以便计算机辅助诊断系统可以准确完整地“读懂”病历。然后，将⽂本病历转换成输⼊部分，包含患⼉的性别、年龄等基本信息，⾝⾼、体重等⽣命体征，以及症状、化验指标和影像检查标志物等，把诊断结果作为输出部分。利⽤⾼年资⼉科医⽣标注诊断，确定⾦标准测试集，来判断算法的准确度。
3.5 语⾳识别
语⾳识别应⽤主要包含两个⽅⾯：⼀⽅⾯，提取语⾳库中语⾳样本进⾏学习和训练；另⼀⽅⾯，语⾳
信号的准确识别。识别结果的好坏与模板库是否准确、模型参数的好坏，以及特征参数的选择都有直接关系。我国语⾳识别相关技术基本与国外先进技术处于同⼀档次[5]。有的案例医院在门诊医⽣站嵌⼊语⾳电⼦病历系统，通过对病历数据与⽤户使⽤系统中产⽣的真实⾳频数据的训练，形成定制版的医疗语⾔模型，并利⽤海量语料训练语⾔模型融合，获得更好的语⾔模型，保证医⽣在真实使⽤场景中，识别准确度越来越精准。另外，⾯对医⽣诊间背景噪⾳、医⽣⽅⾔⼝⾳等具体问题，建⽴不同⽅⾔和不同类型背景噪声的海量语⾳数据，通过先进的区分性训练⽅法，进⾏语⾳建模，使语⾳识别在复杂应⽤环境下均有良好的效果。有的案例医院在患者病情随访中⼼使⽤语⾳识别技术，通过终端⾃动拨打患者电话，真⼈真⾳与患者进⾏出院随访沟通，并有效地采集患者回答的信息，将患者回答的语⾳⾃动转录为⽂字记录，⼤⼤减轻医务⼈员⼯作量，保证病⼈随访的质量。
3.6机器⼈
联合国标准化组织给机器⼈定义为“⼀种可编程和多功能的操作机；或是为了执⾏不同的任务⽽具有可⽤电脑改变和可编程动作的专门系统。⼀般由执⾏机构、驱动装置、检测装置和控制系统及复杂机械等组成。”机器⼈既可以接受⼈类指挥，⼜可以运⾏预先编排的程序进⾏⾏动。
有的案例医院利⽤导医机器⼈，集成导诊分诊、院内导航、健康宣教等功能于⼀体，利⽤语⾳识别、⾃然语⾔理解、语⾳合成、⼈脸检测等技术，以“患者需求引导功能”模式，利⽤声源定位技术，主动
判断声源⽅位，开展导医服务。有的案例医院利⽤物流机器⼈，应⽤于⼿术室、静脉补液配送、标本运送等场景。物流机器⼈利⽤物联⽹，基于计算机视觉的多源传感器融合导航技术与环境感知技术，具备适应医院室内定位和导航的传感系统和模块，实现了⾃主定位导航、⾃主电梯控制、⾃主门禁控制、医疗物品运输等功能。
⾃主电梯控制、⾃主门禁控制、医疗物品运输等功能。
3.7⼈机交互技术
⼈机交互（human-computer interaction，HCI），是⼈与计算机之间为完成某项任务所进⾏的信息交换过程。由于⼈体动作蕴含丰富的语义，动作交互技术不仅体现了感知技术的发展，也需要发现或设计有明确交互语义的动作。在本次案例中，有的医院针对脑卒中、帕⾦森病、阿尔茨海默病等重⼤神经系统疾病，应⽤多模态⾃然⼈机交互系统，从患者书写运动中，提取认知与运动功能特征，建⽴正常⼈/患者的运动及笔迹模型，从⽽实现神经功能异常检测与辅助诊断。基于深度视觉捕捉技术隐式获取⼈体在⾃然⾏⾛状态下的运动学参数，包括步速、步频、步长、步宽、协调性等运动学特征，构建神经系统疾病分类预测模型等。将惯性传感器与⽇常餐具结合，利⽤患者在吃饭、喝⽔中，使⽤餐具时的⼿部运动⾏为，提取震颤、迟缓等病症相关特征，建⽴正常⼈/患者的动作模型，对帕⾦森病患者进⾏运动功能评估等，为神经医学检测提供定量化、多模态和⾮任务态监测的⽀持。
4. 讨论
4.1亟需构建统⼀完整的⼈⼯智能应⽤评价体系
4.1.1⼈⼯智能应⽤与信息化应⽤评估的区别
⼈⼯智能应⽤与信息化应⽤有本质的区别。信息化是将传统业务中的流程和数据，通过建设信息系统，将技术应⽤于个别资源或流程来提⾼效率。智能化是使对象具备灵敏、准确的感知功能、正确的思维与判断功能、⾃适应的学习功能、⾏之有效的执⾏功能⽽进⾏的⼯作。智能化也是从⼈⼯到⾃动再到⾃主的过程[5]。⼈⼯智能是由⼈⼯建设的系统或数据学习所表现出来的智能，是使机器/系统能够完成⼀些通常需要⼈类智慧才能完成的复杂任务的技术和⽅法论，也是实现智能化的主要途径。
为了更好的推动医疗健康⼈⼯智能应⽤的发展，国家卫⽣健康委统计信息中⼼联合医疗机构、研究机构及相关企业，建⽴了医疗健康⼈⼯智能应⽤评估模型。评估模型主要围绕医学智能应⽤、智商评估，分为基础环境、智能应⽤、服务效能3个⽅⾯。基础环境是指数据环境、⽹络环境、基础架构、⼈才储备等。智能应⽤是最能体现医疗服务系统智能⽔平的核⼼部分，早期的初级智能主要表现为⾃动化能⼒；中期则主要体现在基本的认知能⼒，包括知识的获取和发现，且具备⼀定的⾃我学习能⼒；⾼级的智慧则体现在主动识别、主动发现、⾃我学习能⼒，有⼀定的逻辑思维能⼒。服务效能是智能化的最终⽬标，即改善医疗服务效能，提升医疗服务能⼒。怎么隐藏图标
4.1.2评价指标体系有待在应⽤中完善
针对应⽤评估模型，前期已设计完成医疗健康⼈⼯智能应⽤评价指标，评价指标体系设⽴了5个⼀级指标：创新性、有⽤性、易⽤性、安全与隐私性、普适性。创新性主要对模式创新程度和技术先进性两个维度进⾏评价，评价点包括解决的问题是否热点、前沿，应⽤模式是否创新，利⽤数据资源是否新颖，是否应⽤⼈⼯智能技术算法，所采⽤的⼈⼯智能技术是否前沿，是否针对健康医疗领域问题有较⼤贡献等；有⽤性指标充分考虑了效率、效能和经济性等因素，如有⽤性、易⽤性、安全与隐私性、⽤户体验等；易⽤性主要对医护⼈员的操作简捷和兼容扩展性进⾏评价；安全与隐私性主要围绕医疗安全、系统安全和隐私性3个维度进⾏评价，包括医院有明确的机制、流程、指南，以保障医疗安全；有明确应急预案及措施，以尽可能地减少差错损失，保证系统运⾏的安全性与稳定性，确保⽤户敏感信息不被泄露；普适性主要围绕全局应⽤能⼒、跨域推⼴能⼒等进⾏评价。
本次案例评审，按照评价指标体系对案例申报⽂档进⾏分析与评价，检验了评价体系对应⽤的指导和评价作⽤，但整个评价指标有待在实际应⽤中进⼀步完善，并在系统性、完整性等⽅⾯有待提⾼。
4.2 数据是医疗健康⼈⼯智能应⽤发展的基础
蝴蝶涂色4.2.1 ⼈⼯智能应⽤前提是医疗数据可⽤性
课文内容医疗健康数据具有真实性强、敏感度⾼、覆盖⾯⼴、规模⼤、数据结构多样和逻辑复杂等[7]的特点。这些真实记录诊疗、检查等活动的数据，不仅反应了患者个体与疾病的对应关系，也在宏观上包含了疾病传播、地区流⾏病发病情况、区域⼈⼝健康状况等，数据敏感度⾼。医院内部的信息系统众多，各个系统之间的数据关系及数据结构复杂，还需要集成和融合异构数据集，如图像、⽣理数据、⽂本（⾮标准化或⾮结构化信息，以及不同的组学概况，包括基因、代谢等）。所以，医疗健康数据的可获取性、安全性、标准化、共享交互能⼒、伦理性等，将直接决定了医疗健康⼈⼯智能应⽤的发展。
描写冬天的诗词4.2.2 借鉴国外医疗⼈⼯智能应⽤数据治理
有学者对美国医疗⼈⼯智能应⽤研究发现[8]，美国的医疗⼈⼯智能技术已逐渐从早期的数据整合阶段，即由于医疗数据标准化低、共享机制弱造成的⼈⼯智能在医疗⾏业的应⽤领域和效果受限阶段，逐渐过渡到数据共享+感知智能阶段；实现了医疗数据的融合，已出现效果较好的辅助性医疗系统，最后进⼊认知智能+健康⼤数据阶段；⼈⼯智能整体上从感知智能向认知智能发展，健康⼤数据的获取成本也将降低，该阶段也将出现替代⼈类医⽣的⼈⼯智能应⽤。
4.2.3我国医疗数据治理存在的主要差距及对策
医院信息化经过多年的发展，积累了⼤量的诊疗、检验与检查等数据，⼀些⼈⼯智能企业⼀般通过获得单⼀医院的数据进⾏模型训练，但单⼀来源的训练结果易产⽣偏差[9]。训练数据来源医院产⽣的影
像数据诊断灵敏度⾼，⽽其他医疗机构数据来源的数据诊断灵敏度低，不同医院之间临床数据往往会有系统性偏差。⼈⼯智能所需数据的多样性是⼀个重要问题。不同医院之间的系统由于缺乏标准的数据采集和共享平台，⼤量珍贵的疾病数据散落在不同系统、不同平台中，使得数据的获取及标准化程度较低。此外，由于对数据的理解、标注等需要⼤量临床医⽣的参与，医⽣因有⼤量的临床⼯作，对于⼈⼯智能的应⽤往往是靠热情，⼀般利⽤闲暇时间，促使应⽤推进效果不明显；⼈⼯智能系统对数据和其他系统接⼝的兼容性、易操作性、对环境的适应性，数据处理的速度及准确性等，均成为限制医疗⼈⼯智能快速发展的瓶颈[10]。
推动⼈⼯智能与医疗健康的深度融合，要在数据管理上投⼊更多的关注，要建⽴、健全数据管理机制，提⾼数据标准化和数据质量。同时，需要推动数据资源开放共享，加快解决医院内部、医疗卫⽣⾏业的数据孤岛、数据碎⽚化等难题，形成系统化数据采集和管理的系统。通过对治疗、检验检查、⽤药、健康管理等各类数据的采集、传输、分析，形成智能反馈，实现全要素、全⽣命周期、全医疗健康流程的对接。
4.3 培植、建⽴医疗健康⼈⼯智能应⽤⽰范基地
4.3.1 应⽤⽰范基地能⼒要求
秦始皇传参考其他⾏业的融合推进经验[11]，选取医院信息化治理体系健全、信息化基础较好的医院，积极发
挥重点应⽤的⽰范作⽤。医疗健康⼈⼯智能基地的选择，可考虑4个维度的核⼼能⼒，医院智能化战略能⼒，包括对⼈⼯智能驱动医疗业务的理解、创新应⽤能⼒等；医院信息化组织能⼒，主要包括管理层、业务层和技术层的融合，⼈⼯智能不是单纯的信息化和技术问题，需要专业医⽣的深⼊参与；最后，最重要的维度是数据。医院需要将数据作为主要的战略发展资源进⾏管理，不但要数据质量能⼒⾼，还要数据服务能⼒⽀持度⾼，并有较⾼的数据安全意识和⼿段。
4.3.2 加强⽰范基地的配套建设
军用望远镜医疗健康与⼈⼯智能深⼊融合，实际上是医疗健康⾏业AI赋能的过程。加强⽰范基地的配套建设，尽快完善建设内容，建⽴“⼈⼯智能+医疗健康”数据训练科⽬，为推动医疗健康业与⼈⼯智能融合发展，提供安全、标准的数据资源和训练环境；与⼈⼯智能的研究机构、企业合作，以场景应⽤为抓⼿，通过“技术投⼊+场景应⽤”双轮驱动，加深产品设计、应⽤转化等各场景融合程度，推动培育⼈⼯智能和医疗健康⾏业深度融合的创新项⽬。
5. 结语
通过对征集案例的分析，可以看出医疗健康⼈⼯智能应⽤⽬前较多的还是单纯场景或单纯应⽤的⼯程实践，距离成为⼀门成熟的科学体系还有⼀定距离。医疗健康⼈⼯智能的应⽤和技术需进⼀步拓展及深化。由于⼈⼯智能在医疗健康领域的发展，既对提⾼居民⽣活⽔平、解决民⽣问题等⾄关重要，也
在国家发展中具有重要的战略意义。所以，要加⼤基础建设⼒度，建⽴系统完整的应⽤评价体系，加强数据治理和数据质量管理。通过建⽴医疗健康⼈⼯智能应⽤⽰范基地，实现产、学、研有机结合，跨学科联动发展，推动我国医疗健康⼈⼯智能应⽤健康发展。
参考⽂献：
[1]胡建平.医疗健康⼈⼯智能发展框架与趋势分析[J].中国卫⽣信息管理杂志，2018, 15(5):485-491.
[2]清华⼤学.《2019中国⼈⼯智能发展报告》.清华⼤学AMiner平台
[3]梁书彤，郭茂祖，赵玲玲.基于机器学习的医疗决策⽀持系统综述[J].计算机⼯程与应⽤,2019,55(19):1-11.
[4]韩普，马健，张嘉明，等.基于多数据源融合的医疗知识图谱框架构建研究[J].现代情报,2019,39(06):81-90.
