对于以数据为最基础食材的人工智能来说，没有什么比医学影像数据更好咀嚼：在医疗大数据中，超过80%的数据来自于医学影像，人工智能可以借助这些海量数据去生成算法模型，这保证了模型最大的包容性。

近年来，人工智能与医疗的结合催生了很多创新创业机会，这些也给医疗就诊带来了新的体验：能够读取人体神经信号的可穿戴型机器人（健康一体机）、虚拟护士运用人工智能技术进行数据分析并评估病人整体状态、结合人工智能技术提供远程医疗服务……

医学影像数据尤其适配基于深度学习的图像识别技术。现在，深度学习是应用最广也最为成熟的人工智能技术之一，其进步最快的领域之一就包括图像识别。利用数据量以及计算量作为模型驱动力，卷积神经网络(CNN)以及深度神经网络(DNN)等深度学习算法已经超越传统方法的图像识别性能，我们甚至频频听到AI不断逼近甚至刷新人类医生的水平的消息。

随着中国人口老龄化的加速，癌症成了第一大致命杀手，癌症治疗也是医疗中最难突破的场景。一项来自美国哈佛医学院的研究显示，人工智能辅助医生进行乳腺癌诊断可将误诊率从4%降低到0.5%。同时，基于卷积神经网络的深度学习系统几乎可以在很短的时间里就让人工智能达到专家医生的水平。

来自中国国家癌症中心的高亦博教授则认为，目前所谓的人工智能解决的都是非常明确具体、基本属于一步式的判断任务，它还不具备类似人脑的高度适应各种具体问题的能力，而影像诊断中每一个分辨步骤都已经非常清楚，因为大夫在读片时也是分步骤有规矩的。

　　“在医学影像上使用AI有两个天然优势，一是我们可以把诊断的思考过程明确地分解为若干步骤，二是医学影像的识别结果可以很容易地实现两分法，即有肿瘤还是没有肿瘤，或者这个肿瘤是良性还是恶性，这样的任务容易用当前流行的深度学习、神经网络进行处理”，高亦博教授对DT君解释道。

　　很明显，在AI与医疗场景的结合中，基于深度学习技术的医疗影像的识别与分析，是目前最有希望在整个医疗领域中率先进入大规模应用阶段的。这一点同样得到了医疗界的认可，北京大学人民医院放射科原主任杜湘珂教授就在北京大学医学部影像医学学系第二次学术年会上表示，她感受到AI跟影像专业居然有这么密切的相关性。

“在所有的数据里，影像的数据跟临床病理比较起来，它的标准化、格式化、统一性是最强的。说实在的，目前的病理数据仍然过于凌乱，无法与数字影像数据相比”，她说，“人工智能几乎无处不在，你问问所有的放射科大夫，放射科主任都会跟你说，我们也在跟AI合作，某某公司在找我们”。

AI可以帮助医生、护士和放射科医师，减少他们的工作量。尤其是在大型医院，他们没法应付如此多的扫描需求和处理需要诊断的病变，病变的误诊和看漏时有发生。目前国内不少知名医院都已经引入了人工智能阅片系统，协助医生解决漏诊误诊的问题和提升效率。据相关人士透露，目前AI诊疗主要还是作为一种辅助的手段，想真正运用于临床还需要克服很多难题，有效性验证仍需要较长时间。这就意味着可以市场化的产品极少。据粗略统计，目前国内已经有70多家AI医疗公司，他们多数都在与医院合作进行回顾性研究和临床验证，长周期的大规模临床验证及有效性验证是他们很难避开的难题。

AI+治疗是AI应用于诊断后的下一应用阶段，但相比诊断，AI应用于治疗难度更大，场景更少，落地难度更大。不过, 与预防相关的疫苗、肿瘤筛查、早期诊断、人工智能疾病风险预测和评估，是未来的趋势。人工智能技术的深度应用，能做到从模糊的行为习惯中解读出准确的意图，将为未来人机共生提供可靠的技术基础。