刘大路，李 静

(空军军医大学 军事预防医学系 辐射防护医学教研室 特殊作业环境危害评估与防治教育部重点实验室， 陕西 西安710032)

随着人工智能(artificial intelligence，AI)的发展转向实用问题，AI迅速应用于医学实践[1]。近来机器学习(machine learning，ML)通过训练计算算法自动化辅助临床数据分析，发展为医学应用最广泛的AI架构。但是，ML只能识别标准化的数据集。而临床诊疗过程涉及繁杂医疗信息的分析，数据类型错综复杂。因此，在医学生实习或住院医师培训中加入ML的素养培养， 可提高基础数据收集的标准化。通过对临床数据导入算法的成功案例的学习，使医学生能理解临床数据的标准化方法，通过算法辅助繁重的一线数据分析工作。

1 案例收集与结果分析

本文研究对象为：2010—2019年收录临床医学相关AI或机器学习应用的文献。文献检索词为：topic: (clinical medicine) and topic: (artificial intelligence) or topic: (clinical medicine) and topic: (machine learning). timespan: 2010—2019. 文献检索信息来自WOS、KJD、MEDLINE、RSCI、SCIELO等数据库。

图1A表明从2010至2019年基于ML/AI算法的临床应用的文献数量。该临床技术革新的报道被引次数逐年激增(图1B)，广泛影响公共管理、工学领域。相关文献信息的统计结果表明，ML对特定类型的医学问题的效能不同(图2)，架构的训练成功率与合适的标化临床数据以及数据样本规模相关。下文按特定任务说明ML实践的知识目标。

图1 2010—2019 年基于“人工智能或机器学习医疗”主题的研究文献发表数(A)和被引次数(B)

图2 2010—2019 年基于AI算法的临床医学研究主题词归类统计

1.1 辅助诊断类

放射影像数据标准化程度高，数据量大。为了诊断肺腺癌，通常需要影像医师对肺结节影像进行人工分级。……