前言：中文期刊網精心挑選了人工智能醫療方案范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
人工智能醫療方案范文1
投資要點:
AI新品，進一步落地多個行業:2017年9月12日，公司了“精準醫療”、“AI+公安大數據”、“樂享智投‘三個行業的解決方案及產品。
(1)精準醫療:
目前還處于輔劣臨床診療階段，iMedical8.0P、臨床科研大數據分析平臺、感染智能監測系統、知識圖譜構建系統等實現了輔劣醫生優化治療方案和臨床科研的功能;
(2)AI+公安大數據:通過人臉識別、視頻檢索技術等不公安系統擁有的海量數據庫結合，解決了以往案件偵查過程中嫌疑人篩選的問題，大幅提高了篩選速度;
(3)樂享智投:作為一款智能投頊產品，主要向金融客戶提品評測、用戶畫像、投資組合、投資執行、風險監控、收益分析等服務，并提供個性化的解決方案。
本次AI產品的，公司實現AI技術在醫療、安防、金融三個熱點行業的落地，有望搭上AI行業高速發展的順風車，助力公司的進一步發展。
布局AI行業多年，技術成就應用:公司于2013年開始布局人工智能領域，是國內較早投入人工智能領域研發的企業之一，先后不中科院、清華大學、北航、IBM和微軟等國內外知名校企合作。經過多年研究，公司基于人像識別、車輛軟件識別、目標圖像提取不分析等技術，研發出智能人像服務、人像卡口等系統。本次人工智能新品的是對以往產品的進一步改進，是公司多年技術積累的結果，產品系列較為成熟、可靠，用戶滿意度較高。
業務行業覆蓋廣，公司發展空間大:公司立足數字化行業多年，服務對象涵蓋金融、電力、通訊、交通運輸等10余個行業，產品線主要包括行業應用軟件、人工智能解決方案、大數據服務。這不僅有利于公司率先占據AI行業的有利位置，更能夠使公司在數據量上存在優勢。公司能夠盡快實現AI產品在多個行業的落地，在AI市場還在高速發展期的今天，占據多個行業就意味著擁有更大市場規模的可能性。
除此之外，公司擁有各個行業的大量數據，能夠實現不同行業數據的相互補充，有利于AI系統的自我完善。
投資建議:作為國內IT企業龍頭，公司將不斷完善人工智能技術，并通過數據積累，在產品線和市場應用上不斷拓展，最終實現人工智能+戰略。我們公司預測2017年至2019年每股收益分別為0.48、0.53和0.68元，上調評級至買入-A，6個月目標價為13.92元，相當于2017年29倍的動態市盈率。
風險提示:
人工智能醫療方案范文2
今年3月10日，“阿爾法圍棋”的執子人黃士杰(前左)在比賽中落子。當日，人工智能“阿爾法圍棋”戰勝韓國棋手李世石九段，總比分以2比0領先。
3月12日，韓國圍棋世界冠軍李世石與谷歌人工智能程序AlphaGo的第三場對弈就將開始，此前李世石已接連兩場敗北。有人將李世石稱作“最后的武士”，認為他將悲壯地成為人類與機器人對弈的“末代帝王”。因為人工智能程序AlphaGo在圍棋這個被譽為“人類智慧的堅固堡壘”的領域接連取得勝利，似乎更印證了人工智能已經發展到可以輕易超越人類水平的階段。它們會是天使還是魔鬼？人工智能的發展現狀如何？
大樣本計算支撐AlphaGo取勝
據AlphaGo的研發者介紹，它之所以能在圍棋這種擁有“3的361次方”種局面的超高難度棋類比賽中獲勝，在于它突破了傳統的程序，搭建了兩套模仿人類思維方式的深度神經網絡，第一種叫“策略網絡”，它讓計算機程序學習人類棋手的下法，挑選出比較有勝率的棋譜，拋棄明顯的差棋，使總運算量維持在可以控制的范圍內；另一種叫價值網絡，主要用于減少搜索的深度，它不會一下子搜索一盤棋所有的步數，而是一邊下一邊進行未來十幾步的計算，這樣也就大量減少計算量。
其實，神經網絡并非AlphaGo獨有。據IBM中國研究院大數據及認知計算研究總監蘇中介紹，這種計算模型最早出現于1943年，但由于當時的計算機運行速度難以滿足其巨大的計算量而遭受“詬病”，因此沉寂了很長時間。近年來，計算機技術迅速發展，運行速度大幅提高，這一計算模型才重新煥發出了生機。即便如此，與李世石對弈，AlphaGo仍需將CPU增加至1200多個才能滿足其龐大的計算量。
據研發出AlphaGo的研究人員之一——大衛·希爾韋介紹，這款程序還會自己與自己下棋，普通人一年也許能下一千盤，但AlphaGo每天能下三百萬盤棋，通過大量的鍛煉，它拋棄可能失敗的方案，精中選精，這就是所謂的“深度學習”能力，即通過大樣本量棋局對弈，不斷從中挑選最優的對弈方案并保存下來。
與人腦學習差距仍很大
“大數據對人工智能的發展是一種‘取巧’，為深度學習提供了眾多數據。”在2015中國人工智能大會上，中國科學院院士譚鐵牛曾就深度學習做過解讀。他說，這就像人類見多識廣后會積累一些經驗一樣，機器學習也需要豐富多彩的內容。只是這個內容的數據量之龐大，與人腦學習所需不是一個數量級。因此，人工智能的學習與人腦的學習有非常大的不同。“給一個孩子看看卡片上的蘋果，他就能認識蘋果，但機器要認出一個蘋果，可能需要把互聯網上所有蘋果的照片都認一遍，標識出蘋果的所有特征，才有可能成功識別蘋果。”蘇中說。
與此同時，人腦與人工智能的很大區別還在于，人腦是一腦萬用的，同一個大腦既可以識別圖像，也可以聽音樂，還可以識別語音；可以擦地，也可以拖地和擦桌子。但目前的人工智能顯然不具備這樣的能力，功能相對單一。譚鐵牛認為，人類的智慧是比智能更高的層次，現有的人工智能系統，仍然局限在有智能沒智慧，沒有悟性的階段，并且是有智商沒有情商，不能察覺人類的情感的階段。
成為人類強大的“秘書”
盡管大衛·希爾韋稱，“開發AlphaGo的目的不是為了模仿人類，而是為了戰勝人類。”但他也強調，相較于對弈本身，更希望大家把關注點放在AlphaGo可以給人類生活帶來的變化上。與當年擊敗世界國際象棋冠軍的深藍不同，AlphaGo可以學習醫療數據，掌握治療方法，并可以利用它制造出可以完成各種雜事的家用機器人。據他介紹，AlphaGo已經開始與英國國立衛生局合作提供“定制型醫療服務”，還可以擴展到其他產業領域，帶來積極正面的變化。
人工智能醫療方案范文3
未來，“黑科技”會取代醫生嗎？患者可以不用再去醫院嗎？
虛擬現實：
復雜的人體能一覽無余嗎
2016年被稱為虛擬現實技術的元年，虛擬現實打破了個人的時空局限，在游戲、購物、房產、旅游等各行業掀起了應用熱潮。虛擬現實技術是不是也可以讓錯綜復雜的人體一覽無余？
不久前，在廣州的中山大學孫逸仙紀念醫院精準腫瘤外科治療中心，醫生利用三維可視化系統，為一個7歲小女孩成功切除了一個巨大的肝母細胞瘤。
因腫瘤與周圍臟器緊密糾纏，手術的難度非常大。“切多了，孩子很可能大出血，下不了手術臺；切少了，短期內腫瘤就會復發。”中心副主任陳亞進說，現有的電子計算機斷層掃描（CT）和核磁共振（MR）掃描技術，都只能表達某一界面的解剖信息，醫生們只能憑經驗由多幅二維圖像去“構想”病灶與其周圍組織的三維幾何關系。全息投影和虛擬現實技術有助于醫生完整切除病灶，病人也從中獲得更多信息。最后，陳亞進為這名女童切下了一個直徑為15厘米、重達1.4公斤的腫瘤，出血少于200毫升，達到精準微創的效果。
2016年9月在北京召開的虛擬現實產業聯盟成立大會上，中國工程院趙沁平院士提出，虛擬人體將成為開展醫學行為的基礎。鑒于人體的復雜性，虛擬人體應是虛擬現實的終極目標。
2016年11月30日，廣州發起了“虛擬現實（VR）醫院計劃”。據“虛擬現實醫院計劃”首席科學家、中國工程院院士鐘世鎮介紹，中國的“數字化虛擬人”將分三個階段實施：第一階段是高質量人體幾何圖像采集和計算機三維重構，完成基本形態學基礎上的幾何數字化虛擬人，目前我國已經分別成功構建了男女解剖虛擬人數據集。第二階段是物理虛擬人，即在幾何虛擬人基礎上附加人體各種組織的物理學信息，比如強度、抗拉伸系數等。第三階段是生理虛擬人，這是數字虛擬人研究的最終目標，可以反映生長發育、新陳代謝、重現生理病理的有關規律性演變。
我國有望在不久的將來實現局部器官的生理虛擬。鐘世鎮舉例說，在虛擬心臟平臺上，既可以模擬各種心臟手術，又可以模擬各種藥物對心臟的作用，從中篩選最佳手術方式和最佳用藥劑量等。
人工智能：
機器深度學習之后
電影《超能陸戰隊》里萌萌的“大白”，是不是讓你很動心？隨著醫學與人工智能的結合，醫療機器人未來也許可以成為人人擁有的實時健康管家。
在位于廣州市海珠區的“廣東省網絡醫院”內，研發中的醫療聊天機器人，正與一位模擬“頭部病痛”的女性患者對話。
“一般來說，超過39攝氏度為高熱，發熱是自我保護和抵御感染的一種反應。您的情況是否符合上面的描述？”“你是否有下列癥狀中的幾種？”“情況緊急，請馬上去看急診。這些癥狀可能是急性腦膜炎的表現……”
這樣的科研性醫療場景，未來將成為現實。人工智能的作用不僅限于幫助診斷，還能提供治療方案。據IBM“沃森腫瘤專家”中國運營服務商公司首席運營官王泰峰介紹，隨著“沃森腫瘤專家”認知計算能力不斷提升，其將成為幫助醫生臨床決策并給出治療方案建議的有力幫手。
2015年發表在全球高等級期刊的醫學文獻中，僅以腫瘤為主題的就有4.4萬篇。如果一名腫瘤醫生想全面學習這些最新治療手段，那么就算他全年365天，每天24小時不休息，每小時也需要研讀5篇論文。王泰峰說：“這是人類不可能做到的，但恰恰是人工智能機器人的強項。”
未來，機器人通過不斷深度學習，可以給出人類大多數疾病的診療方案。但是，沃森的定位并不是取代醫生。“因為它沒有辦法創造知識。”王泰峰說，“就算人工智能給出一個獨辟蹊徑的治療建議，如果沒有經過大規模的臨床試驗，仍然沒有實際臨床意義。”
回到現實，令人期待的人工智能醫療機器人仍然是一個嗷嗷待哺的“嬰兒”。廣東省網絡醫院院長周其如說，這個“嬰兒”成長需要“吃”更多的東西，也就是深度學習。首先是醫學教科書，針對臨床路徑明確的病種；第二，大量的循證醫學數據資料；第三，大量的前沿醫學論文數據，這相當于全球專家的會診；第四，教學醫院的病例。“干凈的數據很重要，必須經過嚴格篩選。不能是過度醫療的病例，還要遮擋患者的隱私。”
更“穩”更“準”的機器人：
做手術可以完全交給它嗎
在“真刀實槍”的手術領域，機器人正在展現一定的前景。中山大學孫逸仙紀念醫院泌尿外科主任黃健使用手術機器人做過大量膀胱手術。他說，醫療機器人在我國發展迅猛，截至10月28日，某知名品牌手術機器人全國共裝機59臺，完成手術35273例，其中泌尿外科手術超過五分之二。
與傳統開放及腹腔鏡手術相比，使用機器人進行手術更加精準、微創。機器臂模仿人的手腕動作，甚至比人手更靈活、穩定。它可以做非常復雜的微創型手術，觸及一些很難到達的身體部位，還可濾除人手的自然顫動。“熟練的操作者可以用它撕開葡萄皮，然后精準完好縫合。”黃健舉例說。
但是，手術完全交給機器人，你放心嗎？現在的手術機器人大多是一個機器臂，沒有思考能力，無法判斷某項操作對人體的傷害。黃健說：“手術中不僅要考慮創傷最少，還要考慮會否帶出癌細胞以致癌細胞在其他地方種植。相比醫生，機器人難以整合信息進行判斷。”
此外，機器人并不適合一切手術。一些簡單的手術，用機器人來做是“殺雞用牛刀”，手術方式須視病情需要而定。
醫務界希望新一代的手術機器人能達到“有思維、看得透、摸得著、體形小、手腳多”，具有人的思維和記憶能力，可以制訂手術方案，在手術過程中對危險操作發出提醒，真正做到靈活、靈敏、微創和智能。
可穿戴設備：
能否實現精確的遠程“視觸叩聽”
三甲醫院的排隊和擁擠，相信讓很多患者發怵。隨著遠程醫療的進一步發展，不少人幻想，可以不去醫院，直接在家看醫生嗎？
這大概是中國醫療史上距離最遠的一次遠程醫療實例：在不久前的“神舟十一號任務”中，新華社太空特約記者、航天員陳冬在天宮二號進行的失重心血管研究實驗（CDS）中，測量了自己的心率、血壓、呼吸、皮膚上細小血管的微循環，并給自己做了超聲波檢測。隨后，這一系列珍貴的數據被傳送到地面，由醫務人員進一步分析航天員的身體在失重情況下的細微變化。
目前，我們理解的遠程醫療仍是“醫生對醫生”的遠程會診。比如基層醫院遇到了某個疑難雜癥，于是通過互聯網連線千里之外的大醫院專家進行視頻會診，一起尋找解決方案。
在可預見的未來，隨著可穿戴設備、虛擬現實技術、云醫院技術的發展，遠程醫療將更深入人們的生活，實現“醫生對患者”的直接交流。
“虛擬現實醫院計劃”執行總監、廣州市正骨醫院博士后萬磊認為：“‘醫生和患者可以不見面’是一個方向。可穿戴設備和傳感器隨著技術發展，將具有視覺、觸覺、嗅覺等人的一切感知功能。未來的手術中，醫生可以在虛擬病人環境下操作，遠程控制機器人給病人做手術的動作。”
但實現起來并不容易。周其如認為，首先要解決的問題是可穿戴設備技術的完善，讓醫生在另一端實現真正意義上的遠程“視觸叩聽”。
數據傳輸速度的要求相應增高。萬磊說，尤其是遠程手術對互聯網數據傳輸帶寬有很高要求，不能有任何網絡延時。
人工智能醫療方案范文4
伍迪?艾倫的電影《解構愛情狂》中有句臺詞：“這世界上最動聽的話不是‘我愛你’，而是‘你的腫瘤是良性的’。”
人類對腫瘤的認知經歷了漫長的過程。從早期運用外科手術進行激進的患處切除，到放療、化療，再到基因研究的深入，逐漸認識到腫瘤不是一種疾病，而是一大類疾病。對應到每位病患，相同部位的腫瘤病理特性卻完全不同。比如，ER陽性的乳腺癌的常規藥物是他莫昔芬，而該藥對ER陰性的乳腺癌則無效。由于這種特異性的存在，所以每種腫瘤治療方案都需要個性化。
5月7日，腫瘤醫生的智能助手“沃森腫瘤”正式面向中境內醫院，預計2017年年底有望在全國遍地開花。根據沃森健康（Watson Health）在中國獨家合作伙伴――百洋醫藥集團旗下百洋智能科技規劃，一年內將有150家地市級三級綜合醫院引進沃森腫瘤，并配備相應的醫生培訓工程。
沃森腫瘤帶來什么
中國每年有430萬的腫瘤確診患者，占了全球的1/4，因腫瘤死亡的人數在中國占全部死亡人數的1/5。在百洋醫藥集團董事長付鋼看來，Watson技術能讀懂12種語言，并且有很強的學習能力，是目前治療腫瘤智能方案中最具潛力的。
而之所以最先在腫瘤領域下手，是因為在沃森健康的全產品線中，沃森腫瘤是最領先的產品。事實上，醫療是IBM認知智能最先涉足的領域。早在上世紀90年代，IBM的技術團隊就在圍繞醫療健康打磨Watson技術，如今，沃森健康堪稱整個認知家族中最成熟的產品。美國癌癥協會也正在利用Watson技術挖掘相關數據，以期為腫瘤患者提供個性化的治療。
3年前，美國紀念斯隆?凱特琳癌癥中心與IBM Watson達成合作，共同訓練IBM Watson腫瘤解決方案（Watson for Oncology）。癌癥專家在Watson上輸入了紀念斯隆?凱特琳癌癥中心的大量病歷研究信息進行訓練。在此期間，該系統的登入時間共計1.5萬小時，一支由醫生和研究人員組成的團隊一起上傳了數千份病人的病歷，近500份醫學期刊和教科書，1200萬頁的醫學文獻，把Watson訓練成了一位杰出的“腫瘤醫學專家”。
沃森腫瘤治療癌癥的過程是這樣的。首先分析患者的病歷，根據臨床記錄和報告中的結構化和非結構化數據的含義和上下文，分析患者的關鍵信息，這些信息可能對于選擇治療方法至關重要；接下來，Watson識別基于證據的潛在治療方案，通過將患者文件中的屬性數據與臨床知識、外部研究結果和數據相結合，供醫生考慮；最后，也是Watson最拿手的，就是從大量文獻中查找并提供支持證據。“沃森腫瘤”最終提供給醫生的，是幾種腫瘤治療方案的建議及排序，并將每種方案的支持的證據鏈接在一起，幫助腫瘤醫生研究患者的治療方案。
因為醫療數據的急劇增長，腫瘤領域的論文爆發式增長，醫生已經無法完全跟上最近的研究成果。數據顯示，一名醫生要讀完最新的腫瘤醫學論文每周大概要花160小時，而一周只有168小時。也就是說，數據的增長速度已經超過人類的學習能力了。
醫院管理新思路
目前，Watson已經運營在全球癌癥治療領域排名頂級的醫院。今年4月，青島兩家公立三甲醫院同時通過百洋智能科技引進沃森腫瘤（Watson for Oncology ）人工智能解決方案，青島市立醫院與青島大學附屬醫院分別成立“沃森智能腫瘤會診中心”和“沃森國際腫瘤診療中心”，為患者提供最佳診療方案，提高醫生的診療水平和醫院的競爭力，進一步奠定建設智慧醫院的基礎。
實踐證明，沃森腫瘤在這兩家三甲醫院取得不俗效果。4月27日，青島大學醫療集團副院長、泰山學者海外特聘專家、美國MD安德森癌癥中心資深科學家張曉春教授為主診的沃森國際腫瘤診療中心門診接診了首批兩例腫瘤患者：一名正處于哺乳期的36歲胃癌媽媽和一名69歲的肺癌男性患者。
青島市市立醫院也證實，醫務人員在經過前期培訓之后，已經針對幾十例腫瘤病案，對Watson系統進行了測試；同時，專家組也對這些病例進行討論、制定了治療方案。隨后發現，專家組制定的治療方案與Watson系統建議的方案，進行比對證實：Watson系統能夠為腫瘤專家提供合理的治療方案及有益補充，成為醫療專家的得力工具和助手。
首先，沃森腫瘤中心將幫助醫院建立腫瘤治療的先進性形象。通過沃森在腫瘤治療領域的知名度和權威性，提高醫院腫瘤治療的影響力，實現醫院腫瘤治療與世界頂級腫瘤中心同步發展；并且沃森還可以幫助醫院建立以患者為中心的腫瘤治療模式、流程，提高醫療質量。
其次，沃森腫瘤中心會大大提升醫院的效益和效率。由于差異化治療、效果更好的治療結果將為醫院帶來更多患者，提升患者對醫院和醫生的信任度，增加患者與醫院之間的粘性，避免患者流失，從而提升醫療效率和運營經濟效益。
再次，沃森腫瘤中心將加大對年輕醫生的培養。由于沃森治療方案是基于世界頂尖腫瘤治療中心的案例和經驗的基礎上，基于證據提出治療方案建議，包括會提供不建議的方案以及原因，可提升年輕醫生的能力。
最后，腫瘤中心將促進多學科的合作。沃森的加入讓醫院成立多學科會診中心，豐富的成功治療案例將為會診提供更多的學習資料和參考資料，并可針對性進行案例研究，促進醫院腫瘤多學科之間的溝通和提高多學科會診的效率。
而實際上，醫院選擇百洋智能科技的沃森健康產品，與市面上其他企業相比會有很大不同。第一，在與IBM的合作范圍上，百洋擁有沃森健康全產品線的合作權，而不僅僅是沃森腫瘤、或者說沃森腫瘤的第一個組件；第二，在推廣方面，百洋獲得了及分銷權，這意味著百洋不僅可以自己推廣、還可以選擇別的機構進行分銷；第三，在資源配置方面，百洋是一個生態圈，不僅有資源的協同還有工具的協同；第四，合作量級不同，IBM將會給百洋智能科技最高標準的服務。
變革中求創新永遠是一個醫療機構發展的主題，面對知識經濟發展的背景和經濟全球化發展的環境所發生的巨大變化，醫院外部的生存和發展環境也發生了深刻的變化，這就使得傳統的醫院管理模式、方法及手段需要進行調整，醫院管理也將發生革命性變化。在新醫改形勢下，醫院整體管理水平需要提高，發展智慧醫療，實現醫院社會效益和經濟效益最大化。
人工智能醫療方案范文5
2015年12月，微軟亞洲研究院首席研究員劉鐵巖博士去蒙特利爾參加了NIPS年會(Annual Conference on Neural Information Processing Systems)，這是人工智能領域的頂級學術會議。但與會期間，他印象最深的不是同行的專業進展，而是一位科學家告訴臺下的與會者，早些年，他的博士生根本找不到工作，今年卻被一搶而空。
這也是中國正在發生的故事。從硅谷到北京，人工智能都是熱浪滾滾。這個在上世紀50年代和80年代掀起過兩次的技術，現在似乎真的到了產業化的臨界點。互聯網時代的思想家和預言家凱文·凱利宣稱，人工智能是下一個20年里顛覆人類社會的技術，它的力量堪比電與互聯網。
人工智能(Artificial Intelligence)，縮寫為AI。它是研究開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。該領域的研究包括機器人、語音識別、圖像識別、自然語言處理和專家系統等。
人工智能快速進入大眾視野，源于今年3月谷歌圍棋人工智能程序AlphaGo戰勝世界冠軍李世石。人機圍棋對弈只是普及人工智能的一個秀。它的背后是規模千億級的人工智能產業市場。BBC預測，2020年全球人工智能市場規模將達1190億元人民幣。
目前看，這一數據遠比不上2015年中國移動互聯網的產業規模。但人工智能的意義不僅于此，人工智能技術的發展，還將帶動云服務、大數據分析、移動互聯網和物聯網產業的升級迭代。它甚至將超越移動互聯網，全面改變人類的生活和工作方式。
離人工智能最近的IT互聯網公司敏銳嗅到了這一機遇。從2011年開始，包括深度學習算法、計算資源和大數據產業的成熟令人工智能技術實現飛躍，包括微軟、IBM、谷歌、Facebook、BAT在內的國內外企業都開始深度布局人工智能，試圖把握風口，成為下一個產業變革的巨擘。
已布局人工智能的IT和互聯網巨頭們，最有資格成為這一輪革命的獲益者。但這終究是一個漫長的耐力游戲，除了技術布局，產業布局和戰略視野也是決定成敗的關鍵因素，短視者將隨時出局。
BAT保守布局
中國的所有行業中，以BAT為代表的互聯網行業在人工智能研究和商業化探索方面走得最早，也看得最遠。其中，技術起家的百度走在最前端。
2012年10月，百度董事長兼首席執行官李彥宏參加了內部的一個基于深度學習的語音識別產品研究會。當時該產品的主導者余凱回憶，那是李彥宏第一次知道深度學習，他非常吃驚，并給全公司寫信，讓所有產品經理都要了解人工智能技術的發展。
當年12月，李彥宏開始和余凱討論成立深度學習研究院的可行性。次年7月，這個研究院成立，李彥宏任院長，余凱為常務副院長。這是中國公司里的第一個人工智能研究院。
李彥宏很快將相關技術投入到搜索的核心業務中。2014年的百度內部統計數據顯示，深度學習技術的應用，讓百度和競爭對手的Diff(different，內部叫Diff)指標提升了若干倍。
但人工智能的科研，尤其是基礎科學研究，是一個冗長寂寞的過程。此后，迫于財務數據和競爭壓力，百度的決策者們更加注重眼前的布局和資源。
“到了后期，太長遠項目，或是比較創新的項目，百度總部確實不太支持了。百度i站的項目、百度快搜這樣的項目沒了。”一位不愿具名的前百度人工智能研究崗位人士評價。一位現任百度相關人士對《財經》記者表示，百度前些年確實剔除了不少經過驗證沒有商業化前景的分支項目，但最近兩三年，百度明顯加大了在人工智能上的投入，包括無人駕駛汽車等長期項目。
6月8日，在2016百度聯盟峰會上，李彥宏將百度無人駕駛汽車稱作“一臺帶輪子的電腦”。他現場播放了百度無人車路測的實況錄像，百度無人車已經可以像正常車輛一樣加速、并線、超車，他同時表示，三五年之內，無人駕駛一定可以成為現實。
從整體來看，百度仍是BAT三家中首先完成有關人工智能技術體系整合的公司。目前，百度研究院、百度大數據、百度語音和百度圖像等技術都已歸入人工智能技術體系。李彥宏多次向外界強調，百度未來的發展將嚴重地依賴人工智能。
IBM研究院一位人工智能專家告訴《財經》記者，百度是被他們列入競爭列表的唯一中國公司。
硅谷尤其關心“百度大腦”的進展。百度大腦是百度在人工智能領域的核心。百度此前的諸多人工智能產品，如無人駕駛、智能搜索等，都是基于百度大腦的能力。
百度高級副總裁、自動駕駛事業部總經理王勁稱，百度大腦已具備視、聽、說和預測、規劃決策以及行動控制的能力。在數據方面，百度有萬億級的網頁、移動和行為數據可供分析。在深度學習方面，百度的萬億參數排在世界第一。
2015年，百度的研發投入超過100億元。占百度2015年總營收663.82億元的15%。
百度正在計劃將百度大腦在金融、汽車、醫療等領域商業化。李彥宏稱，人工智能的“井噴式”創新，將推動互聯網進入第三幕，并將重構傳統產業。比如“人工智能+金融”，可以快速地實現征信升級，實現“秒放”貸款。
阿里巴巴和騰訊的布局則更加克制。或者說，它們更代表中國公司的普遍做法，從業務驅動開始，逐漸加大檔位。
阿里從2011年開始布局互聯網醫療，投資收購和戰略合作的公司數以百計。圍繞醫院、醫保、醫藥做了大量布局。最新的統計數據顯示，全國已經有超過400家大中型醫院加入阿里的“未來醫院”計劃，覆蓋全國90%省份。阿里云人工智能首席科學家閔萬里博士告訴《財經》記者，阿里在健康醫療領域的布局快慢，取決于阿里在人工智能領域的技術突破。
阿里的設想是，未來，在阿里遍布全國邊遠山村的醫院醫療點里，病患足不出戶，只需拍一張CT，通過遠程技術來完成專家級的診療過程。這種診療，依賴的就是基于阿里云的人工智能醫療系統。隨著學習數據的不斷增加，機器會變得越來越聰明，最終成為一個“永不退休的醫學專家”。
多位接受《財經》記者采訪的專家評價，阿里這個技術并不復雜，醫療診斷是基于經驗的專家型勞動，是機器擅長的經驗學習，三年內該技術便可成熟。
閔萬里告訴《財經》記者，要實現這個目標，除了技術平臺，還需要整個醫療體系的打通，需要政府和社會共同推動設備和資源的開放。一旦打通，聚合在一個人工智能服務平臺之上，就將衍生出更多的應用服務場景，從而實現“商業和技術互為驅動”。
阿里是目前中國所有公司里，數據生態最完善、最健全的公司。iPIN創始人兼CEO楊洋認為，阿里的MaxComputer數據通道，是非常健康的數據大動脈，可以將阿里的所有數據資源非常高效地結合在一起。
此外，阿里云也是目前世界上最接近AWS(亞馬遜云服務)的云計算平臺。數據生態體系是做人工智能的重要基礎。因此，在這場有關未來的布局中，阿里云的主導地位清晰。
阿里的人工智能研究分散在其各個業務分支之中，有待整合。閔萬里說，阿里希望在算法能力上有所突破，這需要一個集中的技術機構來整合阿里的所有相關技術資源。
騰訊和阿里的情況類似。騰訊在人工智能上的布局，以IM和SNS業務為基礎。例如語音識別主要是在微信部門、圖片識別主要是在QQ，支付和金融業務方面植入了人臉識別，搜索部門則關注自然語言識別。
其中一些技術已在騰訊內部實現產品化。SNG(社交網絡事業群)的優圖團隊聚焦圖象識別領域，推出了黃圖識別功能，并為騰訊內部產品如圖片優化工具“天天P圖”提供技術支持。WXG(微信事業群)則人機互動領域的拓展，也對圖像和語音識別進行了原發。WXG推出了智能機器人“小微”，用戶可以用自然語言與之溝通，解決此前語音助手智能機械應答的短板。對于未來，工程師希望“小微”成為一種“連接器”——與微信支付串聯起來，接入微信公眾號以及錢包內的各種生活服務，打造完整的微信內O2O閉環生態體系。
騰訊高級副總裁姚星在接受《財經》記者采訪時表示，騰訊越來越重視在人工智能領域的技術開發，這包括兩個路徑：一是整合騰訊自身的技術資源，形成體系和重點;二是加快對優秀公司的收購和合作步伐。
騰訊參與了多個人工智能項目的早期投資。騰訊投資并購部一直在為公司尋找需要的標的，服務于騰訊的整體戰略。騰訊日前與硅谷風投機構Felicis Ventures領頭了人工智能創業公司Diffbot 1000萬美元的A輪。這家公司通過人工智能技術，讓“機器”抓取網頁關鍵內容，并輸出軟件可以直接識別的結構化數據。
BAT的人工智能技術研發從第一天開始就是商業需求驅動的，他們從業務入手，收購甚至模仿別人的東西，這種做法避免了漫無目的研究和不必要的失敗，但也無法保證在下一輪的人工智能平臺大戰中勝出。
今年，阿里和騰訊均有組建人工智能研究院的想法。姚星對《財經》記者說，很快，騰訊人工智能研究院就會成立。
國際巨頭深入無人區
如果說BAT的人工智能布局處于對標和追趕的狀態，那么以IBM、微軟、谷歌、Facebook為代表的美國巨頭公司已經開始深入科技無人區。
這些公司技術和業務各有所長，面向的用戶也不同，但它們的目標一致：把人工智能機器做大、做強、再做沒。
IBM和微軟可能沒有谷歌、Facebook看起來那么酷，但在人工智能領域有深厚的技術底蘊，IBM甚至已經開始用人工智能賺錢。
IBM人工智能研究可以追溯到1997年“深藍”戰勝當時的國際象棋世界冠軍卡斯帕羅夫。2011年，代表著IBM在認知計算領域最先進技術的Watson在一個電視節目中一戰成名，被認為是人工智能歷史上的一個里程碑。
今天可以代表IBM在人工智能領域最高技術水平的，是不斷進化中的Watson系統，和已經可以量產的人腦模擬芯片SyNAPSE(超大規模神經突觸計算機芯片)。
Watson是一臺超級計算機，最初由90臺IBM的Power 7服務器并行組成。和Google、微軟的人工智能相比，它從硬件芯片構架就開始模擬人類神經元，基于IBM的“DeepQA”技術開發。2014年1月初，IBM宣布組建“Watson Group”，旨在進一步開發、商用和增強“Watson”及其他認知技術，此外還投入10億美元用于其他相關項目。
Watson已經開始為IBM賺錢了。法國農業信貸銀行預測，Watson系統創造的收入將在2018年占IBM總收入的12%以上。Watson已經被部署在IBM去年收購的云計算基礎設施業務Softlayer上，成為IBM與亞馬遜、谷歌、微軟等大型科技公司在云計算領域展開競爭的武器。
另一個代表性產品是IBM在2014年的人腦模擬芯片SyNAPSE。該芯片能夠模仿人腦的運作模式、低功耗，在認知計算方面要遠勝傳統計算架構。和其他芯片公司的紙上規劃不同，這款芯片已達到量產要求。
IBM將其技術和商業實力總結為“認知計算體系”。IBM大中華區副總裁、戰略部總經理郭繼軍向《財經》記者表示，IBM推動認知計算體系，目標是把IBM在人工智能、大數據、深度學習、模式識別等所有領域里所做的積累應用到各個行業中去，幫助各行各業客戶提升效率，解決他們所面臨的現實挑戰。
微軟人工智能技術的研究已超25年。1991年微軟成立研究院，最早的五個研究組，研究方向分別是人機交互、自然語言處理和機器學習、語音識別和語音合成、計算機視覺。這些恰恰是今天人工智能的幾個最重要的分支。
微軟的人工智能研究方向要寬泛很多，微軟研究院擁有超過1000位科學家，在包括深度學習的多個領域的技術布局處于世界頂端。
微軟最新的深度學習系統在2015年ImageNet計算機視覺識別挑戰賽中，將計算機視覺系統錯誤率降低至3.57%，相比于人眼辨識的5.1%，這是人工智能首次在識別圖像的錯誤率上超越人類水平。這些機器由微軟的Azure云服務提供支持。
微軟不僅將人工智能技術應用于如Windows、Azure等核心業務中，還構建開放的平臺，將多年的技術積累開放給產業界，它的目標是打造一個人工智能生態圈。
它在無人區走得最遠，在現實商業世界中隱蔽得最深。
和前輩相比，年輕的谷歌在人工智能領域做的事情更讓外界看得懂，也更興奮。谷歌一方面不知疲倦地做底層人工智能技術的積累，研發更加高級的深度學習算法，增強圖形識別和語音識別能力。另一方面親力親為布局了包括智能家居、自動駕駛、機器人(2013年收購了8家機器人公司)等領域，前者為后者帶來基礎技術支撐，后者為前者提供數據和反饋。
值得一提的是，谷歌在無人駕駛汽車領域的技術積累，已經遠遠超過傳統汽車廠商和其他互聯網公司。
更加年輕的Facebook，將人工智能視為未來的三大方向之一。Facebook天然擁有全球范圍內的海量社交數據，但在基礎科學的研究上依然不遺余力。2013年，Facebook在加州成立了Facebook AI Research (FAIR)。卡耐基梅隆大學機器人系博士、Facebook人工智能組研究員田淵棟稱，FAIR的研究方向自由寬松，研究所需的計算資源(如GPU)相對豐富，同時也沒有近期的產品壓力，可以著眼長遠做困難和本質的研究。他稱，這樣的學術氛圍在各大公司是極其少見的。
如果說前述幾大巨頭都是從人工智能技術出發，結合云計算賦予技術更多勢能，那么亞馬遜的路徑正好相反。亞馬遜是全球第一大云服務提供商，它的云服務收入超過微軟、IBM、谷歌、Salesforce等所有對手的總和。但亞馬遜目前的人工智能技術，多數集中在提升購物體驗的深度學習領域。
人工智能技術有兩大要素：核心技術平臺和數據循環。只擁有技術是不夠的，需要業務和數據結合，才能打造好的技術。對循環數據的獲取，巨頭們也都不遺余力。
以最熱衷開源的微軟為例，去年，微軟了“牛津計劃”(現更名為“微軟認知服務”)，這是一個基于微軟云平臺的智能API(應用程序編程接口)，涵蓋了五大方向的人工智能技術，包括了計算機視覺、語音、語言、知識、搜索五大類API。去年夏天火爆的How-Old.net，就是借助該平臺快速開發出來的一款應用，一共只有20多行代碼。
類似的工具包微軟還有很多，例如深度學習工具包(CNTK)和微軟亞洲研究院主導的微軟分布式機器學習工具包(DMTK)等。
這些對于創業公司和中小企業來說相當實用。他們不用從底層技術一點點學，在小集群上或者是云服務上就可以直接調用。
對于巨頭來說，算法已經不再是競爭的障礙，數據和用戶習慣才是山頭。大量的初創企業會采用開源做很多垂直領域的業務，其中包括海量試錯和驗證，最終也會反饋回開源，而這正是巨頭們所期望的。
做B2B生意的IBM對數據的專業度要求更高，無法僅依賴搜索引擎和大量應用的交互來訓練Watson系統，因此通過深度合作和并購來獲取專業數據。
以醫療領域為例，IBM和多家世界級頂尖醫院合作，向醫院部署Watson的智能系統，通過分析這些醫院的病歷、專家的治療經驗、現有的學術研究等，幫助它們制定、觀察和調整癌癥患者的治療方案。在這一過程中，Watson也就有了這一領域的數據積累。
2015年4月，IBM收購了Explorys，它是一家可以查看5000萬份美國患者病歷的分析公司。類似的收購IBM還有不少，并且出手相當大方。
Watson已經可支持針對乳癌、肺癌和結腸直腸癌、皮膚癌等癌癥的初期診斷。在皮膚癌領域，在一項對3000幅皮膚鏡檢查圖像的研究中，Watson識別皮膚癌的準確率高達95%以上。而人類識別皮膚癌的準確率只有84%。
國內的一位人工智能業者調侃，國際巨頭在人工智能領域真正有價值的是它們的那些你看不見的、沒開源的、國際會議上含含糊糊一筆帶過的技術。“那些才是可以顛覆未來的彈藥。”
填補斷層
人工智能的產業結構可以分為三層：應用層、技術層和基礎層。應用層聚焦在人工智能和各行業各領域的結合;技術層是算法、模型和技術開發;基礎層則是計算能力和數據資源。
BAT擅長第一層。BAT手中，天然握有全球最大的數據資源。但在第二層和第三層嚴重斷層。中國在人工智能領域的科研水平停留在工程數學、物理算法等工程科學的創新層面，基礎理論研究領域的人才和資源很少。
多位接受《財經》記者采訪的中外業者認為，BAT的優勢在于海量數據，和國際巨頭的核心差距在技術。
騰訊高級副總裁姚星告訴《財經》記者，今年初，他和騰訊的投資并購部達成了一個共識，開始大量考察美國的機器學習平臺類創業公司。一則中國這類技術公司不多;二則收購這種公司可以快速補足騰訊在算法領域的不足。
姚星向《財經》記者分析，同樣提供10萬個樣本給機器，優秀的算法平臺可能只需要幾個小時，速度慢的可能需要幾天時間。
對于海外收購，搜狗公司CEO王小川則更加直白：“國內適合收購的標的公司很少，因為根是斷的，(技術和基礎研究)源頭在國外，要到國外看。”
在快速迭代的互聯網世界里，即便是互聯網巨頭，單打獨斗練獨門秘籍也會錯失良機。最佳方式，就是擁有數據和擁有技術的公司，通過各種結盟方式形成優勢互補，快速搶占市場。
2014年11月，螞蟻金服宣布和曠視科技戰略合作，利用后者的人臉識別技術Face++軟件去確認開立在線銀行賬號的用戶身份，即“人臉支付”。
Face++在人臉檢測的多項指標評測中接連拿下世界第一。2013年，在極難識別的互聯網新聞圖片上，獲得了97.27%的準確率，這個指標高于Facebook團隊。三年后，這一準確率已提高至99.5%。
進行面部識別，需要處理大量來自面部的數據信息，包括結構、五官以及肌肉等方面的數據分析。阿里云為這個合作注入自身的數據和分析能力。
“凡是花錢解決的問題都不是問題，阿里可以自己完成這些事情，但時間成本是相當昂貴的。”閔萬里對《財經》記者說，“阿里有1000件同級別的事情要做，能做好的只有其中幾件，剩下的用投資+合作，這是時間和資本效率最高的做法。”
技術和數據的結盟并不限于BAT，更多的公司希望通過結盟方式獲得未來，新的巨頭或許從中誕生。
搜狗CEO王小川的思路是社交化，做更多連接，通過建設社群關系，把人大腦里的智慧表達出來，從而解決目前搜索技術存在的內容不夠精準和實用性較差的問題。2013年騰訊入股搜狗后，先后向搜狗開放了微信公眾號數據和QQ興趣部落，為搜狗輸入數據資源。除此之外，搜狗還在去年11月戰略投資知乎1200萬美元，全面接入知乎內容。
王小川想讓搜狗的人工智能機器不斷學習社群數據，他對《財經》記者說，“人工智能下一個五年不在于人工智能本身，而是讓機器找到人。”
李彥宏稱，人工智能擁有廣泛的商業用途，人工智能的“井噴式”創新將重構傳統產業。
今天，技術和數據的天然開放性讓各公司之間的競爭變得“我中有你、你中有我”，最終的贏家是可以將技術和數據平衡利用，達到平臺效益最大化的公司。
微軟亞洲研究院常務副院長芮勇認為，橫向對比，中國和國際領先公司在核心技術上確實存在差距，國外更加注重基礎研究和技術研發，國內企業可以將國外的研發工具化、商業化;從縱向看，中國在人工智能領域的技術積累近幾年確實出現了飛躍，無論是最底層的計算機體系架構，還是智能硬件，或是上層軟件應用，都有質的進步。
“只要不太急于求成，持之以恒地投入，中國的人工智能產業相當值得期待。”芮勇說。
擠出泡沫
馬云在一次內部講話中強調：“全球都在講人工智能，到了風口浪尖，在創新面前，沒有第二只有第一，創新落伍了，你就輸了。”
焦慮的不僅是BAT，華為公司創始人任正非5月30日在全國科技創新大會上發言提到，“未來二三十年人類社會將演變成一個智能社會，其深度和廣度我們還想象不到。如果不能堅持創新，遲早會被顛覆。”
開放趨勢之下，人工智能也注定不是一場巨頭間的戰爭。
市場調研機構CB Insights的統計數據顯示，2014年風險資本對人工智能的投資增長302%，達到3.09億美元。
中國人工智能領域已有近百家創業公司，65家獲得投資，共計29.1億元人民幣，其中曠視科技、優必選、云知聲、SenseTime四家公司登上艾瑞獨角獸榜單。
更多初創公司只是打上了人工智能的標簽。它們本質上是用國際開源的平臺，用數據訓練一兩個模型，甚至照搬國際模型，這其實潛含危險，最大的風險是產品嚴重同質化，尤其在人臉識別、語音識別等成熟領域，這些公司的產品沒有突破性創新，根本沒有繼續走下去或被收購的價值。
姚星常常為投資人鑒定真偽人工智能公司。他說，辨識偽人工智能公司有兩個關鍵點：一是這家公司所采用的技術是否是最新、最前沿的技術，如果不是，則是用人工智能概念包裝的偽人工智能。
其二，這家公司的技術和業務是否具備可擴展性?若否，則是采用部分機器學習算法或淺層人工智能技術的商業公司，而非真正的人工智能公司。
iPIN是一家擁有文本認知智能技術的公司，從去年開始，iPIN收到了不少投資機構的投資意向，該公司創始人兼CEO楊洋告訴《財經》記者，到目前為止，他還沒有遇到真正有能力鑒別人工智能技術水平的投資機構。
“這對于做偽人工智能的公司絕對是一個好消息。”楊洋調侃說。
危險在于，就算是一些初創時期確實手握人工智能獨特技術和商業模式的公司，也在資本的脅迫下慢慢走形。
在資本的壓力之下，一些人工智能創業公司開始過早商業化，研發投入逐步降低，人員結構也發生變化，銷售開始主導公司，最終技術公司變成營銷公司，失去了被并購的價值。
投資人工智能公司，需要專業技術知識和長線投資眼光。根據Gartner的“智能機器炒作周期圖”，由人工智能驅動的應用中，語音識別產業化最高，自動駕駛汽車和智能顧問處于炒作最高點，智能機器人、自然語言處理/生成和虛擬個人助手則處于爬坡期。這些都屬于5年-10年內能廣泛普及的顛覆性技術。而神經形態硬件(如神經元芯片等)屬于10年以后才能普及的技術，但該技術可能還沒研發成熟就被淘汰了。
需要在這一輪變革中保持耐心和恒心的還有政府和高校。人工智能涉及計算機科學、生物學、社會學、哲學、材料學、工程學等多個學科，中國高校基礎學科的研究能力無法被充分利用，體制內缺乏一套產學研流暢對接的機制。這導致中國高校在這次產業變革中嚴重缺位。從美國的經驗來看，正是其從法律、機制上保證了產學研的平滑轉換，才令美國在這一輪的人工智能研究中占據上風。
一些樂觀的投資人認為，技術發展本身就是驅逐泡沫的手段，“不用很長，一年或一年半的時間，很多真實情況就會暴露出來，泡沫也將逐漸散去”。
人工智能醫療方案范文6
DM是數據庫知識發現（knowledgediscoveryindatabase，KDD）不可缺少的一部分，而KDD是將未加工的數據轉換為有用信息的整個過程（圖1），包括一系列轉換步驟，從數據的預處理到DM的后處理［1］。其最早是在1989年舉行的第11屆美國人工智能協會（americanassociationforartificialintelli－gence，AAAI）學術會議上提出的，是近年來隨著人工智能和數據庫技術的發展而出現的一門新興技術［4］，其開發與研究應用是建立在先進的計算機技術、超大規模數據庫的出現、對巨大量數據的快速訪問、對這些數據應用精深的統計方法計算的能力這4個必要條件基礎上的，以數據庫、人工智能和數理統計三大技術為支柱［5］。
2DM的基本模式及在臨床醫學中的應用
DM的任務通常有兩大類：預測任務和描述任務。預測任務主要是根據其他屬性的值，預測特定屬性的值，主要有分類（classificaion）和回歸（regression）2種模式。描述任務的目標是導出概括數據中潛在聯系的模式（相關、趨勢、聚類、軌跡和異常），主要有關聯分析、聚類分析、異常檢測3種模式［1］。
2．1預測建模（predictivemodeling）
涉及以說明變量函數的方式為目標變量建立模型。有2種模式：分類和回歸。分類是用于預測離散的目標變量。在臨床醫學中，疾病的診斷和鑒別診斷就是典型的分類過程。Melgani和Bazi［6］以美國麻省理工學院的心律失常數據庫的心電圖為原始數據，采用不同分類模型，對心電圖的5種異常波形和正常波形進行分類。回歸是用于預測連續的目標變量。回歸可廣泛應用于醫學研究中如醫療診斷與預后的判別、多因素疾病的病因研究等。Burke等［7］采用各種回歸模式對影響乳腺癌患者預后的因素進行回歸分析。
2．2關聯分析（associationanalysis）
用來描述數據中強關聯特征的模式，用于發現隱藏在大型數據集中的令人感興趣的聯系。所發現的模式通常用蘊函規則或特征子集的形式表示。關聯分析主要應用于DNA序列間相似搜索與比較、識別同時出現的基因序列、在患者生理參數分析中的應用、疾病相關因素分析等［5］。有學者對37000例腎病患者進行了追蹤觀察，監測腎小球過濾率、尿蛋白水平和貧血狀況，結果發現以上3種生理指標中的任何一項異常都伴隨著心臟病發病率的上升，這種腎病與心臟病“關聯”的現象可發生在腎病的早期階段［8］。
2．3聚類分析（clusteranalysis）
旨在發現緊密相關的觀測值組群，使得與屬于不同簇的觀測值相比，屬于同一簇的觀測值相互之間盡可能類似。聚類分析在醫學領域中主要用于DNA分析、醫學影像數據自動分析以及多種生理參數監護數據分析、中醫診斷和方劑研究、疾病危險因素等方面［5］。羅禮溥和郭憲國［9］利用聚類分析對云南省25縣（市）現有的112種醫學革螨的動物地理區劃進行分析，發現云南省醫學革螨的分布明顯地受到自然地理區位和特定的自然景觀所制約。
2．4異常檢測（anomalydetection）
用來識別其特征明顯不同于其他數據的觀測值。這樣的觀測值稱為異常點（anomaly）或離群點（outlier）。異常檢測的目標是發現真正的異常點，避免錯誤地將正常對象標注為異常點。換言之，一個好的異常檢測器必須具有高檢測率和低誤報率，其主要應用于檢測欺詐、網絡攻擊、疾病的不尋常模式等［2］。
3DM的方法及研究趨勢
在DM算法的理論基礎上，DM常用方法：（1）生物學方法包括人工神經網絡、遺傳算法等；（2）信息論方法包括決策樹等；（3）集合論方法包括粗糙集理論、近鄰算法等：（4）統計學方法；（5）可視化技術等方法。DM經過十幾年的蓬勃發展，很多基本算法已較為成熟，在其基礎上進行更加高效的改進和算法提高顯得比較困難，如傳統的頻繁模式和關聯規則挖掘在近幾年的國際著名會議和期刊上已不再作為重要的研究主題［10］。近年來眾多國內外知名學者相繼探討DM的最新方向。Yang和Wu［11］匯總形成了DM領域十大挑戰性問題報告；Agrawa等［12］探討了DM的現狀并展望了未來的發展方向，Piatetsky－shapiro等［13］討論了DM新的挑戰性問題，并主要探討在生物信息學（bioinformatics）、多媒體挖掘（multimediamining）、鏈接挖掘（1inkmining）、文本挖掘（textmining）和網絡挖掘（webmining）等領域所遇到的挑戰。與國外相比，DM在國內的研究和應用始于20世紀90年代初，主要是對DM方法的介紹和推廣，20世紀90年代后期和21世紀初進入蓬勃發展階段，當前DM已成為大型企業進行經營決策時所必須采用的方法，證券和金融部門已將DM作為今后重點應用的技術之一。有學者以HIS和LIS數據庫信息為數據源，人工神經網絡為工具，概率論為依據，對常規檢驗結果和質譜指紋圖數據進行DM并應用于臨床實踐［14－16］。
4臨床醫學DM的特點
DM作用于醫學數據庫跟挖掘其他類型的數據庫相比較，具有其自己的特點。以電子病歷、醫學影像、病歷參數、化驗結果等臨床數據為基礎建立的醫學數據庫是一個復雜類型數據庫，這些臨床信息具有隱私性、多樣性、不完整性、冗余性、異質性和缺乏數學性質等自身的特殊性和復雜性，使得醫學DM與常規DM之間存在較大差異。醫學DM方法包括統計方法、機器學習方法、神經網絡方法和數據庫方法等。將這些不同的挖掘方法應用到疾病的診斷、治療和預后分析以及醫療管理等各個領域，從疾病的診治、醫療質量管理、醫院管理、衛生政策研究與醫療資源利用評價等方面去獲取諸如概念、規律、模式等相關知識；用于對疾病進行分類、分級、篩選危險因素、決定治療方案和開藥數量等［5］。
