2014 年，斯坦福大學啟動了“AI100”項目，即“人工智能百年研究”。該項目集結了各領域頂尖的研究人員，旨在研究并預測人工智能將如何發展，及其對人類和社會的影響。

　　“人工智能+醫療保健”一直被視為極具發展潛力的新興領域。未來幾年，基于人工智能的應用程序有望改善數百萬人的健康狀況和生活質量，并改進醫務工作者和患者之間的交流方式。

　　“AI+醫療”的主要應用領域包括：臨床決策支持、患者監控和指導、輔助手術、患者護理的自動化設備以及醫療保健系統的管理等。例如，利用社交媒體來推測可能存在的健康風險，利用機器學習來預測疾病以及通過機器人來輔助手術。

　　然而，如何獲取醫生、護士和患者的信任，如何消除政策、法規以及商業上的阻礙，這些都是需要解決的問題。與在其他領域一樣，數據都是關鍵的推動者。

　　從個人監控設備加上移動應用程序、臨床環境中的電子健康記錄(EHR)到醫療機器人，研究人員不斷創新，在收集有用醫療數據方面，取得了巨大進步。

　　但事實證明，相關人員很難利用這些數據為單個患者和患者群體提供更精準的診斷和治療。過時的規章制度和激勵機制都阻礙了產品的研發和上市。

　　在龐大且復雜的醫療系統中，人機交互方式不完善以及技術應用存在困難和風險，都為人工智能應用于醫療領域帶來了挑戰。通過減少或消除這些阻礙，加上不斷的創新，數百萬人的健康狀況就能得到改善。

　　臨床環境：AI助手幫助自動化問診流程

　　幾十年來，人工智能驅動的臨床醫生助理這一概念不斷被提起。盡管有些“AI+醫療”的試點項目取得了成功，但目前的醫療系統在結構上仍然不能適應這一技術。

　　平價醫療法案中的激勵措施加速了電子健康記錄(EHR)在臨床實踐中的應用，但實施效果不佳，也讓臨床醫生對其有效性產生了質疑。其中存在的問題包括，一小部分公司控制著EHR市場，以及公眾普遍認為用戶界面不符合標準，比如醫生通常會忽略的彈出窗口。

　　由于以上問題以及監管方面的要求，通過人工智能，利用EHR的數據進行分析的愿景，在很大程度上仍未實現。

　　在未來15年，如果人工智能發展迅速，加上足夠多的數據以及合適的系統，就有望改善臨床醫生的工作效率。目前，按照固定流程，患者會先對癥狀進行口頭描述，然后醫生們再將癥狀與已知疾病的臨床表現聯系起來。

　　如果以上流程實現了自動化，那么醫生可以監督問診過程，運用經驗和直覺來指導輸入過程，并評估機器的智能輸出。醫生的“實踐”經驗仍將至關重要。而其中，最大的挑戰在于，如何將人性化的護理與自動化推理過程結合起來。

　　為了達到最佳效果，臨床醫生必須在一開始就參與進來，以確保系統的正常運行。目前，新一代醫生已經精通這些技術，并開始在移動設備上使用專門的應用程序。與此同時，初級保健醫生的工作量會大幅度地增加。

　　但是，只要解決監管、法律和社會方面的問題，就能極大地改善臨床的分析，其中包括開發新的學習方法、通過自動分析科學文獻來創建結構化的推理模式、通過自由對話的形式來創建認知助手等。

　　醫療分析：管理臨床記錄和患者數據、自動圖像解譯

　　人工智能可以分析數百萬條患者臨床記錄，從而實現更準確、更個性化的診斷和治療。隨著全基因組測序成為患者的常規檢查，基因型-表型的相關性分析也將成為可能。

　　比如，可以通過類似群組分析，即找到“相似患者”，來決定治療方案。通過社交平臺以及傳統或非傳統的醫療數據，來決定患者分組。而每一組都有一個專門的系統進行管理，系統由醫療服務提供者以及自動推薦和監控系統組成。如果將這一技術應用于數億人的臨床記錄，就可能從根本上改善醫療服務。

　　此外，人工智能技術也可以提供個性化的醫療服務，比如，通過可穿戴設備自動獲取個人環境數據，以產生個性化的分析和建議。目前，ShareCare等公司正在將這一技術應用于醫療場景。

　　然而，想要實現快速創新，仍然需要克服許多困難。FDA在批準創新診斷軟件方面進展緩慢;HIPAA法案(健康保險攜帶和責任法案)要求保護患者隱私，這就為通過人工智能技術使用患者數據設置了法律障礙。批準的藥物或產品可能會出現意料之外的負面影響，比如，用于分析藥物相互作用的移動應用程序會被禁止從患者記錄中提取必要的信息。

　　總的來說，由于缺乏普適的隱私保護方法和標準，醫療領域的人工智能研究和創新受到了阻礙。FDA遲遲沒有批準創新軟件，部分原因是無法權衡這些系統的成本與效益。如果監管機構(主要是FDA)意識到，上市后報告可以有效避免某些安全風險，那么它們可能會更快地批準新的治療方式和干預措施。

　　幾十年來，自動圖像解譯一直是一個極具發展潛力的領域。而這一領域取得的進展都引發了極大的關注，比如解譯大量標記較弱的圖像(如從網絡上截取的大型照片)。在此之前，醫學圖像的解譯并未取得如此大的進展。因為大多數醫學成像方式(CT、MR、超聲)本質上都是數字化的，圖像都進行了存檔，而且有大型的、技術成熟的公司(如西門子、飛利浦、通用電氣等)專門從事成像研究。

　　但到目前為止，仍然存在一些障礙，限制了這一領域的發展。大多數醫院的圖像檔案在過去十年才數字化。更重要的是，解決醫學問題，依靠的并不僅僅是識別圖像中的東西，而是對其作出準確的判斷。而這些高風險的判斷都會受到嚴格的監管。

　　即使有了最先進的技術，放射科醫生可能還是需要查看圖像，因此其判定的結果仍不具有說服力。此外，醫療保健法規禁止跨機構的數據共享。因此，只有像Kaiser Permanente這樣的大型綜合醫療機構才能解決以上問題。

　　盡管如此，自動/增強圖像解譯這一領域仍發展迅速。在未來15年，可能不會出現完全自動化的放射學，但對于圖像“分流”或二級檢查的初步嘗試，有望提高醫學成像的速度和成本效益。

　　結合電子病歷系統，機器學習技術可大規模地應用于醫學圖像數據。例如，幾個大型的醫療系統都存有數百萬名患者的檔案，每個檔案都有相關的放射學數據。另一方面，相關文獻表明，深度神經網絡可以通過訓練分析放射學的數據，并且具有較高的可信度。