点蓝色字关注“慢伤前沿”
人工智能 （AI） 在医疗保健中的使用正在引起极大的关注和兴趣。AI 正在彻底改变执业者诊断、治疗和护理患者的方式，但我们是如何走到这一步的呢？AI 在医疗保健领域的起源及其发展对于理解其当今的应用至关重要。了解 AI 的主要进步及其在伤口护理中的未来发展，对于考虑任何水平的实践整合都至关重要。
AI 在医疗保健领域的开端
艾伦·图灵 （Alan Turing） 在 1950 年代引入图灵测试通常被认为是人工智能的开端[1]。然而，AI 的几个重要方面，例如神经网络 （NN） 的开发，对于理解预测性 AI 技术和用于评估医学成像的技术至关重要[2]。
神经网络
与 AI 识别医学图像中复杂特征的能力相关的是神经网络和空间不变性的发展。人工神经元的概念于 1943 年通过数学模型首次引入。1958 年，人工神经网络 （ANN） 或感知器的第一次迭代问世。几乎与这一发展同时，神经学家在 1959 年描述了人类视觉皮层内的细胞如何实现模式识别，为神经学家在 1962 年发现“空间不变性”奠定了基础。[3] 复杂细胞通过响应视觉刺激来实现空间不变性，而不管垂直或水平方向如何，这是通过对特定方向的视觉刺激（例如，图像的顶部）做出反应的简单细胞的共同努力而实现的。
在第一个 AI 冬天之后，1980 年代和 1990 年代带来了更多与空间不变性和人工神经网络相关的发展，但随后，由于摩尔定律或缺乏创建更高级系统所需的可访问数据和计算能力，特别是更复杂的 ANN，研究人员发现自己处于第二个 AI 冬天。
深度学习和卷积
直到 1997 年，IBM 的 DeepBlue 在一场国际象棋比赛中击败了特级大师加里·卡斯帕罗夫 （Gary Kasparov），人们对 AI 的兴趣才完全恢复。同年，语音识别软件被整合到 Windows 资产中，这表明处理能力 （GPU） 终于跟上了 AI 的发展步伐。[4]
随着 GPU 赶上越来越大的数据集的可用性，复杂的人工神经网络在 2000 年代兴起。2012 年，基于神经网络的深度学习模型，或第一个名为 AlexNet 的卷积神经网络，在指定任务上展示了优于传统机器学习技术以及人类的优势。[2,4] 从表面上看，这种深度学习神经网络是医疗保健领域的积极工具；然而，难以评估该软件如何得出结论限制了它的使用。许多专家呼吁将可解释机制和可解释 AI （XAI） 集成到与临床决策相关的系统中。[2,6]
2017 年，深度学习模型引入了基于 transformer 的架构，使其在音频处理和计算机视觉任务方面取得了里程碑式的地位。[5] 它们还通过图像分割有效地评估医学成像。与传统深度学习相比，这些架构的操作更具可解释性，在解决复杂任务方面显示出更高的效率。值得注意的是，2018 年，《通用数据保护条例》在欧盟 （EU） 生效，规定患者有权询问与其治疗相关的临床决定是如何做出的。由于流行的生成模型，例如 ChatGPT，也称为 Chat Generative Pre-trained Transformer，大多数人都熟悉这些模型。
关键事件和人工智能在医疗保健中的当前用途
大约在 1960 年代，科学家们就开始试验人工智能来增强医疗保健。主要目标是开发可以帮助医学判断和决策的 AI 系统。1975 年，斯坦福大学的研究人员开发了基于规则的顾问 MYCIN，以建议哪些病原体可能导致感染，然后根据患者信息（例如体重）推荐特定的抗生素治疗。尽管取得了成功，但 MYCIN 和其他类似模型从未在临床环境中使用，主要是由于对基于计算机的建议和责任的担忧。[2]
1987 年，首次对皮肤癌的自动诊断进行了测试，并显示出有希望的结果。[7] 同年，马萨诸塞大学开发了 DXplain，这是一个成功的决策支持系统。[8] 该系统为医生提供了建议的诊断，包括解释和对鉴别诊断知识库的访问。然而，由于纸质图表，大的临床数据集的常规捕获仍然受到限制。[2,7,8]
医疗机构在 2000 年代初期开始采用数字 EHR 系统，开始定期捕获大型临床数据集。这些数据集对于提高 AI 在医疗保健决策中应用的准确性、深度和广度是不可或缺的。从那时起，用于分析 EHR 的 AI 利用率显着增加。[2,9]
最近，AI 诊断疾病 [10]、分析医学影像[11]、并预测治疗结果[12] 的能力正在被迅速探索。2017 年，斯坦福大学的研究人员开发了一种深度卷积神经网络 （CNN），能够将皮肤病变进行分类，与专家不分伯仲。[13]
也许 AI 在医疗保健中最显着的应用来自当前在放射科中的应用。[14] 放射学中的医学成像随着 AI 驱动技术的发展而发展，利用强大的计算能力来检测身体扫描中的细微差异。功能成像正在成为患者诊疗的一个重要方面，尤其是癌症[1]，有助于治疗监测和精确度。基于 AI 的算法有助于诊断、预测临床结果和缩短解释时间。
面向未来的发展
最近的一项调查报告称，79% 的受访医疗专业人士预计人工智能和机器人技术将增强该领域。[15] 随着 AI 集成变得越来越普遍，个性化治疗计划将变得更加普遍。据估计，与没有 AI 相比，AI可以使医生在直接患者诊疗上多花费约 17% 的时间。[16] 通过从各种来源（包括患者生成的数据）提取数据来创建数据库，医生可以访问和咨询这些数据库以获得更个性化的患者诊疗，从而节省这些时间。使用深度学习的预测分析工具可能很快就会成为标准，帮助医疗专业人员分析有关慢性病和模式识别的大量数据。
结论
AI 技术在医疗保健领域取得了巨大进步，从最初的数学模型到今天的预测和评估模型。随着我们迈向一个个性化患者诊疗成为常态、深度学习模型司空见惯、AI 增强型外科手术成为主流的未来，医疗保健革命还远未结束。作为伤口护理专业人员，接受这些技术发展并了解其影响以确保您的患者获得尽可能高水平的医疗至关重要。
扫描下面二维码获取参考文献
