在整个大的医疗领域，疾病诊断，尤其是医学影像（x射线、超声、mri 、ct和pet等）是人工智能比较得到认可的方向。2017年，arterys公司的影像平台cardio ai成为fda批准的首例人工智能辅助诊断工具，用于帮助医生分析心脏核磁共振图像，可自动化描绘图像中的心室轮廓线，并计算心室功能相关参数；随后其lung ai和liver ai也陆续获得fda的批准，用于辅助医生分析肺结节和肝脏损伤。今年2月份，viz.ai公司的contact也获得fda批准用于分析大脑ct的扫描图像，用以发现与中风相关的信号（如可疑的大血管堵塞），及时通知医生。令人振奋的是，近日，fda批准idx公司的idx-dr可独立用于初步筛查糖尿病视网膜病变，判断是否需要医生的进一步评估和诊断。

除了工业界的进展，学术界高水平杂志上人工智能影像相关的工作也屡见不鲜，2016年的jama和2018年的cell都有人工智能在诊断眼科疾病如年龄相关性黄斑变性和糖尿病黄斑水肿的研究报道。简而言之，人工智能对疾病影像的识别有着较高的灵敏度和特异性，速度快和重现性也是人工智能的优势所在，医生群体都开始担心会不会被人工智能抢走工作。

人工智能在医学影像诊断方面的优异表现，其实一点也不意外，本来这一轮的人工智能浪潮的催化剂就是斯坦福大学教授、谷歌云首席科学家李飞飞的imagenet。源于某些疾病的影像诊断有较为明晰的标识，以及足够的训练集，人工智能在影像数据集上能达到与医生不相上下的正确率。但现实环境会比文献或诸多人机pk大赛中严格控制的条件要复杂，虽然人工智能通过引入dropout和dropconnect等算法来减少过度拟合，但数据多样性不足仍会导致人工智能存在偏向性，泛化能力不足，对罕见疾病更是束手无策。其次，当前的人工智能只能从事指定类型的智能行为，有诸多的适用条件和范围，譬如idx-dr除了仍然需要专业人员操作眼底照像机获得高质量图像，而且需要在使用之前排除多种不适用状况，如持续性视力丧失、视力模糊、增殖性视网膜病和视网膜静脉阻塞等症状。再次，遇到某些模棱两可的疾病影像，就常常需要医生在读片时问诊病人及结合病人之前的病历报告来综合判断，这类需要根据医学常识进行逻辑推理判断的任务对人工智能而言似乎并不容易。在威诺格拉德模式挑战（一种代词消歧的自然语言问题，用于区分人工智能是基于常识来理解对话还是基于统计数据的猜测）中，人工智能溃不成军。最后，所有的人工智能工作只有遵循临床指南，才可能被医生群体所认可，譬如最像医生的idx-dr擅长视网膜成像的图像解读，在2017年美国糖尿病协会对筛查糖尿病视网膜病变的立场声明中，视网膜成像属于证据分级系统的e级证据，而且fda也明确表示病人在40和60岁以及有任何视觉问题时，仍然需要全套的眼科检查，更何况人工智能通过多层神经网络的黑匣子给出的结果并不令人放心。同时医学在不断进步，临床指南也会修改，有可能导致之前训练集的标识需要重新来过。数据标识工作可谓是劳动密集型工种，诸多类似富士康的雇佣大量人员，只是这些数据标识工厂并没有出现在光鲜的新闻上。医药类数据标识由于其专业性强，对标识人员的水平要求更高。人工智能医学影像肯定是未来的方向，有望广泛进入各大医院作为医生的助手在多种疾病的诊断上提供真正有实用价值的参考性意见。只是目前的人工智能离媒体宣扬的“替代医生”还有很长的路途。

其实如果着力于人眼不可及的领域，也许是另一条可行之路，譬如把疾病诊断简化到分子水平。如果人工智能选择弥补人类缺乏的能力，而不是去和人类竞争，那被接受的概率和速度要大得多、快得多。我们知道，肿瘤的异质性很强，即使是看起来很相似的肿瘤形态，也可能有着不同的基因变异，此时病理学常无能为力。而且肿瘤的异质性也是导致新药研发缺乏针对性而失败的重要原因。近期，nature杂志发表了一篇文章，一百多位科学家联合开发了一套基于中枢神经系统肿瘤dna甲基化来进行疾病诊断和分类的人工智能，它与标准的诊断方法有可比性，而且更重要的是，因为完全基于不同的角度，这套人工智能还可以发现目前医学指南中未分类的肿瘤类型，为肿瘤的精准治疗和新药开发提供重要信息。