医疗AI泛指AI技术在医疗各领域的应用，是AI与垂直行业结合的最先行和最重要的领域之一。医疗拥有海量、复杂、高专业性的异质数据，AI能够有效利用这些数据提升医疗问题的处理效率，创新人机协同的医疗服务模式，更有效地匹配和平衡医疗供需，最终支持提升全社会的健康水平。
AI在医疗的诸多领域均已展开不同程度的应用探索，包括病人的自查问诊、医生的诊断治疗、医保的控费、医药的研发、医院和政府的管理等。然而受制于医疗相关数据样本有限等问题，医疗AI虽然起步较早但普遍还未实现商用。2020年全球新冠肺炎疫情的突发，为医疗AI创造了巨大的实战空间和机会，大大加速了部分细分领域技术的应用落地，主要有三大类：一是医疗影像AI，基于图像识别等技术提升阅片效率，已经在糖尿病和肺癌、食管癌等主要癌症中验证了能力，并在新冠肺炎的辅助筛查中发挥了积极作用；二是疾病监测预警AI，通过大数据构建监测评估模型，实现对传染病溯源、风险区划分、发展趋势模拟预测等功能，支持防控策略和行动的提前布局。该模型已经在疫情期间被政府防控部门采用；三是辅助医疗决策AI，典型是将AI与CDSS（临床决策支持系统）结合，构建能够自我学习进化的医学知识库，进而开发智能问诊、分诊、诊断和治疗的决策支持系统。如针对新冠肺炎的AI问答小程序，能够帮助公众通过自诊及时就医，同时缓解医院就诊压力。整体而言，随着医疗AI对某些病种的可用性被实践验证，未来有望在更多传染病、慢性病、癌症等影响范围广的疾病领域被率先采用和推广。
尽管受到疫情的倒逼加速，医疗AI发展仍然面临不少难题。以商业化进展最快的医疗影像AI为例，除了伦理、安全等制度性问题之外，技术上至少存在三方面挑战：数据量少、算法跨中心泛化能力差、准确度要求高。对此，业界已探索出了一些可行的解决方向。一是可以采用小样本学习技术，解决数据量少、缺乏训练样本的问题。比如通过多任务分割网络和迁移学习，实现对大量异质公开数据集的利用；通过基于魔方变换的自监督学习，能够避免额外的人工标注，从而降低训练的时间成本等。二是可以采用域自适应的方法，提高算法的泛化能力。通过VideoGAN视频风格转换、OP-Net单张图片风格转换等技术，实现输入端、特征层或输出端的归一化，使得输入的特征在不同的域都能保持稳定，从而扩大算法的适用范围。三是可以采用基于分割结果的注意力机制，比如通过三维分割和重建算法，将器官、病灶等逐步分割出来，再和原始数据共同输入分类网络，能够有效剔除背景干扰、明显提升分类准确率。最后，除了需要算据、算法和算力的持续迭代优化外，未来医疗AI还需要更有效地加入先验知识。然而先验知识大多不通用，加入算法网络中没有通用方法，导致每种场景都可能需要定制化，这是未来需要重点探索和解决的关键问题之一。
以医疗影像AI为代表的个别医疗AI目前已经在一些国家商用，我国首张AI“影像辅助诊断”三类证也在2020年正式颁发。可以预见的近未来，随着实际应用效果的显现，更多医疗影像AI产品和服务将加速商业化落地，而这也将促进医疗AI其他技术产品的创新与商业化发展。从更长远的视角看，随着更多的医疗AI的可用性被验证，医疗AI的数据整合、软硬件集成和多病种通用化，将是下一阶段需要关注和把握的趋势。
