目前人工智能技术已在诸多领域如图像分析、自然语言处理、语音识别等取得了卓越的成果。随着医学图像数字化技术的发展，人工智能辅助的医学图像分析成为研究者们高度关注的焦点，其中病理学图像作为医学图像的一个分支在这类研究中占有很大比重。最近工作中很多成人肿瘤的病理图像分析任务都已取得了不错的成果。然而，与成人研究相比，儿科相关的研究因其人口基数小、发病率低、难于获取数据、疾病谱与成人不同等问题，未能得到足够关注和实质性进展。本文将总结现阶段人工智能在成人病理图像的研究成果、儿科病理与成人相比较的不同之处和面对的挑战以及人工智能在儿童病理图像分析中的发展现状和未来趋势。

目的:通过研究证候的分类及证候名称组成要素的多层次表示方法，实现计算机对中医证候名称的批量处理，从而应用于中医智能辅助诊断系统的研究。方法:在中医理论指导下，结合证素辨证、证候要素学说，对证候要素进行更细粒度的拆分，提出证候层次划分方法和证候要素多层次表示方法，并通过对妇科月经病、不孕症的中医证候名称进行人工分析，以验证证候要素多层次表示方法的合理性。基于证候要素多层次表示方法，运用基于模式匹配的模式抽取方法，形成计算机批量处理证候要素的提取方法，并通过对《中医临床诊疗术语证候部分》证候名称的批量处理，验证计算机批量处理方法的准确性。结果:在中医理论指导下，将证候名称组成要素划分为病位要素、病性要素(包括基本物质、病因、病理状态)、连接词的两层五类的结构，基于此构建出证候拆分流程。月经病、不孕症中医证候名称的人工分析结果显示，所有证候名称均可被拆分为1个或多个病位要素、病性要素、连接词。通过计算机批量处理《中医临床诊疗术语证候部分》证候分类结果显示，计算机批量处理的准确率为71.4%。结论:构建的证候要素多层次表示方法为计算机大批量处理数据提供了理论框架，并提高了数据处理效率和准确率，为辨证模型训练数据集的构建提供了理论依据，为中医辨证推理模型提供支撑，可应用于中医智能辅助诊断系统的研究。

目的:采用自然语言处理(NLP)技术，通过特定语音任务在中国中老年人群中自动、客观、快速检测轻度认知障碍(MCI)。方法:以1∶1的男女比例招募了50~80岁中老年人215例，用特定的语音任务和简易精神状态测试-2(MMSE-2)收集受试者的语音数据和认知功能情况，并根据其认知功能进一步分为认知功能正常组和MCI组。根据语音文件提取出说话速度、音节数、音节时间长度、停顿数、停顿时间长度、共振峰频率(F1、F2)的标准偏差、声压变化共7类，合计162个语音特征，依据男性和女性分组进行分析，比较不同性别受试者的语音特征与认知功能的关联，用多元回归分别分析男、女受试者基于语音特征的认知功能预测，并使用灵敏度、特异度和准确度评价模型的预测功能。结果:MCI组受试者在发音速度、停顿次数、停顿长度及共振峰变化的50个语音特征量上与正常组比较，差异有统计学意义( P<0.05)。不同性别的分组分析中，单相关分析表明，发音节奏与认知功能显著相关；基于多元回归构建的预测模型中，识别MCI的敏感度、特异度和准确度男性分别为0.54、0.80和0.69，女性分别为0、0.86和0.63。 结论:MCI组患者的发音节奏发生了显著改变。基于自然语言处理技术的语音分析能快速、客观地筛查出MCI。

传统循证医学在医疗实践和卫生决策中发挥了重要作用，与此同时也不断暴露出证据生成效率低、覆盖范围窄、整合策略不完善等不足，难以及时服务临床诊疗及监管决策，因此亟须根据前沿技术的发展，对循证医学理念进行深入拓展和完善。2023年提出的深度循证医学倡导运用最新人工智能和自然语言处理技术，全面扩大证据的广度、深度和可整合性，提高证据生产和整合效率。基于深度循证医学理念建立新一代循证决策生态系统具有广阔的实际应用前景，可推动循证医学证据检索、生产、整合、传播、转化和应用等各环节的发展，深入挖掘影像学、多组学和真实世界数据，增大真实世界证据的利用潜力，建立动态文献管理平台和决策辅助工具，减少资源浪费，促进证据流动。借助此系统有助于获取以个体为中心的临床综合证据进行精准决策，并在人才培养、循证教学改革、科普宣传等方面发挥重大作用，最终推动同一健康的实现。

目的:以“超声在麻醉、疼痛和重症医学中的应用”课程为例，构建临床医学专业课程学习者画像模型。方法:梳理临床医学专业课程学习者画像模型构建框架及流程，对多来源学习者数据进行收集及预处理。利用Python 3.9编程语言进行统计分析、自然语言处理、聚类分析，并以可视化技术呈现，构建机器学习预测模型并评估模型预测效能。结果:从学习背景、兴趣偏好和行为效果3个维度构建临床医学专业课程学习者画像模型。学习背景画像揭示了学习者基本信息、认知基础和学习动机。兴趣偏好画像分析了学习目的与其他选课信息，根据内容关注程度、学习效果影响因素识别出3类不同的学习者群体。行为效果画像通过构建4种机器学习算法预测模型实现了对课程考试成绩的分类预测，结果显示朴素贝叶斯算法效果最佳，准确率为0.80、F1分数为0.79，受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under the curve，AUC）为0.79（ P=0.035），与其他算法差异有统计学意义。 结论:本研究构建了临床医学专业课程学习者画像模型并开展实证研究，画像结果对教学内容、教学方式与教学团队、学习效果预测提供了指导建议。

目的:针对临床数据数量庞大和质量差的现状，本研究旨在以建立淋巴瘤研究数据库为例，探索高质量研究数据库的建立路径以及在真实世界研究的作用。方法:汇总研究领域专家意见，参考相关指南和标准，建立标准医学知识库；回顾性抽取2005年2月－2021年12月期间就诊于北京大学肿瘤医院淋巴瘤患者电子诊疗数据，采用深度学习、自然语言处理等方式，搭建"基于电子病历系统的淋巴瘤数据库－生物样本信息库－延伸遗传信息库"的动态智能信息整合与处理系统。结果:研究数据库在满足了临床科研人员的研究需求的同时，实现医院病历数据和生物样本信息数据的申请、审批、溯源和分析全过程留痕管理。数据库中核心科研变量总数为668个，结构化变量占46.0%。截至2021年12月25日，数据库中共有淋巴瘤患者68 687人，男女患者人数比值为8/9，就诊次≥3次的患者占比为23.0%。此外，研究者可在数据库中根据目标条件叠加检索，显示命中的就诊记录，建立研究队列，进行统计建模，挖掘数据信息。结论:通过整合管理流程和利用自然语言人工智能新技术建立循证等级高的数据库，有助于医院信息系统的互联互通与资源共享，从而达到为开展真实世界研究提供可靠详实数据的目的。

2022年11月30日，美国人工智能研究实验室OpenAI发布了聊天机器人程序ChatGPT(全称：Chat Generative Pre－trained Transformer)。作为人工智能技术驱动的自然语言处理工具，ChatGPT能够基于在预训练阶段所学习的模式和统计学规律来生成回答，还能根据聊天的上下文进行互动，真正像人类那样聊天交流，甚至能完成撰写邮件、视频脚本、文案、翻译、代码，写论文等任务。

目的:我国医疗数据的存储大部分实现了电子化，但尚未建立统一的信息化和结构化模式，而肿瘤临床数据的规范收集、分析整理，是提高肿瘤诊断和治疗水平的重要基础。因此，迫切需要建立一个胃癌专病数据库平台，整合数据资源，进而提高对胃癌的诊疗水平。本研究通过本中心建立的胃癌专病数据库，采用自然语言处理技术结构化临床病理信息，分析解放军总医院第一医学中心普通外科近20年胃癌患者的人口经济学指标，以期了解胃癌外科人群的临床病理特征、分期构成和预后状况。方法:采用回顾性队列研究的方法。回顾性纳入2000—2019年期间接受手术治疗的胃癌患者病例资料，按照国际抗癌联盟和美国癌症联合会（UICC/AJCC）第8版胃癌TNM分期指南，将结构化的胃癌临床病理资料重新评估判读。对2010—2016年期间患者的随访资料采用Kaplan-Meier法描述患者的生存情况，运用Log-rank检验比较不同手术方式及不同病理分期组间的生存率差异。结果:本研究共纳入13 492例胃癌患者的临床资料。全组男女比例为3.25∶1.00，其中男性10 320例，平均发病年龄59.68岁，发病年龄20年来基本稳定；女性3 172例，平均发病年龄55.93岁，发病年龄呈逐年增加的趋势，平均每年增加0.17岁。患者的平均住院时间呈逐年递减趋势，其中2019年为13.87 d；平均住院费用呈逐年增长趋势，其中2017年达到峰值8.36万，2019年为7.54万。经自然语言识别和纳入排除标准筛选，获得7 218例结构化临床病理信息。分析近5年3 626例患者的临床病理特征，肿瘤直径为（4.44±2.61） cm，淋巴结清扫数为（24.30±13.29）枚，不同手术方式所占比例分别为：开腹手术1 398例（38.55%），腹腔镜手术1 856例（51.19%），机器人手术372例（10.26%）。术后病理分期：ⅠA期658例（18.15%），ⅠB期318例（8.77%），ⅡA期559例（15.42%），ⅡB期543例（14.98%），ⅢA期632例（17.43%），ⅢB期612例（16.88%），ⅢC期276例（7.61%），Ⅳ期28例（0.77%）。获得完整随访资料的患者3 431例，1、3、5年总体生存率分别为82%、69%和60%。腹腔镜手术和开放手术患者的1、3、5年生存率分别为83%、70%、64%和81%、67%、56%，差异无统计学意义（ P=0.109）。不同TNM分期胃癌患者的5年生存率分别为：ⅠA期88%、ⅠB期77%、ⅡA期70%、ⅡB期62%、ⅢA期44%、ⅢB期32%、ⅢC期22%、Ⅳ期17%。 结论:本研究为进一步研究多中心胃癌的综合诊疗模式和提高我国胃癌综合治疗的疗效提供了基础数据。

人工智能(AI)是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门技术科学，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。机器学习(ML)是AI的核心分支，着重研究计算机在大数据中怎样模拟或实现人类学习行为，重新组织已有的知识结构，不断改善自身性能，完成预测回归或分类等任务 [1]。

目的:研发针对常见眼病的智能问答系统，并调查和评估其在互联网医院平台的应用效果，为医疗服务模式和技术创新提供借鉴。方法:利用自然语言处理技术研发常见眼病智能问答系统，通过对预先录入的结构化知识进行解析分词和关键词采集绑定等处理，经过搜索引擎为用户提供准确的问答内容。并通过功能、性能测试，完成互联网医院的部署。收集2020年2月1—29日期间使用常见眼病智能问答系统的数据资料，对患者的人口学信息、问诊时间、咨询疾病类别、咨询内容、服务评价等进行分析。结果:在中山大学中山眼科中心互联网医院成功研发出具有智能导诊服务和眼病术后智能咨询模块的常见眼病智能问答系统，测试结果表明智能问答系统的可重复性为100.0%，准确性为99.8%，可24 h持续在线服务。2020年2月1—29日期间中山眼科中心互联网医院常见眼病智能问答系统总服务患者6 462人次，其中男3 082人次，占47.7%，女3 380人次，占52.3%。患者的平均年龄为32.3岁。1 135例患者使用了智能导诊服务，占17.6%，5 375例患者使用了眼病术后智能咨询模块，占82.4%。平均每日使用常见眼病智能问答系统的患者为223人次，最高每小时服务74人次。分别有25.6%(38/148)和36.4%(54/148)的患者对常见眼病智能问答系统的服务效率表示非常满意和比较满意；24.3%(36/148)和37.8%(56/148)的患者对常见眼病智能问答系统的服务质量分别表示非常满意和比较满意。结论:常见眼病智能问答系统具有较高的可重复性和准确性。基于互联网医院平台的智能问答系统应用可满足患者24 h医疗咨询需求，降低医院交叉感染风险和医务人员的工作压力。