醫療保健過程通常會產生大量的數據，但是從目前來看，醫療保健行業應用AI技術處理龐大數據資料的進度依舊緩慢，不過這一切都將發生改變。

　　根據行業咨詢公司Frost&Sullivan數據顯示，到2021年，醫療保健行業AI市場的年均復合增長率將會達到40%，醫療費用有望降低一半。

　　AI技術可以從許多方面協助專業的醫療人員。例如，AI可以協助評估疾病的診斷和預后，減少人為的出錯率和工作量；同時，AI技術還能通過分析復雜的數據，或將有可能識別出先前未被發現的一些與疾病相關的線索，從而為治療提供新思路。

　　同樣地，AI技術也會為患者帶來諸多便利。例如，醫護人員在AI的協助下可以更高效率地完成工作，這樣患者就能得到更及時有效的護理，從而極大地改善醫療結果。

　　分析多種數據格式

　　醫療保健數據的存儲格式多種多樣，其中包括數字、文本、圖像、掃描、視頻以及音頻等。許多研究結果也表明，AI技術可以成功地應用到這些不同的數據類型中。

　　舉例來說，深度學習模型可用于分析核磁共振的掃描結果及評估癌癥病人體內的腫瘤生長情況。使用卷積神經網絡技術，誤報會降低，從而減少對病人進行創傷性的活檢診斷。來自中國的一支研究團隊通過分析顯示軟組織彈性和硬度的彈性圖，其區別惡性腫瘤和良性腫瘤的精確率已經達到了93%。

　　文本數據同樣也能用AI技術來進行處理。在2100萬份電子健康檔案中使用類神經網絡技術提取某些危險系數，其中8500個患者被識別到有發展成心臟衰竭的風險，準確率為85%。另一個類似的技術在基于患者的語言模式下，被用于鑒別精神分裂癥患者的精神疾病，準確率達到了100%。

　　在另一份研究中，來自加拿大的一支研究團隊使用原始心電圖(ECG)數據搭建了一個深度卷積神經網絡模型。從該模型可了解誘發陣發性心房顫動（一種有致命危險的心臟疾病）的主要因素，還能協助患者進行篩查。

　　面臨的阻礙

　　AI技術應用到醫療保健還面臨一些需要克服的阻礙：

　　醫療行業需意識到AI技術可帶來的幫助

　　醫療數據的敏感性讓獲取數據來培養AI模型會有一定的困難

　　AI模型得到認可具有難度

　　為克服這些阻礙，醫療行業人員和數據科學家應該更緊密地合作。根據哈佛一支醫學院團隊的研究，在診斷乳腺癌時，病理學家錯誤率是3.5%，使用AI模型可將錯誤率降低到2.9%。兩者配合進行診斷，則錯誤率可降低到0.5%。