人工智能(artificial intelligence，AI)是计算机科学的一大分支，旨在模仿人类的思维过程、学习过程和知识存储过程[1]，根据智能化的程度可以分为弱人工智能、强人工智能及超级智能[2]。人工智能于20世纪70年代兴起[3]，在经历了三起三落之后，逐渐应用于医疗行业，起到解决医护人员短缺、缓解医疗资源不足、减少诊断误差、提高临床护理质量等作用[4-5]。2016年7月，国务院出台《“十三五”国家科技创新规划》，支持研发人工智能以促进智能产业发展。目前，人工智能在我国临床医疗诊断、基因检测、专家系统以及医学影像等领域广泛应用。现就人工智能在临床的应用研究进展综述如下。
1.1 内涵与外沿 Nilson等对人工智能的定义是：通过模拟人类的方式，记录、积累、再现和运用知识的学科[6]。人工智能一词被人们普遍接受是从机器人这一发明开始的，机器人这个词来源于捷克语robota[6]，意思是说用作强迫劳动的生物合成机器，但是实际上人工智能这一词并不仅仅局限于机器人。人工智能是当前科学技术发展中的一门前沿学科，由计算机科学、控制论、信息论、生理学、心理学、语言学、医学和哲学等多种学科互相渗透发展起来的，其方法包括机器学习、知识获取、知识处理、自动推理等。人工智能技术的本质是计算机视觉技术、语言识别技术、自然语言理解技术，该领域的主要研究包括机器学习、神经网络学习和自然语言理解等。随着科学技术的发展，人工智能技术的三大主要应用领域——专家系统、人工神经网络和数据深度挖掘[6]，在医疗领域中所起到的作用也越来越大，其地位也越来越重要。近年来，人工智能在各个应用领域中取得了惊人的成就，被认为是21世纪三大尖端技术(基因工程、纳米科学、人工智能)之一。
1.2 发展历史
1.2.1 产生与发展 人工智能一词最早于1956年在美国达特茅斯(Dartmouth)大学学术会议[7]中提出，该会议涉及数学神经生理学、心理学、信息论和计算机科学等多领域研究人员。John等在该会议中首次使用了人工智能这一术语，由此开创了人工智能的研究领域，在美国形成了以人工智能为研究目标的三大研究小组，分别是Carnegie-RAND协作组、国际商业机器公司(IBM)工程课题研究组和麻省理工学院(MIT)研究组[7]。1969年国际人工智能联合会(International Joint Conference on Artificial Intelligence，IJCAI)成立，并举行第1次学术会议，此后2年召开1次。随着人工智能研究的发展，1974年又成立了欧洲人工智能学会(European Conference on Artificial Intelligence，ECAJ)，并召开第1次会议，也是相隔2年召开1次。20世纪70年代，由于各项技术存在的缺陷，人工智能研究尚未大面积普及[8]，直到深度学习这一理念的提出，该问题才得以解决。近年来，微软、亚马逊(Amazon)、脸书(Facebook)、IBM在人工智能领域方面进行了大量的筹备工作，并于2016年9月联合成立了AI合作组织，旨在保障人工智能能够在未来合理地发展、应用。同时，国内IT行业的百度、阿里、腾讯也在医疗领域的人工智能应用方面进行了大量尝试。
1.2.2 人工神经网络与深度学习 人工神经网络是人工智能的基石，通过模仿人体大脑神经元之间信息传递和处理方法而产生。1958年，Rosenblatt提出了由两层神经元组成的神经网络感知器，感知器是当时首个可以学习的人工神经网络[4-5]。但是由于其巨大的计算量，普通的电脑无法承受，该研究逐渐跌入低谷。在神经网络即将被人遗忘的时候，仍有学者在不断地探索，并提出了双层神经网络和多层神经网络即深度学习的理念，解决了上述困境。神经网络在经历了单层神经网络、双层神经网络以及多层神经网络的三起三落之后，人工智能终于通过深度学习技术在语音识别、图片识别等领域崭露头角。
2.1 医疗机器人 医疗机器人是人工智能应用中最受关注的一大领域，目前常见的医疗机器人可分为五类：手术机器人、检查机器人、康复机器人、护理机器人以及导诊机器人。1999年，达·芬奇机器人获得欧洲市场认证；2000年，达·芬奇机器人获得美国国家食品药品监督管理总局(CFDA)批准，从此达·芬奇手术机器人成为世界上第一个可以正式在手术室中使用的机器人手术系统。目前，手术机器人多用于骨科、神经外科手术中[9]。检查机器人，如胶囊内镜[10]机器人，是体内远程控制机器人的常用形式，无创伤、无痛苦，能够帮助医护人员对病人的肠胃疾病进行准确的诊断。康复机器人主要针对部分运动能力丧失的病人，如机械外骨骼，一种能够帮助瘫痪或行动不便的病人主动行走的可穿戴式设备[11-12]，可用于支撑患肢。护理机器人的功能较多，如智能输液配药机器人[13]，能够帮助护士提高工作效率、减轻工作强度；搬运机器人，用于移动和搬运病人，减轻医护人员的腰背劳损。智能化养老辅助器具的研制是日本的强项，目前有为行动不便病人做便后清洁的机器人、洗发机器人、洗澡机器人及喂饭机器人等，这些护理机器人正在全力以赴地应对日本人口老龄化的问题。2016年12月，IBM联合莱斯大学推出了基于沃森(Watson)驱动的多用途老年护理机器人IBM MERA。社交辅助机器人[14]，多用于陪伴照护，正在不断进入老年人家庭的日常生活中，如机器人狗等。智能导诊机器人主要基于人脸识别、语音识别等技术，通过人机交互，起到挂号、科室导航、就医流程引导、知识普及等功能。目前，导诊机器人已经在北京、山西、安徽、湖北、浙江、广东、云南等地医院中应用。综上所述，机器人在医疗保健领域中的用途逐渐多元化，应用范围正在迅速扩大[15]。
2.2 辅助诊疗 辅助诊疗是指基于人工智能对医疗知识的学习，模拟医生的诊断思维和推理，从而得出可靠的医疗诊断和治疗方案。Liao等[16]的研究使用反向传播神经网络等工具对病人信息进行数据挖掘和统计分析以归纳护理诊断，应用该系统能够在病人住院时，根据病人的特点计算各种护理诊断的概率，结果显示信息系统提供的诊断与护士提供的诊断之间的一致性高达87%。Palaniappan等[17]的研究指出，人工智能能够通过呼吸音的智能识别来帮助医护人员得出医疗诊断。Watson是人工智能在辅助诊疗中最成熟的应用之一。2011年2月Watson问世，由IBM联合纪念斯隆·凯瑟琳癌症中心基于美国国立综合癌症网络癌症治疗指南及其多年的癌症临床治疗实践经验训练而来。2012年Watson通过了美国职业医师资格考试，目前能够对肺癌、乳腺癌、直肠癌、胃癌等多种癌症提供咨询服务。IBM Watson包括沃森肿瘤、健康影像、健康管理、药物挖掘四大产品。沃森肿瘤是基于认知计算的医疗大数据辅助诊疗解决方案，这是全球第一个将认知计算运用于临床中的案例。2016年8月，IBM Watson落户中国，并在肿瘤治疗领域进行服务。同年12月，IBM Watson联合会诊中心在浙江省中医院落地。百度公司发布的百度医疗大脑，能够通过对海量医疗数据、专业文献的分析，模拟医生问诊流程，依据用户症状提出可能出现的问题，并通过验证给出最终建议。医疗人工智能团队Airdoc，融合了多学科领域的知识和技术，在心血管科、肿瘤科、神经内科、五官科等领域构建了精准人工智能医学辅助诊断模型，可根据病人症状、既往病史、所在空间、发病情况等信息，准确判断出病人潜在疾病并推荐诊疗方案。
2.3 专家系统 专家系统是一种运用专家系统的设计原理与方法模拟医学专家诊断、治疗疾病的思维过程编制的计算机程序[18]。它是一种医生诊断的常见辅助工具[19]，能够有效地运用专家多年积累的有效经验和专门知识，模拟专家的思维过程，帮助医生解决复杂的医学问题。专家系统属于人工智能的一个发展分支，自1968年费根鲍姆等人研制成功第一个专家系统Dendel以来，不断发展。王果成[20]提出一种神经网络与专家系统串联的工作模式，能够更好地获取来源于医疗实践过程中的难以表达的知识，并且克服了专家系统知识获取的“瓶颈”问题，发挥了专家系统良好的解释功能。金艳[21]以专家系统的理论为基础，根据妇产科专家的临床经验和搜集得到的大量妇产科资料为长春市妇产医院开发了妇产科医疗专家系统。
2.4 医学影像 医学影像是人工智能在医疗领域应用较早且较为广泛的领域之一[22]。借助计算机视觉技术，能够实现病灶识别与标注、靶区自动勾画与自适应放疗以及影像三维重建等功能。人工智能技术对影像资料的处理主要包括4个步骤：数据预处理、图像分割、特征提取以及匹配判断[23]。Weng等[24]应用深度学习算法自动区分利用相干反斯托克斯—拉曼散射(coherent anti-Stokes Raman scattering，CARS)获取的正常和癌性肺组织图像，结果显示在正常、小细胞癌、腺癌和鳞癌图像分类中能够达到89.2%的准确性。目前，人工智能在医学影像方面已经涌现出了以汇医慧影、医众影像、医渡云等为代表的影像云服务公司，同时还出现了 DeepCare、推想科技、图玛深维、雅森科技等提供智能影像分析与诊断服务的公司。2016年7月，IBM宣布成立IBM Watson Health医学影像协作计划，旨在将认知影像技术应用到医疗机构的日常工作中。谷歌旗下的Deep Mind Health能够利用人工智能技术，对眼部扫描进行高效分析。2017年8月，腾讯发布AI医学影像产品——腾讯觅影，辅助医生对早期食管癌进行筛查，未来也将支持早期肺癌、糖尿病性视网膜病变、乳腺癌等病种的筛查。人工智能在医学影像中的应用能够有效地缓解医学影像学专业人员短缺、人工读片时间长的问题，但是也存在着识别标注困难、精准性差等问题，亟须解决。
2.5 医院智能信息化建设 医院信息化建设是目前医疗卫生行业发展的一个总趋势，通过借助人工智能技术，解决医疗环境中的多种需求，包括电子语音病历、智能体温单信息系统、智能导诊等。电子语音病历可以通过医护人员口述病历信息，利用语音识别技术识别医护人员所提供的内容，在原有的电子病历系统中生成文字版电子病历[25]。徐冬等[26]的研究发现，通过语音识别的方式进行病例录入，平均每百字所需要的时间比普通方式减少50%；当语音识别率提高时，病历录入的时间也会相应缩短。体温单是记录病人生命体征的重要信息，传统的手工绘制体温单存在诸多缺点。王春美等[27]自行设计智能体温单信息系统(intelligent temperature system，ITS)，与传统体温单相比可显著缩短操作时间，有效减少差错。
2.6 基因测序 基因测序是国际通用的基因检测方法之一，能够通过基因测序技术检测病变的基因，起到疾病风险预测的目的。基因测序最早可追溯至人类基因组计划(human genome project，HGP)，该计划最早于1985年提出，于1990年正式启动，旨在测量和分析人体内4万个基因的30亿个碱基对的遗传、物理、序列以及基因图谱[28]。基因测序是人工智能在国内医疗领域中的一个热点，目前，国内已有企业致力于提供基于基因测序的疾病风险预测服务，该类企业主要可分为三大类：基因测序仪器和试剂的研发、基因测序服务地提供以及生物信息分析。美国Illumia公司在NGS测序中处于霸主地位，主要研发基因测序仪；23andMe公司主要面向消费者提供检测疾病基因的服务；国内的基因产业主要由华大基因领头，博奥生物、贝瑞和康等也相继涌出。王红强等[29]提出了基于人工智能的肿瘤癌变用药基因检测模式，在建立有效的基因型和临床表型之间联系的生物分子信息系统的基础上，结合利用高通量测序技术绘制肿瘤细胞多组学全景图，借助人工智能与模式识别模型对药物的疗效和毒副作用进行评估，达到精准医学的本质要求。
2.7 药物研发 药物研发是指人工智能技术能够促进药物研发的效率，起到缩短研发时间、降低研发成本。计算机药物研发[30]是人工智能领域中的一个新兴领域，药物研发需要不断对组成药物的无数小分子化合物进行筛选分析，因此借助人工智能的强大的计算能力和先进的算法，能够有效地进行筛选评估。美国Atomwise公司成立于2012年6月，能够使用超级计算机分析现有的数据库，通过人工智能模拟药物研发的过程，并在研发早期评估新药的风险，起到新药发现、结合亲和力预测和毒性检测的作用。2015年，该公司利用人工智能技术在不到1 d的时间内，成功地寻找出了能够有效控制埃博拉病毒的两种候选药物。英国Benevolent AI公司成立于2013年，同样也在药物研发领域进行新药研发和预测。IBM Watson与辉瑞达成了合作协议，计划应用超级计算机的机器学习、自然语言处理以及认知推理能力探索癌症药物的研发。
2.8 健康管理 健康管理就是运用信息和医疗技术，在健康保健、医疗科学的基础上，建立的一套完善、周密和个性化的服务程序。多以APP的形式呈现，通过人机交互，在营养管理、疾病管理、基本生命体征测定等方面达到目的。Airdoc团队设计的APP能够对菜品进行图像识别和分析，指导用户合理用餐，保证健康的饮食习惯。疾病管理主要体现在服药依从性、运动依从性以及健康知识宣教等方面，常见的APP多以糖尿病管理[31]为主，通过APP提醒病人提高主观能动性，改善其健康结局。2016年1月，IBM联合美敦力合作推出了一款糖尿病监测APP，并于同年6月与美国糖尿病协会合作，希望打造预防鉴别治疗糖尿病的数字化工具。基本生命体征测定是指通过使用手环、手表、手机等运动健康类监控设备，追踪用户心跳、睡眠质量和运动步数，为用户提供综合性的健康方案。赵婷等[32]的研究显示，对社区老年人的跌倒防控进行智能化、信息化管理，能够起到评估、干预、监测和管理功能。吴彩云等[33]的研究指出，对乳腺癌病人进行信息化管理，能够有效改善其生活质量和心理社会适应状态。
3.1 数据短缺与技术成本 一个成功的人工智能应用是建立在大量的数据和资料训练的前提下，为了达到这一目的要求医院必须进行数据共享，然而多数医院间存在数据壁垒，受限于传统医疗体系，医疗信息往往被封闭于一家医院内，而且即便是在医院内，不同科室之间的信息也难以相互联通。信息无法共享，导致医护人员、科研人员所能掌握的数据量非常有限，由于信息量少，受到信息分散情况的影响，人工智能的研发测试尤为困难。而研发周期相对较长，且算法需要大量的时间和数据积累，短期内很难产生营收数据，形成一定的潜在压力。同时，人工智能在临床应用前必须通过多道关卡，门槛较高，所需成本较高。在实现产品合法销售前，需要申请经营许可证、生产许可证、医疗器械证，并且要通过CFDA的认证。CFDA的审批流程较为繁琐，需要与指定的三级甲等医院合作，通过医院的医学伦理委员会审查，从而进行临床测试，在与病人签订知情同意书的前提下，在国家专业机构做检测和报备后，才能获得CFDA认证，这其中的时间成本、技术水平等因素均构成了高门槛。
3.2 社会需求与社会信任 随着人口老龄化和慢性病患病人数的逐年上升，社会所需要的健康照护需求也日益增长。但是医疗资源不均衡，医护人员配置比例不足，导致医护人员经常存在着较大的压力。人工智能在临床的应用能够有效地改善医疗机构、医护人员、药品器械等医疗资源的供给，与民生国情密切相关。当然，人工智能的临床应用也面临着一个巨大的挑战——社会信任度挑战，人工智能临床实践的道路上由于存在无法彻底避免的错误和漏洞、不合理的产品宣传策略、人的主观经验等问题，必然会影响人们对人工智能的信任度，一旦无法较好地处理该问题，就会产生信任危机。其次，由于人工智能在相应情景中使用的多样性，可能无形中会构成对部分社会群体的歧视。例如，人工智能的语音识别功能有限，口音将成为应用的障碍之一，使部分人群被排除到使用范围以外，无法平等对待。同时，人工智能能做到的仅仅是根据客观病理指标进行方案推荐，但是病人的个体情境复杂多样化，人工智能所提供的治疗无法考虑病人的实际情况，所以很多情况下还需医护人员进行说明和安慰，这是机器所无法胜任的。
3.3 伦理困境
3.3.1 人权伦理问题 人的社会属性是人的本质属性，而人权在人类社会当中是一种正当、合理性的存在。人权伦理是一个社会概念，强调人与人之间的道德规范，要求尊重人的生命、自由和尊严。当人工智能进化到一定程度，赋予了人类的情感之后，如何在兼顾医生、护士角色的前提下[34]，正确对待这些人工生命，是否应该赋予它们人权，并且给予相应的权利与义务，是平等对待，还是继续在各领域让其为人类服务，这个问题值得深思。
3.3.2 责任伦理问题 随着人工智能和大数据的不断发展，人工智能在医疗领域中的应用范围越来越广泛，在医疗、护理、影像等方面都起着一定的作用，但是所有的程序都不能保证绝对的完美，那么当人工智能发生决策失误并产生医疗纠纷时，如何处理医疗纠纷并且由谁承担法律责任即如何正确处理人工智能的过错归责问题[35-36]，这都亟须建立人工智能系统的道德委员会并完善相应的人权制度和法律，与人工智能时代相适应。
3.3.3 安全性与伦理问题 机器人三大法则的首要原则是不可以伤害人类，这也同样是创造人工智能的前提。安全性是每个技术应用的前提，而人工智能的安全性问题也是国内外学者关注的首要问题之一[36]。人工智能在部分领域有着超乎人类的能力，其创造的目标是造福人类和社会。但是当超人工智能出现时，它拥有思维，并且能够与人类一样进行思考和推理，甚至拥有超越人类的能力。2016 年10月，霍金在“未来智能中心”开幕仪式中表示担忧“人工智能可能导致人类毁灭”。未来人工智能是否会超出人类的控制，给人类发展带来威胁，甚至导致人类文明的终结，尚未可知。由此可见，人工智能的迅速发展势必会对人类社会的发展造成许多的不确定性[37]，也对现代医学的制度产生了挑战。
3.3.4 法律与伦理问题 法律与伦理问题不仅仅体现在人工智能导致的安全问题所引发的法律问题，也包括隐私问题[38]。我国自2010年正式施行的《中华人民共和国侵权责任法》第六十二条规定，医疗机构及其医务人员应当对病人的隐私保密。泄露病人隐私或者未经病人同意公开其病历资料，造成病人损害的，应当承担侵权责任。这一法律的实行，将对人工智能在临床中应用获取的病人的数据造成较大的障碍。而随着人工智能技术的发展，人类所产生的数据类型也不断增加，然而目前尚无保护个人隐私数据安全的法律体系的构建，那么如何正确地保护个人隐私将是人工智能应用的隐形挑战。
目前，国内人工智能的发展与发达国家相比仍然存在一定的差距，在性能方面仍存在着较大的提升空间，部分甚至存在与临床脱轨的现象。因此，如何更好地将人工智能应用在医疗健康领域仍需要多学科、多领域的共同努力，将临床实践与人工智能更紧密地结合在一起。随着人工智能在医疗健康领域的不断普及，两者的相互融合必定能够成为医学发展的重要发展方向。作为医护人员，应以开放的姿态积极接受新事物，挖掘临床需求，跨专业合作，运用现代化人工智能技术解决临床问题，解放人力，提高效率。同时，也要加深对专业的钻研，人文素养的培植，才能为病人提供专业的、充满人文关怀的护理，应对机器人可能取代人类部分工作岗位带来的挑战。
[1] KRITTANAWONG C,ZHANG H,WANG Z,et al.Artificial intelligence in precision cardiovascular medicine[J].J Am Coll Cardiol,2017,69(21):2657-2664.
[2] 王锡山.未来医学时代——人工智能诊疗[J].中华结直肠疾病电子杂志,2017,6(4):349-352.
[3] DEO R C.Machine learning in medicine[J].Circulation,2015,132(20):1920-1930.
[4] KRITTANAWONG C.The rise of artificial intelligence and the uncertain future for physicians[J].Eur J Intern Med,2018(48):e13-e14.
[5] BUZAEV I V,PLECHEV V V,Nikolaeva I E,et al.Artificial intelligence:neural network model as the multidisciplinary team member in clinical decision support to avoid medical mistakes[J].Chronic Dis Transl Med,2016,2(3):166-172.
[6] 孔祥溢,王任直.人工智能及在医疗领域的应用[J].医学信息学杂志,2016,37(11):1-5.
[7] HAMET P,TREMBLAY J.Artificial intelligence in medicine[J].Metabolism,2017,69S:S36-S40.
[8] PEEK N,MARIN M R,PELEG M.Artificial intelligence in medicine AIME 2013[J].Artif Intell Med,2015,65(1):1-3.
[9] 王佳,赵全军,王涛,等.国产神经外科医疗机器人Remebot行无框架立体定向活检术的应用研究[J].中华神经医学杂志,2017,16(3):291-295.
[10] 刘波,程磊,徐建省,等.基于nRF24LE1的无线胶囊内窥镜医疗机器人[J].华中科技大学学报(自然科学版),2013,41(z1):293-296.
[11] BAIG M M,GHOLAMHOSSEINI H,MOQEEM A A,et al.A systematic review of wearable patient monitoring systems - current challenges and opportunities for clinical adoption[J].J Med Syst,2017,41(7):115.
[12] RAY P P,DASH D,DE D.A systematic review of wearable systems for cancer detection:current state and challenges[J].J Med Syst,2017,41(11):180.
[13] 付雪奇.输液配药机器人设计及其专家系统控制[D].哈尔滨:哈尔滨工业大学,2014.
[14] METZLER T A,LEWIS L M,POPE L C.Could robots become authentic companions in nursing care?[J].Nurs Philos,2016,17(1):36-48.
[15] ERIKSSON H,SALZMANN-ERIKSON M.The digital generation and nursing robotics:a netnographic study about nursing care robots posted on social media[J].Nurs Inq,2017,24(2):e12165.
[16] LIAO P H,HSU P T,CHU W,et al.Applying artificial intelligence technology to support decision-making in nursing:a case study in Taiwan[J].Health Informatics J,2015,21(2):137-148.
[17] PALANIAPPAN R,SUNDARAJ K,SUNDARAJ S.Artificial intelligence techniques used in respiratory sound analysis-a systematic review[J].Biomed Tech (Berl),2014,59(1):7-18.
[18] SHEIKHTAHERI A,SADOUGHI F,HASHEMI D Z.Developing and using expert systems and neural networks in medicine:a review on benefits and challenges[J].J Med Syst,2014,38(9):110.
[19] 冯伍,张俊兰.人工智能在医学上的应用[J].电子设计工程,2010,18(1):19-20.
[20] 王果成.心血管疾病智能医疗辅助诊断系统[D].哈尔滨:哈尔滨工业大学,2004.
[21] 金艳.长春市妇产科医院医疗专家系统[D].长春:东北师范大学,2006.
[22] LEE J G,JUN S,CHO Y W,et al.Deep learning in medical imaging:general overview[J].Korean J Radiol,2017,18(4):570-584.
[23] HAINC N,FEDERAU C,STIELTJES B,et al.The bright,artificial intelligence-augmented future of neuroimaging reading[J].Front Neurol,2017,8:489.
[24] WENG S,XU X,LI J,et al.Combining deep learning and coherent anti-stokes raman scattering imaging for automated differential diagnosis of lung cancer[J].J Biomed Opt,2017,22(10):1-10.
[25] 孙国强,赵从朴,朱雯,等.智能语音识别技术在医院应用中的探索与实践[J].中国数字医学,2016,11(9):35-37.
[26] 徐冬,陶石,刘雨生.基于语音云的电子病历研究与实践[J].中国数字医学,2012,7(3):15-18.
[27] 王春美,侯晓红,臧渝梨,等.智能体温单信息系统的临床研究[J].解放军护理杂志,2012,29(5):69-71.
[28] 高璐,李正风.构建STS参与进路:从人类基因组计划到英国基因组学网络[J].科学与社会,2014,4(1):65-79.
[29] 王红强,顾康生.肿瘤精准医疗中的个性化药效评估(预测)方法[J].模式识别与人工智能,2017,30(2):117-126.
[30] OUYANG S S,LU J Y,KONG X Q,et al.Computational drug discovery[J].Acta Pharmacol Sin,2012,33(9):1131-1140.
[31] RIGLA M,GARCIA-SAEZ G,PONS B,et al.Artificial intelligence methodologies and their application to diabetes[J].J Diabetes Sci Technol,2018,12(2):303-310.
[32] 赵婷,皮红英.养老服务信息化在社区老年人跌倒防控中的应用研究进展[J].护理研究,2016,30(20):2433-2435.
[33] 吴彩云,应建华.乳腺癌病人心理问题信息化管理模式的构建与效果评价[J].护理研究,2017,31(11):1359-1362.
[34] BOOTH R G.Informatics and nursing in a post-nursing informatics world:future directions for nurses in an automated,artificially intelligent,social-networked healthcare environment[J].Nurs Leadersh (Tor Ont),2016,28(4):61-69.
[35] 焦镜竹.人工智能技术应用发展中的人权伦理问题研究[D].延吉:延边大学,2017.
[36] 李俊平.人工智能技术的伦理问题及其对策研究[D].武汉:武汉理工大学,2013.
[37] 杨镇.人工智能:中国实验外科的机遇与挑战[J].中华实验外科杂志,2017,34(8):1261-1263.
[38] 王绍源,崔文芊.国外机器人伦理学的兴起及其问题域分析[J].未来与发展,2013(6):48-52.
