医学随着人类的发展有了数千年的历史，在摆脱原始社会的巫医之后人工智能问诊系统，药物和外科工具开始逐渐发展，早在公元前950年，古埃及就能够用木头、皮制作脚趾假体，外科工具也是随着人类知识进步而发展。

欧洲文艺复兴时期，不仅仅是文艺和科技的崛起时代，文艺复兴的刺激下，人们思想开始挣脱束缚，外科出现了改革，医疗设备爆发，在这个时期，出现了听诊器，出现了内窥镜，显微镜被应用在医疗领域，医疗设备在医疗中地位日益重要。

之后的日子伴随着工业革命，医疗同样产生了变革，伦琴1895年发现X射线，到20世纪初 X射线诊断便成为临床医学的重要手段，此后重要的诊断技术进展有。在1970年代，最重要的标准是电子计算机X线断层扫描仪（简称CT）和核磁共振诊断技术的发明和应用，从而改变了人们看病的行为习惯，现代医学逐步趋于完善。

新时代的医疗设备：机器人

在文艺复兴时期，达芬奇就曾经对机器人进行过畅想，但是碍于科技仅仅是设计出了草图，但是开启了我们对仿人型机器人的探索。

在医疗领域用于医院、诊所的医疗或辅助医疗的机器人是一种巨大的需求，《2016-2020年中国医疗机器人产业深度调研及投资前景预测报告》中表示，2012年全球医用机器人销量为1308台，同比增长20%，占全部专业服务机器人销量的8%，市场规模约为60亿美元，2020年全球医疗器械市场将达到5140亿美元。

医疗机器人的种类很多，有临床医疗用机器人、护理机器人、医用教学机器人和为残疾人服务机器人等，每一款机器人都起到了巨大的作用。

比如，临床医疗使用的手术机器人，手术机器人主要用于心脏外科和前列腺切除术。外科医生可以远离手术台操纵机器进行手术，完全不同于传统的手术概念，在世界微创外科领域是当之无愧的革命性外科手术工具。

利用机器人做外科手术已日益普及，美国仅2004年一年，机器人就成功完成了从前列腺切除到心脏外科等各种外科手术2万例。在我国手术机器人也成为一种常态，浙大一院唯一的一台“达芬奇”2016年完成手术888台，平均每天2.43台，继2015年后再列全球单台机器人手术量第一。

达芬奇手术机器人是目前市面上最流行的手术机器人，由外科医生控制台、床旁机械臂系统、成像系统三部分组成，可以在泌尿外科、心胸外科、妇科、腹部外科等科室应用，达芬奇手术机器人增加视野角度;减少手部颤动，机器人“内腕”较腹腔镜更为灵活，能以不同角度在靶器官周围操作;较人手小，能够在有限狭窄空间工作;使术者在轻松工作环境工作，减少疲劳更集中精力;减少参加手术人员。对于患者来说，手术精度高，术后快，愈合好，缩短住院时间等。

另外也有离我们更近的机器人，很多时候我们生病去医院挂号，可是经常不知道应该挂什么科室，但是护士又比较忙，需要花费很大的精力才能够搞清楚自己挂号的科室，现在很多医院都有挂号机器人，知道常见疾病对应的科室，询问患者的症状，“请问是否感到上腹部不适、腹胀、食欲减退”“请问是否打喷嚏，鼻塞，流清水样鼻涕”“请让我看看您的舌苔颜色”……在经过一系列模拟医生的问诊流程后，萌态可掬的蓝色机器人给出了一份《问诊结果》，关键是它还会为患者推荐合适的科室和医生。

人工智能软件系统

现在医疗机器人可以很大的缓解了医院的臃肿，但是对于更小一点的医院帮助相对较少，比如基层医疗机构根本不具备购买和使用医疗机器人的能力，无法享受硬件带来的便利。软件是更好的补充，可以为基层医疗机构提供更好的服务。

20世纪60年代初，出现了运用逻辑学和模拟心理活动的一些通用问题求解程序，它们可以证明定理和进行逻辑推理，专家系统就是一种在特定领域内具有专家水平解决问题能力的程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。

但是现阶段国内外专家系统应用停留在相对狭义的以规则推理为基础的阶段，应用也更多针对的是实验室研究以及一些轻量级应用，远不能满足大型商业应用的需求，实现对实时智能推理以及大数据处理特别是医学影像数据处理的需求。

在这个背景下，基于卷积神经网络的深度学习方法的出现，可以更快更精准的处理医疗大数据，并且可以更好的学习掌握医学知识，很好的解决了专家系统的弊端。

20世纪80年代人工智能问诊系统，人工神经网络反向传播算法诞生，这种方法无需人工制定规则，而是让机器在大量训练样本中寻找统计规律，相比以前的方法，神经网络在很多方面优势明显。卷积神经网络（CNN）是建立在传统人工神经网络上的一种深度学习算法。卷积神经网络是一个多层网络结构，它的每一个层实际上是由多个特征图构成，每个特征图代表一种特征；在每一个特征图上又有许多个独立的神经元。对应的，将卷积神经网络的网络层分为卷积层和下采样层，也称为降采样或者子采样；网络层次之间并非线性映射，从卷积层到下采样层是一个下采样的过程，从下采样层到卷积层则是一个卷积滤波的过程。

医学影像是现在医学诊断疾病的主要手段之一，通过影像直接展示出病灶，从而更好诊断和治疗，随着深度学习技术的发展，该技术已经可以应用在医学影像的识别上。

目前有很多研究者都对医学影像识别领域展开了研究和应用，其中代表者是国内的医疗领域人工智能领先团队，目前几句深度学习和传统机器学习已经在皮肤、眼科、大脑、心血管、肝脏等领域取得了巨大成就，比如基于深度学习开发的算法，通过结节定位、结节大小判断、结节恶性指标计算快速检测肺结节；设计了深度学习和传统机器学习相结合的混合模型设计了斜视识别模型；设计特定的深度卷积神经网络模型，在 1000类分类模型预训练基础上，对眼底图像分类模型进行迭代优化，最终研发出了糖尿病性视网膜病变辅助诊断模型，在灵敏性和特异性等主要指标上，获得了和人类医生相当的结果。并且有些辅助诊断模型已经开始在临床应用。

如今机器人和辅助诊断模型已经为医疗带来增量价值，可以大大缓解医院的压力，并且能够辅助医生提高工作效率，但是医疗科技仍在继续，终有一天会医疗难的困境将被打破。