医疗中的 Python：医院里的人工智能应用

了解基于 Python 的应用如何改变医疗行业。

已更新 2026年10月6日 · 15分钟阅读

使用 AI 探索

ChatGPT Claude Perplexity

引言

使用 Python 进行影像诊断

肿瘤的检测与分类
心血管异常的检测
骨折及其他损伤的检测
常见癌症的筛查

自然语言处理（NLP）在医疗中的应用

使用 NLP 构建临床决策支持（CDS）系统
使用 NLP 提升表型分析能力
预测精神病性障碍的发作
肝硬化患者的识别与风险分层
可报告癌症病例的识别
NLP 在预测分析中的应用

使用 Python 预测与分析复杂疾病

使用 Python 改善患者体验

提升医院运营

药物研发

Python 在医疗中的未来

结语

引言

在现代社会，计算机和智能手机已经渗透到我们生活的方方面面，医疗行业也不例外。医疗从业者正日益将健康与医疗数据从纸质转移到电子格式，由此带来了海量数据的生成。Python 是数据科学家用于解决医疗领域多重挑战的重要编程语言，它为医疗专业人士从数据中提炼重要洞见提供了多样化的工具。医生可以借助由 Python 驱动的应用做出更好的预后判断，提升医疗服务质量。在医疗领域，数据科学家主要使用 Python 来构建用于以下方面的机器学习算法和软件应用：

开展医学诊断
提升医院运营效率
基因组研究
药物研发
预测分析

Python 在医疗中的核心应用建立在机器学习（ML）和自然语言处理（NLP）算法之上。这些应用包括影像诊断、对医疗文档进行自然语言处理、以及基于人类遗传信息的疾病预测。这类应用对医疗行业至关重要：它们将数据处理分析为患者与医护人员可理解、有意义且可靠的信息。下文将详细介绍数据科学家和医疗从业者如何在 Python 中使用 ML 和 NLP 来解决医疗难题并改善患者健康结局。

使用 Python 进行影像诊断

医疗领域最具前景的技术发展之一，是使用 ML 分析多种图像，例如磁共振成像（MRI）、计算机断层扫描（CT）和弥散张量成像（DTI）等，以提供诊断。人脑同时分析多张图像较为困难，而机器学习擅长处理多源信息以给出单一诊断结果。Sarker（2021）给出了机器学习在医疗中的真实应用案例及研究方向。同样值得注意的是，基于 Python 的机器学习在影像分析中的准确率约为 92%。这略低于资深临床医生 96% 的准确率。然而，当病理学家对机器学习模型进行把关时，准确率可提升至99.5%。

肿瘤的检测与分类

机器学习在医疗中最常见的应用之一，是通过计算机辅助检测（CAD）来检测肿瘤。这些技术应用 CNN 来计算病灶为真正病灶的概率。例如，在乳腺X线摄影中，AI 工具可以为许多放射科医生提供“第二意见”。这在不增加人工“二次阅片”成本的情况下，显著提高了筛查的准确性。

医师在检测和分类胶质母细胞瘤（一种脑肿瘤）方面面临挑战。难点在于此类肿瘤的侵袭性与广泛性。与其他脑肿瘤不同，这些肿瘤难以定位并评估其对治疗的反应。深度学习有助于自动化评估胶质母细胞瘤的 MRI。

心血管异常的检测

利用 Python 将胸片等图像中的心脏异常检测实现自动化，可以加快决策并减少诊断错误。当患者出现呼吸短促等症状时，医生常会要求进行胸部放射检查，以评估心脏肥大。用 Python 构建的 AI 工具可帮助自动完成如肺动脉直径测量、隆突角度测量等评估任务。下图示例展示了数据科学家如何利用 ML 基于患者的临床特征（如性别、吸烟状态、高血压风险等）来预测心血管疾病。该模型的准确率约为 76%（Weng 等，2017）。

来源：Weng 等（2017）

ML 算法可以评估图像并自动生成报告，为人类医生从正常测量中分辨异常节省时间。

骨折及其他损伤的检测

数据科学家可以使用由 ML 驱动的工具来识别难以察觉的脱位、骨折以及软组织损伤，从而使外科医生能更有把握地选择治疗方案。使用公正的算法分析图像有助于医疗人员全面识别损伤并提供最佳治疗。AI 工具可以对医学影像进行全面分析并及时生成准确报告，从而尽量降低患者风险、漏诊率以及医护人员的法律风险。

胸部疾病与并发症的检测

肺炎等胸部疾病需要医护人员迅速反应。医生使用影像学来诊断肺炎，并将其与其他肺部疾病（如新冠肺炎）区分。然而，正如Hasan 等（2021）所示，放射科医生未必总能及时提供图像分析与报告。即便在岗，若患者合并既往肺部疾病，识别肺炎也可能存在困难。一个基于 Python 的 AI 算法可以分析 X 光片和其他医学图像以检测肺炎，并自动提醒医护人员提供相应治疗。

常见癌症的筛查

肿瘤科医生使用医学影像对结肠癌、前列腺癌、乳腺癌等进行常规预防性筛查。在乳腺癌筛查中，放射科医生有时难以将肿瘤明确归类为良性或恶性。假阳性可能导致不必要的侵入性检查或治疗，而漏诊恶性肿瘤则可能造成延迟诊断和不良后果。使用 AI 有助于提升影像判读的准确性，潜在地降低不必要的良性活检比率。

自然语言处理（NLP）在医疗中的应用

数据科学家和医疗从业者使用自然语言处理（NLP）工具来处理和分析包括就诊记录、症状、生命体征等在内的多种信息。NLP 能以较低成本快速扫描医疗文档，并将结果整合进数据库，因为 NLP 系统可从文本与图像中提取可读数据以识别关键词与术语。NLP 在医疗中的应用前景广阔，主要用于改进医学研究与医疗实践。本节重点介绍 NLP 在医疗中的部分用例。该清单并不穷尽，而是对一些机器学习应用的概览。

使用 NLP 构建临床决策支持（CDS）系统

您可以利用 NLP 基于历史病历构建改进临床决策支持（CDS）的系统。此类系统可依据知识库辅助医生做出临床决策。该数据库可包含从医师笔记（手写或打字）、检验报告或语音转写中提取的信息。系统通过从病历中提取患者信息，并基于既往病例与/或文献的信息关联可能的疾病状态来工作。

使用 NLP 提升表型分析能力

表型是指生物体某一特定性状（物理或生化）的可观察表现。临床医生通过表型分析对患者进行分类，以更深入理解其数据并进行队列比较。

NLP 是提取与分析非结构化数据的有力工具，而非结构化数据占到了所有可用患者数据的 80%。
病理报告包含大量患者信息，NLP 也因此能支持更丰富的表型分析。
NLP 使分析人员能够提取这些数据，以回答复杂而具体的问题，例如哪些基因突变与癌性组织类型相关。

预测精神病性障碍的发作

研究人员发表了一项关于 NLP 应用的报告，使用一种称为潜在语义分析的技术，基于高危青少年的语音转写记录来预测精神病性障碍的发作。该模型在训练集上的准确率为 93%，在测试集上为 90%。尽管样本量仅有 40 人，该模型在预测患者是否会发展为精神病方面表现良好。

肝硬化患者的识别与风险分层

NLP 在医疗中的另一应用是识别肝硬化患者。有研究使用 NLP 来识别肝硬化患者并进行风险分层。该研究能够基于电子健康记录、ICD-9 代码组合和影像学检查，以 95.71% 的准确率正确识别肝硬化患者。这表明此类系统可在大多数医院基于现有医疗数据准确识别肝硬化患者。

可报告癌症病例的识别

还有研究使用 NLP 为国家癌症登记系统识别可报告的癌症病例。其目标是将向美国国家癌症登记项目报告癌症患者的流程实现自动化。该研究使用 NLP 分析病理报告与诊断，并通过有监督机器学习以87.2% 的准确率识别癌症患者。

NLP 在预测分析中的应用

NLP 的一大亮点，是其支持开发预测分析以改善群体健康结局。例如，通过分析社交媒体帖子来检测潜在自杀个案并加以干预。自杀是美国主要死因之一。根据一项近期调查，美国国立精神卫生研究所（NIMH）显示约有 1200 万美国成年人曾有过严重的自杀念头。其中约 10% 制定了计划并实施了自杀尝试。

来源：NIMH（2021）。美国成年人中的自杀想法与行为。

医疗专业人士希望识别出有风险的个人或群体，以便及时干预。有多项研究使用社交媒体帖子来预测自杀企图。一项研究使用了 Twitter 数据，开发出准确率较高（约 70%）的模型。关键发现包括：即将自杀的用户在文本中更少使用表情符号，且多使用蓝色表情或破碎爱心符号；他们也会在尝试自杀前发布悲伤或愤怒的推文。Coppersmith（2018）同样使用 NLP 预测自杀事件，准确率超过 70%（见 ROC 图）。

来源：Coppersmith 等（2018）

医疗机构已经开始利用 NLP 从庞大的数据科学之树上采撷“低垂的果实”。大型科技企业也在不断推出面向医疗的 NLP 工具。例如，亚马逊提供了易用的临床 NLP 工具，帮助医疗人员从非结构化数据中提取洞见。他们可以更轻松地为试验研究招募患者、为患者找到合适的诊断，并构建疾病早期预警系统（如多发性硬化）。

使用 Python 预测与分析复杂疾病

分析师使用 Python 中的机器学习算法来分析遗传学，以预测疾病并确定致病原因。洞悉遗传如何影响个人风险，有助于开展预防性医疗。这能为医生提供重要信息，从而定制患者的健康护理方案，降低罹患更复杂疾病的风险。

预测疾病如何演变并不容易，且许多系统在这项任务上效率不高，因为一些疾病会快速且出人意料地变异。使用 Python，开发者可以构建高效的机器学习模型，在疾病变得严重之前进行预测。

其中一项关键进展是人类遗传学中的二代测序（NGS）技术。NGS 是生物与医学研究不可或缺的一部分。NGS 的基础性意义推动了对所生成数据集进行处理与分析的需求。这有助于回答诸多研究问题，例如宏基因组的定量与分类、变异检测以及基因组特征识别等。

在另一示例中，Li 等（2018）使用在图形处理器（GPU）上训练的深度学习算法来预测复杂疾病的异质性和上位性。

借助机器学习，科学家可以发现疾病模式与趋势，并以更可预测的方式构建模型。因此，机器学习有潜力准确预测那些更可能罹患某些疾病（如心血管疾病、癌症和阿尔茨海默病）的人群。

最后，谷歌已开发出基于患者医疗数据检测癌症的深度学习算法。该模型高效，不仅加快治疗流程，还降低了因误诊而导致的严重并发症风险。

使用 Python 改善患者体验

患者管理可能消耗大量资源。人手有限的机构在安排预约、治疗与总体照护方面可能捉襟见肘。用 Python 开发医疗应用可帮助医疗机构更好地管理患者，从而让工作人员将精力投入关键工作。

Python 应用可以帮助患者预约、获取常见问题的解答、申请续方、联系急救服务，并定期更新其健康数据以便监测——让医护人员将更多时间用于救治重症患者。

提升医院运营

医疗机构可以利用 Python 解决与资源约束相关的问题。数据科学家能够创建优化排班的模型，帮助医疗机构避免在低入院量时人员过多，或在高峰日人手不足等问题。

由 Python 驱动的应用可以优化预约、诊断设施的使用以及治疗流程。医院的 ICU 资源有限，需要优化使用。在他们的研究中，Wu 等（2021）使用 ML 预测 ICU 患者的住院时长。他们使用了四种不同的 ML 技术（支持向量机、随机森林、深度学习与梯度提升决策树）。其中梯度提升决策树表现最佳，准确率为 74.7%。按行业分析，AI 应用到 2026 年有望每年为美国经济节省约 1500 亿美元（Roth，2021）。

作为数据科学家，您可以使用开源数据集来开发用于预测 ICU 住院时长的 ML 模型，帮助医院进行资源规划。点击此 Kaggle 链接开始。此外，数据科学家还可以通过 Scikit-Learn、Keras、TensorFlow 和 Pytorch 等 ML 工具，释放 Python 的力量，改进医疗服务提供者的成本与设施管理。

药物研发

Python 是现代药物研发的首选编程语言之一。几乎所有发布在 indeed.com 上与药物研发相关的职位都要求具备 Python 经验。因此，学习 Python 已不再是可选项，而是从事药物研发相关职业的必要条件。

Python 在药物研发中的一个典型案例是阿斯利康的 PyMOL。阿斯利康是利用 Python 加速药物研发的公司之一。PyMOL 是一个用于展示疾病靶点三维结构的强大工具。该工具具备 12 种不同的立体可视化模式，使用户能够熟练地突出并区分靶点中的各类结构特征。科学家使用这些工具来寻找药物分子合适的结合位点。该工具也针对新预测方法进行了良好适配。下图展示了该工具如何在数百万数据中进行筛选，帮助设计药物原型。

来源：PyMOL

PyMOL 可用于可视化目标致病体的三维（3D）结构。借助可视化，科学家能更好地理解底层问题，从而设计新的分子结构，精准应对相关疾病。

Python 在医疗中的未来

大量复杂医疗数据的涌入、降本需求以及医疗劳动力的缩减，正推动 AI/ML 工具在市场中的增长。人与 AI 工具之间的协作与合作也在不断增加。对于 AI/ML 与 NLP 开发者而言，前景光明，已有初创企业在开发具有人类感知的 AI 系统。医疗领域使用机器人的趋势也在稳步上升。

医疗机器人创新应用涵盖了外骨骼与假肢、纳米机器人以及手术机器人。在美国，医疗机器人市场预计到 2027 年将增长至约 325 亿美元——2020 至 2027 年的复合年增长率预计为 21.3%（Xavor，2021）。

抗击新冠肺炎将继续推动市场增长，AI 技术将被用于影像诊断、药物研发、基因组学及预测分析。

来源：Markets and Markets（2022）。

美国国家医学图书馆指出，精准医疗是“一种新兴的疾病治疗与预防方法，考虑到每个人在基因、环境和生活方式方面的个体差异”。

医疗的未来掌握在 AI/ML 手中，精准医疗很可能成为 AI/ML 在医疗中最具影响力的收益之一。

精准医疗的目标，是基于患者的个人病史、基因信息、生活方式与动态变化的病理检测，寻找最为精准的治疗方案。其基本目标是结合最强大的 AI 技术（如深度神经网络、搜索算法、强化学习、概率模型、有监督学习等），以开发精准医疗工具。其重点在于创建能够基于早期筛查或常规检查数据预测患者罹患某些疾病概率的 AI 系统；而 Python 站在追求精准医疗的最前沿，开发者正在构建 AI 工具来建模疾病在何种原因与情境下更可能发生。这对于帮助与引导医疗服务提供者在个体出现症状之前即进行干预至关重要。

在利用 Python 创建 AI/ML 应用方面，还有许多令人振奋的可能性，例如数字手术机器人。设想一下手术室中，患者接受由机器人执行的精确操作，既安全又精准！