循证医学作为一种理念，自20世纪90年代诞生后，经过不断的完善与发展，目前已被医学界广泛接受，不但深刻影响了医生的临床实践，同时成为全球医疗卫生决策、教育和研究从业者应当掌握的知识和技能之一，被誉为“20世纪医学领域最具影响力的创新和革命之一”^［1］。但随着医疗数据的急剧膨胀，传统的循证证据形式受到了挑战。如何利用医疗大数据，为临床诊疗提供更多依据，是目前亟需解决的问题。医疗与人工智能（artificial intelligence，AI）的结合，丰富了循证证据的内涵，开启了反映真实世界、精准个体化治疗的医学新时代。

医学作为一门古老的学科，经历了漫长的经验医学时代。经验医学从患者的个体出发，重视自身以及同行的临床经验教训和职业直觉，强调基于病理生理学变化的推论。随着人类的疾病谱由传染病等单因疾病，转变为心脑血管等多因性疾病，医生所面临的挑战也逐步转变。多因性疾病的诊疗已不是单一检查、治疗就能奏效，治疗目标也由挽救生命转变成提高生活质量，疗效评价的时间跨度长、指标多，基于经验和推论的经验医学难以满足临床实践的需要^［2］。在这种背景下，强调证据的循证医学概念在1992年被正式提出^［3］，并由Sackett等^［1］在1996年归纳为“慎重、准确、明智地应用所能获得的最好研究证据来确定个体患者的治疗措施”。基于最佳证据，循证医学在许多公共卫生问题上取得了巨大成功，成为卫生部门的有效管理决策工具。通过推广经济有效的基本公共卫生服务，改善了全球新生儿死亡率、预期寿命等基本健康指标，提高了医疗资源的合理配置和高效使用^［4］，弥补了经验医学的不足。

循证医学的目标是确定针对“个体”的治疗措施，但其中强调的最佳研究证据，是从群体角度出发，基于现代流行病学的方法论获得的医学结论。面对患者的千变万化，始终存在着证据与实践之间的鸿沟^［5］。为了弥补这个鸿沟，循证医学专家做出了不懈的努力：（1）完善定义，Guyatt 在2014 年^［6］重新强调了在循证实践中，需要结合医生经验和患者意愿，将其概括为：“临床实践需结合临床医生个人经验、患者意愿和来自系统化评价和合成的研究证据”。（2）制定评价证据级别的工具，通过医学教育，培训更多临床医生熟悉、应用相关工具，帮助理解证据。（3）完善流行病学方法，使证据更好地反映临床实践结果（如真实世界研究）。（4）创建了GRADE证据推荐系统，将证据级别与推荐级别的概念进行区分，帮助指南制定者在证据维度之外，考虑利弊权衡、患者价值观与偏好等维度，做出最终的推荐级别^［7］。

以上努力虽然极大地规范了临床医生的诊疗行为，但当医生面对患者个体，应用循证证据时，仍然面临巨大的挑战：（1）如何将病理生理学的理论融合到诊疗过程中，在分析病情时，进行剥丝抽茧式的推理，而非机械执行“证据”，忽视个体差异。（2）如何在累及多系统的复杂疾病中，识别主要矛盾，预测疾病变化。（3）在面临治疗选择时，如何正确地评估团队、自身的能力，如何引导患者及家属表达，符合其价值观、经济水平的最佳决策。（4）如何面对繁多的新指标、新技术、新的理论进展等。面对纷繁复杂的真实世界，基于患者部分特征构建起的经典循证证据，面临着巨大挑战。

随着医疗技术的进步，我们正处于大数据的时代，临床医生可以比以往任何一个时代更“精准”“数字化”地描述病情，更贴近患者的“真实情况”。一方面，产生的医疗数据急速膨胀：传统病历数据化，经典检验检查普及，多模态生理监测技术应用，以及基因、蛋白、影像等组学分析纷纷出现。另一方面，诊疗技术的迭代速度空前：新的诊断方法、治疗靶点，新的术式与手术器械不断涌现。这使得对疾病的认识不断深入，医生可选择的诊疗手段、条件处于不断变化之中。传统的循证证据，难以获得每一种情况的最佳证据，经典流行病学方法也难以处理庞杂的数据。如何在大数据时代，面向真实世界，实现真正的诊疗精准化、个体化，为临床医生决策提供依据，需要积极探索相关的新方法。

AI技术可以处理真实场景中产生的海量数据，为医生的决策提供新型的依据。AI最早于1956年美国达特茅斯会议中提出，是指利用机器模拟的方法，实现智能的过程（如学习、推理、思考、规划等）^{［8, 9］}。AI的应用场景通常是人类难以解决的棘手问题。充分理解有关AI解释性的特点，可以帮助医生选择合适的技术工具，解决相应的临床问题。比如，尽管人类难以企及计算机的计算速度，但由于计算的步骤与过程可以被理解，因此不认为高速计算是AI。而对于人脸识别，虽然对人类很简单，但由于很难明确地解释自动算法如何实现的这项能力，因此一般认为这类算法是AI^［10］。利用这一特点，AI可以帮助医生充分挖掘真实世界产生的医疗大数据，构建新型的医学证据。

AI借助各种算法学习数据中的规律，主要方法是机器学习，包括的传统的机器学习和深度学习。

1.传统机器学习：包括logistic 回归分析，还有在分类问题中应用较多的随机森林算法，在组学信息分析中应用较多的LASSO回归等^［11］。这些算法可以拓展数据分析的广度，还可以增加数据分析的深度。

传统机器学习算法可以拓展数据分析的广度，直接分析多模态的原始数据，更贴近真实病情。比如在构建脑出血结局模型（ICHOP）时，每例患者纳入的变量超过200项，包括各项检验结果以及监护仪的信息，该研究没有采用传统的方法，根据特定原则减少变量数再构建预测模型，而通过随机森林法构建了更加精准的预测预后的模型^［12］。此外，机器学习还能帮助发现既往被忽略的一些因素。比如在ICHOP研究中，纳入所有检验数据进行分析时，发现了红细胞计数、白细胞计数等指标，可以作为血肿扩大的预测因子^{［13, 14］}。

机器学习算法可以挖掘数据的深度信息，特别是在影像组学分析中的应用。影像组学是通过提取CT、MRI等影像文件中的特征形成的组学，这些特征既包括医生可以分辨的特征，如形态学特征、局部强度特征等；也包括强度直方图特征、纹理矩阵特征等医生难以理解的图像高维特征，目标区域往往可提取上千种特征^［15］。Xie等^［16］通过纳入251例脑出血患者的CT平扫，提取影像组学信息后，利用LASSO回归筛选与血肿扩大相关的特征，获得了优于传统影像征象的预测模型。

2.深度学习的应用：近年来以卷积神经网络（CNN）算法为代表的深度学习逐渐成为AI技术研究的热点。深度学习除了能帮助解决上述问题，其优势还体现在图像分割、图像增强和重建以及图像生成上，下面以脑实质出血为例进行介绍。

图像分割技术实现了脑实质出血病理生理改变的自动量化。脑实质出血损伤的病理机制包括由机械占位造成的原发性损伤，以及血肿周围缺血、脑水肿等造成的继发损伤^［17］。目前已有较为成熟的血肿自动分割技术，能够将血肿轮廓从CT图像中勾画出来，从而获得定量血肿的体积、形态信息^［18］，相较传统半定量、粗粒度的描述，能更好地描述每个个体的血肿体积。也有学者进行了血肿周围水肿分割的工作，可以定量描述血肿周围缺血^［19］。未来结合脑模板配准技术，可以定量不同脑区的脑组织容积，反映脑水肿情况。这些图像分割技术使得定量描述出血在影像上的病理生理改变成为可能，帮助临床医生进行病理生理推论，更好地把握每个患者的病情变化，为个体化决策提供依据。

图像增强和重建技术可增加外科医生对个体化解剖的认识。图像增强是指为改善视觉效果，增强图像中的有用信息，比如将厚层的头部CT插值为薄层^［20］。临床上常用的头部CT多为5 mm，其重建效果差，锯齿严重，而基于深度学习的插值，较传统的线性插值更加真实，在其基础上进行3D重建，可有效减少锯齿，特别是在颅骨显示上^［21］。除了目前通用的3D重建技术，电影化重建可以模拟更加真实的效果。Caton等^［22］利用头部CTA进行电影化重建，重建出逼真的颅底血管走形，其效果类似于大体解剖，帮助临床医生理解血管走形与形态。结合数据增强与重建技术，在自动分割的基础上，可以在目前临床应用的扫描参数下，实现对脑实质出血头CT高水平的可视化，帮助理解每例患者的解剖，融入手术导航，提高手术的精准度。

图像生成是指利用目前的图像，按照一定目标去生成一个目标图像，Yu等^［23］展示了其在脑梗死中的应用，其搭建了的算法可以使用患者24 h内MRI图像，生成3~7d后的MRI灌注成像，达到在急诊即可预测患者最终脑梗死范围的目标。虽然该算法仅182例患者，其预测的图像用Dice系数（dice similarity coefficient）也只有0.53，但其展示了深度学习在生成图像上的巨大潜力。生成一个未来图像，对医生的帮助是巨大的，不但可以观察出血是否扩大，还可以观察到水肿、周围结构的变化，极大地帮助医生把握病情的变化。

3.深度学习的局限性：目前以深度学习为代表的AI算法，存在训练过程不透明，推理过程难解释，训练后的模型泛化能力不佳，缺少通用的算法模型等局限性^［24］。虽然深度学习算法可以精准地预测诸如血肿是否扩大等临床问题，但这些算法的学习、推理过程不透明，也无法帮助医生识别扩大的危险因素，理解病理机制，难以进行因果推断，带来了一些伦理挑战^［24］。与此同时，算法泛化性差也限制了相关模型在真实世界中的应用，训练数据的患者特点、机器型号、文件格式都可能影响模型在新场景的性能。同时，深度学习算法通用性不佳，需要针对每一种情形分别构建模型。新一代人工智能将尝试实现强智能，增加算法的通用性和可解释性^［25］。目前，在尝试使用AI技术解决临床问题时，应当充分了解现阶段的技术优势和局限，扬长避短。

AI技术既可以分析、挖掘数据，帮助医生量化每例患者的病情变化，增进对疾病认识；又可以重建解剖、实现可视化，提高手术效果。利用AI技术挖掘各类数据，找出疾病的内在规律，针对每一例个体，模拟疾病的治疗过程，生成不同干预下的预后情况，为临床决策提供依据，形成真正的、数字化的“真实世界”，甚至可以给医生提供“看到未来”的预测能力。AI与医疗的结合，不仅提供了传统的循证证据，更丰富了其内涵，开启了精准把握每个患者病情、反映真实世界的医学新时代。