第1章：人工智能：一个世纪老故事（Artificial Intelligence: A Century-Old Story）

导言：早期神经网络与符号 AI 的萌芽

本章为整本《Artificial Intelligence in Cardiothoracic Imaging》的开篇综述性章节，作者 M. van Assen 等人在引言部分追述了人工智能作为一个学科从二十世纪中叶到 2010 年代的整体发展轨迹，强调 AI 的兴衰呈"指数式"增长曲线，每一次起伏都与硬件算力、数据可用性、研究范式三者之一的突破或受限紧密耦合。章节既俯瞰通用 AI 史，又为后续所有心胸影像专题章节铺设共同的历史与术语坐标。

章节开篇从信息存储范式切入。早期人工神经网络（ANN）的核心思想是把信息存储为神经元之间的"连接"（connection）而非堆叠在某个固定位置；这一抽象直接借鉴了神经科学的发现。其学习目标被明确定义为最小化一个所谓的 cost function（代价函数），即算法输出与期望输出之间的差距。Rosenblatt 的 Perceptron（感知机）作为第一代可工作的 ANN 范式，依赖外部训练数据，奠定了后世 supervised training（监督训练）与 unsupervised training（非监督训练）两大范式的基础；Rosenblatt 还在 IBM 704 上把这一理论落地为 Mark I 感知机程序[13, 33–39]。

这一时期学界对 AI 抱有近乎狂热的信心。MIT 的 Marvin Minsky 作为同代先驱之一，在 1970 年公开预测：3–8 年内即可造出具有"普通人类平均水平"的机器[3]。然而现实是当时的技术条件远不能匹配这种雄心。早期的神经网络建立在模拟计算机之上，体积庞大到 Mark I 感知机要占满整个实验室房间。1965 年 Gordon Moore 提出的预言——集成电路上的元件数量将"每年或每两年翻一番"且至少持续十年（后称 Moore's law）——直到 1980 年代之后才真正兑现，但彼时它已为后来智能手机、笔记本、GPS 的出现铺平了道路，也为当代 AI 处理海量数据提供了硬件前提。Fig. 1.3 把单层 Perceptron 与多层 Perceptron（MLP）放在同一张示意图里：MLP 通过两个或更多互联的隐藏层，结构复杂度显著超过单层原型。

AI 的第一个冬天：1970 年代

ANN 最初的局限性在 1968 年开始浮现。Minsky 与 Papert 出版《Perceptrons: An Introduction to Computational Geometry》，系统论证了 Rosenblatt 十年前提出的 Perceptron 模型的边界。其核心缺陷在于当时的 Perceptron 都是单层 ANN——因为尚无有效方法训练多层 ANN。单层 ANN 即便是简单任务也力不从心，学习过程极其耗时，且当时的算力不足以承担大规模模拟[14, 40, 41]。这一暴露直接导致学界在之后约 15 年里对 ANN 兴趣骤降[40, 42]。

真正的"寒冬"导火索来自一份英国官方报告。1970 年代初，英国数学家 James Lighthill 受英国 Science Research Council（SRC）主席 Brian Flowers 委托，对当时英国的 AI 现状进行评估，以回应社会对 SRC 作为英国 AI 主要资助方之一资金使用方向的关切[43]。1972 年 Lighthill 提交报告，把 AI 划分为 A、B、C 三类：A 类是自动化研究，C 类是中枢神经系统启发的研究，B 类试图把 A 与 C 桥接起来（即建造机器人）。他指出 A、B 两类目标清晰且有进展，而 B 类未能达成期望；同时他提出著名的"combinatory explosion"问题——把 AI 在玩具问题上验证过的方法直接外推到真实世界任务时，所需运算量会超出当时硬件能力[44]。报告 1973 年公开后，英国 SRC 对 AI 失去信心并开始削减资助；同一时期美国 ARPA（后改名 DARPA）也大幅压缩 AI 经费[45, 46]。资助真空直接催生了广为人知的"第一个 AI 冬天"[3]。

出路：1980 年代

约十年后，几股力量合力扭转了这种悲观。1982 年，日本通产省联合八家电子制造商成立"新一代计算机技术研究所"（Institute for New Generation Computer Technology），启动一个为期十年的"第五代计算机计划"（Fifth Generation Computer Project），主攻计算机体系结构与算力，再借力带动 AI[47]。美国把日本的计划视为对其 AI 主导地位的威胁，DARPA 自 1983 年起逐年加码，到 1988 年达到 4 亿美元/年的资助规模；欧洲的 ESPRIT 与英国的 Alvey 项目也于 1984 年启动，年均 AI 支出超过 2 亿美元[45]。

由于连接主义路线（connectionism）信誉扫地，1980 年代 AI 的崛起首先由 symbolic AI（符号 AI）拉动；大笔投入直接催生了 expert system（专家系统）的产业化。专家系统的核心思想是把某个垂直领域的具体知识显式编码到一个计算机程序中，再用该程序去解决一类特定问题，例如医学诊断或化学结构预测[48–52]。这类系统的历史渊源其实更早：1965 年 Stanford 的 Feigenbaum 与同事做出了 DENDRAL，应用于化学领域[53]；1970 年代初同样在 Stanford 诞生的 MYCIN 转向医学诊断[48]。但这些系统真正大规模扩散要到 1980 年代。最成功的案例是 Digital Equipment Corporation 为 PDP（Programmable Data Processor）和 VAX（Virtual Address eXtension）计算机制定的销售配置专家系统 XCON：在 XCON 之前，配置一台 VAX 极其复杂——软硬件与线缆需逐项下单，错误率很高，客户体验差。XCON 协助销售部门针对客户需求给出正确的 VAX 配置；仅 1980–1985 年间，该系统就为公司节省了 1500 万美元[54]。

硬件侧，1980 年代出现了第一代 VLSI（Very Large-Scale Integration）计算机，晶体管密度提升带来算力与存储同步增长。传统 von Neumann 体系——内存与中央处理单元物理分离——的瓶颈日益暴露，催生了对并行计算（parallel computing）等新范式的兴趣。算力与速度的提升重新点燃了学界对 ANN 的兴趣，但训练多层 ANN 的方法论问题仍未解决：要让网络正确学习，必须能计算误差对各层权重的导数并据此更新权重；只有输入、输出层时这很简单，叠加多个隐藏层后问题复杂度剧增，多年来一直无高效解法[40]。

1985 年 Ackley 等人提出的 Boltzmann 算法迈出第一步，尽管效率仍低且耗时[40, 55]。1986 年真正的"游戏规则改变者"出现：D. E. Rumelhart、G. E. Hinton 与 R. J. Williams 发明了 backpropagation（反向传播），提供了一种高效训练多层 ANN 的方法——其核心思想是从输出层反向回算各层误差的导数，再借助数学上的 gradient descent（梯度下降）来最小化代价函数[41, 56–59]。作者特别指出，Rumelhart 等人并非反向传播的唯一发明者，Paul Werbos 在 1970 年代就从哈佛社科学界提出过原理类似的"dynamic forward"技术，但当时未应用于 AI 领域。反向传播的出现，使得在合理的时间与算力预算内训练多层神经网络成为可能。

回到现实：1990 年代

时间推移中，专家系统的局限也日益暴露：其应用面狭窄、无法处理复杂任务。1984 年 McCarthy 撰文指出专家系统缺乏常识、无法从自身经验中学习、且需要持续人工更新；维护成本高昂且困难[17, 40, 60]。反向传播同样有内禀缺陷：受限于当时算力，学习过程在代价函数存在"ravines"（狭谷，即代价函数对权重变化非常敏感的狭窄区域）时尤为耗时，因此反向传播仍只能用于只有少量权重的简单网络[59, 61–64]。这些叠加问题促使研究者把注意力转向更简单的 supervised learning（监督学习）算法——SVM（support vector machine，支持向量机），该算法 1963 年提出、1992 年被精炼完善。SVM 基于统计学习框架，是当时最稳健的 AI 算法之一。然而对 AI、特别是对神经网络的信心与资助再次下挫，第二个"AI 冬天"降临[1, 17, 45]。

游戏规则改变者：大数据与高性能计算

最近二十年又出现一次范式转移，主要由两项关键进展推动。其一，我们进入了"big data"（大数据）时代，AI 算法要达到高精度必须依赖大量训练数据[46]；其二，计算机总算力终于足以优化多层神经网络以及面向更复杂任务的 AI 算法。算力提升与后来 GPU（graphics processing unit）的引入共同回应了高性能计算的需求[65–68]。

先兆之一来自专家系统方向：1997 年 IBM 的国际象棋 AI 程序 Deep Blue 挑战当时的世界冠军 Garry Kasparov，第六局 Deep Blue 首次击败 Kasparov，被视为 AI 社群的里程碑[69–71]。神经网络一侧的复兴始于 1990 年代 LeCun 等人提出的 Convolutional Neural Network（CNN，卷积神经网络）。CNN 的特长在于借助特定 filter（滤波器）抽取并识别图像中的特征与模式，这使它特别适合语音识别、文档读取以及后来的人脸识别等任务。CNN 的使用此后稳步增长[58, 72, 73]。2011 年 IBM 基于 DeepQA 架构的程序 Watson 在 Jeopardy! 智力问答节目中击败两位人类冠军，使用了自然语言处理（natural language processing, NLP）与机器学习算法[74]。此后 AI 应用逐步进入日常生活：2011 年 Apple 的 Siri、随后 Microsoft 的 Cortana、Amazon 的 Alexa、Google Assistant[46, 75]。

算力、数据、兴趣三者的叠加催生了 deep learning（深度学习）算法的崛起。"Deep learning"一词最早在 2000 年由 Aizenberg 等人与 ANN 概念正式挂钩[76]。深度学习是 AI 增长最快的分支之一，其区别于传统 AI 之处在于跳过了人工 feature extraction（特征工程），直接以原始数据或图像为输入评估模式并完成任务；它充分利用了 ANN 的多层结构，让网络在更深的层级自动学习更复杂、更抽象的特征，"deep"由此得名[77, 78]。深度学习的一座里程碑是 2010 年启动的 ImageNet Large Scale Visual Recognition Challenge，该数据集与配套算法至今仍是物体分类与检测的基准。2012 年 Alex Krizhevsky（Hinton 的学生）与同事在 ImageNet 挑战赛上以 AlexNet 以 15.3% 的错误率夺魁；2014 年 GoogLeNet 把错误率降到 6.67%；2015 年微软北京团队凭借 ResNet 把错误率进一步压到 3.57%[79–83]。这些网络至今仍是图像相关 AI 任务的基础骨干。

AI 在医学中的应用

AI 正快速向医学等众多领域渗透，AI 在医学中的使用稳步增长，尤其在研究环境中。然而，要让 AI 真正广泛地被临床实践接受并落地，仍有许多步骤要走。AI 提供了转向个体化医疗（personalized medicine）的机会[17, 84]。同时，AI 模型可以一物多用：优化诊断流程、评估疗效从而支持预后评估，甚至搭建预防性方案[17]。更进一步，AI 有望自动化原本由医务工作者承担的若干任务，提升效率、降低工作负担、潜在地压缩医疗成本[17]。

早期 AI 系统：基于规则的专家模型

1970 年代初，研究聚焦于开发辅助临床决策的 AI 计算系统。第一批此类系统通过模拟人类推理的演绎过程（deduction）来诊断多种疾病。最著名的例子是 1972 年开发的 MYCIN，用于辅助医生识别致病微生物并同时推荐最佳抗菌治疗方案[17, 85]。MYCIN 是最早通过演绎法求解问题、生成新信息并基于知识库与推理机制给出建议的算法之一，使用约 500 条以"if-then 结构"编码的规则；经由一系列提问后，MYCIN 能给出带推荐治疗的潜在诊断[86]。1980 年 MYCIN 的领域无关版本 EMYCIN 出现，催生了一批同源系统：BLUEBOX、HEADMED（精神药理学顾问）以及 ONCOCIN（辅助肿瘤治疗管理）[85]。

1973 年，一组研究者与眼科顶尖专家合作开发了针对青光眼患者的因果-关联网络（causal-associational network, CASNET）模型。CASNET 是一种特定的知识框架，由代表概念、事件、特征与取值的节点（node）以及刻画节点间关系的分支（branch）构成[85, 87]。其工作流是：录入临床观察，与病理发现匹配；病理发现之间构成因果网络，最终导向疾病分类；治疗建议同时依据临床观察与疾病分类[85]。

1975 年，多个研究小组联合创建了 Stanford University Medical Experimental – Artificial Intelligence in Medicine（SUMEX-AIM）实验室，为各参与组提供 PDP-10 大型机算力与互联支持，使各组 AI 研究者能够在知识表示、推理、问题求解等任务上进行严格的方法学比较[88]。

1980–1990 年代，计算机辅助诊断（computer-assisted diagnosis, CAD）算法出现多项革新。1986 年发布的 DXplain 采用改进的 Bayesian belief network（贝叶斯信念网络）支持鉴别诊断：开发者为其灌入超过 65,000 条临床表现与疾病之间的关联知识库，借助条件概率与类贝叶斯评分机制，在输入临床信息后输出按概率排序的鉴别诊断列表[89]。DXplain 持续演进，在临床中使用了 30 余年，不断扩展数据库并加入新功能[90, 91]。

深度学习的兴起

2000 年代初，算力、存储、数据多样性的同步提升再次点燃了 AI 及其在医学中的应用研究[17, 84]。2007 年 IBM 研发出 Watson 软件；其最初的成功之后被引入医学领域。2017 年 Watson 通过文献研究找出与肌萎缩侧索硬化症（amyotrophic lateral sclerosis, ALS）相关的新型 RNA-binding proteins（RBP）：先基于文献做文本挖掘，再把这种基于文本的知识应用到基因组中所有 RBP，通过语义相似度筛选候选分子[92]。2010 年代也见证了深度学习在医学中的发展与崛起，DL 系统能处理多种类型的医疗数据（影像、临床数据、化验值），赋予这一新技术高度的通用性[93]。

DL 已被证明在多种临床场景中具有潜在价值：例如在医学影像分析中执行 segmentation（分割）、对电子健康档案（electronic health record, EHR）做高级分析等[93–95]。因此 DL 在基因组学、肿瘤学、眼科、放射学等多个医学专科中均有应用，尽管大多仍处于研究阶段，临床落地仍滞后[96–101]。

另一类支持医生的 AI 演进是 chatbot（聊天机器人）的引入——它们是模拟"人与人对话"的"拟人化"平台，催生了"machine conversation"时代[102]。医学领域最知名的 chatbot 是 MANDY 和 PHARMABOT。MANDY 由 L. Ni 等人在新西兰 Precision Driven Health 资助的一个暑期研究项目中开发，面向初级保健：它通过自然语言处理模块主动与患者访谈、采集临床数据并记录关键症状，再把症状与鉴别诊断整理为报告交给转诊医生[103]。PHARMABOT 面向医生或药学学生，充当儿科药学顾问：接收患者数据后给出最合适、最安全的药物及相应剂量信息[104]。

当下，AI 正在以指数式速度发展，对日常医疗实践的影响与日俱增。SARS-CoV-2 大流行期间 AI 的角色是典型例证：AI 在聚合流行病学研究所需的大数据方面极具潜力，AI 公司 BlueDot 甚至在 2019 年 12 月 31 日——比美国疾病控制与预防中心（CDC）的首次官方预警早一周——就预测到疫情并向其客户发出警告[105]。此外，AI 在 drug repurposing（药物再定位，即把已知药物用于其原始适应症之外的新用途）中发挥了关键作用，提供了若干候选分子作为针对 SARS-CoV-2 的潜在治疗方案[106]。

AI 在医学影像中的应用：人工神经网络与计算机辅助检测

在数字技术领域，医学影像一直走在前沿。放射科医生是最早在临床实践中使用计算机技术的群体之一，今天他们也是数字化程度最高的医务工作者[107]。AI 在医学影像中的角色持续增长，许多基础 AI 流程——例如模式识别——已成为放射学的支柱之一。1980 年代首批 AI 应用是 computer-aided detection（CAD，计算机辅助检测）系统。这些系统在医学影像上应用机器学习算法以检测人眼难以识别的异常，从而辅助放射科医生的工作。CAD 系统被应用于多种影像模态，包括 computed tomography（CT）和 magnetic resonance imaging（MRI）。诊断性能的评估试验也开展过，但直到 2000 年代初，CAD 系统并未展现出令人满意的结果[108]。一个著名案例是 Fenton 等人组织的多中心试验：在 1998–2002 这 4 年间，作者比较了采用 CAD 系统的机构与未采用 CAD 系统的机构在乳腺 X 线筛查中的诊断表现；意外的是，CAD 系统的引入反而把乳腺 X 线的 specificity（特异度）从 90.2% 降至 87.2%，把 positive predictive value（阳性预测值）从 4.1% 降至 3.2%[109]。

CAD 系统是多年 AI 研究的最终结晶。在众多 AI 算法中，ANN 在放射学中被广泛使用；MLP（multi-layer perceptron，多层感知机，见 Fig. 1.3）后来在医学影像中也有不同应用。例如 Fujita 等人 1992 年的研究把 MLP 用在一个 CAD 系统中，以提高 single-photon emission computed tomography（SPECT，单光子发射计算机断层成像）在检测冠状动脉疾病中的诊断表现[110]。

视觉是人的基础能力，但用计算模型模拟却十分困难。MLP 虽能执行视觉任务，但它的结构并未充分利用图像中编码的空间位置信息。1980 年代初 Fukushima 等人提出的"Neocognitron"被视作最早的复杂 AI 影像模型之一；LeCun 等人随后在 Neocognitron 基础上改进，提出第一个用反向传播训练的 CNN——LeNet。CNN 自 1990 年代初起被广泛用于医学影像，最常见的应用是与图像相关的目标检测与组织特征化。代表性例子包括 Lin 等人[112]用 CNN 改善数字胸部 X 光片上的肺结节检测，以及 Wu 等人[111]开发的、能区分乳腺病理标本 X 线片上良性与恶性微钙化的模型[111, 112]。

未来展望

未来，AI 预计会进一步发展，并很可能对医学影像领域产生越来越大的影响。AI 有能力作用于放射科临床工作流的多个环节——患者筛选、图像采集、图像重建、影像分析以及利用几十年间发展出的多种 AI 算法自动生成报告。例如在 CT 方面，深度学习算法已经被开发用于把低剂量扫描（噪声明显高于标准 CT 采集协议）重建为低噪声图像；在 MRI 方面，深度学习算法被用于在缩短采集时间的同时提升图像质量[113]。随着数据集越来越丰富、算法迭代越来越快，AI 还会继续向新领域延伸，解决放射学中尚未攻克的问题。尽管可以预期 AI 在放射学中的角色会继续扩大，但 AI 整体仍处于早期阶段，AI 不太可能——如果有的话——在短期内取代放射科医生。相反，放射科住培项目应纳入 AI 专项训练，让未来的放射科医生具备使用这些技术的必要知识。AI 多年来的终极目标、也仍将是终极目标，是提升放射科医生的诊断与治疗水平；放射科医生必须同时了解这些新技术的潜力与缺陷[114]。

结论

AI 自二十世纪上半叶起源以来发展迅猛，呈与计算机技术平行的指数式增长曲线。这些进展带来了 AI 处理日益复杂任务的能力的逐步提升，直至在某些方面超越人类认知能力。相应地，AI 系统在医学中的地位越来越突出，尤其是在放射学这一传统上被认为最依赖技术的领域。未来，将基础 AI 概念整合进医学影像培训至关重要，因为 AI 的主要目标是被整合到临床实践，而不仅仅停留在研究环境中。

本章个人批注

作为整本书的开篇综述，第 1 章把 AI 的百年史压缩为几个递进的"季节"——感知机的诞生、第一个冬天、专家系统的回潮、第二个冬天、深度学习的复兴，再下沉到医学与医学影像的子脉络。它的写法不像教材那么细致，更像是一份给放射科医生看的"AI 简史速通"：每个关键节点都附引用编号，方便读者回溯到原始文献。

从叙事策略看，作者显然刻意把 1986 年的反向传播定位为分水岭——之前是"用规则告诉机器怎么办"，之后是"让机器自己找规律"。这种切分方式与本节后续关于"feature engineering 已死、representation learning 当立"的论述是一贯的。对一个没有机器学习背景的放射科医生，这种"季节叙事"是非常友好的；但对熟悉 AI 史的读者，会觉得把 SVM 的出现和第二个冬天直接绑在一起略有粗糙——SVM 的"霸权"其实只持续到 2010 年代深度学习全面接管之前。

让我印象较深的有两个细节：一个是 Fenton 等人 2007 年的多中心研究——乳腺 CAD 系统非但没有提高、反而降低了诊断表现（特异度从 90.2% 降到 87.2%）。这个反直觉的结果在今天看来是 AI 医疗落地复杂性的早期信号：算法可以"看起来工作得很好"，但若不真正随机化、不做严格的前瞻验证，临床收益根本无法证实。另一个是 BlueDot 在 2019 年 12 月 31 日就预警了 COVID-19 疫情，比 CDC 早一周。这两件事放在一起，恰好构成了本章"AI 在医学中的潜力与陷阱"这一双重主题。

与上下章的衔接（一段话）

第 1 章是整本编辑卷的总序章，负责为后续 54 章铺设共同的术语与历史基础：所有读者——无论其本职是放射科医生、心胸外科医生、影像技师还是 AI 工程师——都应在本章中校准对"AI / ML / DL / ANN"四个嵌套概念的层次认识，并理解"算力 + 数据 + 算法"三件套如何反复塑造 AI 兴衰的循环。第 2 章（Jelmer M. Wolterink 与 Anirban Mukhopadhyay 撰写）紧接着从术语辨析切入，正式把 AI / ML / DL 三者的关系图（Fig. 2.1）画出来，再用 ANN、CNN、U-Net 等具体架构作为案例展开——可以视为对本章"概念铺垫"的技术性补完。本书把第 1 章安排在最前，相当于在所有具体影像应用章节（CT、MR、超声、心脏等）出场之前，先确立读者共同的术语与历史坐标。