从基础和临床应用角度出发的分类则是将共性的基础性问题进行独立的研究，主要是技术层面的内容，包括算法研究、数学建模等；临床应用则与医学视角的方法分类相似，但精细度上稍弱于前者。

本文结合两个维度，并依据时间发展顺序，将计算医学的研究内容归纳为以下四类：

计算医学主要研究内容

＞＞＞＞

以模型构建为核心的计算医学基础研究

以模型构建为核心的计算医学主要分为计算解剖学－人体数学建模和计算生理医学－系统机制模型定量分析两大类。

计算解剖学－人体数学建模

精确识别健康个体和患病个体之间的解剖结构差异制约着医疗水平的发展。想要了解这两种结构的演变与差异需要将人体解剖学和计算技术以及数学理论方法相结合，计算解剖学应运而生。

计算解剖学涉及图像处理、数字集合处理、数学建模等技术，通过将人体解剖学数字化加快了解剖学的发展脚步。它将个体解剖学数据与人群解剖学数据进行形态和功能的比较分析，从解剖学的角度实现疾病的诊断、治疗评估以及预后判断，是后续诊断治疗的基础工作。

上世纪八十年代提出的“可视人计划”便是计算解剖学的典型。可视人的主要研究内容是将人体的二维横断面切片图像，经过计算机的数字化处理形成人体解剖结构的数据资料。利用三维重建技术，这些数据还可以构建出更为直观的人体结构三维立体形态。

1986年，美国国立医学图书馆（National Library of Medicine，简称NLM）开展了可视人计划（The Visible Human Project，VHP），基于MRI、CT和解剖图像创建了公开、完整、详细的人体3D解剖学图像数据。

经过多年采集，可视人男性、女性数据集分别于1994年和1995年公布。截至2019年7月，NLM面向66个国家和地区发放了大约4000个数据集的访问许可。自2019年起，VHP数据集实现完全公开，不再需要许可也可直接访问。

这些数据集主要用在人体解剖学研究的参考、测试医学成像算法的公共领域数据，以及用于构建网络可访问图像图书馆的试验台和模型等用途，被广泛应用于教育、诊断、治疗计划、虚拟现实、艺术、数学和工业领域。

首例中国可视人（Chinese Visible Human，CVH）则由第三军医大学（现陆军军医大学）历时3年完成，课题组于2002年8月完成首例男性数据集采集工作，并于同年10月完成计算机三维可视化研究工作。2003年2月，我国完成了第一例中国女性数字化可视人的数据采集和研究。

目前，在张绍祥教授带领下，陆军军医大学数字医学研究所已获取了8例完整的数字化人体全身数据集和心脏、肝脏、大脑以及膝关节等脏器的数据集，构建了男性、女性全身脏器的分割数据集和三维重建模型。这些数据集将用于基础研究和应用研究两方面。

计算生理医学－系统机制模型定量分析

计算生理医学通常将人体作为一个单一的复杂系统进行多层次建模研究，使用患者数据个性化这些模型，并将其应用于改善疾病诊断和治疗。当前，计算模型通常由疾病动物实验模型中获得的数据开发，然后使用有限的人类数据集进行专门化。

基于不同的方法学，计算生理学在建模方式上存在着力学建模和机械网络模型两大研究方向。通过多层次建模方法可应用于癌症、糖尿病、心脏和脑部疾病等的诊疗和疾病预测。心血管模拟开源软件SimVascular、美国密西西比大学医学中心开发的基于Windows的综合人体生理学模型HumMod是计算生理学的典型代表。

＞＞＞＞

海量基因组学数据驱动的计算基因组学研究

基因组学是一门将数据驱动作为主要研究手段的学科。处理大规模的基因组学数据天然地需要借助计算机技术。因此，机器学习方法和传统的统计学方法在基因组学中的应用一直都比较广泛。

人类基因组计划（Human Genome Project，HGP）于1990年正式启动，其宗旨在于测定组成人类染色体（指单倍体）中所包含的30亿个碱基对的核苷酸序列，从而绘制人类基因组图谱。通过全球协作，人类基因组草图在2001年发布，覆盖了大约94％的人类基因组。

然而，人和机器都无法直接读懂人类基因组这一庞大的数据。为解码人类基因组，计算基因组学应运而生。早期的计算基因组学研究重点在应用相应的数理统计算法实现对基因的注释与理解方面。此外，计算基因组学研究也从对基因的注释向表观基因组、转录组等领域发展，以便理解人体这样一个由多种细胞组成的生物体的复杂的生命活动。

基因组、表观基因组、转录组等组学测量方法的涌现带来了组学数据的激增，并进一步对组学数据处理方法提出了挑战。随着2015年的开创性研究展示了深度神经网络对DNA序列数据的适用性，利用深度神经网络处理组学数据成为趋势。

基于人工智能技术的计算医疗应用研究

人工智能（Artificial Intelligent，AI）在医学领域的应用是计算医学领域近年来发展最快的一个方向。AI可广泛应用于疾病辅助诊断与诊断、提高医学图像质量、减低电离辐射、提供精准医疗建议以及减少医疗成本，显著推动了医疗模式的进步与革新。

医疗数据尤其是医学影像数据，如X射线、计算机断层成像（CT）、磁共振（MRI）、分子影像PET等产生的海量信息为依赖海量大数据的AI的发展提供有价值的科研及临床数据。

2012年以来，深度卷积神经网络技术快速兴起推动了AI突破性的进展。大致上，AI在生物医学中的应用可以分为计算机辅助诊断、患者个性化治疗和改善人类福祉三个方面。

以计算医学研究最为广泛的肿瘤学为例，人工智能技术在临床肿瘤学中可应用于癌症风险预测、筛查、诊断和治疗。算法的复杂性通常由此类数据的数量、异质性和维数决定，不同环节中主要使用的数据各有侧重。

基于AI技术的计算肿瘤学研究路径

比较经典的应用中，关于在诊断神经放射学中使用深度学习技术对脑肿瘤或继发性病变进行分割，已经发表了许多相关文献。深度学习技术在肿瘤学中另一个非常重要的应用价值点是预测毒性、治疗反应和预后，为临床医生提供有价值的决策支持系统。

面向精准医疗的计算医学研究

精准医疗是以个体化医疗为核心的医学概念与模式。其关键是以患者为中心，综合运用基因组技术、生物信息技术等前沿技术手段，精确定位患者的疾病发生发展原因，并明确疾病治疗靶点，实现个性化的精确治疗。

鼻科精准手术设计是精准医疗的一个应用例子。中山大学的研究团队便利用计算机对鼻腔鼻窦精细化建模，并将其应用于精准手术设计。计算医学的建模技术以及计算流体力学技术可实现患者病灶部位的三维可视化，帮助医生充分分析患者的患病情况，模拟手术过程，推演手术预后，最终为患者筛选出最佳的手术方案。从而制定出最大限度切除病灶，同时最大程度保留患者鼻腔生理功能的手术方案。

在利用精准医疗手段治疗恶性肿瘤时，计算医学的方法也起到了至关重要的作用。将患者的基因型数据输入预测抗癌药物作用效果的计算模型中，模型可输出该患者对单种或多种药物的敏感性，从而帮助医生筛选出最适合于该肿瘤患者的治疗药物，实现肿瘤患者的精准治疗。

计算医学学科建设如何设计？

为了应对医学范式向计算医学转变带来的挑战，更好地推动计算医学研究，世界各国的大学和科研机构纷纷成立计算医学相关的机构。比如，美国加州大学洛杉矶分校几年前把原有的生物数学系更名为计算医学系；约翰霍普金斯大学、斯坦福大学、牛津大学等高校也都开设了相关课程。在这些大学和科研机构中，计算医学或作为一个独立的院系，或作为院系下的一个部门而存在。

在我国，除了山东大学研究生专业出现计算医学专业名称外，其他大学并没有开设明确的计算医学院系或专业。计算医学研究的相关内容仍然主要划归在生物医学工程、医学信息学等专业或院系中。当然，近两年新出现的智能医学工程则是聚焦于人工智能技术为驱动的医学研究，可以算作计算医学的一个子类。

约翰霍普金斯大学是目前该领域的头部院校，其计算医学研究所隶属于生物医学工程系，主要目标是开发人类疾病相关的定量计算模型，并让这些模型能够个体化应用，以改进疾病的诊断和治疗。

计算医学研究所制定了一套体系性的计算医学本科的授课课程。主要涉及大量计算机，应用数学，以及工程等专业内容。整个课程设计是顺应了计算医学“医、工、信”交叉的特色，在培养过程中突出强调打牢学生的数学、信息学和工程学基础。

值得一提的是，约翰霍普金斯计算医学只是其生物医学工程系中的一个研究方向，主要集中于研究各个医学领域下的模型的构建。而机器学习与云计算、基因组学、医学图像信息处理等相关内容则在生物医学工程系的其他研究方向中涉及。

约翰霍普金斯计算医学研究所主要研究方向

约翰霍普金斯其他生物医学工程院系相关研究方向

作为约翰霍普金斯生物医学工程教授，Raimond L． Winslow也是公认的计算医学新领域创始人。该领域使用分子生物学、生理学和疾病解剖学的创新计算模型来理解、诊断，治疗疾病并改善病人护理。他对从定量模型的角度理解心脏病的兴趣导致了计算医学作为一门学科的发展。

在研究方向上，他开发了基于实验的计算模型，并将其应用于深入了解心律失常的分子基础。其研究团队的众多成就之一是率先使用弥散张量磁共振成像（DTMRI）重建心室的几何结构和纤维结构。目前，DTMRI已成为以高空间分辨率测量心脏纤维结构的标准方法。

尽管各个学校将建立的院系或开设的专业冠以“计算医学”之名，但其研究的内容和侧重点各不相同。综合来看，目前各高校计算医学的学科建设主要涵盖了三个方向：

第一，基于生物学背景知识开发计算工具，揭示疾病的分子机制，辅助疾病的诊断、治疗以及新药的开发。第二，在医疗相关数据快速积累的情况下，利用机器学习的方法加速疾病的诊断和治疗。第三，对人体或者生物系统进行数学建模。

让个性化医疗照进现实，计算医学发展展望

计算医学的发展有望实现关于健康和疾病的量化理解，带来医学发展范式的变革，但与主流学术领域相比，它仍处于边缘的位置。现有的模型对现实情况的模拟仍然是不充分的，找到能够定义虚拟世界与经验世界之间联系的工具，尤其是计算机仿真模型的有效性仍然比较困难。

基因组学、医学成像、诊断技术和转化医学方面的不断发展，人工智能的深度融合，以及共性服务、共性平台、公共设施的不断完善将为我们开发癌症、遗传疾病和传染性疾病的诊断工具和新疗法提供可能性。计算医学作为关键的融合手段，将构建人体“数字孪生”，实现精准健康维护，让个性化医疗照进现实。