新浪科技

人工智能将如何服务医疗行业

出品| 新浪科技《科学大家》

撰文| 陆遥 中山大学数据科学与计算机学院教授、博士生导师,广州柏视医疗科技有限公司董事长、总裁

其实人工智能(AI)服务医疗最好的例子,已经在《超能陆战队》这部电影中得到很好的诠释:电影中标准的大白形象,非常可爱,它的眼睛可以认为是两个摄像机,身体相当于传感器。当大白遇到小宏(电影中男主)的时候,它的眼睛很快会捕捉到服务对象体征、健康数据、甚至包括情绪等等,当小宏情绪低落的时候,大白就会去安慰,如果发现小宏身体不适,它就会进行辅助性治疗,这就是AI服务医疗最好的例子。

在科学家眼中,AI服务医疗可以包括很多内容:例如健康管理、辅助医疗研究平台、疾病风险预测、辅助诊疗、医学影像分析、药物挖掘等,都是人工智能服务医疗的一些场景。

跌宕起伏的人工智能发展史

“人工智能”的起源可追溯到文艺复兴时期——17世纪,莱布尼兹等数学领域的达人已经开始尝试将理性的思考系统化为代数学或几何学体系,他们提出了形式符号系统的假设,这也成为后来人工智能研究的指导思想。1956年,“人工智能”在达特茅斯会议上首次被提出将作为这一领域的专用名词。

时间到了20世纪70、80年代,人工智能在这一时期非常好的一个应用是手写体的识别:通过模式识别的方式,把手写体识别应用到邮政方面。但由于当时计算机的计算能力很差,差到什么程度呢?举个简单的例子,现在一部iPhone手机的计算能力,大约是阿波罗登月时所用计算机的计算能力的1万倍。因受制于计算能力,人工智能进入了第一次低谷。

20世纪的中后期,科学家正式提出了“专家系统”,再加上当时神经网络技术的提高,人工智能进入了一个比较快速的发展时期。IBM公司的“深蓝”电脑击败了人类的世界国际象棋冠军更是人工智能技术的一个完美表现。国际象棋相对来说策略简单,当时基本靠暴力计算的,大家都非常振奋,认为人工智能的第二春来了。然而大概在90年代,人工智能却陷入了第二次的低谷,原因是算法出现了问题,无法解决。当时DARPA(编者注:美国国防高级研究计划局)提出了一个非常宏伟的计划,要做人工智能计算机,但最终也失败了。

2006年,Hinton等提出了深度学习的概念,;2010年后,人工智能进入了新的一波小高潮; 2012年,人工智能在图像识别上大获成功;2015年,微软通过152层的深度网络,将图像识别的错误率降到3.57%,这意味着机器图像识别率已经超过了人类。

虽然人工智能在持续发展,但民众大规模知道“人工智能”这一理念,却是直到阿尔法狗战胜了所有的围棋世界冠军才开始的,与之同时也引发了一个很重要的话题:人工智能这么厉害,医生是不是很快就要被取代了?那个时候,很多医生都会问我这个问题,但我的回答是:现在的人工智能只能称为“弱人工智能”,它尚且局限于“非常专注完成某一特定任务”的阶段。对于弱人工智能来说,所有的模型、数据、规则的建立都是由人设定的,本质上是通过监督学习的方式来学习人类的智能,进而完成某一个特定的任务,因此在这个阶段,人工智能与人之间相差还是比较远的。

之前业内科学家曾预测,到2050年左右,人类会进入强人工智能时代。强人工智能意味着人类能干的脑力工作AI都能干。你可以认为强人工智能像人类的孩童时期一样,具有学习、语言、推理、认知、判断等能力。实际上对于强人工智能,我希望它在一种弱监督学习的情况下,能进行不断自我学习,最终达到与人差不多一样的水平。在整个过程中,因为它不断具有人的认知能力,有可能会出现具有人格定义的人工智能。

未来,人类或将进入超人工智能的阶段。超人工智能相对人工智能,已经跨越了一个基点。到那个阶段,机器将拥有人类难以想象的数据及计算力,思考问题方式与逻辑已经完全超出我们的认知。超人工智能,我觉得它更像一个“神”。

人工智能为何能应用在医疗中?

人工智能为什么能应用在医疗上呢?因为人工智能有非常好的三种技术,可以分别对应到医疗场景下的三种数据:第一个是图像数据,第二个是文本数据,第三个是语音数据。图像对应的是计算机视觉,文本对应的是自然语言处理,语音对应的是语音处理。

计算机视觉包括图像分类、物体检测和物体分割。上面这两张图,左边是变色鸢尾,右边是山鸢尾,这两者的相似度很高,普通人都难以分辨,但计算机能通过大量的学习,从而判断这两张图分别是什么。

再比如现在各地检测外地车牌的这项工作,但靠人类肉眼肯定无法完成,而通过AI技术能自动地检测车牌,并将号码提取出来。

另外,图像分割在医疗上具有非常重要的应用,比如医生要做一台肝部手术,可以利用人工智能把肝部分割出来,假如手术要避开大血管,这项技术也能把大血管的位置分别分割出来。

自然语言处理如何在医疗上应用呢?我们都知道,医院有大量的电子病历,如何分析电子病历,是件非常重要的事。如果我们能够把医院的电子病历输入到人工智能系统中,就能分析出医生在诊断的时候有没有犯错误,毕竟医生是人,工作很累,给病人开药时可能会失误选择药物,通过文本识别技术,假如医生开的药和疾病是相违背的,系统就能及时通知医生进行修正。

问答系统在医疗中同样作用很重要。大家到医院后一般会到问导台咨询:自己是哪里不舒服,需要挂什么科之类的,假如有一个问答系统,我们在家的时候就可以把挂号确定了。输入自己的体征问题,系统会告诉你大概是哪一大类的疾病,并智能地推荐你去哪家医院,把最适合的专家推荐给你,所以问答系统将会在医疗中有很好的应用前景。

语音识别应用场景同样广阔,例如在影像科,医生看一个片子,基本上二分之一的时间在读片子,剩下二分之一的时间在敲文字,如果能把语音识别技术应用起来,医生可以直接对着话筒说话转成文字记录,能够省下将近一半的时间。

为什么医疗领域需要人工智能?

人工智能在医疗领域有很好的应用前景,那么反过来医疗领域需要人工智能吗?答案是肯定的。现在最大的投资风口是影像分析,目前医院很大一部分收入是从影像检查来的,并且影像检查数据每年以30%的速度增长,但影像科医生每年却只有4%的增长速度,医生缺口非常大。

上图是整个医疗工作流程,包括筛查、诊断、治疗、随访和评估。我们现在的体检筛查包括第三方体检中心、社区医院、三甲医院,由图我们可以直观地发现:在不同等级的医疗中心筛查阶段做完所有的检查,最后出口却都是三甲医院。出现这种现象的原因很简单,对于花同样的钱,人们更愿意去三甲医院。那么人工智能又可以在这一整套流程中发挥起到什么作用呢?它可以去辅助基层医院的医生,提高他们诊断能力,从而达到三甲医院医生一样的水平。

解决方案该如何做呢?我们从预防到诊断、治疗、随访,通过人工智能的方式支撑各个环节的流通,让工作流、数据流更加智能化、规范化,这是我们的目标。

第一步就是筛查,假如患者得了肿瘤,最希望听到就是你的肿瘤是良性的,所以筛查首先把肿瘤分为良性还是恶性,这项工作人工智能可以做。

乳腺癌是中国城市女性当中患病率最高的一个癌症,而且中国女性切乳率非常高,之前的数据是90%左右,而同样的情况在美国大概是34%,也就是说接近56%的中国妇女其实并不一定需要切乳,而造成中美切入率这一对比差异的原因是什么呢?因为我国乳腺癌早期筛查做得相对比较差,我们希望通过人工智能的方法对乳腺癌筛查进行判断。上图左边的病灶,大概有85%的恶性概率,右边有80%恶性概率,这些数据就能帮助医生做初步的判断。

另外,我们经常说起糖网,即由糖尿病所引起的视网膜病变,现在对于A型糖网识别准确率已达到97%,同时糖网分期准确率也达到了85%。超过85%是什么概念呢?意味着这个数据在临床上可以使用了。

第二个阶段:诊断。举例如果一位患者去医院后,发现肿瘤是恶性的,这时患者就希望有一个精准的判断:肿瘤的分期和分型。肿瘤是早、中期,还是晚期?亚病种的分型,是高分化还是低分化?另外,量化会对整个疾病进行分析,在目前阶段,医院的诊断、量化做得还不是很好,当病人的各项检测报告出来后,医生看了数据,并不能确定做完手术后,患者到底还可以活2年、3年还是5年。

原因很简单,量化的特征隐藏在数据里,不一定能直观看得出来,或者可以这么说,现在医学的科学研究并没有把临床上粗浅的特征与手术之后的疗效相结合起来,但这一步,人工智能是可以帮助做一些事情的。

另外,在诊断这一步,我们希望通过数据分析的方式,去进行三件事:一是风险预测、二是疗效评估、三是愈后分析。

举个简单的例子,如果患者去做放射治疗(编者注:放射治疗是对于治疗肿瘤非常重要的治疗手段),一个疗程大概放射20次左右,但有些患者,可能对放射治疗并不敏感,那么放射2到3次以后,就不应该再放射治疗了。

化疗也是同样的情况,化疗也有好几个疗程,但对于化疗药剂,有的患者也不敏感,化疗之后根本没有效果。在这种情况下,假如通过量化分析,发现患者对治疗手段不敏感,可以及时更换方式,尽最大可能减少副作用,而在这个过程中,人工智能就可以很好地进入到诊疗方案里。

那些基于AI的医疗融合产品

IBM曾经出品过一款AI参与智能诊断的产品:IBM沃森机器人,从我个人的角度来看真是一款非常好的产品,这款机器人收集了大量的数据,来获取相关的临床知识,并针对不同患者,个性化地提出不同诊断。

但很不幸,这个产品失败了,原因是什么呢?并不是产品不好,而是太过于依赖准确的数据输入,因为一旦源头信息输入错误,就会导致非常严重的后果,这相对应地要求医院信息系统的建设标准要很高,但目前在中国符合这个标准的医院很少。所以IBM沃森我个人觉得有点太超前了,如果再过30年,我们的下一代去医院的话,一定会接受类似的系统进行问诊,在这个基础上进行下一步精确地诊断跟判断,相信再过50年,所有的医院一定会有这个系统。

亚马逊也出过一个Alexa平台来回答相关的医疗问题,这也是一款不错的产品,可以根据患者的问题智能推荐药物。

上图是医学影像辅助诊断一个很好的例子——大家体检时都会拍胸片,因为胸片是二维投影,大量肋骨投影在胸片上(如左图),这时一些病灶可能会被掩盖掉,而通过人工智能技术我们可以把骨头、肉分开,硬组织、软组织分开(分离效果为中图、右图),这样医生一眼就能看出哪个地方有病灶,同时也可以看出来哪个地方有骨折,这个工作是我们团队目前正在做的。

上图是肺结核方面的诊断工作,在我国的一些偏远地区,肺结核患者数量不少,肺结核的诊断非常重要,因此医学影像辅助诊断对于很多需要实时病理检测的疾病而言意义重大。

譬如说肿瘤手术,在手术中就需要把肿瘤的切片拿去立刻做冰冻,做病理诊断,然后立刻把结果拿回来,医生要根据病理诊断来决定下一步的手术如何进行。肺叶上有一个肿瘤,如果肿瘤是良性,医生直接切除挖掉即可,如果肿瘤是恶性的,那么肺端这个地方就都得切掉,因此在术中,病理需要非常快地诊断出来。

我前两天去手术室看到的一位病人,病理需要40分钟才能诊断出来,在这种情况下,医生把病人开胸手术却需要等待40分钟后才能继续进行,如果能有非常快的病理诊断,2分钟出结果,病人就不用白白等待40分钟。

诊断之后,第三个阶段就是治疗,治疗包括方案的规划、手术的引导跟三维重建。

上图实际是一个放疗靶区勾画图,放疗靶区勾画很有意思,患者有鼻烟癌,如果要做放疗,有放疗靶区、肿瘤靶区、正常组织跟淋巴结引流区,正常做手术大概需要2-3小时,但如果用4个MI序列跟一个CT序列进行勾画,基本可以做到整个算法大概一分半钟跑完,2—3个小时与1分半的差距还是非常大的。

上图是影像引导与手术机器人的案例,对于影像引导,最著名就是达芬奇机器人,通过手术机器人来替代医生的手。

上图是三维重建与介入治疗,介入治疗实际上是通过消融或者是支架进入人体内,把工具放进去,整个过程需要操作非常精细,术前医生希望通过三维重建大体了解患者整体的身体结构,三维重建后,医生在术前就知道整个治疗路径怎么走,如何进行操作。

另外,基于人工智能还有其他医疗应用场景,例如基于AI技术的药物研发,之前的药物研发非常耗时、耗钱,十年,十亿美元是一个药物研发基本所需要的时间和费用。

上图是传统药物研发的过程,流程非常慢,如果第三期临床试验没过,前面流程的投入就基本白费了。

上图是新的药物研发方式,通过机器学习,会从传统的药物里学习新的分子结构,然后匹配,现在用AI来进行药物研发是很大的风口,目前也有很多的公司都开始做相关的工作。

从我个人的角度,我相信人工智能就像一把手术刀一样,能够成为医生非常好的辅助工具。因此,我们团队的目标也非常明确,希望用人工智能的技术连接各个数据孤岛,能够让整个医疗的过程,工作流、数据流规范化与智能化。让我们共同期待人工智能这项技术未来能更好地服务于医疗行业、辅助医学领域长足发展!

注:文章根据陆遥在GMIC大会上的演讲整理而来,有删减

推荐

《科学大家》栏目精彩文章汇总

《科学大家》专栏投稿邮箱:sciencetougao@sina.com  来稿请注明姓名、单位、职务

相关新闻

推荐阅读

加载中...