人工智慧將助力醫療健康

▲ 關注「醫學空間」-醫學科技領域學術社群平台

人工智慧發展迅猛，更能輔助醫療健康。

回顧醫療和生命科學的基本層面，繞不開以下幾個主題：

1. Therapeutics（治療）-藥物研發，醫療儀器，數字化治療方案。

2. Diagnostics（診斷）-『組學』研究，生物技術檢測。

3. Devices（醫療儀器設備）-生物醫學工程創新。

4. Services（醫療服務）-服務模式，類別創新。

5. Platform（平台模式）-測序平台，數據存儲平台等。

今天來談談圖像識別的發力點。

1月20號，新年伊始：Arterys的影像平台成為FDA批准的首例AI輔助診斷工具。這個從0到1的突破，無疑是AI應用於醫療領域的一針強心劑。Arterys通個學習1000例心血管病變的影像，實現了媲美於人類的診斷結果，且用時僅15s，遠遠少於一位醫生所需的時間（30min-60min不等）。

同領域的創業公司還包括：Enlitic, Zebra Medical Vision, Butterfly, Curemetrix, Imagen等。從技術層面來說，靜態、二維、電子化完善的放射科影像，作為機器學習應用的第一塊試驗田，並不出奇。但出色的臨床試驗結果、以及應用場景得到認可，市場教育初見成效，最終得到監管方的批准，的確是一個里程碑。

但同時，這個領域也有很多未知數。對於創業公司來說，不是單憑一個技術就可以改變行為模式。尤其是在演算法開源、數據量相對可及的前提下，技術壁壘並不足以保證一個公司最終成長為獨立的行業壟斷者。在應用場景上應有更多細節，讓技術無縫銜接到每日的工作流程中。不改變醫生原有的工作習慣，才能最終顛覆原本的工作流程。我們需要有全新的PACS系統，新型智能影像設備，規範的影像診斷報告，醫生更多的精力會放在審核、複查、和病人溝通解釋之中。更進一步，圖像中的信息可以嵌入到病歷中，自動生成一個初步的分診意見，儘可能減少人為干預的步驟。

或者，可以在移動端應用醫學影像識別，為醫療機構之外的醫生或者患者提供現場的診斷建議。如同在amazon上用拍照購物，或者用aipoly vision去識別物體一樣。斯坦福學者的科研也已經證實，當前對皮膚癌的診斷，機器可以學會金標準，得出和醫生相似的結論。

圖像識別在藥物研發也有所貢獻，代表的公司有Recursion Pharmaceuticals。

AI應用於藥物研發有不少的嘗試，這個領域中代表的公司有：Atomwise, Numedii, Numerate, TwoXar等。大多數是基於計算化學/計算生物(computational chemistry/biology)，通過對分子結構、化學屬性的計算結合實驗室的驗證提高新葯研發效率，或者通過分析病歷，得出用藥不良反應、藥效的結果，可以挖掘新的適應症。

Recursion Pharmaceutical的方法略有不同。相對上述經典的分析角度，Chris（CEO）從細胞形態層面嘗試分析藥性和藥效。一方面避免了龐大的測序結果分析以及數據存儲，另一方面無需從散亂、非隊列的臨床病例中找尋規律，而是直觀的利用AI，進行圖像識別，從表達層面進行定性的分類。

AI在分析圖像上已經相對成熟，演算法和訓練數據在不同的專業領域無需太多修飾。如果細胞表現出陽性反應，可以指導實驗室進行更深入的通路分析。同時，可以設計臨床試驗，加速新葯研發進程。隨著圖像數量的提高，AI能夠讀出更細緻、實時的改變，對於新知識的產生大有裨益。

除了解讀完整的圖像外，還可以設想，單純提取某個特徵——顏色、紋理、形狀（長短、面積、距離），通過物理的感測器，也可以將其擴大、翻譯、投射到相應的臨床特徵上。而深度學習善於將按照時間、空間順序不斷出現的圖像整合，尋找規律。這和疾病的發生髮展過程也是吻合的，一張圖將真正抵得上一千個字。

我們也有理由繼續相信，單在圖像識別領域，AI就可以做出喜人的成績。技術成熟后，如何更多的應用於不同場景，提高效率、降低錯誤率、節省人力成本、改善體驗……可以預見，近期將會有更多的探索，更複雜的模式，和更深遠的價值。不僅僅是圖像，醫療數據中還有文字（語言）、聲音（語音）等，都有不斷的驚喜出現。我們在之後會繼續介紹。

挑戰在於，NLP在處理電子病歷以及科學文獻方面的技術尚不成熟。NLP的深度學習在通識領域的研究比較多，對於語義單純、邏輯清晰、對仗整齊的語文類型效果較好。

醫學術語中，同義詞多樣，否定和肯定的邏輯上不夠明確，輻射和對仗都不夠明確，思維邏輯也大多基於可能性和概率論，這樣一種高度抽象的總結過程，是很難讓機器明確掌握的。對電子病歷中非結構數據的處理還處於襁褓，需要有足夠的標識和積累，形成多維度的圖譜（Hypergraph），並不斷總結和提升，加強向量輻射的準確度，才能做出有意義的迭代。

當然，基於已有的結構化數據，例如生命體征的水平（血壓、血糖、體重、體溫、尿量等），實驗室檢查結果（血液、體液檢查，生化指標；影像、病理、免疫組學），診斷（ICD診斷）以及處方（用藥、手術記錄等），已經可以得出初步的匹配分析。從出院總結、保險賠付的信息中，可以有效捕獲相關的信息。

另一個方面，深度學習的模式識別也可以用於「組學」層面。通個基因組、蛋白組學的測序結果，和藥物進行匹配，找出「藥物基因組pharmacogenomics」的生物標籤，從基因-細胞層面分析藥物機制，找出潛在的作用靶點。

醫學圖像遠遠不局限於影像學的二維靜態讀片（x-ray，CT，MRI等），對於三維圖像、動態圖像、組織病理、細胞分子檢測、生命體征和癥狀等，「看圖說話」的可開發空間還有很多。

1. 決策支持：基於癥狀、病史、檢查、監測結果幫助病人和醫生制定方案，覆蓋整個疾病發展鏈，從預防、診斷、治療、隨訪等方面。

2. 人群管理：預測疾病風險，提供早期干預的時點和方法。

3. 系統設計：優化醫療流程（從疾病診斷到保險付費）利用數據分析提高診療結果，同時降低成本花銷。

1. 自我管理：實時監測健康情況，調整治療方案，促進行為改變。

2. 健康追蹤：為個體定製健康追蹤方案，彌補空白。

每一個主題，都有指數級增長的數據數量和不同的數據類型。排列組合，產生複雜的模型。曾經，醫生只需要望聞問切就需要得出結論（無論準確度和精確度如何）；而今，從問診查體，可穿戴設備的數據到基因及微生物測序等，即使是專業的醫生和科學家，也深感挑戰巨大。醫學教育、科研培訓時限的延長不可持續，人腦處理信息的速度也難以跟上節奏，數據爆發的時代需要有新的工具。

醫學空間—醫療科技領域學術社群平台

四大主版塊：MS.TV，醫學文獻，行業資訊，醫友圈

關注

·END·