醫療新大陸，利用人工智慧（AI）診治癌症

利用人工智慧診治疾病是人類一個雄心勃勃的計劃，而且早就有一些初步結果。如美國國際商業機器公司(IBM)2007年推出的人工智慧軟體———沃森醫生。去年1月，時任美國總統歐巴馬宣布的「癌症登月計劃」，其中一個項目就是讓人工智慧進行深度學習，以識別癌症。

在癌症診治領域，人工智慧的學習任務有三：通過深度學習在分子層面認識癌症；進行藥物篩查；通過大數據分析，提供最佳治療策略。

現在，具備深度學習功能的機器人醫生不但已經進入實踐，而且取得了可喜的進展。

人工智慧如何診治癌症

要讓人工智慧診治癌症，首先需要人工智慧有像人一樣感知周圍環境的能力，尤其是能感知人的機體狀態———什麼是正常的機體，什麼是異常的機體，甚至是癌變的機體，尤其是只具有微小變化的機體，例如，只有幾個細胞發生癌變的極為微小生物環境。

第二步是，人工智慧不僅要感知正常和異常機體的不同，還要理解為何有這樣的不同，是癌變引起的不同，還是其他疾病引起的不同。最後第三步才是判斷和決策，即得出結論，在感知和正確理解的基礎上，向醫生提供對某個個體檢測的結果，是患癌還是沒有患癌，抑或是患了其他疾病。

機器學習(演算法)是人工智慧的一個基本內容，其中，數據的輸入、輸出、賦值等運算，可以讓人工智慧對某一問題進行計算分析，從而得出初步結果。這也可以用來對癌症進行診斷和治療。

加拿大安大略省西方大學的羅根等人研發了一套演算法，通過對基因數據的分析得出最可能的有效治療癌症的方案，並且讓該治療方案變得更加個性化。

研究人員使用了一套含有40個基因的數據，這些基因可以在90%的乳腺癌中找到。在接受試驗的近350名癌症病人中，至少都會接受一種化療藥物如紫杉醇或吉西他濱的治療。之後，研究人員讓人工智慧對數據展開處理，並找出藥物與病人基因之間存在的關係。結果顯示，同時接受兩種藥物治療的有效率為84%，只接受紫杉醇的為82%，只接受吉西他濱的則在62%-71%之間。

這就為醫生提供了選擇更好或最佳治療方案的決策基礎，例如，在上述方案中，醫生選擇對病人同時使用紫杉醇和吉西他濱，可以達到最高的84%的治療有效率。

2016年，日本研究人員稱，他們開發的人工智慧軟體能夠準確診斷出女性患者所患的罕見類型的白血病，而且，這種軟體對腫瘤大數據的提取和分析是其優勢之一，它僅需要花費10分鐘時間，就能夠對來自2000萬個臨床腫瘤研究所提供的女性遺傳信息進行對比分析，從而做出診斷。

但是，最早開發人應用於醫療領域的人工智慧的美國國際商業機器公司(IBM)更是走在了前面(見相關鏈接———從「沃森醫生」到「沃森基因組」)。

深度學習的三大任務

2016年1月，美國總統歐巴馬宣布了「癌症登月計劃」，其中一個項目就是讓人工智慧進行深度學習，以識別癌症。

在癌症診治領域，人工智慧通過深度學習，要完成三項任務———

首先是從認識癌症的分子層面學習，讓人工智慧了解蛋白質相互作用的機理。

其次是進行臨床前的藥物篩查。這是一種研發癌症藥物的預測模型，在臨床試驗前進行最大化地藥物篩選，為癌症病人提供精準醫療方案。具體而言，是對臨床前和臨床試驗時的癌症數據進行篩選，結合小鼠模型中的新數據，通過反饋循環讓實驗模型指導計算模型設計，建立腫瘤藥物反應的預測模型。其實，這也是基於特殊數據的學習和分析。

第三是建立人口模型。這就要求人工智慧根據不同人群的生活方式、生活環境、所患癌症的種類、不同的醫療體系等，從數百萬癌症病人的病曆數據中自動分析，從而獲取最佳治療策略。當然，海量病人的數據來自美國國家衛生研究院、美國食品和藥品管理局、製藥公司和第三方付款機構。

可以看到，美國的「癌症登月計劃」中的人工智慧深度學習並不包含腫瘤圖像的識別，所以人工智慧診治癌症的深度學習在不同的國家有不同的內容。

快速精確解讀腫瘤圖像

診斷癌症不僅要靠解讀癌症特有的基因、分子標記物等，還要認識和判斷用各種物理和化學方式拍攝的人體腫瘤圖像，這既是人工智慧深度學習的內容，又是人工智慧幫助人類診治癌症的一個重要途徑，在這個方面，人工智慧也已取得了一些進展。

2016年8月，美國休斯頓衛理公會醫院的研究人員在《癌症》雜誌上發表文章稱，他們開發的一款人工智慧軟體在解析乳腺X光圖片時，比普通醫生快30倍，其準確率更是高達99%。這個癌症診斷軟體可以直觀地將X光圖片的信息轉譯成診斷信息，方便醫生快速對病人病情作出判斷，避免耽誤病情。

即便是腫瘤科的專科醫生，對X光片、CT和核磁共振成像圖片的解讀都不會是百分之百的準確。美國疾控中心和癌症協會的數據顯示，每年美國大約有1210萬人接受乳腺X光片監測，但其中差不多有一半在X光片上都有陽性結果，但實際上是假陽性。為此，又迫使大量女性為了求得安心而進一步接受乳腺活組織檢查，進行這一檢查的人每年有160萬人左右，其中20%的女性根本就沒病。這給許多女性及其家庭造成了極大經濟和精神負擔。

為了改變這種狀況，研究人員打算從人工智慧著手，來解決X光片識別癌症的假陽性問題。衛理公會醫院的研究人員設計的這個人工智慧軟體，不但能掃描病人的X光影像結果、採集診斷特徵，並將乳腺X線影像結果與乳腺癌亞型進行關聯。此後，醫生可使用軟體的分析結果來精確預測每個病人是否有罹患乳腺癌的風險。

利用這個人工智慧軟體，研究人員解讀了500名乳腺癌病人的乳腺X線影像結果和病理組織切片報告，同時還安排了各種相關醫學數據，試圖迷惑人工智慧軟體。另一方面，讓兩名腫瘤科的權威醫生進行同樣的讀片診斷。人工智慧用了幾個小時就完成了對診斷，但兩位乳腺癌專業的權威醫生卻花了50-70小時。

這套軟體能夠快速和準確診斷乳腺癌的原因也在於，它能在很短時間內回顧幾百萬份記錄，通過解讀病人的乳腺X線影像結果來幫助醫生診斷，效率更高。如此，也有望減少不必要的組織活檢。

目前，乳腺癌組織活檢結果的準確率只有60%-80%，美國每年浪費在最簡單的非侵入性乳腺癌上的資金也高達3500萬美元。

預計到2024年，美國乳腺癌活檢設備的市場規模將達9.11億美元。（文匯報 張田勘)

醫生輔助工具

有人提出疑問，人工智慧能代替醫生嗎？我認為在我們有生之年，完全替代是不可能的，雖然人工智慧輔助診斷系統能夠輔助醫生診斷諸多疾病，但是它只是在診療的部分環節幫助醫生快速判斷、提供建議。人工智慧演算法在深入了解病人感受層面相較人類醫生有諸多弱勢，疾病的診斷治療還有很多社會人文因素，不能單純依賴技術環節完成診療服務。

利用深度學習Airdoc在眼科專家的幫助下，通過讓人工智慧演算法學習遠超人類醫生一生接診量的患者眼底照片，訓練了一個檢測糖尿病視網膜病變的深度神經網路，該演算法在有明顯癥狀和無明顯癥狀二分方面準確性與三甲醫院資深眼科醫生持平。同時，該演算法在眼底照片國際標準5分類方面的準確性也不遜於專業眼科醫生。但是Airdoc對自己的定位就是人工智慧時代的聽診器、顯微鏡、血壓計，只是醫生的好工具，並不能替代醫生，最終的診斷決策還是需要醫生做出。醫生診療病人已經幾千年，不會因為一兩個技術出現而變化。

按照醫學技術區分，人工智慧輔助診斷系統可以為兩類醫生提供幫助：一類是可以準確判斷疾病的醫生，人工智慧輔助診斷系統可以幫他們快速篩查分診疾病，並且不會疲憊，提高工作效率；另一類是尚不能精準判斷疾病的醫生。近期，新鄉醫學院管理學院院長孟勇教授發布了對6766名農村居民、2983名城鄉醫生、4400名患者進行的調研報告，基層醫生能力不足是阻礙基層醫療正常運轉的主要因素。人工智慧輔助診斷系統可以輔助基層醫生診斷疾病，從而讓預防保障體系的「神經末梢」正常運轉起來。