Zi 字媒體

【e醫療原創】呼之欲出：人工智慧與醫療的深度結合（含案例）

2021/12/25

」

導讀

目前，人工智慧已經開始在很多領域攻城略地，醫療領域也自然成為它的進軍對象。從技術與產品成熟度維度來看，語音病例、臨床大數據分析、患者健康助理的應用比較成熟，而影像輔助診斷還需要一個更加成熟的過程，它們的市場接受度都很高。而臨床輔助系統，無論是從技術的成熟度，還是從市場接受度上看，都有待於提高。

e醫療/魏東

1

語音電子病歷

在美國，醫療機構已經普遍使用語音電子病歷。根據語音電子病歷技術兩大供應商Nuance和M*Modal的數據，已經有70多萬醫生使用語音電子病歷，占美國醫生總數的90%。語音電子病歷可以讓醫生口述病歷內容，系統直接轉化為病歷文本。它一方面可以大大提高醫生的病曆書寫效率，節約醫生的寶貴時間，另一方面，還能促進病曆數據的個性化，紓解近年來病歷模板化導致的病歷雷同問題。

目前在國內，雲知聲已經推出了完整的病歷語音錄入系統方案，並且經過對醫療領域的深度定製與優化后，語音識別的準確率也達到了95%，語音電子病歷有望在5年之內成為國內醫療機構的標配。

利用用語音電子病歷的核心技術——語音識別技術，與智能機器人的技術和後台知識庫技術進行一個融合，研發出的導醫機器人可以讓患者與其進行自然語言的交流，而機器人通過後台知識庫技術為患者進行包括道路、問診流程方面的引導。

語音識別對於各種情況的準確率是不一樣的。對已有文字版的病歷照直接朗讀，準確率比較好；對於實時組識的語言的，解決得有待完善，準確率不高。重新刪改的機制、快速定位都需要好好解決。如果未來醫療行業把病歷記錄的模式徹底變革一下，如採用規範的、問答式的模式，去採集病史，則語音識別就能發揮更大作用，發展前景更為廣闊。

從另一個角度來看，當醫療糾紛出現時，舉證困難，其中一部分原因在於主觀病歷部分很難作為證據。其核心點在於醫生的認知、診斷與患者的自訴事實不一致，它還導致了進一步的治療過程出現偏差。如果問答式病史採集能夠被廠商推動，既能解決廠商方案的普及，也會正面推動行業的發展。

語音電子病例在會議速記、文獻錄入和醫案採集也可能發揮作用。

2

健康助理

患者來醫院就診，需要在很多環節排隊，耽誤很多時間。有時為了兩分鐘的診療而花費了兩個小時，時間成本很高。健康助理系統就可以利用患者等待的時間為他提供很多支持。

如在分診環節，就可以根據他的癥狀描述，建議挂號的科室。而在挂號之後、問診之前，系統可以安排一個預診環節，讓患者回答一些既往病史和現病史相關問題，其結果可以提供給醫生，從而有效提高醫患的交流效率。同時也可以加入一個患者自診環節，對患者提供醫療和護理建議。診療完成之後，系統可以根據診斷情況，為患者提供個性化的健康教育。

3

臨床輔助決策

臨床輔助決策，是人工智慧和醫療技術最早結合的領域。早在1970年代，就出現了Stanford MYCIN的醫療專家系統，用於細菌感染疾病的治療，在當時非常成功，間接觸發了人工智慧在醫療行上的第一次熱潮。最近一兩年，IBM Watson力推臨床輔助決策系統，大有不達目的不罷休之勢。

因此，有人期望未來會人工智慧技術會催生出虛擬醫生。但恐怕這種期望會落空。人工智慧顛覆醫療模式是完全有可能的。但是有專家指出，人工智慧的診判是基於病史採集，它癥狀的診斷準確率被人為拔高了。診療什麼時候都不會離開醫生的「望聞問切、視觸扣聽」，這是非常重要的，醫生的診斷不是簡單的問病史，所以，虛擬醫生來到的那一天，離我們還很遙遠。

2015年推出的IBM Watson Oncology腫瘤專家系統，可以基於Watson的深度問答技術，結合循證醫學和臨床數據，向醫生推薦個性化治療方案或最新的診斷建議。

2015年，某醫生為一個4期結腸癌的患者做了一台手術。術間，他發現患者肝臟產生多發性白色結節。后對患者進行檢查，發現其整個肝臟布滿了瀰漫性病變，但ECOG評分顯示，這位60歲左右的患者體力狀況尚屬良好。

後來向IBM Watson在輸入上述患者的所有信息后， 14秒后，Watson呈現出一份清晰全面的治療方案：它為患者列出了15中化療方案，並用顏色標記，綠色的方案表「推薦」，橙色表「慎重考慮」，粉色則「不推薦」。

醫生擇了橙色1方案后，Watson給出了詳細數據：採用此方案的403個病例，1年總生存為74.4%，但有84.9%產生腹瀉、嘔吐等不良反應。總體評估，此方案療效較好，但同時風險較大。

後來醫生透露，當時自己的團隊採用的就是橙色1方案。患者在10周期化療后，CEA和CA199兩項指標都下降了一半左右。而作為另一個指標的CT影像也顯示，4周期和8周期化療后，肝臟病變明顯減少。

截至2016年底，已有21家醫院已經引入Watson腫瘤解決方案，用以幫助醫生根據每位患者需要制定個性化的治療方案。由此可見，如果未來Watson的分析能和醫學影像學結合起來，就能為醫生提供更大的支持。

4

影像輔助診斷

在人工智慧還沒有趣像今天這麼火的時候，影像輔助診斷的應用就很成功，已經實實在在與醫院的業務緊密結合了。

著名智能影像專家柴象飛曾在國外的影像科室工作過。在他看來，國外與國內的影像科工作有幾個非常大不同。在錄入方面，在昏暗的環境下全部使用語音輸入，已經沒有人用手寫報告了，這種情形已經有20年了。智能化的語音識別系統已經很成熟了。在診斷方面，從肺結節的輔助診斷到腦神經的輔助診斷及乳腺鉬靶的輔助診斷，它們在臨床上的應用也超過了20年。

上述應用都可以視為人工智慧在醫療上的應用，最近，人工智慧又出現了較大的變化和發展。最重要的變化就是「深度學習」。以往進入到臨床領域的人工智慧的應用集中在3~5個範圍，偏於特徵提取法、模型分割法、柔性配准法，都需要從一個標準庫里提取局部特徵與新進入的影像堆疊，進行特徵的比對，來判定它們的相似度。

新方法並不是指方法的新，而是指計算環境的新。它大約出現在2010年，有三點新變化。一是可以nVIDIA公司帶有CUDA并行計算架構的GPU進行常規科學運算，運算效率大大提升。二是雲平台的網路環境令數據收集量變大。原來的研究開發基於數百、數千的數據運算，而到了深度學習階段，量級到了數萬、數十萬級，甚至是百萬級。三是計算方法升級到CNN（卷積神經網路）、BNN（二值神經網路），再到RNN（循環神經網路）。CNN應用最普遍。其好處是不需人工干預中間過程。只要給計算機足夠乾淨、足夠多的數據，採用優化方法和參數，就能夠一個良好的輸出和輸入的關係。這些模型還屬神經網路範疇，但是與原來相比，連接的層級更多，最低有10層，多為數十層，甚至有高度數百層的。網路聯按分三塊，從卷積層、池化層、到全連接層，通過參數配准來形成一個淺性的輸入輸出之間連接關係。

由於人工智慧在對醫學影像的識別正確率很高，因此有人擔心放射科醫生會失業。其實他們失業與否，取決於今后技術能否有一個更大的發展。

再舉一例。

所有的放射影像的假陰性要求應該是零。如果智能閱片1000張片子，準確率達到99%，意味著出現了10張差錯。這樣會省人力嗎？答案是否定。因為得需要人把1000張片子全部看一遍以找出那10張。所以，假陰性不為0，整個工作量就降不下來。如果假陰性為0，假陽性多一點則無所謂。1000張中篩出100張，大夫只要看100張就可以。所以，放射科醫生的重點應該是基於這個邏輯。如果準確率能達到100%，放射科醫生就有可能失業；如果不能達到100%，他們則繼續留任。

人工智慧在影像診斷方面的應用，雖然許多尚處在科研實驗階段，但是已經預示了美好的明天即將來臨。

第一個案例是分割的例子。通常，分割時要找出邊緣特徵及圖像特徵，但是在一個好模型下，只要把輸入、輸出計算完之後，計算機可以通過自我學習的流程來找到分割的邊緣點。它主要應用於腦部腫瘤的檢測與分割。

第二個案例是視網膜眼底病變檢測的例子。對視網膜的檢測，可以觀察到糖尿病的病變，甚至可以做出對糖尿病後遺症的預測和篩查。目前，這方面應用的準確率是比較高，甚至可達95%以上。

第三個案例是病理檢測的例子，如乳腺癌病理的自動檢測。病理檢測要求的數據量非常大，觀察視野多，層級又多，同時進行病理檢測的醫生水平參差不齊，所以，深度學習的方法在其間能發揮很重要的作用，如對細胞形態的檢測，已經初步成熟。在2016年，第一篇有關深度學習在病理檢測方面應用的文章已在《Nature》雜誌上發表，這是一個里程碑。

寫在最後

人工智慧進軍醫療領域，是未來的必然趨勢。人工智慧可以讓患者、醫生和醫療均受益。對於患者來說，可以更快速地完成健康檢查，獲得更為精準的診斷建議及個性化治療方案建議；對於醫生來講，可以提高閱片效率，輔助診斷，降低誤診的概率及提示可能的副作用；對於醫療來講，深度學習可以提高效率，同進系統性降低醫療成本。

人工智慧及機器永遠是幫助人的，而不是取代人。對醫療領域而言，它只是介入或融合，而絕非替代或攻陷。我們只需記住，改變醫療模式的，永遠是人，而不是人掌握的任何一種技術。

-end-

近期會議攻略