我們先來設(shè)想如下場景，某天，57歲的王大爺發(fā)現(xiàn)他的肩膀上起了皮疹，也不疼，于是就沒有當(dāng)回事。數(shù)月后，這塊皮疹越來越不舒服，于是在王大娘的催促聲中到了醫(yī)院，醫(yī)生診斷為脂溢性角化癥。又過了幾個(gè)月，在年度體檢中，醫(yī)生告訴他肩膀上有發(fā)黑的斑點(diǎn)，建議去醫(yī)院做檢查。皮膚科醫(yī)生在對活檢樣本分析后認(rèn)為是非癌性色素沉著病變，之后，換了一家醫(yī)院掛了專家號再次分析樣本，診斷為侵襲性黑色素瘤。于是王大爺開始接受腫瘤科的全身化療，這時(shí)，他的一位在醫(yī)院工作的朋友建議他可以嘗試免疫療法。

類似王大爺?shù)慕?jīng)歷其實(shí)并不少見，很多病往往一發(fā)現(xiàn)就是中晚期，如果在早期就有醫(yī)療介入，對于患者的治療和康復(fù)都是大有裨益的。但是且不說患者很難對疾病早期的端倪有所察覺，即便到了醫(yī)院，在有限的醫(yī)療資源下也不會讓每個(gè)患者都接受專家團(tuán)隊(duì)的會診，往往是醫(yī)生憑個(gè)人經(jīng)驗(yàn)給予患者診斷、確定治療方式和開取自己熟悉的藥物，有時(shí)未必是最佳治療。

想要改善這一局面，就要對每位患者進(jìn)行精準(zhǔn)醫(yī)療，需要收集、處理并詳細(xì)分析他們的病歷和數(shù)據(jù)，而這正是人工智能(AI)技術(shù)最擅長的。自從AI進(jìn)入醫(yī)療健康和生物制藥領(lǐng)域以來，圍繞相關(guān)話題的預(yù)測和應(yīng)用一直影響廣泛。早在50年前，《華爾街日報(bào)》在一篇文章中就大膽預(yù)測未來計(jì)算機(jī)將在特定情況下替代醫(yī)生完成患者診治，但直到今天，除了個(gè)別AI輔助診斷已經(jīng)落地，醫(yī)療的核心驅(qū)動仍然是由我們?nèi)祟愔鲗?dǎo)的。AI的應(yīng)用似乎正處在技術(shù)成熟度曲線(hype cycle)下滑的一段中，我們見證了很多數(shù)據(jù)和承諾，但似乎離商業(yè)模式成功的明確性還有很長的路要走。

技術(shù)成熟度曲線(hype cycle)(圖片源自維基百科)

即便如此，目前一些早期模型的應(yīng)用以及相關(guān)政策、監(jiān)管和經(jīng)濟(jì)的鼓勵(lì)，都可以看作是對醫(yī)藥領(lǐng)域AI“落地”的樂觀態(tài)度。利用AI技術(shù)將所有臨床醫(yī)生的決策經(jīng)驗(yàn)和數(shù)十億患者的病歷集于一體，每一次診斷和治療都將是基于患者的個(gè)性化信息，結(jié)合無數(shù)相同病例的經(jīng)驗(yàn)給出的最佳治療，這是AI與現(xiàn)代醫(yī)學(xué)融合的動力。

AI和醫(yī)學(xué)的融合

首先要明確的是，AI是一個(gè)大的概念，它包括了多種算法，如專家系統(tǒng)、機(jī)器學(xué)習(xí)(MachineLearning)、深度學(xué)習(xí)(Deep Learning)等，目的是創(chuàng)建能夠解讀外部信息、學(xué)習(xí)并適應(yīng)以實(shí)現(xiàn)特定目標(biāo)的模型。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，受大腦如何通過神經(jīng)網(wǎng)絡(luò)工作的啟發(fā)，可以梳理出非線性的特征，在圖像分析中是非常有效的。AI可以很強(qiáng)大，但它不是魔法，即使是最復(fù)雜的神經(jīng)網(wǎng)絡(luò)本質(zhì)上仍然是回歸模型，受限于你所訓(xùn)練的內(nèi)容。你可以用一百萬個(gè)貓的圖像建立一個(gè)很棒的貓識別系統(tǒng)，但是當(dāng)你給它一個(gè)大象的圖像時(shí)，這個(gè)系統(tǒng)就沒用了。

人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系(圖片源自LifeSciVC網(wǎng)站)

AI的早期年代，醫(yī)學(xué)曾被認(rèn)為是AI最有前途的應(yīng)用領(lǐng)域之一，當(dāng)時(shí)的研究人員提出并開發(fā)了許多臨床決策支持系統(tǒng)，這類基于規(guī)則的系統(tǒng)在20世紀(jì)70年代取得了許多成功，并被證明可以分析心電圖、診斷疾病、選擇適當(dāng)療法以及幫助醫(yī)生對復(fù)雜的患者病例下診斷等。但是基于規(guī)則的系統(tǒng)構(gòu)建成本太高了，所基于的規(guī)則也必須具有邏輯性和可解釋性，而醫(yī)學(xué)領(lǐng)域的規(guī)則過于廣泛復(fù)雜，很難簡單提取出相關(guān)信息。

未來AI與醫(yī)療健康的融合貫徹“從生到死”的過程(圖片源自參考文章3)

近年以來AI研究多利用機(jī)器學(xué)習(xí)方法，在給定情況下，各種示例以輸入(特性)和輸出(標(biāo)簽)的形式提供，不再拘泥于規(guī)則，又稱為監(jiān)督機(jī)器學(xué)習(xí)。打個(gè)比方，讓模型學(xué)習(xí)腫瘤醫(yī)生的數(shù)字化病理片，通過像素分解完成對腫瘤陰影的識別，也就是將特征轉(zhuǎn)換為標(biāo)簽，建立觀察學(xué)習(xí)的算法。然后不斷讓算法學(xué)習(xí)從特征到標(biāo)簽的映射，以創(chuàng)建一個(gè)模型來概括信息，最后使該模型能夠從新輸入中提取特征，幫助醫(yī)生閱片。機(jī)器學(xué)習(xí)模型非常適合從現(xiàn)代臨床產(chǎn)生的復(fù)雜異構(gòu)數(shù)據(jù)中學(xué)習(xí)，包括醫(yī)療記錄、醫(yī)學(xué)圖像、傳感器的連續(xù)監(jiān)測數(shù)據(jù)和基因組數(shù)據(jù)等，幫助做出醫(yī)學(xué)預(yù)測，而人類醫(yī)生在整個(gè)職業(yè)生涯都很難接觸到這么多的數(shù)據(jù)。

深度神經(jīng)網(wǎng)絡(luò)及以咖啡杯為例的卷積神經(jīng)網(wǎng)絡(luò)不同卷積層的闡釋(圖片源自參考文章3和4)

AI在醫(yī)療健康系統(tǒng)中的應(yīng)用

基于圖像的診斷

許多醫(yī)學(xué)專業(yè)如放射科、眼科、皮膚科和病理研究，都依賴于圖像分析。2018年，F(xiàn)DA批準(zhǔn)了首個(gè)利用心臟MRI(核磁共振成像)圖像診斷心血管疾病的深度學(xué)習(xí)系統(tǒng)，可以幫助醫(yī)生診斷心臟問題，它使用了一個(gè)自教的人工神經(jīng)網(wǎng)絡(luò)，迄今為止已經(jīng)學(xué)習(xí)了1000個(gè)案例，并將繼續(xù)提高其數(shù)據(jù)量。這個(gè)系統(tǒng)平均只需15秒就能得到分析結(jié)果，而一個(gè)專業(yè)醫(yī)生通常要花30分鐘到一個(gè)小時(shí)。

首個(gè)利用心臟MRI圖像診斷心血管疾病的深度學(xué)習(xí)系統(tǒng)(圖片源自參考文章4)

最近，針對129,450張臨床圖像訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)在診斷皮膚惡性腫瘤方面也達(dá)到了皮膚科醫(yī)生的水平。通過和21名皮膚科醫(yī)生比較對一組皮膚圖像的預(yù)測和評估，深度學(xué)習(xí)算法的表現(xiàn)優(yōu)于一般皮膚科醫(yī)生。雖然深度學(xué)習(xí)模型的培訓(xùn)階段可能更昂貴，但最終的診斷模型可以部署在移動設(shè)備上，這可以提高全球?qū)＜壹墑e皮膚病變篩查的可操作性。

深度學(xué)習(xí)模型對皮膚腫瘤分類的示意圖(圖片源自參考文章5)

基因組分析

高通量測序方法為基因組研究提供了億兆級的原始數(shù)據(jù)。對這些數(shù)據(jù)的準(zhǔn)確臨床解讀是理解個(gè)體差異的關(guān)鍵，并為精準(zhǔn)醫(yī)療鋪平了道路。與傳統(tǒng)的邏輯回歸和支持向量機(jī)方法相比，深度神經(jīng)網(wǎng)絡(luò)能夠更好地對致病基因變異進(jìn)行注釋，識別非編碼DNA的功能。已經(jīng)有基于神經(jīng)網(wǎng)絡(luò)的方法將基因組變異轉(zhuǎn)換為圖像分類任務(wù)，其性能優(yōu)于廣泛使用的基因組分析工具包。這種計(jì)算方法可以用于診斷帶有遺傳成分的復(fù)雜疾病，比如癌癥。

發(fā)現(xiàn)生物標(biāo)志物

生物標(biāo)志物的發(fā)現(xiàn)依賴于識別之前未發(fā)現(xiàn)的測量值和表型之間的相關(guān)性。組學(xué)技術(shù)使得對海量基因、蛋白的和遺傳性畸變的高通量測試成為可能，但是，想要人工分析從組學(xué)方法中收集大量數(shù)據(jù)幾乎是不可能的。機(jī)器學(xué)習(xí)方法可以識別與疾病狀態(tài)和疾病亞型相關(guān)的分子模式，解釋測量值之間的高級交互作用，并獲得組學(xué)特征來預(yù)測疾病表型。很多從機(jī)器學(xué)習(xí)中獲得的生物標(biāo)記物表現(xiàn)都優(yōu)于傳統(tǒng)方法的選擇，其中一些已經(jīng)獲得FDA的批準(zhǔn)，可以用于指導(dǎo)常規(guī)治療。

預(yù)測臨床結(jié)果和患者監(jiān)測

EHRs(電子病歷)系統(tǒng)的日益普及，不僅加快了大規(guī)模臨床數(shù)據(jù)的收集，而且使人工智能系統(tǒng)更順暢地集成到臨床工作流程中。Bayesian網(wǎng)絡(luò)可以通過急診科的EHRs預(yù)測死亡率、再入院率和住院時(shí)間。醫(yī)療保險(xiǎn)理賠數(shù)據(jù)可以用來預(yù)測老年患者的死亡率，EHRs中的患者屬性可以用來對化療反應(yīng)不同的癌癥患者進(jìn)行分類，可以識別接受胸部器官移植患者預(yù)后的臨床預(yù)測因子等。這些研究為患者預(yù)后提供了大量可靠的臨床預(yù)測指標(biāo)，可用于指導(dǎo)患者及其醫(yī)生選擇個(gè)性化治療策略。

傳統(tǒng)臨床、傳統(tǒng)決策支持系統(tǒng)、綜合決策支持系統(tǒng)和AI全自動臨床系統(tǒng)的流程對比(圖片源自參考文章2)

在重癥監(jiān)護(hù)病房、手術(shù)室、急診室和心臟病房，病人的監(jiān)測至關(guān)重要，臨床決策的及時(shí)性可以用秒來衡量。在這些高靈敏度的環(huán)境中，常規(guī)的監(jiān)測設(shè)備會產(chǎn)生大量的數(shù)據(jù)，從而為人工智能輔助報(bào)警系統(tǒng)提供了巨大的機(jī)會。群體統(tǒng)計(jì)學(xué)、實(shí)驗(yàn)室結(jié)果和生命體征可用于預(yù)測心臟驟停、轉(zhuǎn)入重癥監(jiān)護(hù)室或死亡。通過深度學(xué)習(xí)算法，可以更好地利用原始的患者監(jiān)測數(shù)據(jù)，使臨床預(yù)測更準(zhǔn)確，決策更及時(shí)。

利用可穿戴設(shè)備做健康監(jiān)測

現(xiàn)代可穿戴設(shè)備記錄了大量的生物醫(yī)學(xué)信號，包括心率、聲音和運(yùn)動等。這些記錄可用于檢測疾病和推斷健康狀況。例如，通過可穿戴設(shè)備記錄的心率和皮膚溫度數(shù)據(jù)，可以及早發(fā)現(xiàn)傳染病和炎癥反應(yīng)的跡象。在可穿戴設(shè)備中加入光體積描記傳感器，可以監(jiān)測心血管疾病、肺部疾病、貧血和睡眠呼吸暫停。另外，由于醫(yī)療資源有限，醫(yī)生不可能與所有需要治療的病人單獨(dú)互動，如果讓患者佩戴傳感器或活動跟蹤設(shè)備，然后通過發(fā)送他們在智能手機(jī)上拍攝的照片或傳輸數(shù)據(jù)來獲得診斷，可以避免很多不必要的緊急護(hù)理。

(圖片源自網(wǎng)絡(luò))

AI在醫(yī)療領(lǐng)域的應(yīng)用還遠(yuǎn)不止于此，機(jī)器學(xué)習(xí)模型可以收集很多患者的健康軌跡模式，幫助醫(yī)生預(yù)測患者預(yù)后發(fā)展。機(jī)器學(xué)習(xí)還可用于根據(jù)臨床文獻(xiàn)自動選擇符合隨機(jī)對照試驗(yàn)入組條件的患者，或是判斷出哪些高風(fēng)險(xiǎn)患者或亞群體可能受益于正在研究的新療法。目前已經(jīng)有AI自主手術(shù)出現(xiàn)。隨著預(yù)編程、圖像引導(dǎo)和遠(yuǎn)程手術(shù)機(jī)器人的不斷發(fā)展，更多的機(jī)器人輔助或自動化干預(yù)方法有望被納入外科手術(shù)。在可預(yù)見的未來，AI系統(tǒng)可以增強(qiáng)臨床決策能力，促進(jìn)疾病診斷。

面臨的挑戰(zhàn)

盡管AI有望給醫(yī)療實(shí)踐帶來革命性的變革，但仍將面臨許多技術(shù)挑戰(zhàn)。構(gòu)建機(jī)器學(xué)習(xí)模型的核心挑戰(zhàn)是搭建一個(gè)具有代表性的、多樣化、高質(zhì)量的數(shù)據(jù)庫，因此必須謹(jǐn)慎地編寫能夠代表目標(biāo)患者群體的數(shù)據(jù)。來自不同醫(yī)療環(huán)境的數(shù)據(jù)可能包含各種類型的偏差和噪聲，這可能導(dǎo)致針對一家醫(yī)院的數(shù)據(jù)進(jìn)行訓(xùn)練的模型無法推廣到另一家醫(yī)院。盡量避免較小的數(shù)據(jù)體量，當(dāng)擁有足夠大的數(shù)據(jù)量時(shí)，機(jī)器學(xué)習(xí)模型往往表現(xiàn)最佳，可以更成功地訓(xùn)練模型。

隨著臨床AI系統(tǒng)的成熟，其臨床應(yīng)用和部署將不可避免地增加，這將導(dǎo)致新的社會、經(jīng)濟(jì)和法律問題。一個(gè)關(guān)鍵問題就是做好隱私和監(jiān)管需求，與大量數(shù)據(jù)獲取使用之間的平衡。為了應(yīng)對這些挑戰(zhàn)，AI研究人員和醫(yī)療從業(yè)者需要共同努力，優(yōu)先考慮并開發(fā)滿足關(guān)鍵臨床需求的應(yīng)用程序。在引入新的AI應(yīng)用系統(tǒng)時(shí)，必須確定正確的框架，先進(jìn)行前瞻性臨床試驗(yàn)，這將需要多學(xué)科和多部門的合作。

有一種觀點(diǎn)認(rèn)為隨著醫(yī)療AI的發(fā)展，醫(yī)生將被機(jī)器取代，對此我們可以與汽車自動駕駛的發(fā)展相比較。根據(jù)美國汽車工程師協(xié)會的定義，“自動駕駛”分為5個(gè)級別，其中5級表示在任何情況下都由汽車完全控制，沒有任何人為參與控制汽車。但是普遍的共識是，出于安全顧慮，這種情況永遠(yuǎn)不會實(shí)現(xiàn)。而由于同樣的原因，醫(yī)學(xué)AI不太可能超過3級，即有條件的自動化，人類確實(shí)需要對圖像和數(shù)據(jù)的AI算法進(jìn)行監(jiān)督，很難想象在照顧病人時(shí)完全托付給機(jī)器，因?yàn)槿祟惖慕】堤珜氋F了。

自動駕駛和醫(yī)學(xué)AI之間的類比(圖片源自參考文章3)

我們這個(gè)時(shí)代的醫(yī)學(xué)發(fā)展正處在十字路口，左邊是過去舊的醫(yī)療模式，支出和崗位在不斷增加，但誤診和不恰當(dāng)?shù)闹委?、醫(yī)療資源的浪費(fèi)、工作流程的低效、醫(yī)患難以充分溝通等問題并未得到改善。而右邊是AI與醫(yī)學(xué)融合的嶄新之路，是從高分辨率醫(yī)學(xué)成像、可穿戴設(shè)備的生理指標(biāo)傳感器、基因組測序和電子醫(yī)療記錄等來源生成的大量數(shù)據(jù)。

基于大數(shù)據(jù)的AI未來將從根本上改變醫(yī)療健康的性質(zhì)，在現(xiàn)有基礎(chǔ)上豐富醫(yī)生和患者之間的關(guān)系。也許在不遠(yuǎn)的將來，開篇的一幕會是這樣的，王大爺先用智能手機(jī)給自己的肩膀拍了一張皮疹的照片，通過App立即發(fā)到電子皮膚科醫(yī)生，很快得到醫(yī)院復(fù)查的通知。然后通過醫(yī)療保險(xiǎn)系統(tǒng)完成家附近醫(yī)院的預(yù)約，該預(yù)約將自動與王大爺?shù)娜粘瘫磉M(jìn)行交叉檢查，確定最合適的時(shí)間。在一名經(jīng)驗(yàn)豐富的皮膚科醫(yī)生對病變進(jìn)行活檢后，在計(jì)算機(jī)輔助下診斷為早期黑色素瘤，盡快由皮膚科醫(yī)生切除，在一個(gè)月內(nèi)王大爺已經(jīng)在恢復(fù)中。

只要腳踏實(shí)地的去做，這一幕就不會遙遠(yuǎn)。