醫學人工智能開始加速產業化

周路菡

醫學在探索分析和應用大量知識解決復雜診斷問題時，面臨著許多挑戰。醫學人工智能的發展，使得人工智能可以更多地解決臨床診斷問題，并給出治療的方法。目前醫療工作人員已經開始使用人工神經網絡、模糊專家系統計算方法、機器學習以及混合智能系統等來處理大量的數據和知識，幫助臨床診斷更加準確，并提供更有效的治療方案。隨著現代科技和人類要求的不斷提高，人工智能的相關理論和方法日益成熟，醫學人工智能產品和服務開始加速產業化。但醫學人工智能產品的真正落地還需要全產業鏈的配合，特別是健康醫療大數據融合共享和開放應用方面，需要相關機構釋放大數據資源，助力“人工智能+醫療”產業化提速。

人工智能在醫療領域的廣泛應用價值

目前，人工智能在醫療領域的研究成果頻出，人工智能應用醫療領域已是大勢所趨。各個科技巨頭都相繼布局人工智能醫療行業。對人工智能在醫療的應用主要基于多方面的客觀現實：比如優質醫療資源供給不足，成本高，醫生培養周期長，誤診率高，疾病譜變化快，技術日新月異；此外，隨著人口老齡化加劇和慢性疾病發病率的增長，人們對健康重視程度普遍提高，醫療服務需求也在持續增加。

人工智能結合醫學應用有非常多的益處，可以讓患者、醫師和醫療體系均受益。比如對于患者來說，可以更快速地健康檢查，獲得更為精準的診斷結果和更好的個性化治療方案建議；對于醫師來講，則可以消減診斷時間，降低誤診的概率并對可能的治療方案的副作用提前知曉；對于醫療體系來說，人工智能則可以提高各種準確率，同時系統性降低醫療成本。

據悉，人工智能在智能診療、智能影像識別、智能藥物研發和智能健康管理等方面都有廣泛的應用價值。

比如在智能診療方面，就是讓計算機“學習”專家醫生的醫療知識，模擬醫生的思維和診斷推理，從而給出可靠診斷和治療方案。智能診療場景是人工智能在醫療領域最重要、也最核心的應用場景。谷歌宣布已嘗試將其面向消費者的機器學習能力應用到醫療保健領域中。今年谷歌的人工智能算法在乳腺癌診斷上也表現出了很高準確度；蘋果公司最近收購了Lattice，該公司在開發醫療診斷應用的算法方面具有很強能力。

在智能影像識別方面，人工智能的應用主要分為兩部分：一是圖像識別，應用于感知環節，其主要目的是將影像進行分析，獲取一些有意義的信息；二是深度學習，應用于學習和分析環節，通過大量的影像數據和診斷數據，不斷對神經元網絡進行深度學習訓練，促使其掌握診斷能力。作為醫生，從一個大的圖像如CT、核磁共振圖像判斷一個非常小的陰影，是腫瘤是炎癥還是其他原因，需要很多經驗。如果通過大數據，通過智能醫療，就能夠迅速得出比較準確的判斷。

在智能藥物研發方面，則是將人工智能中的深度學習技術應用于藥物研究，通過大數據分析等技術手段快速、準確地挖掘和篩選出合適的化合物或生物，達到縮短新藥研發周期、降低新藥研發成本、提高新藥研發成功率的目的。人工智能通過計算機模擬，可以對藥物活性、安全性和副作用進行預測。目前借助深度學習，人工智能已在心血管藥、抗腫瘤藥和常見傳染病治療藥等多領域取得了新突破，在抗擊埃博拉病毒中智能藥物研發也發揮了重要的作用。

在智能健康管理方面，則可以將人工智能技術應用到健康管理的很多場景中。目前主要集中在風險識別、虛擬護士、精神健康、在線問診、健康干預以及基于精準醫學的健康管理。比如通過獲取信息并運用人工智能技術進行分析，識別疾病發生的風險及提供降低風險的措施。計算機還能收集病人的飲食習慣、鍛煉周期、服藥習慣等個人生活習慣信息，運用人工智能技術進行數據分析并評估病人整體狀態，協助規劃日常生活。在精神健康領域，計算機可運用人工智能技術從語言、表情、聲音等數據進行情感識別。在健康干預層面，計算機則可以運用AI對用戶體征數據進行分析，定制健康管理計劃。

從IBM Watson的發展看醫學人工智能的未來

目前國內外已經有很多高科技企業將認知計算和深度學習等先進AI技術用于醫療領域，并出現了很多產品，其中以IBM的“沃森醫生”（IBM Watson）最有代表性。IBM Watson作為該領域中的翹楚，隨著人工智能技術的逐漸成熟，在2016年開始放開手腳，以腫瘤診斷為重心，開始在慢病管理、精準醫療、體外檢測等九大醫療領域中實現突破，逐步實現人工智能作為一種新型工具在醫療領域的獨特價值。

沃森是2007年由IBM公司開發的，IBM Watson具備了自然語言處理、信息檢索、知識表示、自動推理、機器學習等能力，能夠快速搜索分析非結構化的數據，獲取想要的結果。2015年，日本東京大學醫學院研究所最初的診斷結果，確診一位60歲的日本女性患了急髓白血病，但在經歷各種療法后，效果都不明顯。無奈之下，研究所只好求助IBM Watson，而IBM Watson則通過對比2000萬份癌癥研究論文，分析了數千個基因突變，最終確診這位60歲的日本女性患有一種罕見的白血病，并提供了適當的治療方案。整個過程IBM Watson只用了短短10分鐘。

自2012年羅睿蘭接手IBM開始，IBM公司發展方向與業務架構就一直在進行根本性調整。傳統硬件與系統軟件業務地位不斷退后，而云計算、網絡安全、數據分析與人工智能成為了公司現金流的核心投放領域。現在的IBM正在轉型為一家認知計算和云平臺的公司。其中在醫學人工智能的優勢也越來越明顯。

IBM Watson首先進入的領域是復雜的癌癥診斷和治療領域，這也是目前全世界醫學界聚焦的重點。Watson的第一步商業化運作就是通過和紀念斯隆·凱特琳癌癥中心進行合作，共同訓練IBM Watson腫瘤解決方案（Watson for Oncology）。癌癥專家在Watson上輸入了紀念斯隆·凱特琳癌癥中心的大量病歷研究信息進行訓練。在此期間，該系統的登入時間共計1.5萬小時，一支由醫生和研究人員組成的團隊一起上傳了數千份病人的病歷，近500份醫學期刊和教科書，1500萬頁的醫學文獻，把Watson訓練成了一位杰出的“腫瘤醫學專家”。隨后該系統被Watson Health部署到了許多頂尖的醫療機構，如克利夫蘭診所和MD安德森癌癥中心，提供基于證據的醫療決策系統。

相繼攻克肺癌、乳腺癌、結腸癌、直腸癌后，2015年7月IBM Watson for Oncology成為IBM Watson health的首批商用項目之一，正式將上述四個癌種的腫瘤解決方案進入商用。2016年8月IBM宣布已經完成了對胃癌輔助治療的訓練，并正式推出使用。此外沃森還在2016年11月訓練完上線了宮頸癌的服務。

目前IBM Watson腫瘤解決方案已經進入中國。2016年12月，浙江省中醫院聯合思創醫惠、杭州認知三方共同宣布成立沃森聯合會診中心，三方將合作開展IBM Watson for Oncology服務內容的長期合作，這是自IBM Watson for Oncology引入中國以來，首家正式宣布對外提供服務的Watson聯合會診中心，意味著中國醫療行業將開啟一個新型人工智能輔助診療時代。目前Watson可以為肺癌、乳腺癌、直腸癌、結腸癌、胃癌和宮頸癌6種癌癥提供咨詢服務，2017年將會擴展到8-12個癌種。在醫生完成癌癥類型、病人年齡、性別、體重、疾病特征和治療情況等信息輸入后，沃森能夠在幾秒鐘內反饋多條治療建議。

此外，IBM Watson還與輝瑞達成了一項新協議，會將前者的超級計算能力用于癌癥藥物研發。輝瑞將用上Watson for Drug Discovery的機器學習、自然語言處理及其它認知推理能力，用于免疫腫瘤學（Immuno-oncology）中的新藥物識別，聯合療法和患者選擇策略。由于免疫腫瘤學的未來在于針對獨特腫瘤特征的組合，這會改變癌癥治療方式。而在藥物研發中利用Watson的認知能力，可以更快地為患者帶來可能的新免疫腫瘤治療。

毫無疑問，人工智能將會成為未來IBM的成長引擎。沃森目前已經不僅僅滿足于涉及糖尿病等慢病、大健康、醫療影像、體外檢測、精準醫療、機器人、疾病研究治療這幾個領域，未來，沃森的觸角還會伸到醫療的其他行業，為整個醫療行業服務。

中國版小小“沃森”不斷面世

與IBM Watson十年的發展軌跡不同，中國在醫學人工智能領域的發展屬于追趕者。由于中國沒有統一的醫療數據格式以及數據孤島的隔離，中國在醫學人工智能領域投放的資源相對要少很多。不過這并不妨礙國人對其發展的熱情。在智能影像識別和診斷方面，中國已經出現了若干版本的小小“沃森”，他們的功能雖然沒有IBM Watson那么強大，但也在各個領域顯示出獨特的應用價值。

浙江德尚韻興圖像科技有限公司是由浙江大學知名專家和珠海和佳醫療設備股份有限公司共同投資成立一家高科技公司。浙江德尚韻興利用深度學習處理超聲影像，同時加入旋轉不變性等現代數學的概念，形成了“DE-超聲機器人”。該機器人算法借助計算機視覺技術，可以對甲狀腺B超快速掃描分析，圈出結節區域，并給出良性與惡性的判斷，大大節省了醫生的診斷時間。一般來說，人類醫生的準確率為60%-70%，而當下算法的準確率已經達到85%。

據悉，人體甲狀腺結節已成常見病，如果不加重視，甲狀腺結節可能會發生惡變，進而發展成癌癥，危及生命。但由于個體化差異，目前三甲醫院甲狀腺結節的診斷準確率平均也只有60%，如果不做活檢，不同醫生對同一張片子可能會做出不同判斷。而超聲機器人的出現，不僅能輔助醫生做出精準判斷，還能縮短病人就醫時間，提升醫療效率。目前“DE-超聲機器人”已經在浙江大學第一附屬醫院、中國電子科技集團公司第五十五所職工醫院和杭州下城區社區醫院臨床應用，一年病例達到8萬多，準確率達86%以上。

2017年2月，中山大學中山眼科中心劉奕志教授領銜中山大學聯合西安電子科技大學的研究團隊，利用深度學習算法，建立了“CC-Cruiser先天性白內障人工智能平臺”。該人工智能程序模擬人腦，對大量的先天性白內障圖片進行分析和深度學習，不斷反饋提高診斷的準確性。將該程序嵌入云平臺后，通過云平臺上傳圖片，即可獲得先天性白內障的診斷、風險評估和治療方案。

據悉，先天性白內障是一種嚴重威脅兒童視力的疑難罕見病。中山眼科中心有全球最大的先天性白內障隊列（隊列人數近2000名），基于該隊列開展了一系列嚴謹的研究，積累了大量高質量的先天性白內障臨床數據。中山大學眼科中心于2017年4月設立“人工智能應用門診”，由人工智能云平臺輔助臨床醫師進行診療。在人工智能門診就診的患者，除接受常規診療外，其檢查數據即時同步到CC-Cruiser云平臺，同時享受由人工智能機器人提供的“專家級”診療。目前CC-Cruiser已在3家協作醫院完成臨床試點應用，并取得理想效果。此外，中山眼科中心已經連接了西藏、新疆、云南、青海等邊遠省區上百家基層醫院，每天有大量眼科檢查數據上傳云平臺請求專家協助診斷。在醫學人工智能應用場景下，病例以及圖像數據將首先通過人工智能程序進行初審，再由專家復核，效率將提升70%以上，極大提高了專家協診效率。

2017年5月，丁香園、中南大學湘雅二醫院和大拿科技共同宣布就皮膚病人工智能輔助診斷達成獨家戰略合作，并發布了國內首個“皮膚病人工智能輔助診斷系統”。資料顯示，系統性紅斑狼瘡是一種慢性自身免疫性疾病，屬于風濕性疾病中的彌漫性結締組織病，可引起全身多個臟器受累，包括皮膚、關節、腎臟、血液等。如何精準診斷系統性紅斑狼瘡，一直是困擾各國科學家的世界醫學難題。

目前三方合作研發出的是紅斑狼瘡人工智能輔助診斷模型，該模型對紅斑狼瘡各種亞型及其鑒別診斷疾病能進行有效區分，識別準確率超過85%。據悉，該系統一方面是面向皮膚科醫生，醫生通過APP，把圖像傳到系統以后，系統提示最有可能的皮膚病類型，然后建立皮膚病電子百科全書，通過百科全書再去學習，輔助臨床診斷；另一方面是面向患者，系統提供圖片鑒別和導診意見。據悉，該系統第一期主要實現以紅斑狼瘡為代表的皮膚病人工智能輔助診斷，下一步將“滲透”到其他醫療機構，并將開放患者端服務。

醫學人工智能真正落地

需要全產業鏈配合

專家指出，要真正實現醫療產業的人工智能化，僅靠單方面的力量難以實現，這需要依托全產業鏈包括醫療主管部門、醫療機構的參與和信息化服務商等各個環節的共同努力。

比如像前文所述的甲狀腺結節、紅斑狼瘡、先天性白內障的診斷，都要依靠形態學的圖像數據，這些在皮膚病和病理科特別常見，所以人工智能的優勢在此可以得到充分體現。訓練一個好的皮膚科醫生可能要十年，把人工智能引進后，可以大大縮短時間。但是醫學人工智能研發成本高、數據獲取難、尚未深入診療核心等成為阻礙其真正落地的因素。

人工智能技術形成產品，最重要是要有大量高質量的數據。深度學習靠的是“吃透”大量樣本。但目前大部分醫療機構并不愿公開數據。比如前文介紹的德尚韻興，為了收集數據，嘗試通過多個渠道，有社區檢查，有付費志愿者，也有試點醫院。最后該公司收集了兩三萬張超聲圖像，不斷地輸入系統中才保證了診斷準確率在85%以上。該公司負責人也評價到，如果樣本量能提高一倍，診斷準確率還有較大的提升空間。

在獲取高質量的醫療數據方面，國內醫院在過去信息化程度不高，數據雖然多，但相對雜亂，使用難度大。如何找到合適的切入點，并快速獲取數據會是一個很高的門檻。同時，醫院信息孤島現象長期存在，各個醫療機構的數據尚未實現互聯互通。這一局面則逐步從政策層面迎來破冰。去年6月，國務院公布了《關于促進和規范健康醫療大數據應用發展的指導意見》，明確指出健康醫療大數據是國家重要的基礎性戰略資源，需要規范和推動健康醫療大數據融合共享、開放應用。但該政策的真正落地依然需要時間。

同時在產品的設計和研發上，需要數學家、計算機科學家或醫學專家的聯合攻關，任何單一力量都無法實現產品的推出。產品做出來之后如何在醫療系統中落地也是難題，一個醫院可能有幾十家系統廠商和上百個數據接口。如何讓診療數據順暢地流入人工智能系統中成為博弈的焦點。最后是跨界的人才和整合資源能力，即使是IBM Watson在真正落地的過程中，還有很多事情需要做，比如需要做好系統轉化對接、做大量的醫生的訓練，同時也需要做好信息本土化。

但中國依然會快速追趕。得益于中國龐大的人口基數以及在基因組學、影像學和臨床領域積累的大數據，中國可以成立國家級的醫學人工智能工程中心，由國內在醫學、藥學、信息技術專業具備一流水平的綜合性高等院校牽頭，吸引大數據應用企業、人工智能開發企業、藥品研發企業等共同參與，加速研發更多適用于國人的人工智能醫學系統，滿足醫療領域的應用需求。