人工智能在臨床醫(yī)學(xué)中的應(yīng)用與展望*

姚澤陽 謝 穩(wěn) 邱海龍 黃美萍 袁海云 莊 建

(廣東省人民醫(yī)院 廣州 050081)

1 引言

人們對醫(yī)療健康的需求日益增長的同時海量醫(yī)學(xué)數(shù)據(jù)不斷產(chǎn)生。數(shù)據(jù)來源包括高分辨率醫(yī)學(xué)成像、連續(xù)輸出生理指標(biāo)的生物傳感器、基因組測序和電子病歷，這些海量數(shù)據(jù)有必要利用機(jī)器來處理。與此同時，人們越來越依賴于醫(yī)療系統(tǒng)的衛(wèi)生保健服務(wù)，亟需新的技術(shù)來提供幫助。 人工智能(Artificial Intelligence, AI)尤其是深度學(xué)習(xí)的使用已經(jīng)通過大量標(biāo)記的數(shù)據(jù)、顯著增強(qiáng)的計算能力和云存儲支持大多數(shù)領(lǐng)域的發(fā)展。在醫(yī)學(xué)上其在3個層面產(chǎn)生影響:對于臨床醫(yī)生，主要是提供快速、準(zhǔn)確的圖像解釋；對于衛(wèi)生系統(tǒng)，改進(jìn)工作流程和減少醫(yī)療差錯；對于患者，使其處理個人數(shù)據(jù)來促進(jìn)健康。本文綜述人工智能在醫(yī)學(xué)領(lǐng)域的現(xiàn)有研究，在此基礎(chǔ)上進(jìn)行分析并展望該領(lǐng)域未來發(fā)展。

2 人工智能簡介

人工智能的根源可以追溯到80多年前艾倫·圖靈(Alan Turing)、沃倫·麥卡洛克(Warren McCulloch)和沃爾特(Walter)提出的概念[1-2]。歷史上人工智能曾被不同的研究架構(gòu)所影響，直到2012年深度學(xué)習(xí)才被廣泛接受為AI的一種可行形式[3]。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)由數(shù)字化輸入(如圖像或語音)和輸出組成。它通過多層連接的神經(jīng)元不斷檢測輸入特征，最終提供輸出。深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)架構(gòu)，見圖1。其由1個輸入層、若干個隱藏層(范圍5～1 000)和1個輸出層構(gòu)成，每個隱藏層響應(yīng)輸入的不同特征。與其他類型的人工智能相比，深度學(xué)習(xí)的關(guān)鍵特征是其自學(xué)能力。神經(jīng)網(wǎng)絡(luò)不是由人類設(shè)計的，而是由數(shù)據(jù)本身決定層數(shù)。圖像和語音識別主要使用監(jiān)督學(xué)習(xí)，從已知模式和標(biāo)記輸入數(shù)據(jù)(通常稱為基本事實)進(jìn)行訓(xùn)練。從未知的模式學(xué)習(xí)且沒有標(biāo)記輸入數(shù)據(jù)稱為無監(jiān)督學(xué)習(xí)，目前很少被應(yīng)用。DNN和深度學(xué)習(xí)有很多種類型，包括卷積、遞歸、生成對抗性、轉(zhuǎn)移、強(qiáng)化、表示等[4-5]。

圖1 深度神經(jīng)網(wǎng)絡(luò)架構(gòu)

3 人工智能在臨床醫(yī)學(xué)中的應(yīng)用

3.1 人工智能與臨床醫(yī)生

3.1.1 概述 幾乎所有類型的臨床醫(yī)生，從專科醫(yī)生到護(hù)理人員都將在未來使用人工智能技術(shù)，尤其是深度學(xué)習(xí)。主要涉及使用DNN進(jìn)行模式識別，幫助解釋醫(yī)學(xué)掃描、病理切片、皮膚損傷、視網(wǎng)膜圖像、心電圖、內(nèi)鏡、面部和生命體征。神經(jīng)網(wǎng)絡(luò)預(yù)估通常與醫(yī)生評估相比較。使用真實陽性與假陽性比率的曲線圖稱為接受者操作特征(Receiver Operating Characteristic, ROC)，曲線下的面積(Area Under the Curve, AUC)用來表示準(zhǔn)確度水平。

3.1.2 放射學(xué) 人工智能應(yīng)用中特別受到關(guān)注的一個領(lǐng)域[6]。胸部X光是最常見的醫(yī)學(xué)掃描方式，全球每年進(jìn)行X光檢查超過20億次。研究人員將基于121層卷積神經(jīng)網(wǎng)絡(luò)的一種算法與4名放射科醫(yī)生在112 000多張標(biāo)記的胸部X線圖像中診斷出肺炎的準(zhǔn)確率進(jìn)行對比，結(jié)果表明該算法的AUC為0.76，準(zhǔn)確率優(yōu)于放射科醫(yī)生。谷歌的一個研究小組使用一種不同算法分析與之前研究相同的圖像集，得到的AUC評分從肺炎的0.63到心臟腫大或肺塌陷的0.87不等[7]。

3.1.3 病理學(xué) 數(shù)字化病理切片的深度學(xué)習(xí)有可能提高解釋的準(zhǔn)確性和速度。在一項乳腺癌的WSI研究中無論有無淋巴結(jié)轉(zhuǎn)移，將11名病理學(xué)家的表現(xiàn)與多種算法解釋的表現(xiàn)進(jìn)行比較，結(jié)果各不相同，在一定程度上受到病理學(xué)家審閱幻燈片時間長短的影響[8]。

3.1.4 皮膚病學(xué) 對于利用圖像對皮膚癌進(jìn)行分類分析的算法，將深度學(xué)習(xí)網(wǎng)絡(luò)與皮膚科醫(yī)生的診斷精度進(jìn)行廣泛比較。在一項使用近13萬張攝影和數(shù)字化圖像的大型訓(xùn)練數(shù)據(jù)集的研究中，21名皮膚科醫(yī)生的表現(xiàn)至少與一種算法相匹配，該算法對肉瘤患者診斷的AUC為0.96，對黑色素瘤患者診斷的AUC為0.94[9]。

3.1.5 眼科學(xué) 目前有很多比較算法和眼科醫(yī)生對于特定眼科疾病診斷效率的案例。在一項用視網(wǎng)膜眼底照片來診斷老年性黃斑變性的研究中DNN算法準(zhǔn)確率在88%～92%之間，幾乎和眼科專家的準(zhǔn)確率一樣高[10]。雖然對視網(wǎng)膜OCT和眼底圖像的研究主要集中在眼科疾病方面，但最近的研究表明視網(wǎng)膜照片的潛在用途不僅僅在于眼科疾病。已有研究利用這些圖像對阿爾茨海默病[11]進(jìn)行早期診斷。

3.1.6 心血管病學(xué) 在包含549個心電圖的小型回顧性數(shù)據(jù)集中使用深度學(xué)習(xí)診斷心臟病發(fā)作，報告的敏感性為93%，特異性為90%，與心臟病學(xué)家的診斷表現(xiàn)相當(dāng)[12]。對于超聲心動圖，DNN和心臟病學(xué)家將267例患者研究(包括83萬多張靜態(tài)圖像)按照15種標(biāo)準(zhǔn)分類，該算法對單一靜止圖像的總體準(zhǔn)確率為92%，而4名專業(yè)超聲心動圖醫(yī)師的準(zhǔn)確率為79%[13]。

3.1.7 胃腸科學(xué) 在結(jié)腸鏡檢查中發(fā)現(xiàn)小的(<5毫米)腺瘤性息肉或無柄息肉對胃腸科醫(yī)生來說較為困難。在325例共466個小息肉的患者中首次對人工智能進(jìn)行前瞻性臨床驗證，在常規(guī)結(jié)腸鏡檢查中其準(zhǔn)確率為94%，陰性預(yù)測值為96%。人工智能光學(xué)診斷的速度為35秒，該算法在無需注射染料的情況下對新手和胃腸病學(xué)專家都同樣有效[14-15]。

3.1.8 精神健康 全世界有3.5億人在與抑郁癥抗?fàn)嶽16]，人工智能有潛力向受影響的患者和臨床醫(yī)生提供支持。通過鍵盤交互、語音、面部識別、傳感器和交互式聊天機(jī)器人[17-22]對抑郁和情緒進(jìn)行數(shù)字跟蹤。

3.1.9 臨床其他環(huán)節(jié) 在臨床許多其他環(huán)節(jié)也有使用人工智能算法的案例，如促進(jìn)中風(fēng)、自閉癥或腦電圖儀的診斷[23-24]等。

3.2 人工智能與衛(wèi)生系統(tǒng)

從理論上講，臨床關(guān)鍵結(jié)果的成功預(yù)測可以使醫(yī)院衛(wèi)生治療資源的使用更加有效和精確。例如使用一種算法來評估患者重新入院的風(fēng)險，而根據(jù)通常的出院臨床標(biāo)準(zhǔn)，這種風(fēng)險是無法檢測到的，可以采取相應(yīng)措施避免患者出院，合理協(xié)調(diào)安排將資源。對于危重患者，極有可能在短期內(nèi)存活下來，用于患者、家屬和醫(yī)生進(jìn)行復(fù)蘇、氣管內(nèi)機(jī)械通氣管的插入和其他搶救措施。而通過人工智能預(yù)測工具來決定哪些患者可能從姑息治療中受益，以及確定哪些患者有發(fā)展為膿毒癥或膿毒性休克的風(fēng)險，將發(fā)揮極為重要的作用。利用電子健康記錄數(shù)據(jù)和深度學(xué)習(xí)算法已能夠預(yù)測許多諸如老年癡呆癥、死亡等[25-30]重要的臨床事件。

3.3 人工智能與患者

開發(fā)深度學(xué)習(xí)算法使公眾能夠掌握個人健康情況。如2017年底美國食品藥品管理局通過一種智能手表算法檢測房顫[31]，隨后2018年蘋果公司獲得批準(zhǔn)將該算法應(yīng)用于Apple Watch系列[32-33]。

3.4 局限性和展望

人工智能技術(shù)仍存在很大的局限性。一個有缺陷的算法可能對患者造成重大傷害，醫(yī)療算法的醫(yī)源性風(fēng)險巨大。人工智能算法應(yīng)用于臨床實踐中需要系統(tǒng)調(diào)試、審查、廣泛的模擬以及前瞻性的真實世界驗證[34]。在使用DNN的情況下可能無法理解算法的輸出結(jié)果。歐盟一般數(shù)據(jù)保護(hù)規(guī)定要求在算法用于患者護(hù)理之前對算法的黑盒進(jìn)行透明性解釋[35]。關(guān)于在患者護(hù)理中使用非透明算法是否可以接受的爭論尚未解決，但是醫(yī)學(xué)實踐的許多方面都無法解釋，例如沒有已知作用機(jī)制的藥物處方。人工智能在醫(yī)學(xué)領(lǐng)域發(fā)展最重要的問題在于數(shù)據(jù)隱私和安全保障。鑒于黑客攻擊和數(shù)據(jù)泄露等問題，使用有可能泄露患者病史細(xì)節(jié)的算法將十分危險[36]。

4 結(jié)語

人工智能與醫(yī)學(xué)的融合才剛剛開始。對于機(jī)器算法能夠幫助臨床醫(yī)生預(yù)測臨床結(jié)局的研究，目前還沒有顯著的前瞻性驗證來證實其對衛(wèi)生系統(tǒng)是有價值的，對以患者為中心的算法來說更是如此。該領(lǐng)域前景很好，但數(shù)據(jù)和證據(jù)卻相對不足。人工智能算法能夠快速、準(zhǔn)確、低成本地處理大量數(shù)據(jù)，助力醫(yī)學(xué)發(fā)展。