大家對人工智慧醫療怎麼看?人工智慧醫療應該著重往那個方向發展比較好?
本題已加入知乎圓桌 ?「機器學習 · 學以致用」,更多「機器學習」相關話題討論歡迎關注。
遠程醫療、網上預約、未來醫院……隨著「互聯網+健康」的提出,一大波醫療健康企業如雨後春筍般,在整個互聯網上呈遍地開花之態。
特別是現在醫患關係的緊張,就醫資源的緊缺,以及醫療條件的差異化等各種問題,都對日常百姓看病造成了或多或少的問題。正是如此,各式各樣的移動健康APP應勢而生,旨在能從日益增長的醫療市場中獲得一杯羹。然而利用遠程診斷,難免不能保證「名醫」質量。人的知識儲備總是有限,望聞問切尚且有偏差,何況在線溝通。
那麼利用大數據的優勢,結合當下「人工智慧」的發展趨勢,能不能在移動健康領域找到下一個突破口,為用戶帶來更家完善、更加智能的健康服務呢。
大家對人工智慧醫療怎麼看?有沒有發展前景,如果發展,應該怎麼樣找著重點才能最大化滿足人們的需求呢?
醫療人工智慧主要不是個技術問題。比如,用深度學習搞醫療圖像的診斷、評估,在很多點上都已經開花了。例如:
就是用深度學習讀乳腺癌病理切片圖像,比病理學家判斷的更准。類似這樣的場景,在研究領域已經數不勝數。甚至其實根本用不到深度學習。醫療AI最接近商用化的例子其實是大家跟本想不到的廠商做出來的。既不是GOOGLE這樣AI功底雄厚的公司,也不是醫療軟體公司。而是西門子和NEC這種傳統醫療大型器械廠商。在日本,病理讀片大多都需要兩名醫生共同完成以防止錯漏,而NEC很多年前的自動讀片系統就在大量的日本醫院裡開始應用,在很多疾病下已經做到了取代其中一名醫生的角色。
醫療AI既然主要不是個技術問題,我認為就不宜過分炒作和誇大深度學習等概念在醫療上的效果。
醫療AI真正的問題是三個:1. 無縫嵌入臨床診療流程。臨床是一個超級龐大的系統工程,而每個新組件的加入都可能會破壞既有的規範,打造出新的操作規範。但由於安全性是醫療的第一要素,新的規範和流程必須要在反覆驗證之後才可以被實施。而機器往往達不到這樣的系統魯棒性,也無法做到與既有人工流程的完美耦合。
2. 法律和倫理問題。除非機器能做到100%準確,否則這兩個就是完全繞不過去的超級阻礙。3. (中國特色)買方問題,也就是商業模式問題。國內做醫療大數據、醫療AI的,普遍還餓著肚子,就是因為產業下游缺少了成熟的商業醫保和葯企作為最終的買方。沒有商業醫保的強烈控費訴求,以及葯企的強烈研發需求,數據的作用會大為減弱。中國的商業醫保和葯企,基本只有一個訴求:賣!賣的出去就行,賣的越多越好,至於準不準、精不精、科學不科學,不是他們現在關心的問題。而數據和AI的威力就在於後者。今年出現了很多醫療領域讀片的公司,如果稍微研究一下,就會發現讀片在很長時間內不能替代醫生的職能,是最不賺錢的一個環節。中國的法律規定,必須至少有兩個醫生寫的報告才可以作為簡單的報告,但依然不能作為確診報告。比如肺癌,要確診必須要做活檢等檢查,讀片只能起到一個參考的作用,價值有限。
另外,每一家做讀片的公司都號稱搞定了多少家三甲醫院,但是這些醫院的數據沒有被清晰的標註過,沒法用,還是要找靠譜的醫師去做樣本庫的標註。再加上每家醫院的數據都是相對割裂的,所以這個細分領域的創業公司價值有限。
在醫療領域應用AI技術,什麼樣的公司容易產生新的商業模式?就是幫助醫生做手術的公司。所以我們投了研發手術機器人的術康醫療。美國的手術機器人公司達芬奇,現在價值300億美金。
中國最好的醫生70%都聚集在北上廣,政府投入大量資金,在二三線城市買了大量的醫療設備,但很多設備是閑置的,連能夠操作的醫生都沒有。AI能夠幫助一個不是那麼好的醫生,完成一台高質量的手術,或者把一個好醫生的能力複製和放大。
例如骨折打骨釘,中國最好的三甲醫院的醫生,都會存在10%的失誤率,二三線城市更嚴重。我們投資的這個手術機器人,可以幫助醫生很快找到最正確的定位,精度誤差少於0.1微米,幫助醫生進行高精度的手術。這個需求在三甲醫院很大,但是能想到這樣的模式,還是依賴於對於行業本身的深入了解。
人工智慧領域創業,第一批出來的一定是最頂尖的研究深度學習的科學家和大牛。但是科學家和大牛最容易碰到的問題就是對於行業沒有那麼深入的了解,而且往往覺得深度學習就是個鎚子,滿世界都可以釘。只有當他們對產業和應用場景有深入了解之後,才有可能成功
正式開始討論前,有必要先界定清楚討論對象。
人工智慧(Artificial Intelligence,AI)其實分三類:
- 弱人工智慧(Artificial Narrow Intelligence ,ANI)(簡稱絕不是「弱智」):擅長於某一方面的人工智慧,比如大名鼎鼎的阿爾法圍棋(AlphaGo);
- 強人工智慧(Artificial General Intelligence ,AGI):在各方面相當於人類;
- 超人工智慧(Artificial Super Intelligence ,ASI):各方面都比人類強。
後面兩類沒舉例,是因為還不存在,不過相關幻想,已從《星球大戰》延續到《西部世界》,直接拉高了我們對 AI 的期待與恐懼。
《西部世界》第一季最終集劇照
而回歸現實,目前被熱炒、被關注、被討論、被質疑的 AI,其實都還屬於「弱人工智慧」範疇。
具體到醫學領域,弱人工智慧目前在診斷硬體、數據採集、輔助診斷、監測反饋、教學培訓、精準醫療等方面,都已有所嘗試了。
談及人工智慧醫療,我們可能先要承認,我們在此還是比較落後的。
例子一:
2 月 2 日,Nature 報道了 AI 利用深度學習的圖片識別技術,在皮膚癌領域的進展。
這是一場比賽。
比賽雙方,一邊是利用「卷積神經網路(Convolutional Neural Network ,CNN)」演算法,由 18 個醫生在線助理存儲庫和斯坦福大學醫藥中心,提供了 129,450 張涵蓋 2,023 種皮膚疾病臨床圖片,完成深度學習的 AI;一邊則是 21 名資深皮膚科醫生。
比賽分為兩場。第一場,比試區分角質細胞癌和良性脂溢性角化病;第二場,比試區分惡性黑色素瘤和良性痣。
至於結果,AI 正確識別良性病變和惡性病變的綜合靈敏度達到 91%,與 21 名醫生水平相當,甚至更優。
AI 眼中的皮膚病(圖片來源:Nature 官網)
這一比賽的意義在於,到 2021 年時,全世界幾乎每人一台智能手機,而如果將這項智能診斷技術安裝在手機上,那麼每個人就都能對自己的皮膚異物進行拍照,掃描和分析,第一時間知道自己的患病風險了。
而且,現在已有一家以色列公司 Emerald Medical Applications 開發了一款類似的手機應用,並在 FDA 註冊。
例子二:
同樣利用 CNN 演算法的,還有 JAMA 於去年 11 月 29 日報道的 AI 在糖尿病視網膜病變上的進展:
Google 公司領導,美國和印度多家研究機構參與,由 54 名美國的眼科專家和高級住院醫師,將 128,175 張視網膜照片進行分類和分級,讓 AI 學會自動檢測糖尿病視網膜病變和視網膜黃斑水腫,歷時 8 個月,最終在靈敏度與特異性方面,最低值為 87%。
例子三四五:
而 Nature 今年 1 月剛設立的子刊,Nature Biomedical Engineering,更是在 AI 方面連發三篇報道:
- 來自我國中山大學的 AI 識別先天性白內障研究,已進入臨床試驗階段,同樣利用 CNN 演算法,利用 410 張各種程度的先天性白內障圖片和 476 張正常圖片訓練,即使是識別質量不高的網路圖片,診斷準確率也達到了 92.45%;
- 利用多層感知機(Multilayer Perceptron, MLP)演算法,和受激拉曼散射顯微鏡(Stimulated Raman scattering, SRS)生成高度模擬傳統的 HE 染色病理切片的新圖像。通過過萬張圖片訓練,實現 AI 在腦瘤術中的快速診斷,在病變樣本中,區分膠質瘤和非膠質瘤的準確率達 90%;
- 倫敦帝國理工學院則嘗試了 AI 在治療方面的應用,對神經假體進行精確控制,利用支持向量機(support vector machine, SVM)這一演算法,將此前 85% 的精確度提升到 97%。
當然,還有不那麼成功的例子:
老牌人工智慧產品 IBM Watson 就與世界頂尖的 MD 安德森癌症中心,在去年底暫停了從 2013 年起合作的「消滅癌症」這一計劃。
不過,究其原因,大多數人傾向於認為,是 MD 安德森癌症中心自身在戰略判斷、定位、投入和管理等方方面面都出現問題,導致 Watson 鬱悶背鍋。
國內玩到哪一步了?
今年 4 月份,北京友誼醫院就牽出自己一手喂大的 AI 孩子:一個甲狀腺結節超聲圖像診斷 AI,跟北京協和醫院、北京大學第三醫院、北京腫瘤醫院、解放軍總醫院等 7 家三甲醫院組團來戰的影像醫生戰了一場。
「其實,我們很早就在微信群里看到過『AI 要代替醫生』這種說法了。」北京友誼醫院超聲科副主任胡向東說。
這種代替威脅論的重災區,尤其集中在圖像分析領域,涉及超聲科、放射科、病理科等科室。因為對 AI 而言,影像數據相對結構化,相比疾病的診斷和治療,更容易些,技術也更成熟些。
「你可以說,AI 對醫生造成了一定的威脅,但也可以說,AI 能對醫生提供很大幫助。」胡向東辯證了一把。
她所在的超聲科,其實很早之前就考慮過,想藉助 AI 提高診斷率,也跟某家公司接觸過,但沒走下去。
兩年前,因為醫院放射科在跟北京市計算中心合作肺結節的 AI,而後者還有過結腸癌病理的 AI 基礎,雙方一拍即合,超聲科就這樣跟北京市計算中心開始了甲狀腺結節超聲圖像診斷 AI 的合作。
「我們科的人,基本都參與進來了,大家態度還是很認真的,」胡向東說,大家並不是圖新鮮玩一把的心態,「科里大多數人都參與了采圖,最後選圖的人也有三四個。」
對醫院而言,養 AI 這個孩子的第一步,就是喂它圖,也就是胡向東說的采圖、選圖。
超聲圖像本來存儲在醫院的工作站上,醫生要先選擇那些圖像採集清晰的、病理結果明確的,拷出來,這個挑選過程,找到一份合適的病例,大概就需要四五分鐘。
然後還需要醫生手動把圖像上的結節框選出來,這個框圖選圖的過程,也需要一兩分鐘。超聲科就如此操作,餵了過千病例的超聲圖像和病理結果。而且,喂圖的食材還要保證均衡和質量。
由於需要做穿刺的都是有惡性可疑點的結節,所以良性病例就需要醫生額外補充給 AI 進行學習。而良性病例,需要同時滿足穿刺結果為良、基因檢測為陰性、隨訪時間超過半年 3 個條件。
至於惡性病例,則以穿刺或術後病理檢測確診為惡性做標準。以此,保證 AI 學習的每張片子,都是經過「金標準」檢驗的。
但是,食精膾細條件下,仔細養大的 AI ,其實還面臨要豐富「食材」的挑戰。
首先,這與超聲本身的特質有關。超聲不同於 CT 的客觀成圖,而是一種醫生主觀參與較多的檢查方式,「面對同一個結節,可能我採集下來的圖像,和你採集下來的圖像,想表達的點是不太一樣的。」胡向東解釋,這首先就是一個可能影響到結果的因素。
此外,超聲儀器品牌眾多,不同公司、不同款型、甚至不是同一個的儀器,成像特徵都是有差異的。在圖像質量合格的前提下, AI 如何消化掉這些來源不同的「食材」,也是一個挑戰。
「未來,AI 也許不需要人工框選結節,可以直接識別圖像;也許,AI 甚至不需要人工採集圖像,可以從頭到尾全包。」胡向東說,目前只是起步階段,未來發展空間還很大。
而在 AI 學習了數百張圖後,科室進行內測,診斷準確率接近於 5 年經驗主治醫師的診斷水平。
這時,超聲科主任錢林學提議,乾脆搞個公開比賽,拉北京各家醫院都來體驗一下。於是,這就有了前面提到的人機對抗,而這也是國內首屆人機讀片競賽。
比賽現場,左邊兩台計算機就是AI,
相比於普通計算機,只是主機略大;
右邊是北京友誼醫院超聲科主任錢林學。
AI 在讀片比賽進程中的狀態
比賽一共 100 道題,根據圖像做出「良性」或「惡性」的選擇判斷。題目大多包含惡性可疑點,有一定難度。分上下半場,每半場限時 20 分鐘。共 84 名醫生現場參賽,他們除了按醫院組成了 7 個團體,還有個人參賽的。同時,線上還有近萬名醫生觀賽,如果願意,也可線上比賽。
在第一部分答題過程中,準確率排名前 25 名的醫生,平均耗時 1,000 秒左右,而 AI 耗時 191.669 秒,正確率為 68%,而初級醫師正確率 60.8%,中級醫師為 62.4%,高級醫師 66%。在第二部分答題中, AI 準確率達 76%,僅有 5 名醫生得分超過了它。
最終,在團體賽比賽結果里, AI 以 73.0% 的綜合正確率獲勝,用時 514 秒,領先第二名航天中心醫院 0.3%。
而在個人成績里, AI 名列第 6,冠軍屬於解放軍總醫院超聲科的張明博醫生,她已有 8 年的讀片經驗,綜合正確率為 76%,平均用時 909 秒。
對 AI 取得的這個結果,北京友誼醫院超聲科的醫生們,還是比較滿意的:最終 AI 的成績是,敏感性為 83.3%,特異性為 57.5%。
其實,胡向東自己也參加了這個比賽,「我答得不好,」她笑著說,「感覺在現場比較容易受影響,比如第一部分結束後,會給出醫生答錯最高的五道題,我一看:啊?這一題不對嗎?唉!這一題也沒對!下半場的時候,我就想,還能按照這個思維來答嗎?就受影響了。」
不過她也說,有的醫生表現得就很好,上半場過後,反而下半場更適應了,總體成績更好了。
其實,這就是人類的診斷率可能存在的波動,不如 AI 更穩定。
丁香園也做了一些小的嘗試
5 月 19 日,丁香園、中南大學湘雅二醫院、大拿科技共同宣布就皮膚病人工智慧輔助診斷達成戰略合作。
基本分工是這樣的:
湘雅醫院負責出 AI 所需要的「食糧」,提供海量的皮膚病皮損和病理照片,餵養我們一個 AI 寶寶。除此以外,他們還有專家團隊,可以給皮膚病進行特徵歸納和疾病診斷模型建立提供權威的專業支持。也就是有一個「廚師」團隊,負責根據食材調整菜譜。
大拿科技負責出技術和團隊,他們寫了一套圖像識別模型,他們就像提供了一個受大眾歡迎的菜譜,並且有一個很好的廚房。
丁香園則因為在醫療行業積累多年的醫生、患者、客戶資源,成了這個餐廳的運營者,我們將會負責客人的招徠、服務以及為整個餐廳提供運營。
或者,在我們的 AI 寶寶誕生以後,我們再來討論這個問題,說不定會有不一樣感受呢。
圖片來源:北京友誼醫院供圖
信息來源:丁香園北京特派記者阿繩
現階段,很多用於醫療的人工智慧演算法還在探索之中。阿里雲ET醫療大腦在精準醫療、醫學影像、藥效挖掘、新葯研發、健康管理、可穿戴設備等領域進行了一系列探索,並已在肺癌、宮頸癌、甲狀腺癌等領域實現突破。下面以肺結節檢測為例,介紹ET大腦所做的工作。
為什麼做肺結節檢測?
據國家癌症中心公布數字顯示,中國2013年惡性腫瘤發病率為270.59/10萬,死亡率為163.83/10萬,而肺癌在所有惡性腫瘤發病及死亡中均占首位——我國每年約59.1萬人死於肺癌。
而肺癌生存率與首次確診時的疾病階段高度相關:由於早期肺癌多無明顯癥狀,導致肺癌臨床確診時往往已達中晚期,治療費用高但效果不佳。因此,對肺癌的早期檢測和早期診斷就顯得尤為重要。
胸部CT放射影像技術,是肺癌早期篩查的有效手段。但是由於CT掃描影像數量多(一次CT掃描影像通常在200張以上),醫生診斷所需時間長,加上工作量巨大,容易疲勞,人工誤差不可避免; 當前,大數據與人工智慧等前沿技術在醫療領域應用已經成為一種趨勢,將大數據驅動的人工智慧應用於肺癌早期診斷中,不僅可以挽救無數患者的生命,而且對於緩解醫療資源和醫患矛盾也有重大意義——人工智慧成為新的選擇。
ET大腦如何做肺結節檢測?
演算法主要包含下面三個基本步驟:
數據準備——大量經過影像科醫生標註的肺結節CT影像圖片來訓練演算法,標註出可疑位置,大小,良惡性以及可能的預後情況,影像圖片背後的患者基礎信息,例如性別,年齡,基礎疾病,家族史,吸煙史等也能用於提高演算法的能力。
智能演算法——使用大量經過影像科醫生標註的CT影像圖片訓練肺結節檢測模型,通過深度學習演算法學習肺結節的內在特性,經過肺部區域提取、肺結節分割和肺結節分類等步驟,系統自動給出肺結節的位置,大小和置信度。
數據應用——該輔助診斷模塊應用於院內PACS系統,醫生工作站,Dicom閱讀器等,實時為醫生診斷提供智能輔助,同時根據該患者在院內後續的檢查/治療(例如病理切片結果,手術預後等)結果,不斷自我糾正,備註,以及學習,以積累更多的「經驗」。
從腫瘤的發生規律來看,原發的腫瘤以單個多見,所以多發的結節惡性的風險比單個的結節要小,但這並不代表就沒有惡性的概率。事實上,通過X光胸片基本發現不了早期肺癌,目前對肺癌最精準的篩查方法是低劑量高分辨螺旋CT。
肺結節檢測,就是利用大數據驅動的人工智慧於肺癌早期診斷中,讓計算機自動、快速、準確的從病人肺部CT掃描序列中發現疑似結節位置和估計肺結節大小,提高檢測速度和檢測的準確率,以降低肺癌早期篩查的成本,從而挽救更多患者的生命。
演算法上遇到的挑戰及突破
然而,基於人工智慧的肺結節檢測方法,存在一些列的挑戰:結節模態多,早期的結節小(小於10mm),跟周圍血管組織區別小,傳統手動特徵+機器學習的方法和用於自然圖像的深度學習網路通常難以湊效。
後來,有學者把深度學習演算法應用到肺結節檢測演算法中,檢測性能獲得了明顯提升。這類演算法通常分為兩步:
先通過分割或檢測模型生成包含大量假陽性結果的候選集;
再通過分類的方法降低假陽性率。
但是這類兩步演算法訓練過程超參數多,訓練繁瑣。iDST-VC團隊創新性地採用了單步流程:使用單個深度神經網路對病人的CT序列進行處理,直接輸出檢測到的肺結節位置和大小。
相比與兩步流程,單步流程有三個優點:
首先,單步流程的整個模型可以實現端到端的訓練,更加符合現代深度學習的思想,從而效果更優;
其次,基於單步流程的系統更加簡單快速,無論是模型的訓練還是預測,速度都要遠遠快於基於兩步流程的方法;
第三,單步流程涉及到超參數更少,系統更加魯棒,對樣本的適應性更強。
具體到模型結構設計上:針對CT切片特性,採用多通道、異構三維卷積融合演算法、有效地利用多異構模型的互補性來處理和檢測在不同形態上的肺結節CT序列;同時使用了帶有反卷積結構的網路,提高對不同尺度肺結節的敏感性。最後還採用了多任務學習的訓練策略,模型組合等策略,最終提高了檢測的準確度和效率。
LUNA16比賽冠軍
LUNA16(https://luna16.grand-challenge.org)比賽是國際上權威的肺結節檢測比賽,大賽要求我們對888份肺部CT樣本進行分析,尋找其中的肺結節。我們最終克服了結節模態複雜,早期的結節小等問題,最終,ET醫療大腦在7個不同誤報率下發現的肺結節平均召回率達到89.7%,在2017年7月13日獲得第一名。
但是LUNA16比賽的CT影像層厚都不超過2.5mm,而現實場景中5mm和10mm層厚的CT影像大量存在,對技術提出了更大的挑戰。我們還在繼續優化CT肺結節智能檢測引擎,進行演算法創新,讓肺結節檢測技術能更好的用於實際場景中。
在整個人工智慧創投領域,醫療一直是重點領域,獲投項目的數量和融資額都非常高。下圖是CB Insights 統計的人工智慧在各個細分領域的投資熱度。根據蛋殼研究院的資料庫,人工智慧+醫療健康的創業項目數量和融資額也在逐年上升,而且趨勢極為明顯。題主問人工智慧醫療往哪個方向走比較好,我這裡列了一共11 個方向,分為是風險管理、健康管理、生物科技、醫學影像、藥物挖掘、急救室監控、精神健康、可穿戴設備、虛擬護士助理、營養和病理。在這些公司中,風險管理類金額最高,醫學影像類的融資次數最多。人工智慧+大規模數據處理平台,可以更好地洞察數據的內在聯繫和價值。再結合專業的醫療資料庫給出更合適的診療方案和醫療策略,提供病患的風險管理。其中,Zephyr Health獲得了3250萬美元的投資,Zephyr Health是一個醫療資料庫,通過收集疾病數據,為醫藥健康行業提供解決方案,從而使醫療專業人員能為患者的找出合適的治療方案。Apixio是一家醫療大數據公司,旨在為醫療機構提供大數據分析平台,方便醫生進行更精確的診療,獲得2610萬美元的投資。Lumiata是首家利用大數據技術構建醫療知識圖譜的人工智慧公司,獲得了1000萬美元的投資,該公司通過圖譜分析的方式,找到合適的診療路徑,提高診療的精確性,更迅速的提出診療方案節約醫生的診療時間。
在醫療影像方面的項目最多,這不僅僅得益於影像數據擁有高質量、連續性好的數據特點,人工智慧技術在圖像識別上的高精準率、電子膠片的普及、放射科醫師的缺乏均是重要的推動因素。人工智慧在影像分析上的作用,投資者的認可度非常高。Enlitic開發了從X光照片及CT掃描圖像中找出惡性腫瘤的圖像識別軟體,利用深度學習的方法之一「Convolutional Neural Network(ConvNet,卷積神經網路)」對惡性腫瘤進行診查,獲得了1200萬美元的投資。而志在研發攜帶型醫學超聲成像設備的ButterflyNetwork獲得了1億美元的投資。
2013年之前,關於人工智慧初創公司的投資事件很少,之後逐漸增多。所有被投資的公司按地域分的話,屬於北美的人工智慧+醫療健康項目是最多的。因為人工智慧相關的技術和模式在北美的發展是最成熟的。而中國和印度也逐漸出現了不少人工智慧+醫療健康公司獲得了投資者的認可。
目前活躍度排名第一的投資機構是長期深耕人工智慧領域的Khosla Ventures,所投的兩個重要項目一個是Lumiata,另一個是Atomwise。Lumiata是一家預測分析公司,利用醫療人工智慧,為納稅人、人口衛生機構和醫生加強風險和照護管理。成立於2013,總部設在矽谷,團隊由臨床醫生、數據科學家、和醫學專家組成。Lumiata的核心預測分析產品是Risk Matrix(風險矩陣)。它需要有大量的健康計劃成員或患者,採集他們所有的數據點,然後為每個人繪製出患病風險隨時間變化的軌跡。Atomwise是一家人工智慧藥物挖掘公司。採用深度學習神經網路發現新的藥物。該公司稱自己在新葯發現、結合親和力預測和毒性檢測上得到了世界上最好的結果。而排名第二到第五的投資機構分別是Data Collective、Formation 8、Intel Captital、Andreessen Horowitz。人工智慧企業所面對的客戶模式中,B2B模式是最多的,其次為B2C、B2B2C、混合型,這與數據採集的難易有關。人工智慧的推動離不開幾個要素,演算法、大數據、物聯網和計算設備。演算法是核心,物聯網和計算設備等硬體是基礎(它們的發展不取決於初創公司),而數據則是各家公司成敗的關鍵。如何獲取數據,什麼渠道獲取數據進行智能學習是初創企業研究的重點。所以2B企業占多數是因為他們便於持續穩定獲取機器學習的數據,比如IBM Watson一開始和紀念斯隆·凱特琳癌症中心的合作,就是為了獲取癌症病歷和數據。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例,近500份醫學期刊和教科書,1200萬頁的醫學文獻給Watson。2C企業針對的是個人用戶,則是以智能穿戴設備為主,從智能設備的感測器收集數據,然後再進行演算法分析。
在眾多的2B 項目中,數量最多的是2醫院。這點是統計前沒想到的。可能是由於定勢思維,我一直以為最多的2B 買單方會是葯企和保險公司。出現種種情況的原因很多,特別是由於很多項目位於美國,而美國的醫保政策正在向「fee for value」轉向,所以按數量算,醫院是最大買單方。但其實我覺得,如果按照金額算,還是有可能葯企/保險公司最多。如果是按病症種類分,人工智慧+醫療健康項目中最受關注是為以糖尿病為代表的慢病管理。糖尿病、抗癌藥物、精神健康這三類都是治療時間長、治療費用大、治療難度大的疾病。從盈利來說,研究這類疾病,也更容易獲利,投資機構也更認可。幾個回答都不錯,我稍微潑點冷水:
醫療行業由於其極度嚴謹和保守的屬性,在新技術的應用相對其他行業來說,會慢很多,我們的衣食住行在近10年發生了巨大的變化,90後的生存狀態和父輩們幾乎完全不同。但是就醫行為,習慣,哪怕是愛好,80,90後,和60後都幾乎沒有區別。還是更加偏向於去三甲醫院,去拖朋友要個專家號,開刀要塞紅包。
人工智慧遇到醫療,其實也一樣的慢。
儘管我們看到各種報道說人工智慧怎麼幫助醫療,怎麼幫到了醫生,其實大部分的內容還都在「新聞稿」範疇,真正數據智能和人工智慧應用到醫療場景,我敢說,還沒怎麼開始。
說IBM Watson進入中國,但和電子病歷整合困難,數據傳輸的安全受到挑戰,商業模式在中國不通,一直推行困難。
說各種醫學影像節約醫生多少時間。實際上,一張CT片子機器只會看個肺結節,還有很多的問題機器不會看,醫生還要從頭到尾看一遍。
說語音錄入提高了醫生的輸入,但是讓人頭疼的是一邊對著話筒說,一邊用滑鼠鍵盤去改錯的字,發現其實也沒節約多少時間。
所以真的走進醫療場景看一看,人工智慧還沒開始真的發揮能力。
撥開有些瘋狂的新聞稿和電視節目,其實我們還是能看到人工智慧之用於的醫療的本質。
醫療的核心訴求,或者說是矛盾,是公眾對於醫療服務的需求增長迅速,但是醫療服務的提供者並不會像司機一樣,很容易去發展。
人工智慧也開始將目光瞄準了這一點,並且去發揮技術智能的價值,比如輔助決策系統去幫助醫生減少初級的失誤,自然語義處理能將大量的歷史病歷做快速的整理,減少人工整理成本等等。預計2-3年的時間,我們會看到一些更加實用的成果。
我們邀請到了IBM中國研究院資深研究員李響博士來給大家介紹一下人工智慧在醫療領域的發展和應用。
人工智慧在醫療領域的應用已經有了很多進展,尤其是慢性病和癌症等複雜問題是人們最為關注的話題,讓我們來了解一下IBM的認知醫療是怎麼發揮作用的。
首先,我們面臨著不可避免的醫療資源分配不均問題。
我們說到「慢性病」,很多人想起來的是「糖尿病」、「高血壓」、「心血管疾病」。比如:高血壓。並且身邊很多高血壓患者平常開藥、做個檢查都喜歡去大醫院,尤其是三甲醫院。雖然慢性病非常常見,但是治起來其實很複雜,很多情況下都是需要綜合的管理和組合的用藥,所以我們現在很多患者還是更信任三甲醫院的這些專家。大醫院就醫的壓力就會非常大。因為大醫院的醫生水平雖然很高,但是他其實也承擔了很多像臨床、教學、科研這方面的任務。如果大多數慢病患者能夠在基層就能夠得到有效治療的話,那對於患者本身的治療效果,以及緩解醫院的壓力應該都會非常有利。
糖尿病,其實是全球醫療的一個大難題。一個是患者數量特別龐大,有預測到了2040年的時候,中國糖尿病患者將達到1.5億以上。另一個問題就是說,其實並不是所有糖尿病患者都死於這個病本身,而是他可能會引起多種嚴重的併發症。比如:心梗、腦梗、腎衰竭,這些都是非常致命的併發症。所以在任何國家,其實人們對於糖尿病的治療的花費,都是所有疾病中最高的。而在中國其實控制的現狀也不容樂觀,首先現在糖尿病的確診率比較低,大概只有30%。治療率大概只有25%左右,其實這個面臨的壓力是非常大的。
為了更好的去幫助患者,我們應該提高確診率和治療率。但是對於基層醫院來說,它就要發揮更大的作用。包括:提升他們的診療水平和相關的醫生能力。這個對於他們來說,這些方面一定要得到非常大的一個提升。
那麼 ,如何運用認知醫療來解決慢病管理問題呢?
首先,需要從慢性病的管理模式來入手。我們利用人工智慧和認知計算技術來武裝我們這些基層醫院的全科醫生,從而系統的提高慢性病的管理水平。
慢性病是要管理,而不是去治療。因為我們說的「管理」其實是一種綜合的能力,IBM的認知醫療就是要幫助我們這些基層的全科醫生,掌握從對慢性病患者的從問診、開藥,到隨訪的全程管理能力。
IBM的認知醫療是從以下兩個方面輔助全科醫師進行綜合管理的:
一方面,IBM的認知醫療系統能夠學習最新、最細節的醫學知識。比如:我們能在17秒內閱讀3千多本醫學專著,提供幾十種治療方案和十萬份以上的臨床報告。另一方面,我們也會基於實際的這種臨床數據,從大數據中挖掘出類似病人的診治信息,再根據每個人不同的情況。比如:他以前吃過什麼葯。比如:他的血壓血糖的信息,提供不同的治療方案。
我們建立了糖尿病的智能決策系統,來幫助基層的全科醫生實現糖尿病的精準治療。我們會根據糖尿病人的不同疾病情況,為他推薦「到底是使用胰島素治療」,還是使用不同的「口服降糖治療的方案」。對於他並發其它疾病,比如:並發 高血壓或者高血脂的患者,我們也會對他推薦相應的降壓或者降脂治療方案。除了他目前的疾病情況,我們還會去預測他未來發生各種併發症的風險。比如:發生急性心血管疾病的風險。對於這些高風險的患者,我們也會推薦醫生給予特別的關注和預防。
這種智能決策系統能夠幫助基層醫生更加準確的幫助糖尿病人進行用藥。在綜合管理當中,除了問診、開藥之外,隨訪問題也可以通過「對話式隨訪機器人」來解決。它能夠為病人提供這種連續的個性化診療,在微信上安裝這個小機器人之後,它就會像醫生一樣問一些有針對性的問題。比如:你今天的血壓怎麼樣,你今天的血糖怎麼樣,你今天吃了什麼。病人回答這些問題之後,系統就能自動的去理解這些答案,然後把這些信息收集起來,並且基於它來寫出《隨訪報告》。
「精準醫療」——真正幫助醫生實現精準化慢病管理
認知計算技術的目標是為了實現患者的精準分群和精準的預測。比如:對於某種心血管疾病的患者來說,在服用一種特定的葯時,如果劑量不夠,它可能效果就不好。但是劑量大了呢,它又可能會引起一些負作用,比如:出血。所以這個「度」的把握呢,就非常考驗醫生的能力和經驗。針對這個問題,已經通過跟北京的一家著名的三甲醫院合作,通過我們的認知計算技術,把不同風險指數的病人進行了精準的分群。這樣該吃藥的病人就吃藥,不該吃藥的病人也不會進行過度的這種治療。
我們還和另外一家醫院合作,開發了針對心梗病人的風險預測模型。其實影響心梗病人發病的因素有很多,加起來可能有將近一千項。很多時候其實醫生也不太確定,哪些因素是導致這種病人發病的決定因素。是病人自己的病情重,還是治療的手段不得力,還是說因為他的經濟狀況,甚至說還是因為他的家庭因素導致的呢?根據我們的模型,我們就能得到一張「風險全景圖」,最影響這種心梗風險的部分就能一目了然了。
舉例來說,我們通過這種大數據分析技術,發現跟配偶一起居住,對於心腦血管疾病是一個很好的保護性因素。也就是說,家庭生活幸福的人,他的心腦血管疾病的風險會低很多。
由此可見,在IBM人工智慧的幫助下,已經可以對慢病病人實現的全面、精準和個性化的管理。咱們身邊慢性病的患者大多都是老年人,希望認知醫療在未來能夠得到一個更大的發展,讓這些患有慢性病老年人,在家門口的社區醫院,甚至足不出戶就可以得到一個個性化的溫暖照顧。
本文為4月21日,在中國人工智慧學會與億歐聯合主辦的「新科技·劃時代」峰會上,將門CEO高欣欣在「醫療行業如何產業升級?」圓桌環節的觀點提煉。
此次「新科技·劃時代」峰會在深圳舉行,基於大數據、人工智慧成為傳統產業的新動力,因此集合學會、企業、政府之力,將人工智慧和產業融合,提升企業效率和帶動產業升級。
觀點摘要
- 人工智慧在醫療領域落地將勢在必行
- 在比較短的時間內獲取更多信息的唯一手段就是創新的技術
- 需要一個既懂醫療行業,又能夠在AI技術上跑得比別人快,跑贏時間的團隊
- 醫療領域特別適合人工智慧,是這個產業中價值寶貴的一環
- 醫生不會被人工智慧取代
人工智慧在醫療領域落地將勢在必行
▼
當AI+醫療的問題被提出來的時候,我們必須要看人工智慧是否真正的帶來了醫療領域的實際價值。我們覺得人工智慧在醫療領域落地將勢在必行,並不是被看好,並不是市場大,而是勢在必行。
因為健康是每個人生存的基本需求,中國是人口大國,原來世界衛生組織有一個數字,中國一千個人中可以平均到1.5個內科醫生,這意味著什麼?意味著只有通過創新技術的手段,才能使得醫生把最寶貴的時間花在最重要的事情上,使更多的人收益。因此創新技術在這個領域是勢在必行的。
同時,醫生在看病的過程中的很多時間是排除法,為什麼老是最後一個醫生看得最准?因為前面的都被排除了。所以在一個時間點,在幾分鐘的時間裡,如何使醫生獲得最多的信息,包括之前的病歷,這一段時間連續的數據,當他有了足夠的信息的時候,他就可以更精準的判斷你到底是什麼問題,得到什麼樣的治癒,在比較短的時間內獲取更多信息的唯一手段就是創新的技術。
人工智慧需要更多的耐心
▼
中國的醫療數據是特別龐大的,但其中超過70%是影像,視頻等非結構化數據。人工智慧技術,能夠識別非結構化數據,還能給予更多維度的洞察,切實幫助醫生做判斷,這使得人工智慧技術在醫療領域需要勢在必行的落地。
人工智慧在醫療領域落地的場景實在是太多太多了,不管是在輔助診療、醫療影像、手術機器人、健康管理、新葯研發,每一個環節都有人工智慧實實在在的落地場景,而作為投資界,當他看到了特別大價值的時候,最關注的一件事就是因為這件事情激活的時間節點是什麼。
當他看時間節點的時候,其實我們就會看是不是在這個行業里大鱷已經入場了,生態起來了。我們看到IBM Watson、Google、微軟,還有垂直領域的GE、Siemens都在重金投入這一領域,並且有實際的應用方案落地。這證明了這一領域的成熟。
在這種情況下,作為創業團隊,為什麼又覺得好象還在摸索的過程呢?因為在這個領域雖然看到了巨大的價值,雖然看到了大鱷的入場,雖然看到了清晰的場景,但是還是需要那些落地的路徑。因為醫療領域是全世界最為嚴謹的行業,因為這關乎生命關乎安全,任何新技術的嘗試都要最嚴謹,以及相關的法律法規的問題,如何形成商業壁壘的問題,在這個領域創業的小夥伴一定要堅信這個領域的價值,但是要多一點耐心。
中國AI人才的斷層會在兩年內補缺
▼
我們會特別看重在這個領域中、這個行業場景中,對這個技術有最大需求的,數據質量相對優的,發展、推廣起來相對容易的場景路徑。我們會選擇什麼樣的團隊呢?AI的醫療團隊特別不容易找,特別難,因為做醫療行業的人才就非常的少,再加上AI在中國是人才的斷層,這個斷層會在兩年內補缺,絕大多數的AI一線公司全部是科學家領銜,或者是研究院在一線,所以需要一個既懂醫療行業,又能夠在AI技術上跑得比別人快,跑贏時間的團隊。我們自己特別看重,雖然在這個領域中做的團隊很多,但是他的切入點是不是那個落地的路徑節點,以及是對的團隊,或者是有特別獨家的競爭優勢,如果我們找到了這樣的團隊,我們是毫不猶豫跟他一起走下去的。
回歸醫療商業本質,形成業務閉環
▼
人工智慧成為風口已經是不用贅述了,任何一個新技術的發展必然會經歷,比如說這是一個新技術,到開始特別特別的熱。其實激活整個人工智慧使其突然變成風口的,是源自於AlphaGo對全民的普及,讓大家明白了這項技術到底可以做什麼,以及各行各業能夠做什麼,產生了無盡的想像。
但是人工智慧真的不是一個新技術,是一個60多年的技術,是一個發展中的技術,所以叫做有所為、有所不為。人工智慧能做的事和不能做的事是非常清晰的,並不是我們想像的那樣不能做什麼,所以要選擇能夠做的,真正能夠輔助人類提高效率的。
在這樣的技術發展過程中,商業模式又是什麼?就是回歸商業本質,是否真的能夠在裡面變成閉環的業務。比如說,病理應該是人工智慧特別看好的細分領域,中國特別缺病理的醫生,中國是7萬人一個病理醫生,所以如果是按照國家規定,現在中國的病理醫生有9千多,缺口有4到9萬人,最快的彌補這個缺口只能靠技術。
看病理醫生的水平又是完全不一樣的,好壞差距非常大,所以中國的癌症的5年複發率是遠遠高於別的地方的。
第三個,這個領域特別適合人工智慧,有所為,有所不為。任何一個病理的切片都承載了巨多的信息,可是這個信息在人眼看,都是非常疲勞和難的,而機器一定比人看得好,一定能夠輔助,這件事情已經不是一個想像了,在很多地方都是非常成熟了,所以我們覺得像這樣就回歸到了醫療商業本質,就真正能夠變成這個領域中可以真正對病患提供更準確的價值,從而給予更精準的治療方案,真正解決醫院、醫生的問題,可以成為這個產業中價值寶貴的一環。
人工智慧有所為,有所不為
▼
人工智慧有所為,有所不為,用一個簡單的方式衡量,就是快思考和慢思考,任何快思考能夠做出的東西,機器一定比你好。比如說看一個東西,看片子,都會比你好。而任何的慢思考,機器永遠做不過你,比如所有的醫療最後的判斷源自於更多的緯度的,是根據很多的信息綜合的,所以根本不要考慮被替代。AI在醫療勢在必行,回歸商業價值。
-END-
本文為將門創投(thejiangmen)原創觀點
如需轉載,請在微信公眾號:thejiangmen中回復「轉載」,獲得許可
放射科AI診斷領域國內非常多公司來求合作,幾乎全是在做肺結節(最簡單嘛),磨玻璃結節其實我們很容易漏,但是又是早期肺癌,很容易賠錢!這年頭簽個肺HRCT真是如履薄冰,眼都快看瞎了!這方面我們很看好AI輔助,但是見過某公司軟體,臨床很常見的肺結核病人,幾百個結節都都給我算一遍,這就是添亂!
虛火是有的,但也大勢所趨吧!
今年6月底的《新英格蘭》刊出了一篇觀點文章《機器學習和醫學預測--遠超過高期望的峰值》,文章的批判方法算是很給深度學習這個新工具留面子了。參考這篇文章:業內人的「針砭時弊」:AI醫療界的3大亂象以及如何評價醫學人工智慧的成果? 文中提及「 回觀國內市場,這些不靠譜、不合醫學邏輯和沒有臨床價值的事情反而愈演愈烈,耗費了大量的資本和醫療資源,可謂幾大亂象......「。
筆者認為,目前AI在醫學影像方面的努力還是很值得鼓勵的,只是要真正擊中診斷環節中醫生的痛點,還得進一步向曲徑通幽處前進。
一是前文提及的「使用醫學而不是計算機工程的評價體系來衡量人工智慧系統是否靠譜」。用AUC(ROC曲線下面積)、Sensitivity
(敏感度)、Specificity(特異度)等性能評價體系。而不是Accuracy (準確率)、Precision (精確率)。不難理解,為什麼公關軟文中最常出現「準確率超過95%」,「精確率超過98%」,云云。下次再讀到「準確率超過95%」的時候,我們可以這麼想,準確率95%可能意味著系統蒙答案的時候主要蒙A選項,然後測試樣本中的A占絕對多數;那麼再讀到「精確率超過98%」的時候,我們可以這麼想,系統的敏感度可能只有30%,在他能夠報出為陽性的時候,絕大部分是對的。 二是與醫學團隊合作,整合生物學特徵feature,或者被生物學特徵整合,形成真正的集成診斷系統。實際上,在AI大熱之前,科學家嘗試將影像技術與基因技術有機結合,進行疾病的診斷。放射組學Radiomics的工作流程一般為:(1)獲取高質量的標準圖像、(2)分割出含有腫瘤等的感興趣區域、(3)提取圖像特徵,如密度分布、不同密度層面的空間關係,紋理特性以及腫瘤跟周圍組織的關係;(4)建模。值得注意的是,這個任務,生物學家做了很多年,如果能夠將影像學特徵feature,與生物學feature集成建模,形成多模態AI系統,將是一種完美的結合:太貴的系統在中國火不起來。
某些醫院連落後好幾年的HIS系統都不願意升高,電腦系統還用著盜版WinXP。
如果一項AI技術只是節約了一線人員的時間精力而沒給醫院帶來創收,那院領導估計不會買的
互聯網+醫療,和AI+醫療,這兩個業務差別是非常大的啊。
互聯網+醫療的核心是「連接connection」,針對的是我國醫療質量分布嚴重不均的問題。互聯網+醫療無非是獲得醫生的一部分諮詢服務時間,然後重新分配給患者而已,並沒有怎麼提升效率,至於最根本的醫療質量提升就更沒有了—導致這個結果的原因是多方面的,但這是到現在互聯網+醫療商業化沒有成功,估計以後也不會成功的根本原因。
而AI+醫療的本質之一是「增強智能augmented intelligence」,這可能導致醫療質量的提升,或效率的提升,或同時提升質量和效率。AI+醫療本質上是聚集頂級專家的智能--&>學習頂級專家的智能--&>應用頂級專家的智能,然後賦能給單個的醫生,輔助他進行臨床決策和/或操作。所以這裡面能多大程度上賦能醫生是關鍵因素之一。目前的產品都是人工智障+醫療,簡直是拖醫生的後腿。號稱自己提升了幾個百分點的都是新聞稿,看看就行。不是說他們報的數據有假,而是這裡面到底有沒有1%能轉換並且已經轉換成了醫生或患者的獲益?
醫療人工智慧當然大有前景了,這點毋庸置疑。
應該怎麼樣找著重點才能最大化滿足人們的需求呢?--找能真正給醫生賦能的領域和環節,炫技是沒有用的。這需要對臨床有深入的理解。但是目前不管是人工智慧的初創公司,還是大公司,都是AI人員主導,而不是臨床頂級醫生主導,這就很尷尬了。這也是為什麼都扎堆在影像和病理的原因,因為不知道還有哪些領域哪些環節還可以炫一炫AI的技術啊。
產品方向和商業化的幾點思考:
1、 產品不需要達到100%的準確,因為人也達不到100%的準確。
2、不必在意AI是輔助醫生還是取代醫生,這根本不重要,吻合器能收費,輔助的各式手術刀的使用也能收費。
不必在意到底To B還是To C甚至同時To B To C,不過To B的時候也許增強智能很重要,但是To C的時候精準的預測下一步可能會更重要。
3、 診斷領域可能比治療等領域的技術上和商業化的困難都要大。技術上因為診斷領域是需要解釋因果的,但是深度學習的黑箱子如何解釋?治療領域就不需要解釋因果,我教你做手術,你能95%以上的相似度操作就可以了,不需要因果。
商業上來講,診斷領域也很難。是因為很多人不了解診斷的作用。影像診斷也好,金標準病理也好,都是輔助臨床醫生做決策的,診斷是為了服務於治療,最終拍板的是臨床醫生,不是影像醫生也不是病理醫生。這中間的路徑太多太長,難度太大。而且中國人不大願意為診斷付錢,治療是願意花錢的,花幾萬甚至十萬找個好的外科醫生飛刀我們是很願意的。
還有一點,長遠來看,診斷的想像空間其實是很小的,不要被每年幾億張這種數據誤導。除了自動讀片(不說準確度和收費的事情),你還能幹點啥?
4、 想要因為提升了醫生的效率讓醫院買單是很難的,基本沒門,醫院想的是怎麼創收,至少不能讓我花錢,真要花錢也要花的理所當然。所以要醫療AI要商業化,基本上只有兩條路吧。一是硬體化或軟硬體結合,二是附加其他高附加值服務變成按單個患者收費的SaaS模式—封閉的、不符合我國患者實際情況的IBM Waston同學正是這麼在干啊,花大代價砸開政府收費部門建立收費欄目啊,產品不咋地本土化倒是打的一手好牌—就想問,IBM Waston在中國獲得CDFA審批了嗎?沒審批憑什麼有收費欄目?
5、長遠來看,數據網路效應很重要。如何實現完整的閉環,有戰略性的獲取數據將是長期核心壁壘。
醫療AI產品研發:
1、 清晰的產品定位和出發點:核心問題是「我們這項AI的產品或服務(結合其他產品和服務)到底是要解決什麼人在什麼場景下的什麼問題?產品/服務實現的場景應該是如何的?」,而不是「我們拿這些數據能幹什麼用」。
搞清楚這點至關重要,一是辨別是不是自high或偽需求。二是可以不斷聽取目標客戶的反饋。三是在一開始有很好的全局觀,能大體估計難度、需要的資源、涉及到哪些專業人士、協調不同專業的超級協調人員、數據的數量和質量、研發的進度、第一版產品的模樣等。搞不清這些,把肺結節識別準確率達到200%,也沒有一毛錢作用。我們不是要解決技術問題,我們要的是藉助技術達成目標。
2、 高質量的數據標註。在少量高質量數據和海量低質量數據之間找到合適的樣本數目很重要,高質量的consistent的數據標註也至關重要。
3、 不能說AI技術不重要,深度學習還是很有優勢的,尤其是數據量有優勢的話。
4、 合作無間、背景不要差太多、職能相對整齊的產品團隊。怎麼說呢,中間坑太多了。
哎,希望我司人工智慧的產品研發順利,能有機會早日面世,目前它還只是3年以內年資住院醫生的水平,而且它還是個瘸子,就先不獻醜了。看看這個月能不能到達中等年資醫生的水平吧。
IBM Waston系統是做的非常好,能看出來IBM是真正花時間、投入人力、物力做出來的。
影像方面做了很多分割的工作,比如將器官部位識別、主動脈提取,以及主動脈瘤自動檢測。
工作做的還是蠻細緻到位。
不過感覺臨床方面似乎與醫院實際需求有一定的不),比如主動脈瘤的自動檢測,我聽醫生講只要拉出矢狀面、冠狀面,主動脈瘤一般不會漏診的,CTA一眼能看出來,在橫斷面的確會漏診,但也不多。另外,聽醫生講即使有4到5CM的主動脈瘤漏診,對臨床方面影響也不是太大。因此這個器官自動識別加上主動脈瘤檢測實際的意義可能打了很大折扣。
不過IBM有其他幾個我覺得做的很好。這裡就不說了。
我的意思是說,人工智慧一定要解決臨床方面醫生診斷有難度、容易誤診漏診、難以精準量化的方面,醫生的體驗才會更好。 其次人工智慧如何讓醫生、醫院、醫療機構掙錢,即商業模式、盈利模式也是需要考慮的事情。
我覺得IBM做的真是非常好,畢竟是花了一大筆錢的。
人工智慧需要有錢才能做的起來。
在某家做智能醫療的公司實習過一段時間,主要是處理數據兼做模型,說說感受吧。
公司的業務起步主要圍繞腫瘤展開,和一些大的腫瘤醫院達成合作,從醫院現場獲取數據,包括病歷、身體檢查等一系列數據(當然是經過脫敏處理的,保護患者隱私),公司的業務流程就是將這些繁雜的數據以一定的邏輯規則化,篩選出有價值的數據,當然這個篩選的過程是和腫瘤專家緊密合作的,畢竟什麼信息重要什麼不重要還是專家說了算,比如各種身體檢查,各種指標,各種腫瘤術語等等。輪到我們的工作往往和統計、數學模型有關。
接下來就可以撒歡兒的使用各種模型分析數據啦,比如最簡單的做一個分類,在一系列病理特徵(表徵為特徵向量的形式)的基礎上做一個多分類器,預測出哪一種腫瘤的可能性比較高,或者高端一點用深度學習模型來做預測。
重點是,這一切的分析結果,都是輔助診療,也就是說,這個預測結果都是給醫生看的,
說白了,僅!供!參!考!
我覺得這樣其實很合理,畢竟在醫療領域,大數據真正發揮作用的時期還遠遠沒有到來,經驗豐富的醫生才是最終的decision maker,這一點將在很多很多年內不會變。
不過也許以後隨著資料庫的健全,例如電子病歷的普及,統計學等等數學模型可以在真正的大數據上發揮作用的時候,智能醫療必然會在臨床診斷等情境下扮演更加重要的角色。醫生為什麼可靠,因為他的經驗豐富理論紮實,這樣看的話,大數據(雲醫療)正是一種基於宏大的數據海洋產生的診病方法,也是基於統計學的科學診斷,也是在廣泛的病例中總結一般規律,與單個醫生幾十年的行醫經驗相比,廣泛的病例數據或許更加可信。
總結,目前來說,智能醫療的主要方法依然是數據分析(醫學影像處理另當別論),利用統計學來對可能的疾病或者病因進行推斷,給醫生一個參考。
不要總抱著把人命交到機器手裡是否符合倫理這事兒不放,實踐說明一切, 有時間質疑這質疑那為什麼不好好學習一下機器學習這些模型背後的思想和邏輯呢?有時間質疑為什麼不去了解一下AlphaGo怎麼下棋的呢?
技術上實現應該不是太難的問題,但是,要儘可能地提高準確度,畢竟醫療行業不像其他行業有那麼大的容錯度,一旦判斷錯誤,就可能傷害生命,帶來非常嚴重的法律風險。
未來,在前期可以採用兩套或者多套相互獨立訓練的診療系統,如給出同樣的結論才能確認,如分別出現不同結論,可再納入人工複核,可以在一定程度上改善公眾對機器診療系統的疑慮。
先佔個坑,稍後添加自己對於此問題的思考。
健康中國是國家衛生計生委的知乎機構帳號,歡迎大家前來圍觀和交流~
前段時間,國家衛生計生委組織中央媒體和行業媒體分八路走基層,在福建、安徽、海南、甘肅等地對醫改工作進行採訪調研。我們發現:各地的衛生計生工作和新媒體平台、大數據分析、人工智慧處理等「新力量」緊緊結合,可以說是全面應用。不是簡單的建個微信公眾號,也不是簡單的把數據資源聯動,而是真正地利用時代產物為居民提供了多樣化的便民服務,在此為基層工作人員點個贊。
接下來,就提問和大家說說「人工智慧+醫療」,看看醫療加高科技能擦出什麼不一樣的火花。
———————————————正文分割線—————————————————
醫療健康領域,是人工智慧發展中的核心領域之一。放眼全球,人工智慧在醫療健康領域的應用可以說是「無處不在」。
從疾病預防到疾病診斷,從健康管理到輔助就醫,人工智慧技術已在語音識別、醫學影像、藥物挖掘、營養學、生物技術、急救室管理、醫院管理、精神健康、風險管理和病理學等領域創造了獨特價值。
在我國,人工智慧技術在醫療領域中的應用主要有四大類:
一、優化流程方便患者就醫。優化就醫流程、縮短就醫時間,是改善患者的就醫體驗的重要途徑之一。我國將人工智慧技術應用於醫療機構信息化、遠程醫療服務、語音電子病歷、智能導診導醫等,讓患者最快最准地完成就醫。
比如:
好人生集團和美國梅奧推出的絕世好醫智能預診分診系統(App應用); 哈爾濱市第一醫院應用人工智慧機器人進行門診服務導診。
二、人工智慧輔助診斷決策系統。人工智慧已經應用在疾病輔助診斷等許多方面,許多醫院和企業都在積極開發該類系統,服務於醫務人員日常的診療活動。
比如:
最常見的人工智慧與醫學影像的結合,將影像掃描、虛擬現實、雲計算等功能一體化,提高臨床診斷、手術方案制定、風險評估等方面的高效性和精準性;
四川大學華西第二醫院開發的兒科輔助診斷決策系統,在其醫聯體內部推行,用來解決基層兒科醫師不足的問題; 高瓴資本與美國梅奧醫療集團合資成立的惠每醫療,利用健康醫療大數據開發服務於醫務人員的「臨床決策引擎」,為基層醫生提供知識體系解決方案。
三、應用可穿戴設備進行健康管理。穿戴智能設備監測自己的運動量及其他身體指標已經成為一種潮流,也是人們日益注重健康的表現。在治療過程中,利用可穿戴設備將患者生命體征等指標數據化,使醫務人員可以準確了解患者情況,同時也能對居家患者進行24小時的健康監測和管理,實現遠程治療。
比如:
春雨醫生通過與可穿戴設備生產企業合作,為健康、老年、慢病等用戶提供個性化的健康解決方案。
四、開展醫藥研發。傳統醫藥研發需要不斷試錯,耗費大量時間、成本,最終才能研製成功。目前,通過醫療大數據和人工智慧的結合,讓數據計算模擬藥品研發過程,預測藥物分子的行為和藥品反應,大大縮短醫藥研發過程,降低研發成本。
人工智慧在醫療領域中的應用還有很大的發展空間,如同人工智慧圍棋,在某些方面甚至能媲美醫生,所以有人產生了「人工智慧將會取代醫生」的疑慮。對此我們要清楚的認識到:醫療首先是醫學科學,有其自身的特點和規律,在醫療領域推廣應用人工智慧等信息技術,正確的利用,可以起到很好的輔助作用,但不能取代醫生對患者實施的診療服務。
期待人工智慧能為醫療健康領域帶來更多驚喜…
很多人(包括我)可能都覺得, 從2016年來, AI + 醫療好像莫名就火了, 但其實細看下來, 相當一部分的公司其實都只是扎堆在AI + 影像這裡應用類似的CNN及其變種來做一些熱門疾病(肺結節, 癌症切片,皮膚, 糖尿病眼底)的輔助診斷, 本質上大部分做的是classification, 少數做到了segmentation. 大家有興趣的網上搜下, 這兩年來應該有一半以上的醫療AI創業公司切入的都是 AI + 影像。
為什麼這麼多人選擇AI+影像? 我覺得首先是因為技術上的壁壘越來越低, 開源演算法不斷更新, 深度學習的框架和開元模型越來越普及, 很多team稍微把自己包裝一下, 花個兩三個月搞個模型, 刷到90%甚至更高的準確率其實是不難的(當然, 特異性上很多團隊的數據就打了個大哈哈).
另外一個方面,最近開源的醫學影像數據也越來越多,肺結節,病理切片,胸肺X光片等,而且標註的質量也不低。各類競賽也是一個接一個出來,充裕的風險資本在後面搖旗吶喊。
這一切是不是好事?我覺得如果無視資源的浪費和重複建設,是件好事。從遠景來看,AI經歷了歷史上的起伏後,這一輪的崛起,應該是走在逐漸賦能各行業,進而改造社會眾多場景的路上了。那麼藉助資本的力量,把AI領域的研究者吸引一部分到醫療來,對醫療行業毋庸置疑是件好事。
然而審視這兩年AI+醫療發展的趨勢,這麼扎堆在比較狹小的AI+醫療影像領域,個人覺得是有不少問題的。首先,大部分的疾病都不能單靠影像來進行確診,現在的AI+影像設想模式里,最好的也就是給醫生提供一個輔助診療的手段,其實作用和能實現的商業價值都有限。而在傳統的廠商里,類似的CAD系統也早已有之。再仔細看看,目前大部分創業公司的合作項目,都是和醫院科室合作做科研。等發完paper後,還能幹什麼呢?對一個價值有限的系統,醫院是不會花大價錢去換用的。
再其次,從學術的角度來講,大家都是在CNN的黑箱模型work之後才回來想解釋這個模型是如何學習圖像特徵的。對目前學術界提出的幾種「假想」解釋,我覺得是比較蒼白無力的。更不用說具體到醫療判斷的時候,如何讓醫生們來相信你這個神經網路是如何做到判斷的。弱人工智慧無法產生邏輯和聯想,憑著對像素數據的採集,篩選,擬合進行的判斷,對於傳統的醫生們是很難解釋出其邏輯性的。這個也許在未來的幾年會有所改善,但近期我和一些醫生朋友們聊的時候大家都把這個看成是一大心理障礙。
我覺得這幾十家拿到幾百萬幾千萬的醫療AI+影像公司里,未來兩年錢燒光後,很大一部分要麼轉型,要麼銷聲匿跡回歸學術界接著玩paper,等待下一輪風頭的崛起。
那麼人工智慧應該往哪個方向發展呢?我也沒有答案。你想想,要是有正確答案的話我早就自己找人開一桌了... 我和朋友這一年多來也玩了AI+影像的一些模型和競賽,正確率不比一些融資成功的公司低,但總覺得缺少了點什麼,所以還是沒下定決心自己去開一桌。騙點錢容易,之後怎麼對得起這些錢和聚起來的人,就夠頭疼的了。沒想清楚前,還是純學術型研究和玩票為好。
我個人覺得,人工智慧醫療如果想長遠地發展,提供更大的價值,在影像數據之外,必須綜合其他類別的數據如檢驗數據,生長/家族史,診斷史等等,在構建一定知識體系或者知識圖譜的基礎上,進行智能分析,並結合醫院現有的信息系統和流程,提供decison support的工具,慢慢從單方面的影像輔助走向綜合的智能建議,進而可能在立法的推動下,或者遊走於一定的灰色健康管理領域進行診斷。 這有點像Watson走的路,但又不完全是。 在我看來,Watson的做法過於臃腫(當然,IBM嘛,心氣是很大的), 選擇的領域過於寬泛,除了癌症外,沒能專註於具體的領域去做落地。而各類癌症的風險太大,醫生們對輔助診斷的要求很高,採用的時候非常謹慎,數據和case本身的正反饋也不夠。
簡言之,我覺得一個可能的切入點是結合現有醫療機構的信息及管理系統流程及數據,用AI的方式進行賦能,這裡面除了影像識別,還會涉及到自然語言處理(中文的NLP比英文要更不容易)以及結合醫學知識的圖譜搭建。而切入的領域我覺得可能往常見病,篩查,健康管理去做可能會更好些。
最後來點免責聲明: 以上皆為一家之言,如有不妥之處,歡迎討論和指正。
醫院信息科的來答一發。短期內不看好。長期內觀望。超長期內看好。現在沃森在國內有許多合作公司,一些醫院也使用了相應的產品(安徽的一家三甲醫院用了)。使用效果具體如何不是當事人也不能下定論,但在使用過程中要面臨許多問題。一是數據共享,人工智慧本身是需要把樣本進行訓練,針對醫院來說,還沒見幾家醫院願意把數據共享出去,即使現在衛計委要求的互聯互通也是把數據與外部機構有聯通就行,外部機構一般是分院,市衛計委平台,省平台,國家平台。二是數據質量,目前醫院的數據大部分是自然語言,許多有價值的信息包含其中,有些公司用分詞演算法,但是有針對性,不同醫院的書寫習慣不一樣,沒法直接用。而且醫院的數據質量沒有大家想的那麼好。技術也沒有大家想的那麼高。目前,我覺得大家的熱情太高了,應該好好做一些醫院內部的應用。比如his,emr等等。
之前也有想過這個問題。
我期待人工智慧在醫療系統的使用有以下幾個方面:1、智能分診:根據病人描述的癥狀,進行智能的分診,配合國家的分級診療制度,更合理的利用醫療的資源。2、檢驗結果的智能判定:如上面有人舉例的AI讀片?3、同類藥物治癒率的分析,方便醫院醫生選擇更有效果的藥物。推薦閱讀:
※如何進入BAT做大數據方向的研發?
※如何評價李飛飛在谷歌開發者大會宣布穀歌 AI 中國中心正式成立 ?
※大數據培訓怎麼樣?
※文科生能做好數據分析師嗎?如何提高相關技能?
※大數據時代的來對公共衛生和預防醫學領域會造成哪些可能的影響?