人工智慧與機器學習技術在醫療保健行業中的應用

人工智慧( AI )、機器學習和深度學習正在席捲醫療保健行業，本文全面總結了以深度學習為主導的AI技術正給醫療保健行業帶來巨大的變化，並給出了AI技術在檢測阿爾茨海默病、癌症檢測、機器人輔助醫療、腦出血檢測、結核病檢測等大量具體實例。他們不再是天上的餡餅技術；它們是實用工具，可幫助公司優化其提供的服務、提高護理標準、創造更多收入並降低風險。醫療保健領域的幾乎所有主要公司都已開始在實踐中使用該技術；在此，我將介紹實踐過程中的一些重要亮點，以及它們對其他醫療保健公司的意義。

原文鏈接：Artificial Intelligence and Machine Learning for Healthcare - Sigmoidal

對工業的一般收益

我發現描述人工智慧重要性的最好的比喻是貝爾塔倫·梅斯克在他的一篇文章中提出的。看起來問題不是「是否」而是「什麼時候」人工智慧將徹底改變醫療保健行業。

醫學界花了一段時間才接受聽診器。承認人工智慧是一個成熟的醫療工具還需要一段時間，儘管它有著巨大的變革醫療保健的潛力。然而，它是如此強大，當它最終在醫療保健中佔據應有的位置時，取代聽診器將標誌這一切的開始。

貝爾塔倫·梅斯克, MD, PhD

人工智慧、機器學習和深度學習已經增加了醫療行業的利潤。例如，根據研究公司Frost & Sullivan的數據顯示，到2021年，人工智慧系統將為全球醫療保健行業帶來約67億美元的收入。2014年，他們只創造了6.34億美元—這一指標將以每年40%的比例增長。

對這些技術的投資正蓬勃發展。2014年，跨行業IT平均收入支出為3.3 %，但醫療保健提供商的平均支出為4.2 %。大約35 %的醫療保健組織將在未來兩年內實施人工智慧解決方案，其中一半以上的組織計劃在未來五年內效仿。我已經分析了這一趨勢，並認識到增長的驅動因素是醫療保健領域的任何業務運營的各種特定需求，包括創建足夠安全且遵守隱私保護法的電子醫療保健記錄的需求。2012年至2017年期間，電子醫療記錄的普及率從40%增至67%；。我發現這一統計數據對於醫療保健領域機器學習的未來至關重要，因為數據的可用性對其發展至關重要。

與此同時，醫療AI交易量也大量增加，從2012年的20筆交易增加到2016年中期的近70筆。對人工智慧驅動的醫療技術的風險資本的投資也在激增，至少在精通技術的有錢人眼中，等於公開承認該領域有投資的潛力。2012年，人工智慧驅動的醫療保健項目，如機器人、機器學習( ML )和計算機視覺，總計3，000萬美元；2016年，這一投資領域超過8.92億美元。

根據埃森哲( Accenture )的一份報告顯示，目前醫療保健業務的最大近期價值存在於以下三大應用程序中:

機器人輔助手術( 400億美元)

虛擬護理助理( 200億美元)

行政工作流程助理( 180億美元)

然而，我研究過的其他領域，如醫學成像也是非常有希望的—特別是因為它們滿足了如此巨大的需求。例如，目前世界上一半以上的人口無法有效獲得醫學成像的途徑，因為那些沒有人工智慧輔助的技術昂貴、笨重，需要不切實際的培訓。埃森哲估計，到2026年，人工智慧將能夠滿足至少20%未滿足的臨床醫生需求。

收穫:更多的資金投入到醫療保健行業中，由人工智慧驅動的實際應用中，因為這些應用正在創造收入。這只是一個開始。

具體的應用場景

為了更好地了解人工智慧和機器學習正如何改變醫療保健行業，給出一些具體案例很有用，具體的實例可以有力證明這些前沿技術的實用價值。

判斷發展中國家的結核病情況

識別圖像中的模式（Pattern）是現有人工智慧系統中最強有力的一點，研究人員現在正在訓練人工智慧檢查胸部x光片，識別結核病。這項技術可以為缺乏放射學家的結核病流行地區帶來有效的篩查和評估手段。

一種治療退伍軍人創傷後應激障礙( PTSD )的人工智慧

退伍軍人創傷後成長計劃與IBM Watson合作使用人工智慧和分析技術，以確保更多患有創傷後應激障礙的退伍軍人能夠完成心理治療。使用這些技術，他們的完成率從不到10 %上升到73 %。根據退伍軍人事務部的統計，80 %的患有創傷後應激障礙的退伍軍人在確診後一年內完成治療計劃，然後康復。在300萬阿富汗和伊拉克戰爭老兵中，大約五分之一患有創傷後應激障礙。

檢測腦出血

以色列醫療技術公司MedyMatch和IBM Watson Health正在使用人工智慧，通過檢測顱內出血，幫助醫院急診室的醫生更有效地治療中風和頭部外傷患者。AI系統使用臨床洞察力（clinical insight）、深度學習、患者數據和機器視覺來自動標記潛在的腦出血，以供醫生檢查。

優化管理工作流程並消除等待時間

行政和助理工作是AI起作用的主要領域。埃森哲表示，語音到文本轉錄等省時的工作流功能有可能替代為醫療專業人員訂購測試和處方以及在圖表中寫筆記等任務—任何涉及非患者護理的任務。這相當於節省了17%的醫生工作時間和51%的註冊護士工作時間。

人工智慧還可以優先處理醫生的電子郵件，並幫助患者解決簡單的醫療問題，而無需醫生的幫助，優化雙方的時間表。例如，啟動Scanadu的doc.ai自然語言處理程序允許患者通過應用程序向他們解釋實驗室結果，從而節省了患者和醫生的時間和金錢。Nuance Communication推出了一款類似類似虛擬助手的產品，可以解釋測試結果並處理患者的基本問題。首先實施這些技術的醫療保健組織將會從中獲利，因為他們將有最多的時間來構建知識庫。

檢測阿爾茨海默病

現在，人工智慧機器人只需要不到一分鐘的時間，就可以根據語音模式和聲音來診斷阿爾茨海默氏病，準確率達到82 %，而且這種準確率還在不斷提高。人工智慧系統可以處理單詞之間的停頓長度、處理代詞優於專有名詞的任何偏好、處理過於簡單的描述以及語音頻率和幅度的變化。所有這些因素對於人類聽眾來說都很難高精度地記錄和檢測，但人工智慧系統卻能夠進行客觀和可量化的分析。

癌症診斷

用於檢測和診斷癌症的傳統方法包括計算機斷層掃描( CT )、磁共振成像( MRI )、超聲和X射線。不幸的是，許多癌症無法通過這些技術得到足夠準確的診斷，從而可靠地挽救生命。微陣列基因圖譜的分析是一種替代方法，但這項技術需要計算很多小時，除非這項技術可以使用AI替換。現在已經被證明，斯坦福大學的人工智慧診斷演算法與由21名經委員會認證的皮膚科醫生的團隊一樣有效地從圖像中檢測潛在的皮膚癌。Startup Enlitic正在使用深度學習來檢測CT圖像中的肺癌結節，其演算法比作為一個團隊工作的專家胸科醫生的準確率高50%。

在人工智慧的幫助下，其他醫療保健公司正在經歷診斷、治療甚至治癒的過程。Insilico Medicine正在用深度學習演算法尋找新葯和治療方法，包括新的免疫療法。這些基因療法使用每個病人的細胞來模擬他們自己的生物學和免疫系統。

人工智慧之所以能使這些療法奏效，是因為它能設計出組合療法，並以閃電般的速度，以模擬的形式進行數百萬次實驗來識別令人難以置信的複雜的生物標記物。

機器人輔助手術

在價值潛力方面，機器人輔助手術是人工智慧輔助方向的佼佼者。AI-enabled機器人技術可以通過集成實時操作矩陣、來自實際手術醫生的數據以及來自手術前病歷的信息來提高和指導手術器械的精度。事實上，埃森哲報告說，人工智慧機器人技術帶來的進步縮短了21 %的停留時間。

研究各種解決方案，我發現Mazor機器人最有希望。它使用AI來最大限度地減少侵入性（invasiveness），並最大限度地制定解決具有複雜解剖結構的區域(如脊柱)的外科手術。AI系統幫助外科醫生在病人出現之前，通過CT掃描將植入物（implant）放在指定的位置，Mazor的脊柱外科機器人臂引導外科器械的運動，確保高度的精度。

更糟糕的是，它變得更聰明了！

我們不應該對機器學習和人工智慧將如何改變我們所知道的醫療保健行業感到太興奮。如果我們想看到這些變化發生，人們還有很多工作要做。事實上，在這種情況下，人的因素對這一成功至關重要。此外，提出這一議題可能對參與這一進程的各方機構造成不必要的壓力。Kevin Pho大概總結行業情況，Kevin認為，我們需要將重點轉移到將我們的優先事項（priority）和工作流程轉換到模型上，以便技術能夠以我們需要的方式改進醫療保健。

科技是偉大的。但是人和過程改善了護理。最好的預測只是建議，直到付諸於實際行動。在醫療保健領域，這是最困難的部分。成功需要與人交談，並花時間學習環境和工作流程—無論供應商或投資者多麼不願意相信這一點。如果能夠通過安裝軟體來實現醫療保健行業的轉型，這將是一件非常棒的事情。

Kevin Pho，醫學博士

總結

歷史上總會有過度宣傳技術的案例，但人工智慧和機器學習絕對不在其中。

儘管我們處於技術的新生邊緣，其潛力幾乎沒有被理解，但由於人工智慧和機器學習，醫療保健行業正經歷著生產力和收入的大量湧入。大多數主要的醫療保健機構已經在投資人工智慧，以此來確認人工智慧在當前和未來行業中的作用。

往期精彩內容推薦

前沿分享-基於區塊鏈技術的機器學習行業概述

朋友，千萬不能錯過！13個自然語言處理的深度學習框架

<模型匯總-9> VAE基礎：LVM、MAP、EM、MCMC、Variational Inference（VI）

<教材推薦> PRML_模式識別與機器學習

<純乾貨-4> 加州伯克利大學2017年最新深度強化學習視頻課程_part2

<純乾貨-5>Deep Reinforcement Learning深度強化學習_論文大集合

深度學習模型-13 遷移學習（Transfer Learning）技術概述

2017年最新中文版《深度學習》教材下載

<模型匯總-10> Variational AutoEncoder_變分自動編碼器原理解析

模型匯總-12 深度學習中的表示學習_Representation Learning

《純乾貨-6》Stanford University 2017年最新《Tensorflow與深度學習實戰》視頻課程分享

純乾貨7 Domain Adaptation視頻教程（附PPT）及經典論文分享

推薦閱讀：