醫療 AI 的機遇與挑戰

撰文 張少典

上海森億醫療科技有限公司（森億智能）創始人、CEO

中國醫藥信息學會理論與教育委員會委員

2017創業邦中國30位30歲以下創業新貴

哥倫比亞大學醫學信息學博士

上海交通大學計算機系（ACM 班）學士

-------------------------------------------

提到人工智慧和醫療，大家的第一反應一定都是AI做疾病自動診斷。事實上，在50、60年代，即 AI 這個概念最初出現的時候，疾病自動診斷就是 AI 最初的幾個春秋大夢之一。這兩年深度學習變的火熱無比，AI的火也燒到了醫療行業。但其實 AI 在醫療界應用的努力從未停止。70年代斯坦福大學 Ted Shortliffe 作為博士課題所做的Mycin（https://en.wikipedia.org/wiki/Mycin）系統，使用了600多條人工規則去對感染進行判斷和抗生素推薦。該系統能夠達到69%的判斷準確率。雖然從構建方式到效果在今天看來都如同小兒科，但卻是AI在醫療行業的最早期嘗試。

Ted 如今已經是整個美國醫學信息學領域長老一般的人物，擔任北美醫學信息學會的 president。哥倫比亞大學醫學醫學信息學系(DBMI)就任 department head 的10幾年期間，Ted 也帶領哥大這個專業發展成全美的 top 2。筆者在哥大 DBMI 讀博的時候，Ted 剛剛卸任不久，但還常常回來參加系裡的 retreat。

疾病的自動風控、預警、診斷、治療，理所當然的是我們對於 AI 的最高期望。可惜的是，哪怕在現如今深度學習遍地開花的情形下，在上述這幾個核心的醫療環節上，AI 的進展尤其是應用級的進展仍然相對有限。

筆者是從做純機器學習和 NLP 轉變為做 AI 的醫療應用的，在轉變過程中感受最明顯的一點，就是NLP 和機器學習研究者往往最重視的是方法和模型要 make sense 並且要盡量 elegant。但是放到醫療行業後，能不能 make impact 幾乎是唯一的影響指標。大量漂亮的機器學習方法都是這樣死在了進入臨床的最後一里路上。

而且從醫學實踐的角度考慮，因為臨床實踐是一個變數過多的場景，所謂 lab 和 field 的差距會非常大，而臨床操作又是牽一髮而動全身，新技術的融入會非常困難。例如，假設我們有了新的一個系統，能夠有效的判斷和預警住院病人出現急性腎衰竭的情況。但在實際狀況下，進行有效的判斷後仍然需要醫護人員進行處理和操作，使得這樣一個系統幾乎會完全重構當前腎內科管理模式下醫護人員對於急性腎衰竭的操作指南和流程，也會影響醫院的器材、耗材、設備管理，然後會影響到相關科室例如檢驗科、放射科、醫務科，一個小小的系統牽一髮而動全身，其影響甚至能夠輻射全院。這些改變背後可能帶來的影響或者問題，根本不是一個設計 AI 系統的程序員能夠預測和想像的。

大家都是搞 optimization 的，很清楚局部最優和全局最優的區別。AI 對醫院的大部分情況下能製造局部最優，不幸的事，這樣的局部最優有時候會反而導致其他地方的問題（畢竟醫院手頭所擁有的資源有限）。但醫生或者醫院管理者最終關心的還是全局最優。

所以當醫生對 AI 產品充滿懷疑甚至敵意的時候，AI scientist 千萬不要簡單認為醫生冥頑不靈、開歷史的倒車，實在是因為臨床是一個比想像中要複雜得多的場景。也不要簡單地認為：「哥的深度學習看片子比你放射科醫生的 error rate 要低70%呢！你不就是特么怕丟飯碗么！」。（其實，放射科醫生已經在集體表示，他們這個群體很快就要集體失業了）

當然，關於 AI 在臨床上的應用，學術上的進展其實是很多的。比如危險因素評估[1][2]、疾病自動篩查[3][4][5][6][7]、治療方案選擇[8]等。在此就不一一列舉了，實際有更多文獻。拋磚引玉，有興趣的同學可以自己讀文獻。

事實上，AI在醫療上的應用遠遠不止在疾病的自動診斷和治療方案推薦這兩個場景上。醫療作為一個複雜的系統工程，有著非常多的環節，每個環節都涉及到大量的 stakeholders。

醫療的核心玩家有五個：病人，醫生，醫院，保險，葯企，其中藥企也從廣義上包含了器械廠商、CRO 等。而對於每一個玩家來說，在每一個醫療的環節，都有大量的 decisionmaking 要做（如下圖）。眾所周知 AI 最擅長的就是對 decisionmaking 進行優化。所以說，AI 在醫療上的應用，遠不止疾病自動診療。

比如，在美國，大量的AI商業級的應用已經出現，而最核心的是圍繞醫保和葯企。例如，基於病人的病歷和診療情況，保險公司使用機器學習來自動判斷患者的核算賠付，從而判斷其是否為騙保和過度醫療行為[9]，這也是目前美國 AI 領域中較成熟的應用場景。

另一個非常火熱的場景，即在於用人工智慧來解決葯企的研發痛點。在西方社會，藥物研發是一個極為長期的過程，尤其是藥物走出實驗室之後要經歷極為漫長的臨床試驗流程以獲取 FDA 的批准。下圖顯示，一款藥品從研發到獲得批准，平均而言至少需要7-10年時間。

幾個階段的臨床實驗猶如幾道鬼門關，在任何一個階段的失利都宣告幾億甚至幾十億美元的研發投入打了水漂（這也是為什麼每當一款新葯通過某一個階段的臨床實驗，相應葯企的股價往往都會大漲）。藥物在研發階段時，葯企是無法精準預測其最終的效果、安全性、以及是否能夠通過臨床實驗和 FDA 審批的。AI 的作用也正在於此，美國有大量的AI創業公司即盯准了葯企的這個巨大痛點，使用人工智慧的方法、基於分子生物學和臨床藥理學的證據，去對一個藥物的效用、安全性和通過審批的概率進行判斷。這種方法有望從根本性上顛覆藥品研發的流程，使得藥廠可以批量嘗試大量不同分子結構的藥物，讓人工智慧來判斷其中哪些最值得被繼續推進到臨床實驗階段，從而大幅提升其研發效率和風險控制能力。

所以說，如果一定要盯著疾病診斷的作用來說，醫學 AI 還有很長的一段距離要走，但是如果從更廣闊的視角去觀察，醫療產業已經有了很多環節背後是AI模型在支撐，只是大家還往往意識不到。

對醫療 AI，尤其是醫療 AI 的商業化應用，還可以參考筆者的另外一篇文章：

參考文獻

[1] Chen, Qingcai, et al. "An automatic system to identify heart disease riskfactors in clinical texts over time." Journal of biomedicalinformatics 58 (2015): S158-S163.

[2] Liao, Katherine P., et al. "Methods to develop an electronic medicalrecord phenotype algorithm to compare the risk of coronary artery diseaseacross 3 chronic disease cohorts." PloS one 10.8 (2015): e0136651.

[3] Cook, Benjamin L., et al. "Novel use of natural language processing (NLP)to predict suicidal ideation and psychiatric symptoms in a text-based mentalhealth intervention in Madrid." Computational and mathematicalmethods in medicine 2016 (2016).

[4] Hoogendoorn, Mark, et al. "Utilizing uncoded consultation notes fromelectronic medical records for predictive modeling of colorectal cancer." Artificial intelligence inmedicine 69 (2016): 53-61.

[5] Bar Y, Diamant I, Wolf L, Lieberman S: Chest pathologydetection using deep learning with non-medical training. In: IEEE InternationalSymposium on Biomedical Imaging: 2015; 2015: 294-297.

[6] Roth HR, Wang Y, Yao J, Lu L, Burns JE, Summers RM: Deepconvolutional networks for automated detection of posterior-element fractureson spine CT. In: SPIE Medical Imaging: 2016; 2016: 97850P.

[7] Shin HC, Lu L, Kim L, Seff A: Interleaved text/image DeepMining on a large-scale radiology database. In: Computer Vision and PatternRecognition: 2015; 2015: 1090-1099

[8] Haller, Irina V., et al. "Enhancing Risk Assessment in Patients ReceivingChronic Opioid Analgesic Therapy Using Natural Language Processing." Pain Medicine (2016): pnw283.

[9] Shi Y, Sun C, Li Q, Cui L, Yu H, Miao C: A fraud resilientmedical insurance claim system. In: Thirtieth AAAI Conference on ArtificialIntelligence: 2016; 2016.