精準醫療急等人工智慧救場

編者按：

精準醫療，是要根據患者的個體遺傳基因特徵，量身定製個性化診療方案。而當前在醫學數據大規模整合的時代，生物數據的指數級增長導致精準醫療知識體系已經超過醫生個人承載的範圍，知識更新速度也超出了傳統醫學教育系統的處理能力。

這時，想要實現更為精準有效的診療，就亟需計算能力超強的人工智慧來救場。

精準醫療可以提供更準確的預測預防、治療以及康復的解決方案，而支撐精準醫療發展的三駕馬車——生命科學、信息技術和臨床醫學，則在相輔相成中共同推動精準醫療的發展。隨著精準醫療的不斷提速，其主要難度也逐漸集中在信息技術領域。

有專家表示，目前我國「應用終端的發展」遠遠走在「硬體架構」的前面，現有計算平台已經不足以完成人工智慧對於龐大運算量的需求。

除了人工智慧本身面臨的挑戰之外，對於精準醫療來說，數據的深度挖掘也是目前急需解決的問題之一。精準醫療現階段最大的困難就是數據積累，此外影像數據和放射科醫生增長速度的不匹配在促進人工智慧發展的同時，也給存儲和處理海量數據帶來巨大災難。

精準醫療會遇到大量計算資源和相應需求割裂的問題，此時人工智慧的相應計算和分析大有可為。

精準醫療，就是要克服千人一方、萬人一葯的瓶頸問題，根據患者個體的遺傳基因特徵，量體裁衣式地制定具有個性化的治療方案。然而，隨著生物數據的爆炸式增長，更多的挑戰出現在了計算技術領域。

「我們已經進入了一個醫學數據大規模整合的時代，要參考基因組學、微生物組、環境、行為、臨床檢驗等各種信息，這個整合就導致數據量出現指數級的增長。」中國國家罕見病註冊系統執行總監弓孟春在2017人工智慧計算大會上表示，現在精準醫療的知識體系已經超過醫生個人承載的範圍，知識更新的速度也超出了傳統醫學教育系統處理的能力。

而人工智慧最大的優勢就是其碾壓性的計算能力，醫療若想更精準，急需人工智慧前來救場。

「胖數據」待「瘦身」

「現在病人會拿著基因測序的報告問你，糖尿病會不會遺傳給孩子、會不會很早就得眼底病變、會不會很快出現心血管病變、是不是應該用胰島素、應該先吃什麼葯、運動會不會對我有效……」精準醫療普及的同時也給醫生提出了很多難題，弓孟春就遇到過很多問題不斷的病人，這些問題已經遠遠超出醫生原來數據搜集的範圍。

「我如果要評估這些問題，就需要對整個環節的其他維度的信息做收集和整理，然後再進行分析，還要參考我的知識體系來作判斷，最後才能回復我的病人。」弓孟春無奈地說，「醫生現在面臨的挑戰就是，作決策的時候需要參考的信息維度大大增加。」

當前，精準醫療的臨床部署對信息技術的依賴程度越來越強，因為精準醫學的知識體系和數據量已經遠超過醫生個人承載的範圍。

中國醫學科學院北京協和醫學院放射科主任醫師惠周光表示，醫療大數據研究的內容包括疾病、藥物、醫生和患者，其來源從狹義上說，包括醫院的信息系統及電子病曆數據、檢驗信息系統數據、醫學影像存檔和傳輸系統數據，以及一些醫學文獻和臨床經驗等。但是從廣義上來說卻遠遠不止這些，還涉及到公共衛生及生命科學領域。

以惡性腫瘤大數據為例，惠周光的體會就是，隨著計算機的不斷發展，醫學影像的精度、密度等數據信息量也會越來越大，生物標本庫和生物組學信息的數據也在快速增長，數據的存儲甚至人工的智能判讀都成為重要問題。

現在，精準醫療本身也有賴於數據的採集，「比如說哮喘患者，有無藥物過敏、家族病史、空氣的監測和可穿戴設備等數據，都會構成基於患者個人的模型，從而預測該患者的病情未來會不會加重，是否要轉移到急診去。」弓孟春說。

而回到基因行業領域，英特爾醫療與生命科技集團首席架構師丁華表示，隨著全基因組測序成本的不斷下降，將來有可能會演進到更多的全基因組的測序。「談到精準醫療不可迴避的一點就是，把組學的這部分內容跟傳統臨床能夠更好地結合，然後共同實現精準醫療的目標。但目前我們還處在怎樣把基因數據變成有意義的、有價值的數據，這個數據能夠在臨床上應用這個階段，依然面臨很多的挑戰。」丁華指出。

受益於人工智慧浪潮

有業內人士這樣比喻：在醫療領域，人工智慧分析的作用堪比經驗豐富的臨床醫生。

阿里雲此前發布的ET醫療大腦輔助醫生判斷甲狀腺結節點的場面，就令不少人記憶猶新：ET醫療大腦通過計算機視覺技術在甲狀腺B超影像上圈出結節點，並給出良性或者惡性的判斷。而在此之前，醫生個人判斷甲狀腺結節點的平均準確率僅為60％～70％，當下人工智慧演算法的準確率已被證明可達85％。

人工智慧之所以判斷準確率比人類更高，離不開三個關鍵詞：計算、演算法、數據。演算法的突破及數據洪流的爆發使得幾乎所有的「機器輔助功能」都成為可能，深度學習框架的開發和開源，也使得人工智慧「演算法」的開發越來越便捷。「計算」平台則成為本輪推動人工智慧進步的重要因素。

在當天會場的樓下就擺放著數十台樣式各異的計算機、伺服器。「這其中一台小小伺服器的計算速度，就是20年前最快計算機的60倍。」中國工程院院士、浪潮集團首席科學家王恩東說，由於計算能力的快速發展，結合互聯網、物聯網帶來的海量數據和深度學習等先進演算法，共同催生了第三次人工智慧浪潮。

精準醫療也將乘著人工智慧這波浪潮，在各個領域發揮著超過人類預期的作用。上海交通大學高性能計算中心工程師韋建文團隊就準備在白血病診斷方面，想辦法解決機器讀片的問題。

「當前，血液塗片的人工診斷仍然非常費力，一般專職讀片醫生需要3至5年的訓練，而受限於人眼可閱讀的塗片視野，醫生根據個人的能力和經驗診斷出的結果精確度起伏不定，難以覆蓋所有亞型的白血病細胞。」韋建文說。

通過解決超高解析度、超高靈敏度，把基因組學跟醫療影像學結合，再加上時間序列等技術突破，研究人員實現了在高性能計算平台上進行血液塗片的解讀，並可以讓醫學人員也非常方便地去使用這個工具。

另外，處理精準醫療的大數據需要極高緯度的分析，在可預料性低的情況下，用傳統信息學方法處理難度較大。記者從英特爾方面了解到，英特爾BioX實驗室與華大基因在蛋白組學方面就有成功的合作案例。對於蛋白質飛行質譜實驗，在使用深度學習CNN框架和LSTM演算法的情況下，較之先前的傳統計算，實驗人員大幅提升了飛行質譜預測的效率，同時節省了2／3的計算時間。

在美國，微軟也宣布將人工智慧用於醫療健康計劃「Hanover」，他們試圖幫助尋找最有效的藥物和治療方案。此外，微軟還在研究模擬癌症如何在不同病人身體里擴散，甚至於研究像計算機編程一樣創造生物細胞等。

應對計算與數據的挑戰

精準醫療可以提供更準確的預測預防、治療以及康復的解決方案，而支撐精準醫療發展的三駕馬車——生命科學、信息技術和臨床醫學，則在相輔相成中共同推動精準醫療的發展。隨著精準醫療的不斷提速，其主要難度也逐漸集中在信息技術領域。

有專家表示，目前我國「應用終端的發展」遠遠走在「硬體架構」的前面，現有計算平台已經不足以完成人工智慧對於龐大運算量的需求。而在王恩東看來，儘管人工智慧如今迎來蓬勃發展，但仍是挑戰重重，其中排在第一位的就是計算性能。

清華大學教授、國家超級計算無錫中心主任楊廣文則指出，在過去11年里，內存帶寬僅僅提升了15～16倍，而計算能力則提升了30～50倍，這說明內存的性能和計算的性能之間的差距在逐漸拉大，這也是GPU計算今天面臨的一個巨大挑戰——在相對強悍的計算能力和相對薄弱的內存訪問之間，橫跨的那一道鴻溝。

除了人工智慧本身面臨的挑戰之外，對於精準醫療來說，數據的深度挖掘也是目前急需解決的問題之一。「機器需要更多的學習次數，以得到更準確的判斷。多次學習的基礎是數據，醫療影像需要海量醫療影像和醫生的結果判斷。」一位智能醫療界投資人士表示，精準醫療現階段最大的困難就是數據積累。

另外，他還指出，影像數據和放射科醫生增長速度存在不匹配。相關數據顯示，美國、中國的影像數據年增長率將分別達到63．1％和30％。但兩國放射科醫生年增長率僅有2．2％和4．1％。兩者之間的鴻溝一方面促進了人工智慧的發展，同時也給人工智慧存儲及處理海量數據帶來巨大難題。

惠周光也以腫瘤大數據為例指出，目前我國尚未建立以醫院為基礎的癌症篩查網路，缺乏全國腫瘤發病與診療狀況的權威數據，導致腫瘤防治、臨床研究、指南制定等都有一定的盲目性。

惠周光建議要搭建醫療機構的網路平台，建立醫療大數據存儲、傳輸安全和共享機制，並通過標準化解決臨床習慣用語與標準數據相割裂的問題。

「另外，現在組學的應用越來越多，大量的計算資源與相應的需求相割裂，都是精準醫療會遇到的問題。我想人工智慧相應的計算和分析在這裡都是可以大有作用的。」惠周光說。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！