人工智慧與醫療
本文經授權整理自美國金華之聲電台，科技與生活廣播欄目。
本文所涉觀點僅為受訪者個人分享，與疾病診療相關的信息僅供參考。
本文編號：A30004
前言
你見過醫療機器人、虛擬護士嗎？聽說過移動醫療、遠程醫療嗎？近年來，人工智慧與醫療應用的話題如火如荼，其中的技術、市場、前景是怎樣的？就職於Fulgent Genetics 基因公司和AI List公司的馬宇先生給出了獨家解讀，為我們答疑解惑。
1
什麼是AI？
在醫療上如何應用？
AI（Artificial Intelligence）人工智慧，不是新辭彙，早在上世紀60年代就已經出現，經歷了漫長的發展過程，是建立在海量數據基礎上的技術。從廣義上來說，人工智慧包含機器學習，機器學習中包含深度學習，比如AlphaGo，AlphaZero是深度學習的典型代表。從狹義上來說，人工智慧特指深度學習，近幾年得到廣泛應用，大放異彩。
人工智慧在醫療上的應用主要在以下兩方面：
· 醫學圖像分析 ·
通過人工智慧分析醫學圖像，給出診斷建議，即輔助診斷，可以大大提升醫學診斷的效率和準確率。
以皮膚病為例，醫生的診斷過程是：通過視覺特徵，結合個人經驗，從人腦自有知識庫中篩選類似情況，從而進行診斷。人工智慧的診斷過程是相似的，但不同的是：
其一，人工智慧資料庫擁有海量數據，其資源數量遠大於一名醫生的腦容量，因此能突破醫生個人知識經驗的局限性；
其二，培養一名專業醫生需要超過十年時間，而人工智慧訓練一台機器僅需30分鐘。醫生精看一張圖像需要1小時，而經過訓練後的人工智慧設備僅需0.01秒。如此便大大縮短診斷時間，提高效率；
其三，人工智慧能解決目前醫療資源分布不均的問題，改變萬千患者不辭辛勞湧向擁有優質醫療資源和高水平名醫的大城市就醫的現狀。可以期待未來的就醫過程：仍以皮膚病為例，用智能手機下載就醫專用app，在家中拍攝病患處的照片，上傳網路，人工智慧便能及時準確地做出診斷。人工智慧將給未來的醫療領域帶來革命性的變化。
其四，人工智在醫療圖像識別方面的應用在近些年來進步很快，主要通過深度學習技術，把圖像分為不同層次進行學習。使用人工智慧的效率和準確率遠勝於醫生肉眼診斷，特別是在準確識別圖像的細微差別上有絕對優勢。
· 藥品研發、醫院系統管理、個人健康管理 ·
這裡先簡單介紹人工智慧幫助個人進行日常健康管理的應用，即提供健康風險監測手段。後面再詳述其他應用。
應用之一：健康手環。能對人體生理指標進行監控和管理。在出現潛在風險時，能及時提醒就醫。
應用之二：糖尿病患者的日常血糖管理。佩戴專用設備，結合數據支持，能對患者日常生理指標進行監控，並能適時提醒患者服藥、打胰島素，提供就醫建議等。
未來技術進一步成熟後，還可通過拍照上傳方式，分析檢測即將攝入的食物中糖的含量，給予糖尿病患者可否食用、食用量多少的建議，從而降低因誤食不當食物造成糖尿病患者血糖升高的風險。
不久的將來，通過智能手機和人工智慧，我們可以方便地在家就醫，在旅途中及時就醫。無論你身處何地，醫生就在你身邊。
2
人工智慧醫療應用的技術背景是怎樣的？
人工智慧技術產業鏈是倒金字塔形三層結構：
最下層是由高通、Intel、Google等公司所建立的基礎架構層。此類公司數量很少，投入成本很大，但是發揮的作用最大。比如Intel公司的快速運算CPU架構，Google搜索、雲計算等方面的架構；
中層是IBM、百度、微軟等公司所研發的核心技術層。包括圖像識別技術、語音識別技術、語義理解和翻譯技術等；
最上層是應用層。涉及公司最多，其中包含大量專註於醫療領域具體應用的初創公司，從事醫療數據分析、新葯研發、圖像識別等垂直領域的應用。
目前人工智慧醫療行業爆髮式發展的技術原因，一是基於CPU運算能力、演算法積累程度及高質量數據獲取能力，均達到一定的發展程度和較高的水平；二是如IBM、Google等公司在硬體、軟體等基礎架構方面的蓬勃發展；三是語音識別、圖像識別技術的不斷突破，以及分領域基礎架構的迅猛發展。
具體而言，仍以圖像識別診斷皮膚病為例，人工智慧圖像識別通過海量數據訓練，能準確識別不同圖像間的微小差別，甚至是人類肉眼無法分辨的差別。這是基於通過後台搜集大量皮膚病圖像，由專業醫生分析標記病症以及患病嚴重程度，人工智慧再通過對大量數據的學習和比對圖像差別，將圖片進行分類，從而進行診斷。
其中主要的技術就是深度學習，靠機器自己建立不同的層次，這也是深度學習和普通機器學習的差別所在。對於皮膚病診斷，最外層先看皮膚突起的邊緣，往下一層關注細微紋理變化，再下一層觀察血管、毛孔情況，通過不同層次的疊加，進行由外部到內部的細節分析。
人工智慧圖像識別能做許多傳統醫生做不到的事情，畢竟醫生的腦容量、記憶力、經驗、知識有限，再有名望的醫生也會有從未遇到過的情況和解決不了的問題，而人工智慧卻可以超越人類的局限性。
人工智慧基於的數據能夠實現全球共享，在世界的任何一個角落，只要能採集到圖像，人工智慧就能進行分類和診斷。
目前許多公司針對不同種類的疾病做人工智慧應用。
有些公司針對某種特殊疾病，有些公司針對整體分析。比如洛杉磯的Workswell Cloud提速科技公司，搜集大量的各種疾病信息和圖像信息。
人工智慧應用建立在海量數據之上，高質量數據能夠大大提升診斷準確性，因此數據搜集對於其應用的成敗至關重要，目前各公司在數據資源的爭奪上已進入白熱化階段。如IBM的Watson系統，花費大量資金投入，從許多機構買來文獻閱讀權，由電腦進行閱讀，幫助醫生找到所需要的相關文獻，得出結論。
對於圖像識別技術也一樣，各公司都希望能通過分享或購買去獲得大量的圖像數據，以便建立圖像資料庫，改進演算法，提高準確性和效率。
人類閱讀的過程是，逐頁逐行看文字，通過辭彙的含義去解讀文字。那電腦是如何閱讀的呢？
電腦閱讀，需要由人類先進行處理，將非結構性知識轉換為結構性知識，電腦才能理解。電腦對文字的解讀，是通過人類賦予給它的系統，把信息解讀為數字信息。打個比方說，有兩個詞「動物園」和「獅子」。電腦解讀其為兩個相近的數字，但是電腦並不知道辭彙的具體含義。
同樣地，人類定義某種疾病，電腦會解讀與該疾病相關的信息，比如前面提到的Watson閱讀文獻。與圖像識別一樣，需要積累大量的數據，才能更加準確、有效地識別某一特定信息。這樣以來，醫療數據分析或醫療數據對接，即非結構化數據轉化為結構化數據，就十分重要了。
比如圖像識別方面，更多的公司是針對某一種特定的疾病。若某一家公司專門針對皮膚病應用做數據轉換，就需要從醫院、診所購買或分享大量的皮膚病例數據，由專業醫生去做標註，進行分析。
許多公司做這種非結構化數據轉化為結構化數據的對接工作。其中一家公司Deep 6 AI，主要從醫院獲取大量非結構化數據，如病歷、癥狀表現、血尿常規指標等，每一位病患輸入數據種類不同，在醫院很難被應用。但該公司通過搜集大量數據建立龐大的資料庫，通過人工智慧方式進行轉換，然後對接新葯生產公司，這些製藥公司需要特定類型病患進行臨床試驗。傳統手段尋找臨床試驗對象的時間長、成本高，而Deep 6 AI所做的對接工作，幫助製藥公司精準地找到所需臨床試驗病患，這是人工智慧在醫療上另一個重要應用。
傳統招募臨床試驗病患平均需要半年左右的時間，且還不一定能找到足夠數量的目標對象，但是Deep 6 AI公司，在獲取大量數據的前提下，只需要幾小時就可以找到所需要的病患，而且精準度高，同時還能根據病患信息相關性進行排序，找到最適合的一批試驗對象，不僅大幅提升了臨床試驗工作的有效性，而且極大縮短了新葯出產時間。
3
哪些技術已經發展成熟？
哪些技術還值得期待？
醫學影像識別與診斷，是與我們日常生活最貼近的應用，其成效取決於不同醫院的應用程度。理論上講，該技術已經成熟，但需要設備支持和醫生對結果的解讀。傳統醫療行業自成體系，不同醫院、不同醫生接受新技術的程度不同、所需時間不同。
具體來說，美國對新葯新技術的監管很嚴格，即使在實驗室已經成熟的技術，還需要經過很長時間的反覆臨床試驗驗證後才能投入使用。另外，美國醫生超過十年的培訓期，決定了其知識體系的系統化，要想說服其接受新技術得需要時間，還要算上新技術培訓時間。而且，新技術需要時間去驗證，需要測試有效與否，有何副作用，故仍處於測試階段，尚未廣泛投入使用。
未來趨勢是，將此技術更多地應用於可穿戴設備上。以皮膚病為例，可通過手機app拍一張照片上傳，即可以得到診斷，當然，想要實現這些，需要程序開發，以及系統鋪墊。未來通過手機app還可以實現更多功能，比如穿戴專用服裝，通過監測運動時分泌的汗液情況，分析身體各項指標，判斷身體健康與否。未來的監測設備會將精確的人體數據發送給人工智慧系統，人類健康管理和疾病診斷水平能上升到一個新的高度。
4
目前的市場情況如何？
發展前景怎樣？
人工智慧醫療市場優勢在於政策和資本支持，以及醫療體系有豐富的數據資源，機遇在於該市場以每年40%的速度高速增長，且預計通過使用人工智慧技術可以給整個醫療市場帶來超過1500億美元的節省。
從細分領域角度來看，圖像識別與診斷領域發展很快，主要原因在於市場准入門檻低，因為其主要針對某一種疾病，專業性強，相對單一。比方說針對皮膚病，即使是初創公司，只要搜集了足夠多高質量的皮膚病數據，且有合理的演算法進行優化，即使專門只做皮膚病診斷，其市場發展前景也十分廣大。在醫療圖像識別與診斷領域，有許多小公司在不同的疾病領域競爭，但發展機會多，公司前期發展很快。
另一個市場應用在於，通過人工智慧幫助新葯研發。通過人工智慧篩選一些靶向藥物，從而加快選擇正確藥物的速度，該應用方向市場准入門檻高。因為美國新葯研發是大投入、長周期的產業，此類領域市場雖然大，但是市場前期資金投入大，取得回報耗時長。
上述兩個細分領域對比，發現醫療行業的特點是：不同細分領域，機會和成長方式都不同。
人工智慧醫療領域巨頭公司不多，如IBM、Google等。而小公司就很多，這些小公司研發出好的技術，被大公司收購、併購的機會就很大。從投資角度而言，許多人工智慧醫療小型公司成長快，吸引力大，其更新換代周期短，退出機會多。
對病患來說也可獲益。大公司吸收小公司的長處，整合成一個非常強大的系統，能幫助許多種類疾病的診斷。綜合性的、功能強大的人工智慧技術應用在未來是值得期待的。
中美兩國在不同細分領域的發展速度差異大。從全球來看，中美兩國在醫療創新的科研投入、資金支持上是最大的，因此發展情況最好。中美兩國在人工智慧醫療上的差異在於：
（一）從數據規模角度來看，中國人口基數大，其數據開發的潛力大，所以中國在未來數據膨脹時代，隨著數據積累，其發展空間和機會要大一些。
（二）從隱私保護角度來看，美國數據監管嚴格，在數據獲取和應用上的投入會大一些；中國數據監管相對而言沒有那麼嚴格，獲取數據的成本較低，則發展機會大一些。
（三）從全球化方面看，中國方面注重控制，限制數據流往海外，而美國方面在全球化上更開放。
（四）從資金來源角度來看，中國更多依靠政府投資，美國更多吸引外部投資。
（五）從細分領域來看，由於中美兩國醫療體系的差異，造成在不同細分領域的發展程度不同，有些技術美國成熟些，有些技術中國發展快些。這種差異帶來了許多發展機會，兩國可以交流先進技術，取長補短，促進科技發展和創新，推動人類進步。目前中美兩國在人工智慧醫療方面的合作交流很多，對於未來，更加看好兩國的合作與共享。
總結
小結：雖然目前面臨人工智慧熱潮，但是要解決人工智慧在醫療領域的問題，更多的要看使用什麼方法能有效地解決問題。雖然十分看好人工智慧技術，但是不希望每個領域過度依賴目前的熱門技術。期待未來有更多的新科技有效地解決醫療領域的問題。在未來較長時期，人工智慧與醫療的結合應用，一定有很好的發展前景。
編者信息：
撰稿、編輯：范犁洲，就讀於加州大學洛杉磯分校（UCLA）。
校稿：朱亞珍，醫學博士，就職於加州大學洛杉磯分校（UCLA）醫學院，畢業於復旦大學。
審稿：劉登凱，美國噴射動力實驗室（JPL, NASA）太空系統經理，JPL副總工程師，美國金華之聲廣播電台節目主持人，科技與生活欄目創始人。
TAG:竹葉浪人 |